Implementasi Object Detection Pada Aplikasi Bank Sampah untuk Klasifikasi Jenis Sampah
Abstrak
Masalah penimbunan sampah menjadi urgensi utama saat ini, data dari Sistem Informasi Pengelolaan Sampah Nasional (SIPSN) dari Kementrian Lingkungan Hidup dan Kehutanan (KLHK) tahun 2022 menunjukkan bahwa jumlah sampah yang belum terkelola dengan baik sebesar 7,2 juta ton. Bank sampah yang menjadi solusi awal dinilai kurang optimal dalam mengatasi masalah penimbunan sampah karena masih banyak nya kekurangan dari efisiensi sistem bank sampah yang berdampak pada tingkat partisipasi masyarakat yang rendah, sehingga membutuhkan solusi dengan pendekatan teknologi yang efisien dan tepat, yaitu dengan aplikasi bank sampah. Aplikasi bank sampah dengan menggunakan model object detection berbasis YOLOv11n mampu menjalankan fungsi pendeteksian jenis sampah dengan akurat, ditunjukkan dari hasil mAP@50 sebesar 0,904. Hasil ini ditemukan dari proses pengujian terhadap jarak objek dan waktu deteksi. Adapun jarak optimal yang disarankan yaitu 35 cm yang didapatkan dari hasil pengujian ditemukan bahwa jarak 35 cm merupakan jarak optimal dalam hal akurasi deteksi dan kecepatan pendeteksian objek.
Kata kunci— aplikasi, implementasi, bank sampah, object detection
Referensi
P. Kemenko, “7,2 Juta Ton7,2 Juta Ton Sampah di Indonesia Belum Terkelola Dengan Baik,” Kementrian Koordinator Bidang Pembangunan Manusia dan Kebudayaan Republik Indonesia. Accessed: Sep. 29, 2024. [Online]. Available: https://www.kemenkopmk.go.id/72-juta-ton-sampah-di-indonesia-belum-terkelola-dengan-baik
P. Saptomo, “Dampak Tempat Pembuangan Dan Penampungan Sampah Akhir (Tpa) Terhadap Lingkungan Masyarakat Sekitar,” vol. 7 nomor 2, pp. 5717–5722, 2024.
D. Ariefahnoor, N. Hasanah, and A. Surya, “Pengelolaan Sampah Desa Gudang Tengah Melalui Manajemen Bank Sampah,” Jurnal Kacapuri : Jurnal Keilmuan Teknik Sipil, vol. 3, no. 1, p. 14, 2020, doi: 10.31602/jk.v3i1.3594.
Administrator, “Kurangi Sampah di TPA, Bank Sampah Diharapkan Semakin Banyak,” Citarum Harum Juara. Accessed: Oct. 08, 2024. [Online]. Available: https://citarumharum.jabarprov.go.id/kurangi-sampah-di-tpa-bank-sampah-diharapkan-semakin-banyak/
A. Wijoyo, A. Yudistira Saputra, S. Ristanti, and S. Rafly Sya’Ban, “Pembelajaran Machine Learning,” OKTAL (Jurnal Ilmu Komputer dan Science), vol. 3, no. 2, pp. 375–380, 2024, [Online]. Available: https://journal.mediapublikasi.id/index.php/oktal/article/view/2305
M. Febri Yudhi, N. Erzed, Yulhendri, and J. Sunupurwa Asri, “IMPLEMENTASI PERBANDINGAN YOLO V8 DAN YOLO V11 DALAM PENERAPAN TATA TERTIB BERPAKAIAN DI LINGKUNGAN KAMPUS STUDI KASUS UNIVERSITAS ESA UNGGUL KAMPUS BEKASI Muhammad,” Kohesi: Jurnal Multidisiplin Saintek, vol. 7, no. 3, pp. 1–23, 2025.
N. J. Hayati, D. Singasatia, and M. R. Muttaqin, “Object Tracking Menggunakan Algoritma You Only Look Once (YOLO)v8 untuk Menghitung Kendaraan,” Komputa : Jurnal Ilmiah Komputer dan Informatika, vol. 12, no. 2, pp. 91–99, 2023, doi: 10.34010/komputa.v12i2.10654.
R. Nurhidayat and K. E. Dewi, “Penerapan Algoritma K-Nearest Neighbor Dan Fitur Ekstraksi N-Gram Dalam Analisis Sentimen Berbasis Aspek,” Komputa : Jurnal Ilmiah Komputer dan Informatika, vol. 12, no. 1, pp. 91–100, 2023, doi: 10.34010/komputa.v12i1.9458.
S. Muhartini, A. Sunyoto, and A. Hendi Muhammad, “Implementasi Metode Deep Learning CNN Dalam Klasifikasi Tajong (Sarung) Samarinda,” Jurnal SENOPATI, vol. 6, no. 1, pp. 28–41, 2024.
N. M. HARIS, “Implementasi Algoritma YOLOv7 Pada Sistem Penghitung Benih Kelapa Sawit Secara Realtime,” Skripsi, Universitas Hasanuddin, 2023. [Online]. Available: https://repository.unhas.ac.id/id/eprint/30580/
