BDC Satria Data 2026 — Waste Classification

Solusi tim untuk Big Data Challenge (BDC) Satria Data 2026, tahap penyisihan. Task: klasifikasi citra sampah ke 3 kategori — Recyclable, Electronic, Organic.

Ringkasan Eksperimen (E1)

Aspek	Detail
Model	EfficientNet-B2 (pretrained, transfer learning)
Validation Macro F1-Score	0.9733
Test-Time Augmentation (TTA)	Dievaluasi — agreement 99.52% dengan baseline, 7 prediksi berubah
Submission yang dipakai	submission_ready.csv (baseline, bukan hasil TTA)
Waktu package dibuat	2026-07-26 14:24:38

Keputusan: Baseline vs TTA

TTA (horizontal flip) dievaluasi tapi tidak dipakai sebagai submission final. Alasan: TTA tidak menunjukkan peningkatan performa yang terukur dibanding baseline, sementara tetap mengubah sejumlah kecil prediksi (7 dari 1.458) — sehingga baseline dipilih karena lebih stabil dan performanya sudah tervalidasi lewat Macro F1 validasi.

Visualisasi TTA vs Baseline

Confidence Delta (kiri): Distribusi selisih confidence score antara prediksi baseline dan hasil Test-Time Augmentation (horizontal flip) pada seluruh data uji. Mayoritas nilai terkonsentrasi mendekati 0, menunjukkan TTA tidak mengubah confidence model secara signifikan pada sebagian besar prediksi.

Prediction Transition (kanan): Distribusi prediksi akhir TTA per kelas pada data uji (0 = Recyclable, 1 = Electronic, 2 = Organic). Digunakan sebagai pembanding terhadap distribusi baseline untuk memastikan tidak ada pergeseran signifikan pada agregat prediksi antar kelas akibat TTA.

Dataset

Dataset kompetisi disediakan oleh panitia BDC Satria Data 2026:

• Data: https://bit.ly/datasetbdc2026
• Template submission: https://bit.ly/submissionbdc2026

Dataset tidak disertakan di repo ini karena merupakan milik panitia penyelenggara. Data latih terdiri dari 26.527 citra (3 kelas), data uji 1.458 citra.

Metodologi

1. Stratified split data latih menjadi train/validation/hold-out
2. Preprocessing: resize, normalisasi, augmentasi (flip, rotasi, color jitter)
3. Class imbalance ditangani dengan weighted cross-entropy loss
4. Training EfficientNet-B2 dengan transfer learning dari ImageNet
5. Evaluasi menggunakan Macro-averaged F1-Score sesuai rubric panitia
6. Perbandingan baseline vs Test-Time Augmentation sebelum submission final

Struktur Repo

File	Deskripsi
bdc-2026-ipb.ipynb	Pipeline lengkap: EDA, preprocessing, training, evaluasi
e1_best_model.pt	Checkpoint model terbaik (Macro F1 tertinggi di validasi)
submission_ready.csv	Submission final yang dikirim ke panitia
test_predictions_raw.csv	Prediksi mentah sebelum post-processing
changed_predictions.csv	Log perubahan prediksi akibat TTA
prediction_distribution.csv	Distribusi prediksi per kelas
inference_summary.json	Ringkasan proses inferensi
submission_readiness.json	Hasil validasi kesiapan submission
tta_comparison_report.json	Laporan perbandingan baseline vs TTA
tta_summary.json	Ringkasan hasil evaluasi TTA
tta_vs_baseline.png	Visualisasi perbandingan baseline vs TTA
manifest.json	Manifest package eksperimen
BDC2026_E1_FINAL_AUDIT.json	Audit trail eksperimen E1
README.md	Dokumentasi project ini

Environment

• Platform: Kaggle Notebook (GPU Tesla T4)
• Framework: PyTorch + timm

Catatan

Repo ini dipublikasikan setelah tahap penyisihan kompetisi berakhir, sebagai dokumentasi proses pengerjaan.