Abstract:
Sampah merupakan permasalahan serius di seluruh dunia karena dihasilkan dari aktivitas manusia sehari-harinya. Berdasarkan data Kementerian Lingkungan Hidup dan Kehutanan (KLHK) pada tahun 2020, total sampah nasional mencapai 67,8 juta ton, dan 37,3?rasal dari sampah rumah tangga. Pada tahun 2021, kontribusi sampah rumah tangga terhadap sampah nasional meningkat menjadi 42,23%. Pengelolaan sampah dimulai dengan memilah jenis-jenis sampah. Secara tradisional, pemilahan dilakukan secara manual. Hal ini memiliki dampak negatif terhadap kesehatan, membutuhkan biaya tenaga kerja, dan tidak efisien. Oleh karena itu, terdapat pemilahan secara otomatis yang dapat dilakukan dengan mengimplementasikan sistem deteksi objek untuk sampah rumah tangga. Teknologi computer vision dapat digunakan untuk melakukan deteksi objek tersebut. Salah satu pre-trained model yang dapat digunakan adalah YOLOv7. Untuk melatih model tersebut, digunakan data berupa 6.755 gambar sampah yang terdiri dari 12 kelas sampah yang dikumpulkan menggunakan Google Image Scraper. Setelah dilakukan augmentasi sebanyak 3 kali, jumlah data menjadi 17.565 gambar. Performa model YOLOv7 dievaluasi melalui 4 eksperimen yang menggunakan konfigurasi rasio data 80:10:10 untuk eksperimen tanpa augmentasi, dan rasio 92:4:4 untuk eksperimen dengan data teraugmentasi, serta dilakukan pelatihan dengan 200 dan 300 epoch untuk masing-masing rasio dengan batch size sebesar 16. Model YOLOv7 berhasil mendeteksi 12 objek sampah rumah tangga dengan performa nilai precision, recall, mAP@.5, dan FPS tertinggi sebesar 84,5%, 82,4%, 85,1%, dan 27,5.
