Permasalahan pemilahan sampah di Indonesia masih minim, terutama pada tingkat rumah tangga, sehingga banyak sampah yang tidak terkelola dengan baik. Untuk mengatasi hal ini, penelitian ini bertujuan membangun sistem klasifikasi gambar sampah berbasis visual dengan membandingkan dua pendekatan yaitu Naïve Bayes berbasis fitur manual (tekstur, warna, dan bentuk) serta Convolutional Neural Network (CNN) berbasis transfer learning.
Penelitian ini dimulai dengan membuat dataset dari empat kelas sampah (plastik, kaca, kardus, logam) yang dikumpulkan dari situs terbuka seperti Freepik, Pinterest, dan Kaggle. Dataset diperluas melalui augmentasi manual dan diekstraksi fitur visualnya menggunakan HSV, LBP, dan Hu Moments untuk Naïve Bayes, serta dilakukan pelatihan menggunakan CNN (InceptionV3, MobileNetV2, ResNet50V2). Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score.
Hasil menunjukkan bahwa MobileNetV2 dengan 30 Epoch adalah model paling optimal, dengan akurasi, precision, recall, dan F1-score sebesar 0,98, serta waktu pelatihan hanya 11,76 menit, jauh lebih efisien dibandingkan ResNet50V2 dan InceptionV3. Di sisi lain, model Naïve Bayes hanya mencapai akurasi maksimal 60% (MultinomialNB) meskipun sangat cepat. Dengan demikian, MobileNetV2 30 Epoch menjadi pilihan terbaik untuk klasifikasi gambar sampah yang akurat dan efisien.