<![CDATA[Pemilahan sampah secara manual membutuhkan waktu yang lama dan tingkat konsistensi pengamatan yang tinggi, terutama ketika objek memiliki bentuk, warna, dan tekstur yang beragam. Penelitian ini bertujuan untuk mengevaluasi kinerja YOLO26n dalam mendeteksi dan melokalisasi sampah organik dan non-organik. Dataset yang digunakan terdiri atas 2.000 citra dengan distribusi seimbang, yaitu masing-masing 1.000 citra organik dan non-organik yang diperoleh dari pengumpulan mandiri dan dataset publik. Data dianotasi menggunakan bounding box dan dibagi menjadi data pelatihan, validasi, dan pengujian dengan rasio 80:10:10. Model dilatih selama 100 epoch menggunakan citra berukuran 640 × 640 piksel dengan batch size 32. Hasil evaluasi menunjukkan nilai precision sebesar 0,9292, recall sebesar 0,8488, F1-score sebesar 0,8870, mAP@0.5 sebesar 0,8967, dan mAP@0.5:0.95 sebesar 0,8034. Kelas non-organik memperoleh performa lebih tinggi dengan mAP@0.5 sebesar 0,928 dan mAP@0.5:0.95 sebesar 0,894, dibandingkan kelas organik yang masing-masing sebesar 0,865 dan 0,713. Perbedaan tersebut menunjukkan bahwa variasi bentuk, tekstur, dan batas visual objek organik masih menjadi tantangan dalam proses deteksi dan lokalisasi. Model juga mencatat waktu inferensi sebesar 0,7 ms per citra pada GPU NVIDIA RTX PRO 6000. Secara keseluruhan, YOLO26n mampu mendeteksi dan melokalisasi sampah organik dan non-organik dengan kinerja yang baik, namun masih memerlukan pengujian lebih lanjut pada data independen dan perangkat edge sebelum diterapkan pada sistem pemilahan sampah secara real-time.]]>
Copyrights © 2026
