Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
Deteksi Jenis Sampah Menggunakan Metode Transfer Learning YOLO-V8 Nandang Suwela1.
Muhammad Zidan Hedriyadi2 Program Studi Teknik Informatika Universitas Indraprasta PGRI e-mail : nandang.
s@gmail.
, zidanhendriadi45@gmail.
ABSTRAK
Permasalahan besar yang dihadapi oleh hampir semua negara termasuk Indonesia adalah masalah sampah, dimana jumlah dan jenis sampah yang beredar terus meningkat setiap tahunnya seiring dengan bertambahnya jumlah penduduk.
Hal ini mengakibatkan penambahan peningkatan jenis dan jumlah timbunan sampah.
Pemilahan jenis sampah menjadi tantangan utama dalam pengelolaan sampah karena keberadaan sampah yang ada di lingkungan masyarakat selalu dalam keadaan tercampur atau tidak Pemilahan sampah yang baik sangat diperlukan sehingga dapat membedakan sampah yang dapat didaur ulang dan meminimalkan sampah yang tidak dapat didaur ulang.
Penelitian ini merekayasa model kecerdasaan buatan Convolutional Neural Network (CNN) untuk membantu mengindetifikasi sampah melalui gambar, dan untuk meningkatkan akurasi peneliti menggunakan teknik transfer learning dari modul You Only Look Once (YOLO).
YOLO-V8 merupakan versi terbaru dari model YOLO yang telah dikembangkan untuk meningkatkan akurasi dan kecepatan deteksi objek dengan akurasi tinggi.
Penggunaan metode transfer learning pada YOLO-V8 memungkinkan untuk menyesuaikan model yang sudah ada dengan dataset baru yang spesifik, seperti dataset sampah, tanpa perlu melatih model dari awal, sedangkan untuk memudahkan analisa secara visual, digunakan aplikasi web.
Perhitungan mAP didasarkan pada perhitungan IoU, pada mAP50, hasil prediksi memiliki minimal terdapat 50% bagian kotak tumpang tindih terhadap kotak target, sehingga model dapat mencapai nilai 0.
Sedangkan pada mAP50-95 hasil prediksi minimal memiliki 95%, untuk nilai ini model mampu mencapai angka 0.
Penelitian menggunakan dataset yang sangat terbatas, untuk penelitian selanjutnya dapat dilakukan penambahan dataset baik dalam jumlah kelas maupun jumlah dataset itu sendiri.
Integrasi dengan sistem lain juga bisa dilakukan, seperti perhitungan berat sampah dan pelaporan mengenai pendapatan yang didapat dari menjual sampah untuk meningkatkan penghasilan masyarakat.
Kata Kunci : Deteksi Sampah.
Transfer Learning.
YOLO-8
PENDAHULUAN
Permasalahan besar yang dihadapi oleh hampir semua negara termasuk Indonesia adalah masalah sampah, dimana jumlah dan jenis sampah yang beredar terus meningkat setiap tahunnya seiring dengan bertambahnya jumlah penduduk.
Kegiatan pada sektor produksi dan peningkatan kebutuhan konsumsi masyarakat berdampak pada penambahan peningkatan jenis dan jumlah timbunan sampah.
Berdasarkan data dari Sistem Informasi Penanggulangan Sampah Nasional (SIPSN) yang dikutip dari situs website resmi SIPSN per 2023, terdapat timbulan sampah Indonesia sebesar 19,07 juta ton/tahun dan ada sekitar 32,51% atau 6,2 juta ton/tahun sampah yang tidak terkelola.
Pemilahan jenis sampah menjadi tantangan utama dalam pengelolaan sampah karena keberadaan sampah yang ada di lingkungan masyarakat selalu dalam keadaan tercampur atau tidak terpilah.
Pemilahan sampah yang baik sangat diperlukan sehingga dapat membedakan sampah yang dapat didaur ulang dan meminimalkan sampah yang tidak dapat didaur ulang.
