Pengelolaan sampah yang efektif memerlukan proses deteksi yang cepat serta akurat. Penelitian ini mengimplementasikan algoritma YOLOv8 untuk mendeteksi sampah ke dalam tiga kategori utama: organik, anorganik, dan B3, menggunakan data citra. Dataset diperoleh dari Roboflow, Kaggle dan citra hasil pemotretan langsung, kemudian dilakukan pelatihan dan evaluasi model. Hasil pengujian menunjukkan bahwa model mampu memberikan performa deteksi yang tinggi, dengan nilai mAP, Precision, Recall, dan F1-Score yang memuaskan. Model juga diuji menggunakan citra uji lapangan, menghasilkan deteksi yang cukup konsisten meskipun terdapat beberapa kondisi di mana objek tidak terdeteksi dengan sempurna. Hasil penelitian ini membuktikan bahwa YOLOv8 memiliki potensi besar untuk mendukung sistem pemilahan sampah otomatis yang efisien dan berkelanjutan.

Effective waste management requires a fast and accurate detection process. This research implements the YOLOv8 algorithm to detect waste into three main categories: organic, inorganic, and B3, using image data. The dataset was obtained from Roboflow, Kaggle, and direct photography, followed by model training and evaluation. The test results show that the model is able to provide high detection performance, with satisfactory mAP, Precision, Recall, and F1-Score values. The model was also tested using field test images, yielding fairly consistent detection, although there were some conditions where objects were not perfectly detected. The results of this study prove that YOLOv8 has great potential to support an efficient and sustainable automatic waste sorting system.