RAMADHAN, MUHAMMAD CHANDRA and Kurniawan, Hendra and Fahmitra, Novrizal Fattah (2026) ANALISIS PERFORMA LOCAL TRAINING PADA SISTEM KLASIFIKASI SAMPAH BERBASIS FEDERATED LEARNING MENGGUNAKAN MODEL PRE-T RAINED EFFICIENTNET-B0. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) MUHAMMAD_CHANDRA_RAMADHAN_2201020103 - Cover.pdf - Published Version Download (572kB)
	Text (Abstrak) MUHAMMAD_CHANDRA_RAMADHAN_2201020103 - Abstrak.pdf - Published Version Download (90kB)
	Text (BAB I) MUHAMMAD_CHANDRA_RAMADHAN_2201020103 - BAB I.pdf - Published Version Download (207kB)
	Text (Daftar Pustaka) MUHAMMAD_CHANDRA_RAMADHAN_2201020103 - Daftar Pustaka.pdf - Published Version Download (153kB)
	Text (Full Teks) MUHAMMAD_CHANDRA_RAMADHAN_2201020103 - Full _Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Pelatihan model kecerdasan buatan untuk klasifikasi sampah umumnya masih dilakukan secara konvensional melalui metode terpusat (centralized learning) yang mengharuskan seluruh data dikumpulkan ke server pusat, sehingga berisiko terhadap privasi data dan kurang merepresentasikan variasi karakteristik data lokal yang bersifat heterogen (non-IID). Penelitian ini bertujuan untuk menganalisis performa proses local training dalam sistem federated learning berbasis perangkat mobile untuk mewujudkan sistem klasifikasi yang aman dan efisien. Metode yang digunakan meliputi arsitektur pre-trained EfficientNet-B0 untuk mengoptimalkan efisiensi komputasi pada perangkat terbatas, strategi agregasi Federated Averaging (FedAvg) untuk menyatukan parameter bobot lokal, serta distribusi Dirichlet untuk mensimulasikan sebaran data antarklien yang bervariasi. Tahapan prapemrosesan citra terdiri atas parameter resizing menjadi 224x224 piksel, augmentasi data (random rotation dan random flip), serta normalisasi nilai piksel untuk mempercepat konvergensi model. Model global yang dibangun dari hasil kolaborasi terdesentralisasi ini diuji menggunakan data uji dan menghasilkan tingkat akurasi tertinggi sebesar 90,35%. Sistem kemudian diimplementasikan dalam bentuk aplikasi mobile Android untuk mempermudah proses identifikasi, anotasi data, dan pelatihan lokal secara mandiri oleh pengguna. Hasil penelitian menunjukkan bahwa kombinasi arsitektur model ringan dan metode pembelajaran terdistribusi mampu membedakan kategori sampah secara efektif sekaligus menandingi performa metode terpusat tanpa mengorbankan privasi data, sehingga berpotensi menjadi alternatif metode pengelolaan sampah berbasis teknologi digital.

Actions (login required)

View Item