Teknologi dapat berperan besar dalam proses pemilahan sampah, salah satunya adalah dengan menggunakan kecerdasan buatan dan computer vision.
Penelitian yang telah dilakukan diantaranya adalah penelitian yang menggunakan algoritma KNN .
-nearest neighbo.
dengan Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
menggunakan tiga sampel jenis sampah yang relatif serupa dan tidak dilakukan secara real time pada lingkungan terbuka.
Akurasi dari penelitian ini sebesar 98,33%.
Penelitian lain menggunakan metode convolutional neural network (CNN) dalam mengidentifikasi jenis sampah denga menambah hyperparameterm mereka berhasil meningkatkan akurasi dari 67,6% menjadi 91,2%.
Setelah mengevaluasi penelitian terdahulu tersebut, peneliti dalam penelitian ini merekayasa model kecerdasaan buatan Convolutional Neural Network (CNN) untuk membantu mengindetifikasi sampah melalui gambar, dan untuk meningkatkan akurasi peneliti menggunakan teknik transfer learning dari modul You Only Look Once (YOLO) yang memiliki akurasi tinggi, sedangkan untuk memudahkan analisa secara visual digunakan aplikasi web dan dapat memberikan hasil yang lebih baik sehingga dapat memberikan informasi yang lebih efisien.
II.
LANDASAN TEORI
1 Sampah Menurut World Health Organization (WHO) sampah adalah sesuatu yang tidak digunakan, tidak dipakai, tidak disenangi atau sesuatu yang dibuang yang berasal dari kegiatan manusia dan tidak terjadi dengan sendirinya.
Sampah merupakan material sisa baik dari hewan, manusia, maupun tumbuhan yang tidak terpakai lagi dan dilepaskan kedalam dalam bentuk padat, cair, maupun gas yang selalu ada dalam kehidupan sehari-hari .
Sementara itu menurut (Noelaka, 2.
bahwa sampah dibagi menjadi tiga bagian yakni:
Sampah organik yaitu sampah yang berasal dari sisa sayuran, sisa daging, sampah taman, daundaunan dan lain-lain yang mudah terurai melalui proses alami.
Sampah anorganik yaitu limbah yang tidak mudah rusak dan sulit terurai seperti plastik, logam, karet, kaca, bahan bangunan bekas, dsb.
Sampah B3 .
ahan berbahaya beracu.
yaitu limbah ini berasal dari bahan kimia organic, anorganik, atau logam berat yang umumnya berasal dari limbah industri.
Perlu penanganan khusus untuk limbah B3 ini, dan tidak boleh tercampur dengan sampah organik dan anorganik.
2 You Only Look Once (YOLO) YOLO adalah algoritma yang melakukan deteksi objek secara real-time yang mulai diperkenalkan pada tahun 2015 oleh Joseph Redmon, dkk.
Mereka melakukan penelitian dengan judul AuYou Only Look Once: Unified.
Real-Time Object DetectionAy.
YOLO dapat menerapkan satu jaringan saraf ke gambar penuh dan kemudian membagi gambar menjadi beberapa wilayah yang selanjutnya dapat diprediksi melalu kotak terikat dan probabilitas.
YOLO digemari karena selain mampu melakukan deteksi secara real time tetapi juga dapat menghasilkan data yang akurat.
Metode yang digunakan model YOLO yaitu setelah mendeteksi semua objek yang telah terdefinisi lalu akan membuat kotak pembatas di sekelilingnya.
Untuk memprediksi kotak pembatas serta probabilitas kelas untuk semua objek yang terdapat dalam gambar.
YOLO memanfaatkan CNN.
Model ini diberi nama YOLO karena dengan hanya sekali melihat gambar dapat mengidentifikasi objek dan posisinya dengan bantuan kotak pembatas.
