Implementasi Lightweight Neural Network Berbasis YOLOv8n untuk Klasifikasi Sampah Real-Time

Muhamad Hafis Ali, Sulaiman Sulaiman, Rizqi Ardiyansyah, Sumanto Sumanto, Ghofar Taufiq, Jefina Tri Kumalasari

Abstract


Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi sampah real-time yang efisien pada perangkat edge dengan memanfaatkan arsitektur Deep Learning ringan berbasis YOLOv8. Klasifikasi sampah otomatis merupakan solusi krusial dalam Smart Waste Management, namun model jaringan saraf tiruan yang kompleks sering terkendala oleh keterbatasan sumber daya komputasi pada perangkat IoT. Penelitian ini menerapkan model YOLOv8n (nano) menggunakan teknik Transfer Learning untuk menyeimbangkan akurasi deteksi dan efisiensi komputasi. Dataset yang digunakan bersumber dari repositori publik Roboflow sebanyak 1.123 citra yang telah melalui proses augmentasi. Hasil pelatihan selama 50 epoch menunjukkan performa impresif dengan nilai mean Average Precision (mAP@50) mencapai 0.995, Presisi 0.998, dan Recall 1.0. Selain itu, model memiliki ukuran file yang sangat ringkas (±6 MB) dengan kecepatan inferensi yang memadai untuk operasi real-time. Hasil penelitian ini membuktikan bahwa algoritma lightweight neural network mampu diimplementasikan secara efektif untuk mendukung sistem pemilahan sampah cerdas berbasis Computer Vision.



Keywords


YOLOv8, Klasifikasi Sampah, Edge Computing, Transfer Learning, Kecerdasan Buatan.

References


Adedeji, O., & Wang, Z. (2019). Intelligent Waste Classification System Using Deep Learning Convolutional Neural Network. Procedia Manufacturing, 35, 607–612.

Angdresey, A., Kairupan, I. Y., & Mongkareng, A. G. (2025). Web-Based Waste Detection Using YOLOv8 and Classification Performance Comparison. International Journal of Image, Graphics and Signal Processing, 17(6), 1-14.

Arvio, Y., Kusuma, D. T., & Sangadji, I. B. (2024). Inorganic Waste Detection Application Using Smart Computing Technology with YOLOv8 Method. Sinkron: Jurnal Dan Penelitian Teknik Informatika, 8(4), 2389-2396.

Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLO. Ultralytics. https://github.com/ultralytics/ultralytics.

Pan, S., Wang, N., Lin, Y., & Tang, J. (2024). Based On YOLOV8 Intelligent Trash Can Garbage Classification Detection Algorithm. Mathematical Modeling and Algorithm Application, 2(1), 28–32.

Priya Dharshinni, N., Zuhdi, M. F. A., & Prabowo, A. (2024). YOLOv8 Algorithm Implementation for Detecting and Classifying Waste Types Using CCTV Cameras. Journal of Data Science, Technology, and Artificial Intelligence, 1(2).

Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779-788.

Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge Computing: Vision and Challenges. IEEE Internet of Things Journal, 3(5), 637-646.

Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6(1), 60.

Yang, M., & Thung, G. (2016). Classification of Trash for Recyclability Status. Stanford University, Tech. Rep.




DOI: https://doi.org/10.30998/semnasristek.v10i1.8895

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: