PERBANDINGAN AKURASI DETEKSI DAN SEGMENTASI OBJEK YOLOV11 UNTUK KLASIFIKASI SAMPAH REAL-TIME PADA RASPBERRY PI 5

ANGGRAENI, RESTIANA (2025) PERBANDINGAN AKURASI DETEKSI DAN SEGMENTASI OBJEK YOLOV11 UNTUK KLASIFIKASI SAMPAH REAL-TIME PADA RASPBERRY PI 5. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_123210059_Restiana Anggraeni.pdf Download (160kB)
	Text 3_Abstrak_123210059_Restiana Anggraeni.pdf Download (184kB)
	Text 4_Lembar Pengesahan_123210059_Restiana Anggraeni.pdf Download (103kB)
	Text 5_Daftar Isi_123210059_Restiana Anggraeni.pdf Download (215kB)
	Text 6_Daftar Pustaka_123210059_Restiana Anggraeni.pdf Download (192kB)
	Text 1_Skripsi Full_123210059_Restiana Anggraeni.pdf Restricted to Repository staff only Download (3MB)

Abstract

Permasalahan pengelolaan sampah di Kota Yogyakarta menjadi isu krusial seiring
meningkatnya volume sampah yang berdampak terhadap lingkungan. Penelitian ini
bertujuan untuk mengembangkan sistem klasifikasi sampah multi-objek secara otomatis dan
real-time dengan membandingkan dua pendekatan utama, yaitu object detection dan
instance segmentation menggunakan model YOLOv11. Dataset yang digunakan adalah
WasteIn Dataset yang terdiri dari enam kelas: plastik, kertas, logam, kaca, elektronik, dan
organik. Model YOLOv11n digunakan untuk pendekatan object detection, sedangkan
YOLOv11n-seg digunakan untuk instance segmentation. Pelatihan dilakukan di Google
Colab melalui tahapan anotasi, augmentasi, pelatihan model, dan evaluasi menggunakan
metrik precision, recall, F1-score, dan akurasi. Model terbaik dikonversi ke format NCNN
dan diuji pada perangkat Raspberry Pi 5.
Hasil penelitian menunjukkan bahwa pendekatan object detection menghasilkan F1
Score tertinggi sebesar 0.977 pada kelas paper dan terendah sebesar 0.774 pada kelas
organic. Sebaliknya, instance segmentation memberikan performa yang lebih stabil dan
akurat dengan mask precision dan mask recall rata-rata di atas 90%, serta box-level F1
Score tertinggi sebesar 0.983 pada kelas plastic dan terendah sebesar 0.822 pada kelas
organic. Model berhasil dijalankan secara real-time di Raspberry Pi 5 dengan kecepatan rata
rata 16.70 FPS pada pendekatan object detection. Berdasarkan hasil tersebut, pendekatan
instance segmentation lebih direkomendasikan untuk aplikasi klasifikasi sampah yang
memerlukan ketelitian visual tinggi, meskipun memiliki beban komputasi yang lebih besar
dibanding object detection.
Kata Kunci: YOLOv11, Raspberry Pi 5, klasifikasi sampah, object detection, instance
segmentation

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	RESTIANA ANGGRAENI (Penulis-123210059) ; Dhimas Arief Dharmawan (Pembimbing)
Uncontrolled Keywords:	YOLOv11, Raspberry Pi 5, klasifikasi sampah, object detection, instance segmentation
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	01 Dec 2025 06:44
Last Modified:	01 Dec 2025 06:44
URI:	http://eprints.upnyk.ac.id/id/eprint/45914

Actions (login required)

View Item