Deteksi dan Klasifikasi Sampah Organik dan Anorganik Menggunakan Algoritma Yolo di Solo Technopark
DOI:
https://doi.org/10.32664/j-intech.v14i02.2362Kata Kunci:
Deteksi Objek, Yolo, Deep Learning, Computer Vision, SampahAbstrak
Kemajuan teknologi kecerdasan buatan (AI), khususnya di bidang visi komputer, telah mendorong penggunaan metode deteksi objek otomatis untuk berbagai kebutuhan, termasuk klasifikasi limbah organik dan anorganik. Masalah pengelolaan limbah di kawasan Solo Technopark yang masih dilakukan secara manual menyebabkan proses pemilahan limbah tidak berjalan optimal. Penelitian ini berfokus pada pengembangan dan evaluasi kinerja beberapa model YOLO untuk mendeteksi dan mengklasifikasikan jenis limbah organik dan anorganik secara real-time. Dataset penelitian berisi 6.758 gambar limbah yang dikategorikan ke dalam 10 kelas objek, yang diperoleh dari Roboflow. Tahapan pra-pemrosesan meliputi anotasi, orientasi otomatis, dan pengubahan ukuran gambar menjadi 640×640 piksel. Dataset kemudian dibagi menjadi 70% data pelatihan, 20% validasi, dan 10% pengujian. Studi ini menggunakan tiga model YOLO, yaitu YOLOv11, YOLOv12, dan YOLOv26 dengan variasi epoch 10, 30, 50, dan 100. Evaluasi model dilakukan menggunakan metrik presisi, recall, mAP50, mAP50-95, dan waktu inferensi. Hasil menunjukkan bahwa model terbaik diperoleh pada YOLOv26 epoch 100 dengan nilai presisi 0,92, recall 0,847, mAP50 0,892, mAP50-95 0,741, dan waktu inferensi 3,0 ms. Temuan ini menunjukkan bahwa model YOLOv26 memiliki kemampuan yang baik dalam mendeteksi dan mengklasifikasikan limbah organik dan anorganik secara akurat dan cepat, sehingga berpotensi digunakan sebagai dasar pengembangan sistem deteksi limbah real-time.
Referensi
[1] I. Zaenudin and A. B. Riyan, “Perkembangan Kecerdasan Buatan (AI) Dan Dampaknya Pada Dunia Teknologi,” Jurnal Informatika Utama, vol. 2, no. 2, pp. 128–153, Nov. 2024, doi: 10.55903/jitu.v2i2.240.
[2] N. N. Kartika Yanti, “Analisis Kebijakan Publik dalam Pengelolaan Sampah Perkotaan di Indonesia: Studi Literatur tentang Efektivitas Implementasi dan Tantangan,” Locus, vol. 18, no. 1, pp. 100–119, Feb. 2026, doi: 10.37637/locus.v18i1.2683.
[3] Y. S. Nur’aini, N. Al Zahra, M. F. Ilham, I. T. Kusnadi, S. Bahri, and T. S. N. Koeswara, “Sistem Klasifikasi Sampah Berbasis YOLOv8 dengan Pemicu Ultrasonik untuk Efisiensi Daya,” Jurnal Ilmiah Sistem Informasi, vol. 5, no. 2, pp. 141–153, Jan. 2026, doi: 10.51903/pg864m25.
[4] M. A. Alghiffary, Y. Saputra, S. N. Ali, S. Sumanto, G. Taufig, and J. T. Kumalasari, “Analisis Kinerja Model Yolov8 Berbasis Roboflow pada Deteksi Sampah Plastik Non-Plastik Otomatis,” Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi), vol. 10, no. 1, pp. 454–459, Jan. 2026, doi: 10.30998/semnasristek.v10i1.8896.
[5] E. Arkin, N. Yadikar, X. Xu, A. Aysa, and K. Ubul, “A survey: object detection methods from CNN to transformer,” Multimed. Tools Appl., vol. 82, no. 14, pp. 21353–21383, Jun. 2023, doi: 10.1007/s11042-022-13801-3.
[6] D. Siahaan, “Penerapan Model YOLO untuk Deteksi Kerusakan Jalan Berdasarkan Citra Visual,” Jurnal Ilmiah Matematika, vol. 13, no. 2, pp. 198–199, 2025.
[7] I. Beqqali Hassani, S. Benhida, N. Lamii, K. Oqaidi, A. Ouiddad, and S. Ghiadi, “From YOLO V1 to YOLO V11: comparative analysis of YOLO algorithm (review),” International Journal of Electrical and Computer Engineering (IJECE), vol. 16, no. 1, p. 450, Feb. 2026, doi: 10.11591/ijece.v16i1.pp450-462.
[8] R. Sapkota, R. H. Cheppally, A. Sharda, and M. Karkee, “YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection,” 2026.
[9] M. R. Ridha, S. Syafrijon, Y. Hendriyani, and A. Hadi, “Implementasi Model Yolov8 untuk Deteksi Jenis Sampah Organik dan Anorganik Berbasis Android,” Abdimas Indonesian Journal, vol. 5, no. 1, pp. 419–426, Apr. 2025, doi: 10.59525/aij.v5i1.655.
