<![CDATA[Pengelolaan limbah medis yang kurang tepat dapat meningkatkan risiko pencemaran lingkungan dan penyebaran penyakit. Perkembangan computer vision dan deep learning membuka peluang untuk mengembangkan sistem deteksi limbah medis secara otomatis menggunakan metode object detection. Penelitian ini bertujuan membandingkan performa model YOLOv5n dan YOLOv10n dalam mendeteksi limbah medis serta menganalisis kompatibilitas kedua model pada platform embedded. Penelitian menggunakan dataset Roboflow yang terdiri atas 1.388 citra dengan tujuh kelas limbah medis. Proses pelatihan dilakukan di Google Colab menggunakan parameter yang sama pada kedua model, yaitu image size 640 × 640 piksel, batch size 8, dan maksimum 100 epoch. Model terbaik diperoleh pada epoch ke-82 untuk YOLOv5n dan epoch ke-73 untuk YOLOv10n. Evaluasi dilakukan menggunakan metrik precision, recall, mAP@0.5, dan mAP@0.5:0.95. Hasil penelitian menunjukkan bahwa YOLOv10n memiliki performa yang lebih baik berdasarkan nilai precision sebesar 80,20%, mAP@0.5 sebesar 86,45%, dan mAP@0.5:0.95 sebesar 60,15%, sedangkan YOLOv5n memperoleh nilai precision sebesar 71,32%, mAP@0.5 sebesar 78,31%, dan mAP@0.5:0.95 sebesar 48,66%. Sementara itu, YOLOv5n memiliki nilai recall yang lebih tinggi, yaitu 80,61%, dibandingkan YOLOv10n sebesar 76,98%. Analisis kompatibilitas menunjukkan bahwa kedua model lebih sesuai dijalankan pada perangkat embedded yang memiliki GPU atau akselerator AI.]]>
Copyrights © 2026