YOLO terus mengalami perkembangan dari waktu ke waktu hingga saat ini, versi terakhir yang dipublikasikan adalah versi 10.
Gambar 1 The YOLO Detection System Sumber : pjreddie.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
3 Deap Learning Setelah Support Vector Machine (SVM), multilayer perceptron (MLP), jaringan saraf buatan (ANN), dan jaringan saraf dangkal lainnya menjadi popular, kemudian pada awal tahun 2000-an deep learning mulai diperkenalkan.
Menurut banyak peneliti, itu merupakan bagian dari pembelajaran mesin (Machine Learnin.
, yang pada gilirannya merupakan bagian dari kecerdasan buatan (AI).
Deep learning memungkinkan model komputasi yang terdiri dari banyak lapisan pemrosesan untuk memahami representasi data dengan tingkat abstraksi yang berbeda.
Dengan menggunakan algoritma backpropagation, deep learning menemukan struktur kompleks dalam kumpulan data yang sangat besar, yang memungkinkan mesin untuk menyesuaikan parameter internalnya untuk membuat representasi untuk setiap lapisan berdasarkan representasi dari lapisan sebelumnya .
Ada tiga lapisan dalam deep learning.
Lapisan masukan berfungsi untuk menerima data, lapisan output berfungsi untuk menghasilkan hasil pengolahan data, dan lapisan tersembunyi berfungsi untuk mengekstrak pola di dalam data.
JST yang dalam berbeda dari JST superfisial (JST dengan lapisan tersembunyi tungga.
karena memiliki banyak lapisan tersembunyi dan dapat melakukan tugas yang lebih rumit.
Saat data ditransfer dari satu lapisan tersembunyi ke lapisan berikutnya, fitur sederhana digabungkan kembali dan dikomposisi ulang menjadi fitur yang kompleks.
Sederhananya.
DL bekerja dengan baik dengan data yang tidak terstruktur dan lebih akurat daripada ML.
namun, itu membutuhkan banyak data pelatihan, perangkat lunak, dan perangkat keras yang mahal .
Algoritma deep learning telah digunakan untuk berbagai macam tujuan.
Misalnya, algoritma kategori pemrosesan bahasa dapat digunakan untuk mengidentifikasi pola yang ada dengan menerima input berupa kata-kata atau kalimat, dalam kasus ini, input yang diterima adalah angka dari piksel gambar, yang kemudian diidentifikasi sebagai kotak dan penandaan objek, sehingga kasus ini masuk sebagai computer vision.
4 Computer Vision Subbidang kecerdasan buatan (AI) yang dikenal sebagai computer vision berfokus pada pembuatan sistem komputer yang memiliki kemampuan untuk "melihat" dan memahami dunia fisik dengan cara yang mirip dengan manusia.
Computer vision mengajarkan mesin untuk melakukan hal-hal seperti membedakan objek, seberapa jauh jaraknya, apakah bergerak, dan mengidentifikasi apakah ada kesalahan pada gambar.
Model matematika untuk pemrosesan gambar dikenal sebagai algoritma computer vision.
Di bidang kecerdasan buatan, pengertian ini lebih umum dan memiliki manfaat teknis yang signifikan.
Algoritma pada dasarnya mendapatkan informasi dari gambar atau data.
Jika manusia dihadapkan pada gambar yang berbeda, mereka dapat langsung menganalisisnya sesuai dengan pemahaman mereka sendiri.
namun, jika analisis gambar dilakukan menggunakan komputer, metode interpretasi yang lebih banyak akan dihasilkan, yang secara keseluruhan lebih rumit.
Algoritma computer vision dibuat sebelum model probabilitas fisik digunakan untuk menginterpretasikan gambar.
Dengan menggunakan metode ini, komputer dapat secara akurat mengidentifikasi gambar berdasarkan fungsinya dan membuat model tiga dimensi dan simulasi prediktif berdasarkan gambar tersebut untuk memberikan hasil yang diperlukan .
