Penelitian ini bertujuan untuk mengembangkan sistem deteksi kepadatan kabel pada tiang listrik menggunakan algoritma YOLO (You Only Look Once) versi 8. Masalah kabel semrawut yang menggantung pada tiang listrik dapat menimbulkan risiko keselamatan dan gangguan infrastruktur. Dengan memanfaatkan teknologi deteksi objek berbasis deep learning, sistem ini mampu mengidentifikasi dan mengklasifikasikan tingkat kepadatan kabel ke dalam tiga kategori: Normal, Sedikit Padat, dan Padat. Dataset yang digunakan terdiri dari 1.126 citra tiang listrik yang telah dianotasi menggunakan Roboflow dan dilatih melalui platform Google Colab. Model dilatih selama 100 epoch dengan konfigurasi gambar berukuran 640×640 piksel dan batch size 8 Hasil evaluasi menunjukkan bahwa model memiliki nilai mean Average Precision sebesar 86% dan F1 score rata-rata sebesar 0,80 pada tingkat confidence 0,393. Kategori Padat dan Sedikit Padat menunjukkan akurasi deteksi yang tinggi, sementara kategori Normal masih memerlukan peningkatan. Visualisasi hasil deteksi menunjukkan bahwa sistem mampu mengenali objek kabel secara real-time dengan tingkat kepercayaan yang baik. Berdasarkan hasil penelitian, disarankan agar menambah jumlah dataset pada tingkat kategori normal, dan melakukan pengujian lebih lanjut dalam kondisi nyata.

This study aims to develop a cable density detection system on utility poles using the You Only Look Once (YOLO) version 8 algorithm. Disorganized cables hanging on poles pose safety risks and can disrupt infrastructure. By leveraging deep learning-based object detection technology, the system is capable of identifying and classifying cable density into three categories: Normal, Moderately Dense, and Dense. The dataset used consists of 1,126 annotated images of utility poles, processed using Roboflow and trained on the Google Colab platform. The model was trained over 100 epochs with image dimensions of 640×640 pixels and a batch size of 8. Evaluation results show that the model achieved a mean Average Precision of 86% and an average F1-score of 0.80 at a confidence level of 0.393. The Dense and Moderately Dense categories demonstrated high detection accuracy, while the Normal category still requires improvement. Detection visualizations confirm the system’s ability to recognize cable objects in real-time with reliable confidence scores. Based on the findings, it is recommended to increase the dataset size for the Normal category and conduct further testing under real-world conditions to enhance model performance and reliability.