[10] D. Adriansyah and M. P. K. Putra, “Sistem Deteksi Objek Visual Sampah Organik Dan Anorganik Berbasis Algoritma YOL0v9,” Journal of Information System Research (JOSH), vol. 6, no. 2, Jan. 2025, doi: 10.47065/josh.v6i2.6454.
[11] V. T. Inkiriwang and M. H. Tinambunan, “Implementasi Model YOLO11N Berbasis Transfer Learning untuk Deteksi Sampah Daur Ulang,” Rabit : Jurnal Teknologi dan Sistem Informasi Univrab, vol. 11, no. 1, pp. 1298–1313, Jan. 2026, doi: 10.36341/rabit.v11i1.7323.
[12] M. Ramadhoni, “Pengembangan Model Deteksi Sampah Berbasis YOLOV8 Dan Evaluasi Performanya Dalam Sistem Monitoring Lingkungan Sungai,” Jurnal Profesi Insinyur Universitas Lampung, vol. 6, no. 2, 2025.
[13] D. Wang et al., “SDS-YOLO: An improved vibratory position detection algorithm based on YOLOv11,” Measurement, vol. 244, p. 116518, Feb. 2025, doi: 10.1016/j.measurement.2024.116518.
[14] R. Sapkota, Z. Meng, and M. Karkee, “Synthetic meets authentic: Leveraging LLM generated datasets for YOLO11 and YOLOv10-based apple detection through machine vision sensors,” Smart Agricultural Technology, vol. 9, p. 100614, Dec. 2024, doi: 10.1016/j.atech.2024.100614.
[15] S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 6, pp. 1137–1149, Jun. 2017, doi: 10.1109/TPAMI.2016.2577031.
[16] Z. F. Elsharkawy, “Enhanced YOLOv11 framework for high precision defect detection in printed circuit boards,” Sci. Rep., vol. 15, no. 1, p. 42550, Nov. 2025, doi: 10.1038/s41598-025-27415-w.
[17] S. E. Prasetyo, G. Wijaya, and A. Kwan, “Klasifikasi Kematangan Buah Pisang Menggunakan YOLOv12 Berbasis Deep Learning,” STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer, vol. 5, no. 1, pp. 30–39, Feb. 2026, doi: 10.55123/storage.v5i1.7557.
[18] A. Raza, F. Hanif, and H. A. Mohammed, “Analyzing the enhancement of CNN-YOLO and transformer based architectures for real-time animal detection in complex ecological environments,” Sci. Rep., vol. 15, no. 1, p. 39142, Nov. 2025, doi: 10.1038/s41598-025-26645-2.
[19] A. Vaswani et al., “Attention Is All You Need,” in Advances in Neural Information Processing Systems (NeurIPS), vol. 30, 2017, pp. 5998–6008.
[20] K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, Jun. 2016, pp. 770–778. doi: 10.1109/CVPR.2016.90.
[21] Ultralytics, “Ultralytics YOLO26,” Ultralytics Docs, 2025. [Online]. Available: https://docs.ultralytics.com/models/yolo26/. Accessed: Jun. 25, 2026.
[22] F. Li, H. Yan, and L. Shi, “Multi-scale coupled attention for visual object detection,” Sci. Rep., vol. 14, no. 1, p. 11191, May 2024, doi: 10.1038/s41598-024-60897-8.
[23] M. D. Z. Baig, M. Kamal, and Z. Ullah, “Small Dents, Big Impact: A Dataset and Deep Learning Approach for Vehicle Dent Detection,” arXiv preprint arXiv:2508.15431, 2025.
[24] B. İnan, İ. A. Özkan, and N. Doğan, “Deep Learning-Based Skin Disease Detection: Comparative Performance Analysis of YOLOv8 and YOLOv11 Models,” International Journal of Applied Methods in Electronics and Computers, Dec. 2025, doi: 10.58190/ijamec.2025.155.
[25] M. P. Biswas, “Drowsiness Detection Using ML,” Interantional Journal of Scientific Research in Engineering and Management, vol. 08, no. 05, pp. 1–5, May 2024, doi: 10.55041/IJSREM32980.
[26] I. D. G. A. W. Natih, M. W. A. Kesiman, and I. M. G. Sunarya, “Analisis Perbandingan Arsitektur dan Optimizer YOLOv11 untuk Estimasi Buah Kelapa,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 4, no. 4, pp. 12–19, Nov. 2025, doi: 10.31004/riggs.v4i4.3329.
[27] C. Wu, W. He, C.-H. Cheng, X. Huang, and S. Bensalem, “Revisiting Out-of-Distribution Detection in Real-Time Object Detection: From Benchmark Pitfalls to a New Mitigation Paradigm,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 48, no. 5, pp. 5243–5260, May 2026, doi: 10.1109/TPAMI.2025.3650695.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 J-INTECH ( Journal of Information and Technology)
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