5 Python Python merupakan bahasa pemrograman tingkat tinggi yang dikembangkan oleh Guido Van Rossum dan pertama kali dirilis pada tahun 1991.
Python saat ini adalah bahasa yang sangat populer.
Python juga merupakan bahasa pemrograman yang serbaguna.
Python dapat digunakan untuk deep learning dan machine learning.
Python memiliki perpustakaan yang lengkap dan sintaks yang mudah dibuat.
Anda dapat menggunakan IDE seperti VsCode, sublime text.
PyCharm, atau IDE online seperti Jupyter Notebook atau Google Colab untuk membuat kode Python .
Python adalah bahasa pemrograman yang digunakan oleh Google.
Instagram, dan Netflix .
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
METODE PENELITIAN
1 Kerangka Penelitian Gambar 2 Kerangka Penelitian Sumber : penulis Tahapan pertama dalam penelitian ini fokus pada permasalahan pengelolaan sampah di Indonesia, tahapan ini mencakup pengenalan variabel-variabel yang relevan yang akan digunakan dalam pendeteksian jenis sampah.
Setelah memahami masalah dan membuat ide dan model untuk menyelesaikannya, langkah selanjutnya adalah mengumpulkan data.
Data yang dibutuhkan mencakup informasi tentang gambar sampah yang terdiri dari berbagai jenis bahan, seperti styrofoam, plastik, kaleng, dan kertas.
Data ini diambil dari dataset yang dimiliki Alistrair King di Kaggle.
Ada kemungkinan bahwa data yang dikumpulkan dari Kaggle.
com tidak selalu dalam format yang dibutuhkan oleh peneliti.
Oleh karena itu, untuk membuat data siap untuk diolah lebih lanjut, proses diperlukan pra-pemrosesan.
Pra-pemrosesan data ini mencakup berbagai langkah.
Ini termasuk memilih kateori yang dibutuhkan, memilih gambar yang dapat digunakan, dan menentukan jumlah data yang ingin digunakan.
Data yang telah dibersihkan dan siap untuk langkah analisis selanjutnya dihasilkan sebagai hasil dari proses pra-pemrosesan ini.
Hasil data yang telah diolah akan dibagi menjadi tiga bagian, masing-masing dengan empat kategori yang diperlukan untuk pelatihan model.
Tiga bagian tersebut adalah train, test, dan val.
Empat kategori yang digunakan adalah styrofoam, plastik, kaleng, dan kertas.
Untuk sistem pendeteksian, pembentukan model menggunakan YOLOv8 yang telah dilatih Dimulai dengan menyiapkan dataset dan arsitektur model yang akan digunakan, serta library dan lingkungan kerja yang akan digunakan.
Setelah itu, peneliti memasukkan model yang telah dilatih sebelumnya ke dalam lembar kerja, yang dapat ditemukan di situs resmi YOLO, dan menentukan alamat dataset yang akan dituju.
Peneliti menggunakan Google Colab untuk membuat model ini.
Proses pelatihan pada model YOLO yang telah dilatih sebelumnya dimulai dengan memasukan alamat dataset dan menetapkan jumlah epochs dan ukuran gambar yang akan dilatih.
Setelah pelatihan selesai, validasi model dilakukan dengan menggunakan berat yang tersedia pada model YOLO.
Dengan demikian, peneliti dapat mengetahui parameter yang digunakan dari file.
txt yang dibuat dari pelatihan.
Pengembangan situs web yang berfungsi sebagai antarmuka untuk menampilkan hasil deteksi jenis sampah kepada pengguna adalah bagian dari tahap ini.
Pengembangan ini mencakup desain antarmuka pengguna yang efisien dan responsif, integrasi dengan backend untuk mengelola dan menampilkan data deteksi sampah secara dinamis, dan implementasi fitur tambahan seperti filter data dan visualisasi grafis.
