Penerapan Sistem Deteksi Multi-Class Menggunakan YOLOv8 Untuk Penanganan Kontaminasi Silang Pada Tempat Sampah Pintar

Almuthahhar, Daffa' Muhammad Naufal (2026) Penerapan Sistem Deteksi Multi-Class Menggunakan YOLOv8 Untuk Penanganan Kontaminasi Silang Pada Tempat Sampah Pintar. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2040221027-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Pengelolaan sampah di Laboratorium Departemen Teknik Elektro Otomasi ITS menghadapi permasalahan kontaminasi silang akibat kebiasaan pengguna membuang berbagai jenis sampah ke dalam kantong plastik transparan sebelum membuangnya. Berdasarkan survei terhadap 88 pengguna laboratorium, sebanyak 58% responden tidak memiliki kebiasaan memilah sampah, yang berdampak pada 92% responden sering menjumpai sampah tercampur dalam satu wadah. Sistem klasifikasi otomatis yang ada tidak dapat mengidentifikasi jenis sampah di dalam kantong plastik transparan karena hanya mampu mengenali wadah luar, sehingga seluruh isi kantong tidak dapat dipilah secara akurat dan kontaminasi silang tetap terjadi. Penelitian ini menerapkan sistem deteksi multi-class menggunakan instance segmentation YOLOv8 yang dilatih pada dataset 2.275 gambar dengan mencakup 12 kelas sampah. Penentuan status kontaminasi dilakukan untuk mengklasifikasikan kondisi sampah menjadi tiga status yaitu Bersih, Tercampur, dan Terpisah, kemudian mengarahkan sampah ke salah satu dari empat kategori tempat sampah yaitu Organik, Plastik, Kertas, dan Residu. Sistem beroperasi menggunakan Edge Computing yang terhubung ke empat modul ESP32-C3 melalui protokol UDP yang dilengkapi dengan pemantauan kapasitas tempat sampah. Hasil pengujian menunjukkan YOLOv8s-seg mencapai mAP50 sebesar 0,97 pada data validasi, sementara pada pengujian deteksi per kelas menggunakan 12 video uji independen mencapai rata-rata Precision 0,85. Pengujian klasifikasi berlapis terhadap 15 skenario uji menunjukkan seluruh skenario Bersih, Tercampur, dan Terpisah berhasil diklasifikasikan dengan benar (15/15). Pengujian deteksi bertahap menggunakan 12 kombinasi objek menghasilkan rata-rata akurasi 80,2% pada kondisi berdampingan dan 77,3% pada kondisi dalam kantong plastik transparan, dengan penurunan akurasi yang lebih signifikan terjadi ketika jumlah objek di dalam kantong melebihi 7 kelas. Dari aspek kecepatan, YOLOv8s-seg dalam format ONNX mencapai waktu inferensi 837 ms per frame dengan FPS kamera konsisten di 30 FPS dan total waktu siklus sistem rata-rata 8,30 detik per percobaan.
=========================================================================================================================================
Waste management at the ITS Electrical Automation Engineering Department Laboratory faces cross-contamination problems due to the habit of users throwing various types of waste into transparent plastic bags before disposing of them. Based on a survey of 88 laboratory users, as many as 58% of respondents do not have the habit of sorting waste, which results in 92% of respondents often encountering mixed waste in one container. The existing automatic classification system cannot identify the type of waste inside transparent plastic bags because it is only able to recognize the outer container, so the entire contents of the bag cannot be sorted accurately and cross-contamination still occurs. This study applies a multi-class detection system using YOLOv8 instance segmentation trained on a dataset of 2,275 images covering 12 waste classes. Determination of contamination status is carried out to classify the condition of the waste into three statuses: Clean, Mixed, and Separated, then directing the waste to one of four categories of trash bins: Organic, Plastic, Paper, and Residue. The system operates using Edge Computing connected to four ESP32-C3 modules via the UDP protocol equipped with trash bin capacity monitoring. The test results show that YOLOv8s-seg achieved an mAP50 of 0.97 on the validation data, while in the per-class detection test using 12 independent test videos it achieved an average Precision of 0.85. Layered classification testing on 15 test scenarios showed that all Clean, Mixed, and Separate scenarios were successfully classified correctly (15/15). Incremental detection testing using 12 object combinations resulted in an average accuracy of 80.2% in the side-by-side condition and 77.3% in the condition in a transparent plastic bag, with a more significant decrease in accuracy occurring when the number of objects in the bag exceeded 7 classes. In terms of speed, YOLOv8s-seg in ONNX format achieved an inference time of 837 ms per frame with a consistent camera FPS of 30 FPS and an average total system cycle time of 8.30 seconds per trial.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Instance Segmentation, Klasifikasi Berlapis, Kontaminasi Silang, Tempat Sampah Pintar, YOLOv8, Cross-Contamination, Instance Segmentation, Layered Classification, Smart Bin, YOLOv8.
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Daffa' Muhammad Naufal Almuthahhar
Date Deposited:	04 Aug 2026 01:13
Last Modified:	04 Aug 2026 01:13
URI:	http://repository.its.ac.id/id/eprint/142583

Actions (login required)

View Item