Implementasi Deteksi Objek Real Time Jenis Sampah Dengan Algoritma Yolov8

Dadang Iskandar Mulyana; Dedi Iskandar

doi:10.31539/intecoms.v7i3.8985

Dadang Iskandar Mulyana STIKOM CKI Jakarta
Dedi Iskandar STIKOM CKI Jakarta

DOI: https://doi.org/10.31539/intecoms.v7i3.8985

Abstract

Pengelolaan sampah merupakan salah satu masalah lingkungan yang perlu ditangani secara serius. Ada dua jenis sampah yaitu sampah organik dan non organik, sampah organik adalah sampah umum yang dapat diuraikan seperti kertas, daun sedangkan sampah non organik ialah sampah yang tidak dapat diuraikan seperti plastik, metal, sampah non organik merupakan sampah yang sangat sulit diuraikan oleh tanah sehingga bila tertimbun dalam waktu yang sangat lama merusak lapisan tanah dan menyebabkan pencemaran tanah, untuk itu Perlu adanya kesadaran dan pengetahuan masyarakat tentang klasifikasi sampah, daur ulang sampah. Salah satu cara untuk mengatasi masalah ini adalah dengan menerapkan sistem deteksi objek real time untuk mengidentifikasi jenis sampah. Pada penelitian ini menggunakan metode YOLOv8 (You Only Look Once) yang akan mendeteksi sampah secara real time dan juga dapat mengklasifikasikan jenis sampah yang ditampilkan pada webcam untuk memisahkan sampah organik dan non organik. Melalui penelitian ini penulis telah membuat sebuah pendeteksi yang mampu memilah sampah organik dan non organik dengan mengandalkan teknologi pengolahan citra memanfaatkan metode YOLOV8.

Penulis menggunakan dataset sebanyak 1853 dan 2205 citra yang telah dianotasi dengan kelas plastik, metal dan kardus Dan didapatkan nilai performa jaringan dengan nilai akurasi 94,6 persen, nilai Recall sebesar 94,5 persen dan nilai F-1 Score sebesar 94,6 persen

Kata kunci : Sistem Klasifikasi Sampah, Sampah Organik, sampah non organik YOLOV8, IoT