Dengan menjamin keamanan, kecepatan, dan ketersediaan situs web di berbagai perangkat, tujuan utamanya adalah meningkatkan pengalaman pengguna.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
2 Hardware dan Software Penelitian menggunakan PC dengan spesifikasi prosesor core i8 dengan RAM sebesar 16 GB dan harddisk 1 TB.
Software yang digunakan seperti Tensorflow sebuah open source platfrom untuk machine learning yang menyediakan berbagai API pada berbagai bahasa pemrograman yang memudahkan proses pembuatan model AI.
Komputasi yang dirumuskan dengan Tensorflow dapat dieksekusi dengan sedikit atau tanpa modifikasi pada berbagai sistem yang heterogeny.
Kemudian digunakan juga You Only Look Once (YOLO) sebuah algoritma mutakhir untuk mendeteksi objek secara real-time YOLO didigunakan karena tidak hanya menghasilkan data yang akurat, tetapi juga mampu melakukannya secara real-time.
Sementara itu bahasa pemrograman yang digunakan adalah Python yang merupakan bahasa yang sangat popular saat ini.
Selain itu.
Python juga merupakan bahasa pemrograman yang serbaguna, misalnya Python dapat digunakan untuk Machine Learning dan Deep Learning.
IV.
ANALISIS DAN HASIL PERANCANGAN
1 Pembahasan Algoritma 1 Akuisisi Data Penulis menggunakan dataset gambar sampah yang diambil dari Roboflow.
Penggunaan dataset tersebut berdasar pada hasil pencarian yang telah dilakukan Roboflow Universe yang telah dirilis pada bulan Maret 2024, dataset tersebut berjudul Waste-Detection.
Untuk menambah variasi jenis sampah yang ditemukan, penulis menambahkan satu jenis sampah lagi yang berasal dari dataset Trash Detection yang dirilis pada bulan Mei 2024, sehingga dataset menjadi sebagai berikut :
Tabel 1 Daftar Jenis Sampah Jumlah Gambar Set Pelatihan Jenis Sampah Set Validasi Set Pengujian Metal Plastik Kaca Kardus Styrofoam 2 Praproses Data Untuk menyesuaikan input yang diterima oleh model, tahapan praproses data diperlukan sebelum dataset yang sudah dikumpulkan dapat digunakan untuk proses pelatihan.
Teknik yang digunakan dalam tahapan ini juga dapat mempengaruhi kualitas segmentasi gambar yang 1 Pembagian Dataset Dimulai dengan membagi dataset menjadi tiga bagian, yaitu pelatihan, validasi, dan pengujian, penelitian ini menggunakan 2770 gambar data.
Semakin banyak dataset yang dilatih, semakin banyak model yang belajar fitur sampel untuk melakukan prediksi pada dataset pengujian.
Proporsi pembagian dataset pelatihan adalah 70%, dataset validasi 20%, dan dataset pengujian 10%.
2 Anotasi Objek Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
Untuk melakukan anotasi objek sampah, harus tahu bentuknya terlebih dahulu.
Berikut ini adalah sampel objek sampah berdasarkan kelasnya:
Metal Plastik Kardus Kaca Styrofoam Gambar 3 Sampel Gambar Sampah Sumber: Penulis Selanjutnya, dataset yang telah dikumpulkan diunggah ke penyimpanan cloud Roboflow untuk proses anotasi.
Anotasi dilakukan dengan memberikan kotak pembatas pada objek sampah pada gambar.
Setelah anotasi selesai.
Roboflow akan membuat folder label yang menyimpan lokasi koordinat titik kotak pembatas untuk setiap gambar dalam format teks file .
Format kotak pembatas YOLO menggunakan nilai yang telah dinormalisasi untuk setiap gambar.
