Augmentasi pada yolov8 untuk meningkatkan segmentasi sampah menggunakan Dataset Zerowaste

Pengelolaan sampah yang efektif memerlukan informasi yang akurat mengenai jenis dan distribusi material sampah. Salah satu pendekatan yang dapat mendukung kebutuhan ini dengan pemanfaatan computer vision berbasis deep learning untuk melakukan segmentasi objek sampah pada citra. Namun, karakteristik dataset sampah yang umumnya tidak seimbang serta keberadaan objek yang saling bertumpuk masih menjadi tantangan utama dalam meningkatkan kinerja model segmentasi. Pada penelitian ini, kinerja YOLOv8 berbasis segmentasi (YOLOv8-seg) dianalisis dalam melakukan segmentasi objek sampah pada dataset ZeroWaste yang terdiri dari empat kelas, yaitu cardboard, metal, rigid plastic, dan soft plastic. Dua skenario pelatihan diterapkan, skenario pertama menggunakan dataset asli yang bersifat tidak seimbang dan skenario kedua menggunakan dataset yang telah diproses penyeimbangan kelas menggunakan teknik augmentasi. Selain itu, performa YOLOv8-seg dibandingkan dengan metode Mask R-CNN sebagai baseline. Evaluasi performa dilakukan menggunakan metrik mean Average Precision pada ambang IoU 0.5 (mAP@0.5). Hasil eksperimen menunjukkan bahwa penerapan penyeimbangan data melalui augmentasi mampu meningkatkan kinerja YOLOv8-seg secara konsisten. Model yang dilatih menggunakan dataset seimbang menghasilkan performa yang lebih baik dibandingkan dengan skenario dataset asli serta menunjukkan keunggulan dibandingkan metode Mask R-CNN. Temuan ini menunjukkan bahwa kombinasi YOLOv8-seg dengan strategi penyeimbangan data melalui augmentasi merupakan pendekatan yang efektif dalam meningkatkan akurasi segmentasi objek sampah pada citra serta berpotensi mendukung pengembangan sistem pemetaan dan pengelolaan sampah yang lebih andal.