KLASIFIKASI SAMPAH STYROFOAM MENGGUNAKAN EFFICIENTNET BERBASIS DEEP LEARNING DENGAN PENDEKATAN TRANSFER LEARNING

Nathania, Nabella Hermy (2026) KLASIFIKASI SAMPAH STYROFOAM MENGGUNAKAN EFFICIENTNET BERBASIS DEEP LEARNING DENGAN PENDEKATAN TRANSFER LEARNING. Skripsi (Bachelor) thesis, Universitas Muhammadiyah Bengkulu.

	Text (FULLTEXT) Nabella Hermy Nathania_2255201166_Fulltext.pdf - Submitted Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (turnitin) Nabella Hermy Nathania_2255201166_Turnitin...pdf - Submitted Version Restricted to Repository staff only Download (3MB) | Request a copy
	Text (ABSTRAK + BAB 1) Nabella Hermy Nathania_2255201166_ABSTRAK+BAB1.pdf - Submitted Version Restricted to Repository staff only Download (149kB) | Request a copy
	Text (BAB 2) Nabella Hermy Nathania_2255201166_BAB2.pdf - Submitted Version Restricted to Repository staff only Download (228kB) | Request a copy
	Text (BAB 3) Nabella Hermy Nathania_2255201166_BAB3.pdf - Submitted Version Restricted to Repository staff only Download (126kB) | Request a copy
	Text (BAB 4) Nabella Hermy Nathania_2255201166_BAB4.pdf - Submitted Version Restricted to Repository staff only Download (385kB) | Request a copy
	Text (BAB 5) Nabella Hermy Nathania_2255201166_BAB5.pdf - Submitted Version Restricted to Repository staff only Download (54kB) | Request a copy
	Text (REF+LAMP) Nabella Hermy Nathania_2255201166_REF+LAMP.pdf - Submitted Version Download (115kB)

Abstract

Permasalahan penumpukan sampah styrofoam yang sulit terurai secara alami menuntut adanya inovasi dalam sistem pengelolaan sampah yang cepat, akurat, dan otomatis. Teknologi computer vision berbasis deep learning menawarkan solusi yang adaptif dalam proses pemilahan visual, namun implementasinya sering kali terhambat oleh keterbatasan ukuran dataset dan kapasitas komputasi perangkat. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi kinerja arsitektur EfficientNet-B0 menggunakan pendekatan transfer learning untuk mengklasifikasikan sampah secara biner (Styrofoam dan Non-Styrofoam). Dataset penelitian yang digunakan terdiri dari 876 citra yang dioptimasi melalui teknik augmentasi data spasial tanpa melibatkan manipulasi vertical flip guna mempertahankan representasi orientasi fisik objek di dunia nyata. Untuk membuktikan efisiensi arsitektur, dilakukan eksperimen komparatif dengan perluasan skala jaringan (network scaling) pada varian EfficientNet-B1 dan EfficientNet-B2. Hasil pengujian independen menunjukkan bahwa EfficientNet B0 berhasil meraih performa terbaik dengan tingkat akurasi mencapai 94,70% dan nilai loss 0,2199. Sebaliknya, varian yang lebih kompleks justru mengalami penurunan performa, yaitu EfficientNet-B1 (92,42%) dan EfficientNet-B2 (93,94%). Penurunan ini secara teoretis disebabkan oleh terjadinya overfitting terselubung akibat disparitas antara jumlah parameter model yang terlalu masif dengan volume data latih yang terbatas. Berdasarkan hasil empiris tersebut, disimpulkan bahwa arsitektur dasar EfficientNet-B0 merupakan model yang paling optimal, ringan (lightweight), dan stabil untuk dataset biner berskala menengah. Temuan ini memberikan justifikasi kuat bahwa model EfficientNet-B0 sangat siap dan potensial untuk diintegrasikan pada sistem Smart Waste Management berbasis edge computing.

Item Type:	Thesis (Skripsi (Bachelor))
Additional Information:	Pembimbing: Dr. Erwin Dwika Putra., S.Kom., M.Kom
Uncontrolled Keywords:	Deep Learning, EfficientNet, Klasifikasi Sampah, Styrofoam, Transfer Learning
Subjects:	Universitas Muhammadiyah Bengkulu > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Divisions:	02-Fakultas Teknik > 55201-(S1) Teknik Informatika Subjek Terkait > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika
Depositing User:	Mrs Meri Susanti R
Date Deposited:	07 Sep 2026 04:51
Last Modified:	07 Sep 2026 04:51
URI:	http://repository.umb.ac.id/id/eprint/4147

Actions (login required)

View Item