Pemilahan sampah manual untuk material daur ulang bernilai tinggi seperti botol plastik (PET), gelas plastik (PP), dan kaleng aluminium seringkali tidak efisien dan lambat. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi sebuah sistem deteksi objek real-time untuk mengatasi masalah tersebut. Metode yang digunakan adalah algoritma You Only Look Once versi 8s (YOLOv8s) dengan input dari webcam. Proses penelitian dimulai dengan membangun dataset dari gambar publik yang kemudian diperkaya secara signifikan melalui teknik augmentasi data untuk meningkatkan ketangguhan model. Pelatihan model dilakukan di lingkungan Google Colab. Hasil pengujian menunjukkan bahwa model yang dikembangkan mampu mencapai kinerja akurasi yang sangat baik, dengan nilai mean Average Precision ([email protected]) sebesar 84.8%. Selain itu, sistem ini mampu beroperasi dengan kecepatan inferensi rata-rata di atas 80 FPS, yang membuktikan kelayakannya untuk aplikasi real time. Penelitian ini menyimpulkan bahwa YOLOv8s menawarkan keseimbangan yang optimal antara akurasi dan kecepatan, menjadikannya teknologi inti yang sangat potensial untuk sistem pemilahan sampah otomatis.

Manual waste sorting for high-value recyclable materials such as PET plastic bottles, PP plastic cups, and aluminum cans is often inefficient and slow. This research aims to design, implement, and evaluate a real-time object detection system to address this issue. The method utilizes the You Only Look Once version 8s (YOLOv8s) algorithm with input from a webcam. The research process began with building a dataset from public images, which was then significantly enriched through data augmentation techniques to improve model robustness. Model training was conducted in the Google Colab environment. The test results show that the developed model achieved excellent accuracy performance, with a mean Average Precision ([email protected]) value of 84.8%. Furthermore, the system is capable of operating at an average inference speed of over 80 FPS, proving its feasibility for real-time applications. This study concludes that YOLOv8s offers an optimal trade off between accuracy and speed, making it a highly potential core technology for automated waste sorting systems.