Permasalahan sampah merupakan isu global yang terus berkembang seiring meningkatnya jumlah penduduk dan konsumsi masyarakat. Penyebab lainnya adalah pemilahan sampah yang tidak efektif. pemilahan yang masih dilakukan secara manual menimbulkan tantangan dalam pengelolaan yang efisien. Sampah terbagi menjadi tiga jenis utama, yaitu organik, anorganik, dan B3 (Bahan Berbahaya dan Beracun). Proses pemilahan sampah di Waste to Energy Center ITPLN masih dilakukan secara manual, sehingga diperlukan sistem otomatisasi untuk meningkatkan efisiensi dan mengurangi risiko kesehatan. Penelitian ini menggunakan metode berbasis YOLOv5 dalam mendeteksi jenis sampah. Tahapan pada penelitian ini yaitu pengumpulan dataset, filtering data, augmentasi data, anotasi data, resize data, dan split data . Pada tahap evaluasi model pengukuran performa menggunakan metrik evaluasi, yaitu precision, recall, mAP (mean Average Precision), dan F1-Score guna mengukur performa model dalam mengenali objek yang dilatih. Hasil evaluasi disajikan dalam bentuk confusion matrix untuk menggambarkan antara hasil prediksi model dan nilai aktual. Hasil dari penelitian ini menghasilkan nilai precision (99.01%), recall (93.25%), mAP50 (98%), mAP50-95 (87%) dan F1-Score (95.73%) dan confusion matrix (92.4%). Model memiliki kinerja yang stabil dan konsisten di berbagai subset data. Ini mengindikasikan bahwa model tidak overfitting

Waste management is a global challenge that continues to intensify in line with population growth and increasing consumption. One of the main obstacles lies in the inefficiency of manual waste sorting, which not only reduces operational effectiveness but also poses health risks. Waste is generally classified into three categories: organic, inorganic, and hazardous and toxic materials (B3). At the Waste to Energy Center ITPLN, the sorting process is still conducted manually, underscoring the need for an automated detection system. This study proposes the application of the YOLOv5 algorithm for automatic waste classification. The research methodology comprises dataset collection, data filtering, augmentation, annotation, resizing, and splitting. Model performance was evaluated using precision, recall, mean Average Precision (mAP), and F1-Score, with results further illustrated through a confusion matrix. The experimental findings demonstrate that the model achieved high performance, with a precision of 99.01%, recall of 93.25%, mAP50 of 98%, mAP50-95 of 87%, F1-Score of 95.73%, and confusion matrix accuracy of 92.4%. These results indicate that the YOLOv5-based model is stable, consistent, and does not exhibit overfitting, thereby showing strong potential for supporting automated waste management systems.