Ini adalah perubahan nilai gambar yang telah Width Tabel 2 Normalisasi Ukuran Objek Height X_center Y_center Width_norm Height_norm Gambar berikut menunjukkan proses pelabelan Roboflow menggunakan bounding Gambar 4 Visualisasi Anotasi Objek Sumber: Penulis Setelah proses anotasi selesai, gambar diubah ukurannya untuk sesuai dengan input model YOLOv8, yang membutuhkan gambar berukuran 640 x 640.
Untuk mengubah ukuran gambar awal yang belum diubah, digunakan metode penarikan .
tretch to fi.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
3 Augmentasi Setelah proses anotasi selesai, gambar diperbesar.
Proses memperbesar dataset menggunakan teknik seperti penarikan dan rotasi penggeseran untuk mencegah Namun, penulis hanya menggunakan teknik peningkatan geometris, yaitu rotasi horizontal.
Dataset berikut dihasilkan dari proses augmentasi:
Tabel 3 Dataset Hasil Augmentasi Jumlah Gambar Set Pelatihan Set Validasi Jenis Sampah Set Pengujian Metal Plastik Kaca Kardus Styrofoam 3 Pelatihan dan Evaluasi Dalam satu iterasi, dilakukan proses pelatihan untuk meningkatkan kemampuan prediksi model dan proses evaluasi untuk mengevaluasi kinerja model.
Kedua proses ini dilakukan berdasarkan dataset masing-masing dan diulang sebanyak jumlah iterasi yang dimasukkan.
1 Konfigurasi Model Sebelum memulai pelatihan, diperlukan persiapan.
Persiapan ini berkaitan dengan model yang digunakan.
backbone, neck, dan head adalah blok penting dalam algoritma YOLOv8.
Backbone, yang juga disebut sebagai feature extractor, bertugas mengekstrak fitur-fitur penting dari data yang dimasukkan.
Pada lapisan awal, backbone menangkap pola-pola sederhana seperti tepi dan tekstur, dan seiring kedalaman lapisan, ia dapat merepresentasikan data dalam skala yang berbeda, yang memungkinkannya menangkap fitur pada berbagai tingkat abstraksi.
Hasil akhirnya adalah representasi data input hierarkis yang kaya.
2 Pelatihan Model Iterasi pelatihan dilakukan dengan jumlah iterasi yang sesuai dengan input yang diberikan setelah menyelesaikan persiapan model, dataset, dan semua elemen yang diperlukan untuk proses pelatihan model.
Selain melakukan pelatihan menggunakan optimizer SGD, parameter kinerja seperti IoU (Intersection over Unio.
dan ketepatan rata-rata dievaluasi.
Peneliti juga membuat file.
yaml yang digunakan dalam proses pelatihan untuk mengintegrasikan notebook Kaggle dengan dataset.
File ini memudahkan konfigurasi pelatihan dengan menghubungkan script ke dataset.
Setelah membuat file data.
yaml, proses pelatihan dilakukan di Kaggle.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
Gambar 5 Proses training Selama pelatihan berlangsung, kita dapat melihat bahwa ada total 100 epoch yang akan dilalui oleh model.
Metrik seperti box_loss, obj_loss dan cls_lossAiyang mengukur kesalahan dalam berbagai aspek deteksiAimulai menunjukkan nilai-nilai awal dan akan terus ditingkatkan seiring berjalannya waktu pelatihan.
Selanjutnya, perhatian diberikan pada angka yang dihasilkan.
Box_loss, yang mengevaluasi seberapa baik model memprediksi bounding box objek, menunjukkan penurunan yang konsisten, yang menunjukkan bahwa model lebih baik dalam melokalisasi objek dalam gambar.
Sementara itu, obj_loss dan cls_loss, yang mengukur keakuratan dalam menemukan keberadaan objek dan mengklasifikasikannya ke dalam kategori yang tepat, juga menunjukkan tren penurunan yang menunjukkan bahwa model tersebar.
