<![CDATA[Permasalahan besar yang dihadapi oleh hampir semua negara termasuk Indonesia adalah masalah sampah, dimana jumlah dan jenis sampah yang beredar terus meningkat setiap tahunnya seiring dengan bertambahnya jumlah penduduk. Hal ini mengakibatkan penambahan peningkatan jenis dan jumlah timbunan sampah. Pemilahan jenis sampah menjadi tantangan utama dalam pengelolaan sampah karena keberadaan sampah yang ada di lingkungan masyarakat selalu dalam keadaan tercampur atau tidak terpilah. Pemilahan sampah yang baik sangat diperlukan sehingga dapat membedakan sampah yang dapat didaur ulang dan meminimalkan sampah yang tidak dapat didaur ulang. Penelitian ini merekayasa model kecerdasaan buatan Convolutional Neural Network (CNN) untuk membantu mengindetifikasi sampah melalui gambar, dan untuk meningkatkan akurasi peneliti menggunakan teknik transfer learning dari modul You Only Look Once (YOLO). YOLO-V8 merupakan versi terbaru dari model YOLO yang telah dikembangkan untuk meningkatkan akurasi dan kecepatan deteksi objek dengan akurasi tinggi. Penggunaan metode transfer learning pada YOLO-V8 memungkinkan untuk menyesuaikan model yang sudah ada dengan dataset baru yang spesifik, seperti dataset sampah, tanpa perlu melatih model dari awal, sedangkan untuk memudahkan analisa secara visual, digunakan aplikasi web. Perhitungan mAP didasarkan pada perhitungan IoU, pada mAP50, hasil prediksi memiliki minimal terdapat 50% bagian kotak tumpang tindih terhadap kotak target, sehingga model dapat mencapai nilai 0.88. Sedangkan pada mAP50-95 hasil prediksi minimal memiliki 95%, untuk nilai ini model mampu mencapai angka 0.70. Penelitian menggunakan dataset yang sangat terbatas, untuk penelitian selanjutnya dapat dilakukan penambahan dataset baik dalam jumlah kelas maupun jumlah dataset itu sendiri. Integrasi dengan sistem lain juga bisa dilakukan, seperti perhitungan berat sampah dan pelaporan mengenai pendapatan yang didapat dari menjual sampah untuk meningkatkan penghasilan masyarakat]]>
