IMPLEMENTASI MODEL YOLOv8 UNTUK KLASIFIKASI SAMPAH ORGANIK DAN DAUR ULANG MENGGUNAKAN DATASET TERANOTASI MANUAL

Abstract

Pengelolaan sampah yang kurang optimal masih menjadi permasalahan serius di berbagai daerah, terutama karena proses pemilahan yang masih dilakukan secara manual dan tidak efisien. Hal ini menyebabkan tingginya pencemaran lingkungan serta rendahnya tingkat daur ulang. Oleh karena itu, pemanfaatan teknologi kecerdasan buatan menjadi solusi yang menjanjikan dalam mengklasifikasikan sampah secara otomatis dan efisien. Penelitian ini bertujuan untuk mengimplementasikan model YOLOv8 berbasis deep learning dari Ultralytics guna mendeteksi dan mengklasifikasikan sampah menjadi dua kategori utama, yaitu organik dan daur ulang (recyclable). Dataset yang digunakan terdiri dari 698 gambar beresolusi 640x640 piksel yang diunduh dari sumber terbuka Kaggle dan dilabeli secara manual menggunakan platform Roboflow, dengan pembagian data train, validasi, dan uji masing-masing 70%, 20%, dan 10%. Pelatihan model dilakukan selama 100 epoch menggunakan YOLOv8, yang menghasilkan performa deteksi tinggi dengan rata-rata presisi dan recall sebesar 99,5% pada kedua kelas. Visualisasi confusion matrix dan precision-recall curve memperkuat stabilitas serta akurasi model. Hasil ini menunjukkan bahwa pendekatan berbasis YOLOv8 efektif dalam mendukung sistem klasifikasi sampah otomatis sebagai bagian dari solusi smart waste management.