Tidak ada Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
kebocoran memori atau penggunaan sumber daya yang tidak efisien, karena tingkat pemakaian GPU tetap stabil.
3 Hasil Training Berbagai file penting yang terkait dengan penelitian ini dibuat selama proses pelatihan, yang disimpan di folder "runs/train" di direktori output Kaggle.
Hasil pelatihan ini juga membentuk berbagai file metrik evaluasi dan data yang digunakan untuk mengevaluasi dan mengelola proses pelatihan selanjutnya.
Gambar 6 Hasil training Sumber: Penulis Visualisasi kurva F1 dalam file "F1_curve.
png" memberikan pemahaman penting tentang keseimbangan sensitivitas dan presisi selama proses pelatihan model.
Ketika evaluasi model dilakukan, skor F1 adalah metrik statistic yang sangat berguna untuk mengukur akurasi model dalam kasus dataset yang tidak seimbang.
Gambar 7 Kurva F1 Correlogram label, yang menunjukkan korelasi antar kelas objek dalam dataset pelatihan, membantu memahami hubungan antara kelas label dan menemukan pola korelasi atau kesalahan label yang dapat mempengaruhi pelatihan model.
File yang disebut "label_correlogram.
jpg" juga menampilkan korelogram label.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
Gambar 8 Correlogram Label Untuk menilai kinerja model terhadap kelas positif, kurva presisi-sensitivitas ("P_curve.
png" dan "PR_curve.
png" menunjukkan kompromi antara presisi .
eberapa tepat model mengidentifikasi kelas positi.
dan sensitivitas .
eberapa komprehensif model mengidentifikasi kelas positi.
Untuk membedakan antara kelas negatif dan positif, kualitas keseluruhan model dapat diukur dengan mengevaluasi luas area di bawah kurva (AUC).
Gambar 9 Confusion Matrix Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
File label seperti "batch0_labels" dan "batch0_pred" adalah visualisasi yang memungkinkan untuk membandingkan label sebenarnya .
round trut.
dengan prediksi yang dibuat oleh model pada batch data pertama.
Ini membantu menentukan apakah model benar-benar mendeteksi dan mengklasifikasikan objek gambar.
Kesesuaian antara label dan prediksi ini memberikan gambaran awal tentang kualitas pelatihan yang telah dilakukan.
File label seperti "batch0_labels" dan "batch0_pred" adalah visualisasi yang memungkinkan untuk membandingkan label sebenarnya .
enar nyat.
dengan prediksi yang dibuat oleh model pada batch data pertama.
Ini membantu dalam menentukan apakah model mendeteksi dan mengklasifikasikan objek gambar dengan 4 Proses Pengujian Pengujian model adalah langkah penting untuk mengevaluasi seberapa baik model deteksi objek belajar dari data pelatihan.
Pada fase pengujian dengan gambar, setiap instance dalam gambar akan dianalisis untuk mengevaluasi kemampuan model untuk menemukan dan melokalisasi objek dengan benar.
Untuk setiap gambar, parameter utama seperti precision, recall, dan Intesection over Union (IoU) akan dihitung.
Precision menunjukkan persentase prediksi yang benar dari semua prediksi yang dibuat oleh model, sedangkan recall menunjukkan seberapa banyak objek sebenarnya yang berhasil dideteksi oleh model.
Sebaliknya.
IoU akan mengevaluasi bounding boxes yang dihasilkan oleh model dengan membandingkan ketidaksesuaian antara prediksi dan kebenaran nyata.
Gambar 10 Contoh Hasil Deteksi Gambar Pengujian model ini akan menunjukkan performa model saat ini dan iterasi perbaikan di masa depan.
Hasil pengujian ini akan dibandingkan dengan pekerjaan serupa dalam literatur untuk menentukan peningkatan atau modifikasi yang diperlukan untuk model.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
5 Evaluasi Model Gambar 11 Evaluasi Bagian Nilai loss Pada proses pelatihan dengan 100 iterasi, ketiga kehilangan yang terdiri dari kotak, kelas, dan distribution focal loss .
memiliki nilai yang rendah, sehingga model menghasilkan prediksi yang baik.
