PENERAPAN OBJECT DETECTION MENGGUNAKAN DEEP LEARNING YOLOV8 UNTUK MENGIDENTIFIKASI LIMA JENIS SAMPAH ANORGANIK (MAKSIMAL SEPULUH OBJEK) DALAM SATU CITRA

Visen, Visen (2024) PENERAPAN OBJECT DETECTION MENGGUNAKAN DEEP LEARNING YOLOV8 UNTUK MENGIDENTIFIKASI LIMA JENIS SAMPAH ANORGANIK (MAKSIMAL SEPULUH OBJEK) DALAM SATU CITRA. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (10kB)
	Text COVER.pdf Download (133kB)
	Text DAFTAR ISI.pdf Download (52kB)
	Text DAFTAR PUSTAKA.pdf Download (74kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (175kB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (216kB)
	Text SKRIPSI_FULL_VISEN.pdf Restricted to Repository staff only Download (3MB)

Abstract

vii
ABSTRAK
Sampah merupakan salah satu permasalahan serius di Indonesia yang belum
terselesaikan karena pertumbuhan populasi yang terus meningkat. Penanganan sampah
anorganik menjadi fokus utama karena sulit terurai dan berdampak negatif pada lingkungan.
Oleh karena itu, dibutuhkan sebuah sistem untuk mendeteksi beberapa jenis sampah
anorganik dalam berbagai kondisi dengan baik untuk meningkatkan efisiensi dalam
pengelolaan sampah anorganik di Indonesia. Penelitian ini menggunakan pendekatan deep
learning dengan menerapkan YOLOv8 jenis nano dalam mendeteksi beberapa jenis sampah
anorganik. Dataset yang digunakan berasal dari kamera gawai dan gabungan beberapa
dataset Kaggle, dengan total 2459 data untuk lima kelas dengan pembagian 1967 data
training, 246 data validation, dan 246 data testing. Pengujian dilakukan dengan gambar yang
terdiri mulai dari 1 objek hingga 12 objek serta dalam kondisi yang berbeda-beda. Hasil
pengujian menunjukkan bahwa model memiliki tingkat akurasi yang baik, dengan nilai
mAP50 mencapai 87.1% dan mAP50-95 sebesar 72.1%. Nilai precision mencapai 86.2%
dan recall mencapai 79.1% pada jumlah epoch 50 menunjukkan kinerja model yang baik.
Performa model juga dinilai baik dalam mendeteksi hingga sepuluh objek dalam satu citra.
Meskipun demikian, terdapat penurunan kinerja saat mendeteksi lebih dari sepuluh objek.
Pada citra yang berjumlah lebih dari sepuluh objek, model mampu melakukan deteksi, tetapi
tidak mampu mengklasifikasikan dengan benar.
Kata kunci: Sampah Anorganik, Deep Learning, Deteksi Sampah, Deteksi Multi-
Objek, YOLOv8
viii
ABSTRACT
Garbage accumulation is a significant, unresolved problem in Indonesia due to
continuous population growth. Inorganic waste management is a primary concern as it is
difficult to decompose and has negative environmental impacts. This necessitates an
effective system for accurately detecting various types of inorganic waste under diverse
conditions to enhance waste management efficiency. This study utilizes a deep learning
approach by implementing YOLOv8 nano for multi-object detection of inorganic waste. The
dataset used for training and testing the model was collected from device cameras and
several Kaggle datasets. It consists of 2459 data points for five classes, divided into 1967
training data, 246 validation data, and 246 testing data. The model was evaluated on images
containing 1 to 12 objects under various conditions. The experimental results demonstrate
the model's high accuracy with an mAP50 of 87.1% and mAP50-95 of 72.1%. The precision
and recall values of 86.2% and 79.1%, respectively, at 50 epochs further indicate the model's
strong performance. The model also exhibits efficient detection of up to ten objects in a
single image. However, its performance declines when detecting more than ten objects,
where it can still detect the objects but may not classify them correctly.
Keywords: Inorganic Waste, Deep Learning, Waste Detection, Multi-Object Detection,
YOLOv8

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Inorganic Waste, Deep Learning, Waste Detection, Multi-Object Detection, YOLOv8
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	20 May 2024 07:06
Last Modified:	20 May 2024 07:06
URI:	http://eprints.upnyk.ac.id/id/eprint/39478

Actions (login required)

View Item