Isu sampah masih menjadi salah satu permasalahan utama yang perlu segera ditangani di Indonesia. Salah satu langkah penting dalam pengelolaan sampah adalah pemilahan berdasarkan jenisnya. Namun, proses pemilahan di Indonesia belum berjalan secara optimal. Oleh karena itu, dibutuhkan solusi berbasis teknologi, seperti pemanfaatan kecerdasan buatan, untuk mendukung proses pemilahan sampah secara otomatis. Penelitian ini bertujuan untuk menerapkan algoritma Single Shot Detector (SSD) dalam sistem deteksi sampah berbasis visual, serta menganalisis perbandingan performa arsitektur ResNet-34, ResNet-50, dan ResNet-101 sebagai backbone dalam model SSD. Dataset yang digunakan terdiri dari 800 citra yang telah dianotasi, mencakup empat kategori sampah: sisa makanan, plastik, kayu, dan kertas. Model dilatih menggunakan kombinasi optimizer (SGD dan Adam) serta variasi learning rate pada masing-masing arsitektur. Evaluasi dilakukan secara visual dan numerik menggunakan metrik precision, recall, F1-score, dan mean Average Precision (mAP). Hasil menunjukkan bahwa kombinasi SSD + ResNet-34 dengan optimizer SGD dan learning rate 0.0005 memberikan performa terbaik dengan mAP@50 sebesar 91,02?n mAP@50-95 sebesar 56,63%. Sementara itu, arsitektur yang lebih dalam seperti ResNet-101 menunjukkan performa yang kurang stabil dan cenderung mengalami overfitting. Temuan ini menegaskan bahwa pemilihan arsitektur backbone yang tepat, serta konfigurasi pelatihan yang optimal, sangat memengaruhi keberhasilan sistem deteksi sampah otomatis berbasis visual.
