Adanya permasalahan sampah yang semakin rumit di Indonesia dapat terjadi karena kurangnya kesadaran masyarakat mengenai pentingnya pengelolaan sampah, serta perubahan pola produksi dan konsumsi. Untuk menangani masalah ini, UGM telah merancang peta jalan penelitian mengenai Perubahan Iklim dan Adaptasi Lingkungan dengan fokus pada tujuan Sustainable Development Goals (SDGs) terkait Konsumsi dan Produksi yang Bertanggung Jawab. Transformasi digital dengan bantuan teknologi komputasi bergerak dan perangkat pintar, khususnya Internet of Things (IoT), diperlukan agar solusi dapat dihadirkan secara cepat, akurat, dan efisien.
Dalam penelitian ini, Dr. Yuris Mulya Saputra, dosen di Departemen Teknik Elektro dan Informatika SV UGM melalui dana Penelitian Masyarakat SV UGM 2024, telah melakukan pemanfaatan transfer learning (TL) pada perangkat IoT sebagai solusi yang efisien untuk pengelolaan sampah, terutama dalam mendeteksi dan memilah jenis sampah. TL merupakan metode pembelajaran mesin yang memungkinkan setiap perangkat melatih gambar jenis sampah secara mandiri tanpa perlu berbagi data. Model yang sudah terlatih dengan akurasi tinggi di cloud server akan dipindahkan ke perangkat pengguna, sehingga memungkinkan pelatihan mandiri meski dengan data gambar yang terbatas.
Penelitian ini berfokus pada peningkatan akurasi deteksi sampah menggunakan TL pada perangkat IoT yang memiliki keterbatasan sumber daya komputasi. Untuk mencapai klasifikasi sampah yang akurat, metode deep learning berbasis convolutional neural networks (CNN) diterapkan. Dari penelitian ini dapat disimpulkan bahwa pendekatan TL dengan CNN menghasilkan nilai kinerja akurasi yang lebih bagus dan nilai kinerja loss yang lebih kecil dibandingkan dengan metode non-TL pada umumnya. Hal ini dapat dilakukan dengan jumlah dataset yang sedikit pada pengguna IoT, khususnya untuk klasifikasi jenis sampah dengan kategori yang cukup banyak.