Perbandingan Model Arsitektur MobileNetV2 dan DenseNet169 pada Klasifikasi Citra Sampah Anorganik

Wibowo, Ari (2026) Perbandingan Model Arsitektur MobileNetV2 dan DenseNet169 pada Klasifikasi Citra Sampah Anorganik. Skripsi (Bachelor) thesis, Universitas Muhammadiyah Bengkulu.

[img] Text (Fulltext)
ARI_WIBOWO_2255201087_Fulltext.pdf - Submitted Version
Restricted to Repository staff only
Download (5MB) | Request a copy
[img] Text (Turnitin)
ARI_WIBOWO_2255201087_Turnitin.pdf - Submitted Version
Restricted to Repository staff only
Download (17MB) | Request a copy
[img] Text (ABSTRAK+BAB 1)
ARI_WIBOWO_2255201087_ABSTRAK+BAB1.pdf - Submitted Version
Download (375kB)
[img] Text (BAB 2)
ARI_WIBOWO_2255201087_BAB2.pdf - Submitted Version
Download (397kB)
[img] Text (BAB 3)
ARI_WIBOWO_2255201087_BAB3.pdf - Submitted Version
Restricted to Repository staff only
Download (594kB) | Request a copy
[img] Text (BAB 4)
ARI_WIBOWO_2255201087_BAB4.pdf - Submitted Version
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 5)
ARI_WIBOWO_2255201087_BAB5.pdf - Submitted Version
Download (173kB)
[img] Text (Ref+Lamp)
ARI_WIBOWO_2255201087_REFERENSI.pdf - Submitted Version
Download (219kB)

Abstract

Pemilahan sampah secara manual masih memiliki keterbatasan karena membutuhkan waktu yang lama dan berpotensi menimbulkan kesalahan dalam mengidentifikasi jenis sampah. Penelitian ini bertujuan membandingkan performa arsitektur MobileNetV2 dan DenseNet169 dalam klasifikasi citra sampah anorganik menggunakan metode Transfer Learning. Dataset yang digunakan terdiri atas citra cardboard dan paper yang diperoleh dari Kaggle serta data primer hasil dokumentasi peneliti. Tahapan penelitian meliputi preprocessing, pembagian dataset, pelatihan model, dan evaluasi menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix.Hasil penelitian menunjukkan bahwa MobileNetV2 memperoleh Accuracy 96,14%, Precision 95,05%, Recall 97,82%, dan F1-Score 96,42%. DenseNet169 memperoleh Accuracy 96,14%, Precision 95,70%, Recall 97,09%, dan F1-Score 96,39%. Meskipun memiliki tingkat akurasi yang sama, MobileNetV2 hanya menggunakan sekitar 2,6 juta parameter, sedangkan DenseNet169 memiliki sekitar 12,6 juta parameter. Hasil tersebut menunjukkan bahwa MobileNetV2 memberikan performa klasifikasi yang setara dengan DenseNet169 dengan kebutuhan komputasi yang lebih rendah sehingga lebih efisien untuk diterapkan pada perangkat dengan sumber daya terbatas.

Item Type: Thesis (Skripsi (Bachelor))
Additional Information: Pembimbing : Dr. Erwin Dwika Putra, S.Kom., M.Kom.
Uncontrolled Keywords: Transfer Learning, Deep Learning, Efisiensi Komputasi
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 Sarah Mentari Utama
Date Deposited: 28 Aug 2026 04:35
Last Modified: 28 Aug 2026 04:35
URI: http://repository.umb.ac.id/id/eprint/3472

Actions (login required)

View Item View Item