Namun, karena dataset pelatihan adalah dataset yang sudah dipelajari, tingkat loss tidak dapat dijadikan tolok ukur.
Oleh karena itu, kita dapat melihat hasil prediksi model untuk dataset validasi.
Grafik loss pada dataset validasi yang menggunakan 20% dari total dataset memberikan hasil yang cukup memuaskan, dan ketiga variabel loss dapat ditekan seiring iterasi berjalan.
Gambar 12 Evaluasi Bagian Nilai mAP Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
Metric mean average precision .
AP) yang dibuat oleh model YOLOv8 untuk kotak dan mask memiliki hasil yang cukup memuaskan.
Perhitungan mAP didasarkan pada perhitungan IoU.
Pada mAP50, hasil prediksi minimal adalah 50% bagian kotak tumpang tindih terhadap kotak target, dan pada mAP95, hasil prediksi minimal adalah 95% bagian kotak tumpang tindih terhadap kotak target, sehingga model dapat mencapai nilai yang cukup tinggi pada angka 0.
6 Pengujian Langsung Pengujian secara langsung, juga dikenal sebagai inference, adalah menguji model terbaik yang dihasilkan dari proses pelatihan dengan data.
Proses inference mirip dengan proses pelatihan, gambar dimasukkan ke dalam model, dan model memproses gambar tersebut lapisan demi lapisan.
Tahapan deteksi .
berbeda dengan tahapan pelatihan, karena perlu menghitung loss untuk memperbaiki model dan tahapan validasi, selain itu perlu menghitung beberapa nilai evaluasi matriks.
Pada tahap inference data yang dimasukkan tidak memiliki label atau target, sehingga perhitungan IoU untuk pengukuran tidak dapat dilakukan.
Hasil deteksi model hanya diproses melalui proses NMS untuk menghilangkan beberapa prediksi yang tidak akurat dan kotak tumpang tindih.
Gambar 13
Prediksi Menggunakan Test Set
KESIMPULAN DAN SARAN
1 Kesimpulan Diperlukan Strategi terpadu untuk mengelola timbunan sampah.
Ada beberapa cara untuk mengurangi sampah, seperti menghindari penggunaan plastik sekali pakai, mengelola sampah dengan cara yang baik, seperti kompos dan daur ulang, dan memilah jenis sampah, seperti sampah organik dan anorganik.
Dengan menggunakan metode pembelajaran transfer yang didasarkan pada model arsitektur YOLOv8, penelitian ini berhasil mengembangkan Sistem Pendeteksian Jenis Sampah yang dapat mendeteksi sampah secara otomatis.
Dengan menggunakan arsitektur YOLOv8, model yang dikembangkan oleh penulis menunjukkan kecepatan dan efisiensi tinggi dalam memprediksi gambar dan mengklasifikasi jenis sampah.
Ini menunjukkan bahwa model ini dapat digunakan secara efektif dalam pengelolaan sampah berbasis teknologi.
Karena sistem pendeteksian tersedia secara online, maka biaya pembuatan aplikasi ini cukup terjangkau.
2 Saran Disarankan untuk penelitian lanjutan dengan membuat pelatihan model lebih akurat dan tidak mengalami bias, hal ini dapat dicapai dengan menambah dataset sampah ke dalam jumlah kelas dan dataset itu sendiri.
Selain itu, untuk meningkatkan tingkat produktivitas masyarakat, dapat mengintegrasikan istem lain, seperti perhitungan berat sampah dan pelaporan pendapatan dari penjualan sampah.
Jurnal Sistem Informasi dan Sains Teknologi Vol.
7 No.
Februari 2025
ISSN 2684-8260
DAFTAR PUSTAKA