Implementasi transfer learning dengan arsitektur EfficientNet-B0 berbasis mitigasi risiko untuk klasifikasi sampah Bahan Berbahaya dan Beracun (B3) Rumah Tangga

Destriani, Imelia (2026) Implementasi transfer learning dengan arsitektur EfficientNet-B0 berbasis mitigasi risiko untuk klasifikasi sampah Bahan Berbahaya dan Beracun (B3) Rumah Tangga. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (249kB) | Preview
Preview	Text 2_abstrak.pdf Download (290kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (1MB) | Preview
Preview	Text 4_daftarisi.pdf Download (334kB) | Preview
Preview	Text 5_bab1.pdf Download (540kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (944kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (280kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (278kB) | Request a copy

Abstract

Sampah Bahan Berbahaya dan Beracun (B3) rumah tangga berpotensi menimbulkan dampak negatif terhadap lingkungan dan kesehatan apabila tidak dipilah dan dikelola dengan tepat. Salah satu tantangan dalam klasifikasi citra sampah B3 adalah mengurangi kesalahan klasifikasi yang mengategorikan sampah B3 sebagai non-B3, karena kesalahan klasifikasi yang mengategorikan sampah B3 sebagai non-B3 dapat menyebabkan penanganan sampah yang tidak tepat. Penelitian ini bertujuan membangun model klasifikasi citra sampah rumah tangga berbasis transfer learning menggunakan arsitektur EfficientNet-B0 dengan pendekatan mitigasi risiko untuk menekan kesalahan klasifikasi pada kelas B3. Penelitian menerapkan beberapa strategi, yaitu fine-tuning bertahap, weighted Binary Cross Entropy (weighted BCE), dan class-aware attention. Metodologi yang digunakan mengacu pada CRISP-DM hingga tahap evaluation. Pengujian dilakukan melalui lima skenario model menggunakan pendekatan ablation study untuk menganalisis kontribusi masing-masing strategi terhadap accuracy, precision B3, recall B3, F1-score B3, dan false negative rate (FNR) B3. Hasil penelitian menunjukkan bahwa model class-aware attention menghasilkan performa paling seimbang dengan accuracy sebesar 96,89%, precision B3 sebesar 96,48%, recall B3 sebesar 97,33%, F1-score sebesar 96,90%, serta FNR B3 terendah sebesar 2,67%. Hasil tersebut menunjukkan bahwa penerapan strategi mitigasi risiko efektif meningkatkan kemampuan model dalam mengidentifikasi sampah B3 sekaligus mengurangi kesalahan klasifikasi pada kelas tersebut.

Actions (login required)

View Item