IMPLEMENTASI ALGORITMA YOLO DAN CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI DAN KLASIFIKASI SAMPAH BERBASIS WEB

Mongkareng, Andre Gabriel and Angdresey, Apriandy and Kairupan, Indah Yessi (2023) IMPLEMENTASI ALGORITMA YOLO DAN CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI DAN KLASIFIKASI SAMPAH BERBASIS WEB. Skripsi thesis, UNIVERSITAS KATOLIK DE LA SALLE MANADO.

	PDF COVER-LEMBAR_PENGESAHAN_AndreMOngkareng.pdf Download (387kB)
	PDF ABSTRAK_AndreMOngkareng.pdf Download (18kB)
	PDF KATA_PENGANTAR-DAFTAR_ISI_AndreMOngkareng.pdf Download (201kB)
	PDF BAB_I_AndreMOngkareng.pdf Download (33kB)
	PDF BAB_II-LAMPIRAN_AndreMOngkareng.pdf Restricted to Repository staff only Download (2MB)

Official URL: https://digilib.unikadelasalle.ac.id/

Abstract

Deteksi objek adalah bagian penting dalam bidang computer vision dengan implementasi yang beragam, termasuk dalam pengelolaan sampah. Metode konvensional dalam pengelolaan sampah memerlukan banyak waktu dan tenaga manusia, namun dengan implementasi deteksi objek, proses ini dapat dipermudah. Algoritma deteksi objek populer, seperti YOLO (You Only Look Once).YOLOv8 dari ultralytics merupakan versi terbaru, dan menawarkan model yang mampu mendeteksi objek dengan tingkat akurasi dan efisiensi waktu yang baik. Meski penelitian tentang penggunaan YOLOv8 di bidang pengelolaan sampah masih terbatas, penelitian ini berhasil mengimplementasikan Algoritma YOLOv8 dan Algoritma CNN dalam aplikasi web untuk mendeteksi dan mengklasifikasikan sampah. Dataset yang digunakan dalam penelitian ini mencakup 4403 gambar dengan total 14101 anotasi untuk deteksi, dan 13059 gambar untuk klasifikasi. Hasilnya, performa deteksi objek mencapai mAP50 sebesar 61% pada IoU 0.5, sementara akurasi klasifikasi dengan menggunakan algoritma CNN MobileNetV2 dan EfficientNet mencapai 98% dan 93% masing-masing.

Kata Kunci: Deteksi Objek, YOLOv8, Klasifikasi, MobileNetV2, EfficientNet, Sampah.

Item Type:

Thesis (Skripsi)

Creators: