Implementasi Pemilahan Sampah Berbasis Algoritma Transfer Learning CNN Menggunakan MobileNetV2 dan EfficientNetB0 / Sean Edbert Thio / 53210216 / Pembimbing: Joko Susilo (UNPUBLISH)

Sean Edbert Thio, Sean Edbert Thio (2025) Implementasi Pemilahan Sampah Berbasis Algoritma Transfer Learning CNN Menggunakan MobileNetV2 dan EfficientNetB0 / Sean Edbert Thio / 53210216 / Pembimbing: Joko Susilo (UNPUBLISH). Institut Bisnis Dan Informatika Kwik Kian Gie, Jakarta. (Unpublished)

	Text HALAMAN JUDUL.pdf - Published Version Download (648kB)
	Text BaB I - PENDAHULUAN.pdf - Published Version Download (522kB)
	Text BAB II - KAJIAN PUSTAKA.pdf - Published Version Download (601kB)
	Text BAB III - METODE PENELITIAN.pdf - Published Version Download (610kB)
	Text BAB IV - HASIL DAN PEMBAHASAN.pdf - Published Version Restricted to Repository staff only Download (1MB)
	Text BAB V - KESIMPULAN DAN SARAN.pdf - Published Version Download (500kB)
	Text DAFTAR PUSTAKA.pdf - Published Version Download (525kB)
	Text LAMPIRAN.pdf - Published Version Download (523kB)
	Text ORIGINALITAS.pdf - Published Version Restricted to Repository staff only Download (416kB)
	Text RESUME.pdf - Published Version Restricted to Repository staff only Download (772kB)
	Text PERSETUJUAN RESUME.pdf - Published Version Download (428kB)

Abstract

Sampah merupakan masalah lingkungan yang terus meningkat seiring dengan pertumbuhan populasi dan urbanisasi. Penelitian ini bertujuan untuk mengembangkan sistem pemilahan sampah berbasis algoritma Transfer Learning CNN menggunakan dua model arsitektur, yaitu MobileNetV2 dan EfficientNetB0. Tujuannya adalah untuk membantu masyarakat dalam mengidentifikasi jenis sampah secara otomatis, sehingga dapat meningkatkan efisiensi pengelolaan sampah. Penelitian ini bertujuan untuk mengevaluasi kinerja kedua model tersebut dalam mengklasifikasikan sampah menjadi beberapa kategori,yaitu plastik, kertas, besi, kaca, karton, dan sampah lain. Dataset yang digunakan terdiri dari 2527 gambar yang diambil dari platform Kaggle dan pengambilan data mandiri.Landasan teori yang mendukung penelitian ini, mencakup definisi sistem, sistem informasi, sampah, machine learning, transfer learning, Convolutional Neural Network (CNN), neural network, computer vision, deep learning, data, dataset, TensorFlow, Python, MobileNetV2, EfficientNetB0, overfitting, underfitting, confusion matrix, dan penelitian terdahulu. Teori-teori ini menjelaskan konsep dasar yang digunakan dalam pengembangan sistem pemilahan sampah berbasis teknologi, termasuk algoritma CNN dan model transfer learning seperti MobileNetV2 dan EfficientNetB0. Metodologi penelitian dimulai dengan pengumpulan dan pembersihan data, dilanjutkan dengan pelatihan model menggunakan teknik Transfer Learning. Dataset dibagi menjadi tiga bagian, yaitu data latih (60%), data validasi (20%), dan data uji (20%). Proses pelatihan dilakukan dengan menggunakan arsitektur MobileNetV2 dan EfficientNetB0, yang telah dilatih sebelumnya pada dataset ImageNet. Kedua model tersebut kemudian dievaluasi menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Selain itu, confusion matrix digunakan untuk menganalisis kesalahan klasifikasi yang dilakukan oleh model. Hasil penelitian menunjukkan bahwa MobileNetV2 memiliki performa yang lebih unggul dibandingkan EfficientNetB0. MobileNetV2 mencapai akurasi pelatihan sebesar 87,31% dan akurasi validasi 91,57%, sementara EfficientNetB0 mencapai akurasi pelatihan 82,46% dan akurasi validasi 88,29%. Meskipun kedua model menunjukkan kinerja yang baik, masih terdapat beberapa kesalahan klasifikasi, terutama pada sampah yang memiliki kemiripan visual. Nilai loss yang cukup tinggi pada kedua model (MobileNetV2: 39,82%, EfficientNetB0: 49,93%) mengindikasikan bahwa jumlah dataset masih kurang optimal untuk pelatihan yang lebih akurat. Penelitian ini berhasil mengembangkan sistem klasifikasi sampah berbasis transfer learning menggunakan Convolutional Neural Network (CNN) dengan model MobileNetV2 dan EfficientNetB0. Hasil penelitian menunjukkan bahwa MobileNetV2 memiliki keunggulan dalam akurasi, efisiensi, dan kecepatan pelatihan dibandingkan EfficientNetB0. Namun, masih terdapat tantangan dalam mengurangi tingkat kesalahan klasifikasi dan loss model. Untuk pengembangan lebih lanjut, disarankan penggunaan dataset yang lebih besar dan beragam, fine-tuning model, serta pengujian di berbagai kondisi lingkungan. Kata kunci: CNN, EfficientNetB0, Identifikasi Sampah, MobileNetV2, Transfer Learning

Actions (login required)

View Item