SYSTEMATIC LITERATURE REVIEW ARSITEKTUR DEEP LEARNING DAN METODE AUGMENTASI DATA UNTUK KLASIFIKASI LIMBAH PLASTIK KONDISI TIDAK IDEAL

Abstract

Meningkatnya jumlah limbah plastik global mendorong kebutuhan akan sistem klasifikasi otomatis yang akurat dan andal. Berbagai penelitian berbasis deep learning telah menunjukkan kinerja yang baik dalam klasifikasi limbah plastik, namun sebagian besar pengujian masih dilakukan pada kondisi yang terkontrol. Sementara itu, kemampuan model dalam mengenali citra limbah plastik pada kondisi tidak ideal, seperti terkontaminasi, buram, atau memiliki pencahayaan rendah, masih belum banyak dikaji secara komprehensif. Penelitian ini bertujuan untuk mengidentifikasi arsitektur deep learning yang dominan, mengevaluasi metode augmentasi data dan prapemrosesan yang efektif, serta mengidentifikasi research gap pada klasifikasi limbah plastik dalam kondisi tidak ideal. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan mengadopsi pedoman PRISMA. Sebanyak 35 artikel yang diperoleh dari IEEE Xplore, ScienceDirect, dan Google Scholar dianalisis berdasarkan arsitektur model, teknik augmentasi data, dataset, dan metrik evaluasi. Hasil kajian menunjukkan bahwa CNN beserta variannya, seperti MobileNet, EfficientNet, dan DenseNet, merupakan arsitektur yang paling banyak digunakan dengan akurasi 83%-99,46%, sedangkan YOLO menunjukkan kinerja unggul untuk deteksi real-time dengan mAP50 mencapai 98,03%. Teknik augmentasi data, seperti rotasi, normalisasi, dan penambahan noise sintetis, terbukti mampu meningkatkan ketahanan model terhadap variasi visual. Selain itu, ditemukan bahwa penelitian mengenai ketahanan model pada citra limbah plastik yang terkontaminasi atau terdegradasi masih terbatas, serta belum tersedia benchmark dataset standar untuk kondisi non-ideal. Temuan ini dapat menjadi referensi dalam pengembangan sistem klasifikasi limbah plastik yang lebih robust untuk penerapan di lingkungan nyata.