<![CDATA[Peningkatan volume sampah di ruang publik menuntut solusi cerdas untuk mendeteksi dan mengelola kebersihan secara efisien. Penelitian ini bertujuan untuk mengembangkan sistem deteksi sampah otomatis berbasis model deteksi objek YOLOv8 dengan fokus pada lima kategori sampah: plastik, kertas, logam, kaca, dan lainnya. Dataset diperoleh dari platform Roboflow, kemudian dianotasi secara manual dan digunakan untuk melatih dua varian model YOLOv8, yaitu YOLOv8s dan YOLOv8l. Hasil pelatihan menunjukkan bahwa YOLOv8l mencapai mAP@0.5 sebesar 93,1% dan F1-score 91,1%, sementara YOLOv8s memberikan kecepatan inferensi lebih tinggi dengan akurasi yang kompetitif. Evaluasi lapangan terbatas dilakukan menggunakan kamera laptop dan smartphone di lingkungan terbuka seperti taman dan trotoar. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi sampah secara real-time dengan tingkat akurasi visual yang baik, meskipun terdapat penurunan performa pada objek kecil atau tertutup sebagian. Studi ini menunjukkan potensi besar model YOLOv8 dalam mendukung pengembangan sistem monitoring lingkungan berbasis visi komputer. Ke depan, integrasi ke perangkat edge dan pelatihan ulang dengan data lokal direkomendasikan untuk meningkatkan ketahanan model dalam kondisi nyata.]]>
Copyrights © 2025
