MUDAFFARSYAH, M and Kurniawan, Hendra and Irawan, Feri (2026) ANALISIS KINERJA LOCAL TRAINING PADA SISTEM FEDERATED LEARNING UNTUK KLASIFIKASI JENIS SAMPAH DENGAN ARSITEKTUR RESNET-18. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) M.MUDAFFARSYAH_2201020075_Teknik_Informatika - Cover.pdf Download (906kB)
	Text (Abstrak) M.MUDAFFARSYAH_2201020075_Teknik_Informatika - Abstrak.pdf - Published Version Download (102kB)
	Text (BAB I) M.MUDAFFARSYAH_2201020075_Teknik_Informatika - BAB I.pdf - Published Version Download (232kB)
	Text (Daftar Pustaka) M.MUDAFFARSYAH_2201020075_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (236kB)
	Text (Full Teks) M.MUDAFFARSYAH_2201020075_Teknik_Informatika - Full Teks.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Pelatihan model kecerdasan buatan untuk klasifikasi sampah umumnya dilakukan menggunakan metode terpusat (Centralized Learning) yang mengharuskan seluruh data pengguna dikumpulkan pada server pusat. Pendekatan ini berpotensi menimbulkan risiko terhadap privasi data serta kurang merepresentasikan kondisi distribusi data pengguna yang beragam (Non-IID). Penelitian ini bertujuan untuk menganalisis performa local training pada sistem Federated Learning berbasis perangkat mobile menggunakan arsitektur ResNet-18 untuk klasifikasi sampah. Metode yang digunakan meliputi model pre-trained ResNet-18 sebagai arsitektur klasifikasi dan algoritma Federated Averaging (FedAvg) sebagai mekanisme agregasi model global. Data yang digunakan terdiri atas enam kategori sampah, yaitu kardus, kaca, logam, kertas, plastik, dan sampah lainnya, dengan distribusi data yang bervariasi pada setiap klien. Tahapan pra-pemrosesan meliputi resizing citra menjadi 224×224 piksel, data augmentation berupa random rotation dan random flip, serta normalisasi menggunakan parameter ImageNet. Sistem kemudian diimplementasikan dalam bentuk aplikasi mobile Android yang memungkinkan pengguna melakukan pengelolaan dataset, pelatihan lokal, dan pembaruan model secara mandiri. Hasil penelitian menunjukkan bahwa skenario Federated Learning terbaik diperoleh pada konfigurasi 5 klien dengan akurasi sebesar 85.63%, presisi sebesar 86.89%, recall sebesar 84.64%, dan F1-score sebesar 85.29%. Sementara itu, metode Centralized Learning memperoleh akurasi sebesar 90.55% dan F1-score sebesar 89.15%. Meskipun performa klasifikasi Centralized Learning masih lebih tinggi, Federated Learning mampu menghasilkan performa yang kompetitif tanpa mengirimkan data mentah pengguna ke server pusat. Hasil tersebut menunjukkan bahwa Federated Learning berpotensi menjadi alternatif yang lebih aman dalam pengembangan sistem klasifikasi sampah berbasis perangkat mobile.

Actions (login required)

View Item