Hasil Pencarian  ::  Simpan CSV :: Kembali

"Permasalahan penumpukan sampah menjadi isu global yang mendesak, memerlukan solusi inovatif untuk deteksi dan klasifikasi yang efisien. Dalam konteks ini, deteksi objek sampah menggunakan deep learning menawarkan potensi besar. Namun, pengembangan model neural network tunggal yang kompleks seringkali menghadapi tantangan keterbatasan kinerja, terutama ketika dihadapkan pada dataset yang terbatas. Penelitian ini bertujuan untuk mengembangkan model deep learning yang robust untuk deteksi objek sampah pada dataset terbatas (TrashNet) dengan memanfaatkan metode ensemble. Pendekatan ensemble, khususnya strategi weighted average, diimplementasikan untuk mengkombinasikan prediksi dari beberapa arsitektur Convolutional Neural Network (CNN) yang berbeda, seperti Xception, ResNet, dan VGG. Model-model dasar ini dilatih secara independen dan bobot optimal untuk setiap model ditentukan melalui proses validasi silang untuk memaksimalkan akurasi. Hasil eksperimen menunjukkan bahwa model ensemble dengan weighted average secara signifikan meningkatkan performa deteksi objek sampah dibandingkan dengan model tunggal. Peningkatan ini ditunjukkan melalui metrik evaluasi seperti akurasi, presisi, recall, dan F1-score yang lebih tinggi. Analisis mendalam mengungkapkan bahwa metode ensemble efektif dalam mengatasi bias dan variasi yang mungkin ada pada model individual, menghasilkan prediksi yang lebih stabil dan akurat pada dataset terbatas. Studi ini menunjukkan bahwa pendekatan ensemble meningkatkan akurasi klasifikasi menjadi 83.27%, atau meningkat ³ 3.35%.

---

The escalating problem of waste accumulation presents a pressing global issue, demanding innovative solutions for efficient detection and classification. In this context, waste object detection using deep learning offers significant potential. However, developing complex single neural network modelsnetworks often faces performance limitations, especially when confronted with limited datasets. This research aims to develop a robust deep-learning model for waste object detection on limited datasets (TrashNet) by leveraging an ensemble method. The ensemble approach, specifically the weighted average strategy, is implemented to combine predictions from several different Convolutional Neural Network (CNN) architectures, such as Xception, ResNet, and VGG. These base models are trained independently, and optimal weights for each model are determined through a cross-validation process to maximize accuracy. Experimental results demonstrate that the ensemble model with weighted averaging significantly improves waste object detection performance compared to single models. This improvement is shown through higher evaluation metrics such as accuracy, precision, recall, and F1-score. In-depth analysis reveals that the ensemble method is effective in mitigating biases and variations that may exist in individual models, leading to more stable and accurate predictions on limited datasets. This study demonstrates that the ensemble approach improves the classification accuracy to 83.27%, or an increase of ³ 3.35%."

"Ketidakseimbangan data merupakan tantangan umum dalam klasifikasi, di mana salah satu kelas memiliki ukuran sampel yang jauh lebih sedikit dibandingkan kelas lainnya dalam suatu dataset. Kondisi ini dapat menghasilkan klasifikasi yang memiliki akurasi prediksi yang tinggi untuk kelas mayoritas, tetapi cenderung rendah untuk kelas minoritas yang memiliki kontribusi kecil terhadap kesalahan total. Dalam aplikasi dunia nyata, kesalahan klasifikasi pada kelas minoritas sering kali memiliki konsekuensi yang lebih serius, seperti pada kasus deteksi serangan siber pada sistem keamanan jaringan. Kegagalan dalam mendeteksi serangan siber (false negative) dapat membuka celah keamanan yang berakibat fatal. Untuk menangani masalah ketidakseimbangan data, berbagai metode telah dikembangkan, termasuk pendekatan ensemble seperti SMOTEBoost (Synthetic Minority Oversampling Technique and Boosting) dan RUSBoost (Random Undersampling and Boosting). Pada penelitian skripsi ini dilakukan studi empiris pada data serangan malware dari dataset AWID3 menggunakan metode SMOTEBoost dan RUSBoost dan dibandingkan performanya dengan algoritma dasarnya, AdaBoost. Simulasi dilakukan dengan berbagai kombinasi hyperparameter dan variasi proporsi data training dan testing untuk mengevaluasi kinerja model secara komprehensif. Hasil penelitian menunjukkan bahwa metode SMOTEBoost dan RUSBoost memiliki kinerja yang sebanding dalam mendeteksi kelas minoritas, di mana nilai recall mencapai 0,99, dan lebih unggul dari metode AdaBoost dengan nilai recall 0,87-0,88. Penelitian tambahan yang dilakukan untuk mengevaluasi kinerja masing-masing metode pada berbagai jenis ketidakseimbangan menunjukkan bahwa kinerja metode AdaBoost menurun seiring dengan meningkatnya ketidakseimbangan relatif, sedangkan metode SMOTEBoost dan RUSBoost tetap stabil dengan kinerja yang baik. Namun, ukuran sampel minoritas yang terbatas atau absolute rarity memiliki dampak pada penurunan kinerja metode SMOTEBoost dan RUSBoost.

---

Imbalanced data is a common challenge in classification tasks, where one class has significantly fewer instances compared to others within a dataset. This condition can result in classification models with high predictive accuracy for the majority class but tend to perform poorly on the minority class, which contributes little to the overall error rate. In real-world applications, misclassifications errors on the minority class often bear more severe consequences, such as in the case of detecting cyber attacks in network security systems. Failure to detect cyber attacks (false negatives) can lead to security breaches with fatal consequences. To address the imbalanced data problem, various methods have been developed, including ensemble approaches such as SMOTEBoost (Synthetic Minority Oversampling Technique and Boosting) and RUSBoost (Random Undersampling and Boosting). In this thesis research, an empirical study was conducted on malware attack data from the AWID3 dataset using the SMOTEBoost and RUSBoost, and their performance was compared with their base algorithm, AdaBoost. Simulations were carried out with various combinations of hyperparameter and different train-test split to comprehensively evaluate the model’s performance. The research results showed that SMOTEBoost and RUSBoost methods had comparable performance in detecting the minority class, achieving remarkable recall values of 0.99, outperformed the AdaBoost method, which had recall values ranging from 0.87 to 0.88. Additional research conducted to evaluate the performance of each method on various types of imbalance showed that the performance of the AdaBoost method decreased as the relative imbalance increased, while the SMOTEBoost and RUSBoost methods maintained a stable and robust performance. However, a limited number of minority instances or absolute rarity had a negative effect on the performance of the SMOTEBoost and RUSBoost methods."