<![CDATA[Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi sampah real-time yang efisien pada perangkat edge dengan memanfaatkan arsitektur Deep Learning ringan berbasis YOLOv8. Klasifikasi sampah otomatis merupakan solusi krusial dalam Smart Waste Management, namun model jaringan saraf tiruan yang kompleks sering terkendala oleh keterbatasan sumber daya komputasi pada perangkat IoT. Penelitian ini menerapkan model YOLOv8n (nano) menggunakan teknik Transfer Learning untuk menyeimbangkan akurasi deteksi dan efisiensi komputasi. Dataset yang digunakan bersumber dari repositori publik Roboflow sebanyak 1.123 citra yang telah melalui proses augmentasi. Hasil pelatihan selama 50 epoch menunjukkan performa impresif dengan nilai mean Average Precision (mAP@50) mencapai 0.995, Presisi 0.998, dan Recall 1.0. Selain itu, model memiliki ukuran file yang sangat ringkas (±6 MB) dengan kecepatan inferensi yang memadai untuk operasi real-time. Hasil penelitian ini membuktikan bahwa algoritma lightweight neural network mampu diimplementasikan secara efektif untuk mendukung sistem pemilahan sampah cerdas berbasis Computer Vision.]]>
Copyrights © 2026