References

A. Bisma and M. Hwang, “Deteksi Objek Berbasis YOLO untuk Pengumpulan Daur Ulang Terpisah dan Pemantauan Kapasitas Tempat Sampah.”
A. F. J. Redmon, S. Divvala, R. Girshick, “‘Anda hanya melihat sekali: Terpadu, deteksi objek real-time,’” dalam Proc. IEEE Conf. Comput. Vis. pattern Recognit., pp. 779–788, 2016.
A. Ibnul Rasidi, Y. A. H. Pasaribu, A. Ziqri, and F. D. Adhinata, “Klasifikasi Sampah Organik dan Non-Organik Menggunakan Convolutional Neural Network,” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 1, pp. 142–149, 2022, doi: 10.28932/jutisi.v8i1.4314.
D. Iskandar Mulyana and M. A. Rofik, “Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5,” J. Pendidik. Tambusai, vol. 6, no. 3, pp. 13971–13982, 2022, doi: 10.31004/jptam.v6i3.4825.
D. M. Yafi and F. Utaminingrum, “Sistem Klasifikasi Sampah Perkantoran menggunakan Metode Faster Region Based Convolutional Neural Network berbasis NVIDIA Jetson Nano,” vol. 6, no. 7, pp. 3122–3127, 2022, [Online]. Available: http://j-ptiik.ub.ac.id.
D. Patel, F. Patel, S. Patel, N. Patel, D. Shah, and V. Patel, “Deteksi Sampah menggunakan Advanced Object Teknik Deteksi,” pp. 526–531, 2021.
D. V Savla, A. N. Parab, and K. Y. Kekre, “Sistem Cerdas berbasis IoT dan ML untuk Efisien Pemantauan Sampah,” no. Icssit, pp. 315–321, 2020.
E. L. Frannita and N. Putri, “Implementation of Artificial Intelligence on the Development of Automatic Leather Product Industrial Waste Detection System Implementasi Artificial Intelligence Pada Pengembangan Sistem Deteksi Limbah Industri Produk Kulit Otomatis,” Berk. Penelit. Teknol., vol. 21, pp. 184–195, 2022.
H. S. E. J. S. I. dan T. Aplikasi Convolution Neural Network Untuk Mendeteksi Jenis-Jenis Sampah Stephen, Raymond, I. 2087-2062, and E.-I. 2686-181X, “No Title.”
I. Teknik, “Otomatisasi Kebersihan : YOLOv3,” no. April, pp. 3–8, 2021.
K. Mikami, Y. Chen, J. Nakazawa, Y. Iida, Y. Kishimoto, and Y. Oya, “DeepCounter: Using deep learning to count garbage bags,” Proc. - 2018 IEEE 24th Int. Conf. Embed. Real-Time Comput. Syst. Appl. RTCSA 2018, pp. 1–10, 2019, doi: 10.1109/RTCSA.2018.00010.
L. Leonardo, Y. Yohannes, and E. Hartati, “Klasifikasi Sampah Daur Ulang Menggunakan Support Vector Machine Dengan Fitur Local Binary Pattern,” J. Algoritm., vol. 1, no. 1, pp. 78–90, 2020, doi: 10.35957/algoritme.v1i1.440.
M. F. Rahman and B. Bambang, “Deteksi Sampah pada Real-time Video Menggunakan Metode Faster R-CNN,” Appl. Technol. Comput. Sci. J., vol. 3, no. 2, pp. 117–125, 2021, doi: 10.33086/atcsj.v3i2.1846.
O. Soerya, N. Utomo, F. Utaminingrum, and E. R. Widasari, “Implementasi YOLO versi 3 untuk Mengidentifikasi dan Mengklasifikasi Sampah Kantor berbasis NVIDIA Jetson Nano,” vol. 6, no. 6, pp. 2829–2834, 2022, [Online]. Available: http://j-ptiik.ub.ac.id.
R. B. S. P. J. S. O. Dan, A. menggunakan metode Y. O. L. O. versi 3 Berbasis, F. U. J. P. T. I. dan I. K. Raspberry Pi Figo Ramadhan Hendri, and E.-I. 2548-964X, “No Title.”
R. Permana, H. Saldu, and D. I. Maulana, “Optimasi Image Classification Pada Jenis Sampah Dengan Data Augmentation Dan Convolutional Neural Network,” J. Sist. Inf. dan Inform., vol. 5, no. 2, pp. 111–120, 2022, doi: 10.47080/simika.v5i2.1913.
S. Kong, M. Tian, C. Qiu, Z. Wu, and J. Yu, “IWSCR: An Intelligent Water Surface Cleaner Robot for Collecting Floating Garbage,” IEEE Trans. Syst. Man, Cybern. Syst., vol. 51, no. 10, pp. 6358–6368, 2021, doi: 10.1109/TSMC.2019.2961687.
T. A. M. Irfan Nugraha Pratama, Tatang Rohana, “Pengenalan Sampah Plastik Dengan Model Convolutional Neural Network,” Conf. Innov. Appl. Sci. Technol. (CIASTECH 2020), no. Ciastech, pp. 691–698, 2020.
U. Bari and U. Bari, “YOLO TrashNet : Deteksi Sampah dalam Video Aliran,” 2020.
Ulfah Nur Oktaviana and Yufis Azhar, “Garbage Classification Using Ensemble DenseNet169,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 6, pp. 1207–1215, 2021, doi: 10.29207/resti.v5i6.3673.
W. Zhang and J. Hijau, “YOLOv3-darknet dengan Adaptive Clustering Anchor Box untuk Deteksi Sampah di Sanitasi Cerdas,” pp. 220–225, 2020.
X. Z. I. X. Framework Edge-Cloud yang Dilengkapi dengan Model Deep Learning untuk Deteksi Sampah yang Dapat Didaur Ulang Qianqian Luo, Guohua Yang and D. 10.1109/CBD51900.2020.00052, “No Title.”
Z. Li, X. Zhu, and J. Zhou, “Intelligent Monitoring System of Coal Conveyor Belt Based on Computer Vision Technology,” Proc. - 2019 6th Int. Conf. Dependable Syst. Their Appl. DSA 2019, pp. 359–364, 2020, doi: 10.1109/DSA.2019.00055.