<![CDATA[Abstrak. Tujuan : Sampah plastik berukuran kecil, seperti potongan plastik, tutup botol, dan bungkus kemasan, sulit dipilah secara manual karena detailnya terbatas dan sering menyatu dengan latar belakang yang kompleks. Penelitian ini bertujuan menganalisis kinerja arsitektur Faster R-CNN dalam mendeteksi sampah plastik berukuran kecil pada citra digital. Metode/Design/Pendekatan: Data penelitian berupa 518 citra uji yang berasal dari data primer (60%) dan data sekunder (40%) dengan perbandingan data latih dan data uji sebesar 80:20. Setiap citra dianotasi menggunakan bounding box, kemudian model dilatih menggunakan backbone ResNet-50 FPN dan dievaluasi menggunakan confusion matrix, precision, recall, F1-score, Average Intersection over Union (IoU), dan mean Average Precision (mAP). Hasil/Temuan: Model mengenali 1.496 dari 1.642 objek ground truth (85,34%) dengan precision 85,34%, recall 91,11%, F1-score 88,13%, rata-rata IoU 88,28%, dan mAP@0.50 sebesar 92,01%. Confidence threshold optimal diperoleh pada 0,85 dengan F1-score 89,44%. Kebaharuan/Originalitas/Nilai: Penelitian ini secara khusus mengkaji kemampuan Faster R-CNN pada objek sampah plastik berukuran sangat kecil dan tipis pada berbagai kondisi pencahayaan dan latar belakang, sebuah aspek yang masih terbatas dikaji pada penelitian deteksi sampah plastik sebelumnya, sekaligus menunjukkan bahwa keterbatasan utama model terletak pada kemampuan menemukan objek dan bukan pada ketepatan lokalisasi bounding box. Keywords: Faster R-CNN, deteksi objek, sampah plastik, deep learning, citra digital]]>
Copyrights © 2026
