Penelitian ini bertujuan mengembangkan aplikasi mobile untuk pemilahan sampah anorganik yang mampu mendeteksi tujuh kelas objek, yaitu plastik, kaca, logam, elektronik, kertas, kain, dan kardus menggunakan arsitektur Deep Learning MobileNetV3. Berdasarkan hasil pengujian komparatif, metode MobileNetV3 terbukti lebih efektif dibandingkan EfficientDetd0, ditandai dengan penurunan nilai loss yang konsisten, efisiensi waktu komputasi yang lebih baik, serta kemampuan generalisasi yang optimal tanpa mengalami overfitting. Kualitas dataset ditemukan sebagai faktor fundamental dalam keberhasilan model, di mana penggunaan dataset yang terstandardisasi dan bebas noise menghasilkan performa superior dengan akurasi deteksi mencapai 97,14% dan Overall mAP 94,13%. Analisis mendalam menunjukkan bahwa meskipun performa deteksi sangat stabil pada kategori kain dan elektronik, akurasi pada kategori plastik, kaca, dan logam cenderung menurun saat dituntut presisi Intersection over Union (IoU) yang tinggi. Dari segi operasional, sistem mencapai tingkat keberhasilan 100% pada rentang jarak 30 cm hingga 150 cm, dengan efisiensi waktu terbaik pada jarak 60 cm hingga 90 cm. Lebih lanjut, pengujian perangkat keras menyimpulkan bahwa spesifikasi tinggi hanya memberikan keunggulan signifikan pada deteksi jarak jauh atau diatas 150cm, sedangkan untuk rentang operasional ideal, perangkat dengan spesifikasi standar terbukti sudah sangat memadai dan efisien untuk implementasi sistem.