Evaluasi Kinerja YOLOv8 dan SSD dalam Deteksi Real-Time Sampah Botol Plastik Berbasis Deep Learning

Alven Safik Ritonga; Nurwahyudi Widhiyanta; Eka Alifia Kusnanti

doi:10.46576/syntax.v6i2.8020

Evaluasi Kinerja YOLOv8 dan SSD dalam Deteksi Real-Time Sampah Botol Plastik Berbasis Deep Learning

Alven Safik Ritonga, Nurwahyudi Widhiyanta, Eka Alifia Kusnanti

Abstract

Sampah botol plastik merupakan salah satu fraksi paling dominan dalam timbunan sampah kota dan berkontribusi besar terhadap pencemaran lingkungan. Laporan global memperkirakan jutaan ton plastik masuk ke ekosistem perairan setiap tahun dan jumlah ini terus meningkat. Deteksi otomatis botol plastik menggunakan object detection berbasis deep learning menjadi pendekatan yang menjanjikan untuk mendukung aplikasi smart waste management seperti smart bin dan reverse vending machine. Penelitian ini mengevaluasi dan membandingkan kinerja YOLOv8 dan Single Shot MultiBox Detector (SSD) untuk deteksi real-time sampah botol plastik. Dataset yang digunakan merupakan gabungan 4.827 citra eksternal dan 251 citra internal, yang kemudian diaugmentasi menjadi lebih dari 10.000 sampel dan dianotasi untuk satu kelas bottle. Model YOLOv8 dilatih di Google Colab dengan GPU T4, sedangkan SSD diuji pada laptop berbasis CPU dalam dua skenario: (1) SSD-COCO menggunakan model pretrained umum, dan (2) SSD-Kustom yang di-fine-tune menggunakan dataset botol plastik. Hasil eksperimen menunjukkan bahwa YOLOv8 mencapai mAP@0,5 ≈ 0,984 untuk kelas botol dengan kurva precision–recall yang stabil. SSD-COCO menghasilkan sekitar 5 FPS di CPU, namun hanya mampu mendeteksi botol pada 4,07% dari 18.755 frame uji. Sebaliknya, SSD-Kustom mempertahankan FPS yang sebanding tetapi mendeteksi botol pada 100% dari 2.154 frame dengan rata-rata ≈171 deteksi per detik, yang mengindikasikan sensitivitas tinggi namun disertai gejala over-detection. Secara keseluruhan, YOLOv8 memberikan keseimbangan terbaik antara akurasi dan stabilitas, sedangkan SSD-Kustom berpotensi menjadi alternatif pada perangkat CPU-only setelah optimasi lanjutan terhadap confidence threshold dan non-maximum suppression.

Full Text:

PDF (Bahasa Indonesia)

References

J. R. Jambeck et al., “Plastic waste inputs from land into the ocean,” Science (80-. )., vol. 347, no. 6223, pp. 764–768, 2015, doi: DOI: 10.1126/science.1260352.

UNEP (United Nations Environment Programme), From pollution to solution: a global assessment of marine litter and plastic pollution, vol. 237, no. 3169. 2021. [Online]. Available: https://www.unep.org/resources/pollution-solution-global-assessment-marine-litter-and-plastic-pollution

J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 779–788, 2016, doi: 10.1109/CVPR.2016.91.

W. L. B et al., “SSD : Single Shot MultiBox Detector,” Springer Int. Publ., vol. 1, pp. 21–37, 2016, doi: 10.1007/978-3-319-46448-0.

A. T. Sari and E. Nurlatifah, “Penerapan Convolutional Neural Network untuk Mengklasifikasikan Citra Sampah Organik dan Non Organik,” J. Ilm. Tek. Inform. dan Sist. Inf., vol. 14, no. 1, pp. 1–11, 2025.

N. L. Kirana, D. Kurnianingtyas, and Indriati, “A Deep Learning Approach to Plastic Bottle Waste Detection on the Water Surface using YOLOv6 and YOLOv7,” Eng. Technol. Appl. Sci. Res., vol. 14, no. 6, pp. 18623–18630, 2024, doi: 10.48084/etasr.8592.

J. R. Yasiri, R. Prathivi, and S. Susanto, “Detection of Plastic Bottle Waste Using YOLO Version 5 Algorithm,” Sinkron, vol. 9, no. 1, pp. 20–30, 2025, doi: 10.33395/sinkron.v9i1.14242.

B. B. Kestane, E. Guney, and C. Bayilmis, “Real-time Recyclable Waste Detection Using YOLOv8 for Reverse Vending Machines,” J. Ilm. Tek. Elektro Komput. dan Inform., vol. 10, no. 2, pp. 345–358, 2024, doi: 10.26555/jiteki.v10i2.29208.

Y. Ren, Y. Li, and X. Gao, “An MRS-YOLO Model for High-Precision Waste Detection and Classification,” Sensors, vol. 24, no. 13, pp. 1–22, 2024.

D. N. Alfarizi, R. A. Pangestu, D. Aditya, M. A. Setiawan, and P. Rosyani, “Penggunaan Metode YOLO Pada Deteksi Objek: Sebuah Tinjauan Literatur Sistematis,” J. Artif. Intel. dan Sist. Penunjang Keputusan, vol. 1, no. 1, pp. 54–63, 2023, [Online]. Available: https://jurnalmahasiswa.com/index.php/aidanspk

F. Feng, Y. Hu, W. Li, and F. Yang, “Improved YOLOv8 algorithms for small object detection in aerial imagery,” J. King Saud Univ. - Comput. Inf. Sci., vol. 36, no. 6, pp. 1–18, 2024, doi: 10.1016/j.jksuci.2024.102113.

S. N. Azzahra and D. Widhiantoro, “Analisa Komparatif Algoritma YOLO dan SSD untuk Sistem Deteksi Objek,” Sniv:Seminarnasionalinovasivokasi, vol. 4, no. 1, pp. 759–767, 2025.

L. Stephen Pieters, “Development of Automatic Waste Classification System Using Cnn Based Deep Learning To Support Smart Waste Management Pengembangan Sistem Klasifikasi Sampah Otomatis Menggunakan Deep Learning Berbasis Cnn Untuk Mendukung Smart Waste Management,” J. Inovtek Polbeng, vol. 10, no. 1, p. 1, 2025, doi: https://doi.org/10.35314/wst8mh87.

F. Ananta;, M. Kallista, and C. Setianingsih, “Deteksi Sampah Plastik Menggunakan Algoritma Yolov5 (You Only Look Once Version 5),” e-Proceeding Eng., vol. 11, no. 3, pp. 1695–1701, 2024.

D. Triyanto, M. Zidan, M. Wahyudi, and L. Pujiastuti, “Pengembangan Sistem Deteksi Objek Botol Real-Time dengan YOLOv8 untuk Aplikasi Vision,” Indones. J. Comput. Sci., vol. 3, no. 1, pp. 44–50, 2024, doi: https://doi.org/10.31294/ijcs.v3i1.6070.

DOI: https://doi.org/10.46576/syntax.v6i2.8020