Electronic Theses and Dissertation

Abstrak – Peningkatan jumlah sampah yang dihasilkan setiap tahun menjadi
tantangan lingkungan yang signifikan. Pengelolaan sampah yang tidak efektif dapat
menyebabkan pencemaran lingkungan, penurunan kualitas hidup, serta ancaman
terhadap kesehatan manusia. Pendeteksian sampah secara manual masih memiliki
keterbatasan dalam hal efisiensi dan akurasi. Oleh karena itu, diperlukan sistem
komputer yang dapat secara otomatis mendeteksi sampah secara lebih efisien dan
akurat. Penelitian ini bertujuan untuk membangun model deteksi sampah berbasis
deep learning dengan menggunakan arsitektur YOLOv10 dan variannya, yaitu
YOLOv10n, YOLOv10s, YOLOv10m, YOLOv10b, YOLOv10l, dan YOLOv10x.
Model dikembangkan menggunakan dataset Trash Annotations in Context yang
terdiri dari 5.930 citra sampah dengan 18 kelas berbeda. Model dilatih selama 100
epoch dengan ukuran citra 416×416 piksel menggunakan optimizer AdamW dan
learning rate sebesar 5×10⁻⁴. Evaluasi dilakukan menggunakan metrik mAP@0.5,
mAP@0.5:0.95, precision, recall, dan F1-score. Hasil evaluasi menunjukkan
bahwa model YOLOv10l memberikan performa terbaik dengan nilai presisi
75,32%, recall 52,47%, mAP@0.5 sebesar 63,85%, dan mAP@0.5:0.95 sebesar
47,29%. Varian lainnya seperti YOLOv10x dan YOLOv10s juga menunjukkan
hasil kompetitif, namun dengan kebutuhan sumber daya yang lebih tinggi atau
performa yang sedikit lebih rendah. Kontribusi dari penelitian ini diharapkan dapat
mendorong efisiensi pengelolaan limbah serta mendukung upaya pelestarian
lingkungan secara lebih cerdas dan berkelanjutan.


Kata Kunci: deteksi sampah otomatis, deep learning, YOLOv10, varian
YOLOv10, deteksi objek, TACO

Abstract – The increasing amount of waste generated each year poses a signifikalengt environmental challenge. Ineffective waste management kaleng lead to environmental pollution, decreased quality of life, and threats to human health. Manual waste detection still has limitations in terms of efficiency and accuracy. Therefore, a computer system that kaleng automatically detect waste more efficiently and accurately is needed. This study aims to develop a waste detection model based on deep learning using the YOLOv10 architecture and its variants, namely YOLOv10n, YOLOv10s, YOLOv10m, YOLOv10b, YOLOv10l, and YOLOv10x. The model was developed using the Trash Annotations in Context (TACO) dataset, which contains 5,930 waste images from 18 different classes. The model was trained for 100 epochs with an image size of 416×416 pixels using the AdamW optimizer and a learning rate of 5×10⁻⁴. The evaluation was conducted using the metrics mAP@0.5, mAP@0.5:0.95, precision, recall, and F1-score. The results showed that the YOLOv10l model delivered the best performance, with a precision of 75.32%, recall of 52.47%, mAP@0.5 of 63.85%, and mAP@0.5:0.95 of 47.29%. Other variants such as YOLOv10x and YOLOv10s also showed competitive results, though with higher resource requirements or slightly lower performance. The contribution of this research is expected to support more efficient waste management and promote smarter and more sustainable environmental conservation efforts. Keywords: automatic waste detection, deep learning, YOLOv10, YOLOv10 variant, object detection, TACO