SISTEM MONITORING DAN KENDALI AKSI BUANG SAMPAH SEMBARANGAN MENGGUNAKAN KAMERA BERBASIS 3D CNN DENGAN ARSITEKTUR R(2+1)D

Agustrian Rahmatullah

doi:10.23960/jitet.v14i3.10221

Agustrian Rahmatullah
Department of Electrical Engineering, Sriwijaya State Polytechnic, Jl. Srijaya Negara, Bukit Besar, Palembang, South Sumatra 30139

DOI: https://doi.org/10.23960/jitet.v14i3.10221

Keywords Deteksi Aktivitas Membuang Sampah, Cctv, Monitoring Real-Time,Yolov8, R(2 1)D,

Abstract Views (Last 12 Months)

6 Abstract Views

8 Downloads

Abstract

Pertumbuhan populasi yang cepat di kota-kota berkembang Indonesia menyebabkan volume sampah terus meningkat, dengan Kota Palembang menghasilkan sekitar 1.300 ton sampah per hari. Rendahnya kesadaran masyarakat menyebabkan perilaku membuang sampah sembarangan masih sering ditemukan di ruang publik, berdampak pada pencemaran lingkungan dan kerusakan infrastruktur. Metode pengawasan manual terbukti kurang efektif akibat keterbatasan jangkauan dan ketidakmampuan beroperasi secara terus-menerus. Penelitian ini mengusulkan sistem deteksi aktivitas membuang sampah sembarangan berbasis CCTV dengan mengintegrasikan model YOLOv8 sebagai pendeteksi manusia dan model R(2+1)D sebagai pengenal aktivitas dalam satu pipeline monitoring terintegrasi. YOLOv8 mendeteksi keberadaan manusia pada setiap frame video dan menghasilkan bounding box sebagai masukan spasial bagi model R(2+1)D untuk mengklasifikasikan aktivitas ke dalam dua kategori, yaitu normal dan membuang sampah. Sistem juga dilengkapi fitur peringatan kedekatan objek terhadap kamera yang mengaktifkan alarm secara otomatis ketika rasio bounding box mencapai atau melebihi 60% dari luas frame. Evaluasi menggunakan confusion matrix pada 15 data uji menghasilkan precision sebesar 81,82%, recall sebesar 90%, dan accuracy sebesar 80%. Hasil ini menunjukkan bahwa integrasi YOLOv8 dan R(2+1)D mampu mendeteksi aktivitas membuang sampah secara otomatis dan real-time guna mendukung pengawasan lingkungan yang lebih efektif di kawasan perkotaan.

Downloads

Download data is not yet available.

References

Nadiya, “Palembang Hasilkan 1.300 Ton Sampah/Hari, PLTSA Ditarget Oktober Beroperasi.,” detikSumbagsel. [Online]. Available: https://www.detik.com/sumbagsel/berita/d-8385826/palembang-hasilkan-1-300-ton-sampah-hari-pltsa-ditarget-oktober-beroperasi

M. Deshpande, “ENERGY-EFFICIENT CCTV CAMERA SYSTEM FOR REAL- TIME HUMAN DETECTION USING YOLOV8 MODEL,” no. Ml, pp. 47–59, 2024, doi: 10.15587/1729-4061.2024.310401.

D. S. Mahardhika and M. A. I. Pakereng, “Deteksi Objek Secara Real-Time Berbasis YOLOv8 dan Algoritma DeepSORT,” vol. 5, no. 1, pp. 671–686, 2026.

I. Pratama and A. Muliantara, “Deteksi Objek pada Citra Menggunakan Model YOLO,” vol. 2, pp. 469–474, 2024.

N. Combining, C. Block, A. Module, and U. M. Frames, “Anomaly Detection Based on a 3D Convolutional Neural Network Combining Convolutional Block Attention Module Using Merged Frames,” 2023.

D. Tran, L. Bourdev, R. Fergus, L. Torresani, and M. Paluri, “Learning Spatiotemporal Features with 3D Convolutional Networks”.

S. Ji and K. Yu, “3D Convolutional Neural Networks for Human Action Recognition,” 2012, doi: 10.1109/TPAMI.2012.59.

D. Tran, H. Wang, L. Torresani, J. Ray, Y. Lecun, and M. Paluri, “A Closer Look at Spatiotemporal Convolutions for Action Recognition,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 6450–6459, 2018, doi: 10.1109/CVPR.2018.00675.

F. O. R. R. Eal, T. V Ision, C. V Jul, C. Science, and H. Hd, “yOLOV5, YOLOV8 AND YOLOV10: THE GO-TO DETECTORS FOR REAL-TIME VISION,” pp. 1–12, 2024.

A. Peryanto et al., “Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network,” vol. 8, pp. 138–147, 2019.

A. Ferrari, D. Micucci, M. Mobilio, and P. Napoletano, “Trends in human activity recognition using smartphones,” J. Reliab. Intell. Environ., vol. 7, no. 3, pp. 189–213, 2021, doi: 10.1007/s40860-021-00147-0.

Rina, “Memahami Confusion Matrix: Accuracy, Precision, Recall, Specificity, dan F1-Score untuk Evaluasi Model Klasifikasi,” medium. [Online]. Available: https://esairina.medium.com/memahami-confusion-matrix-accuracy-precision-recall-specificity-dan-f1-score-610d4f0db7cf

C. Rozikin, U. S. Karawang, and J. Barat, “ANALISIS SENTIMEN ULASAN PENGGUNA PADA GAME THEOTOWN MENGGUNAKAN SUPPORT VECTOR MACHINE,” vol. 14, no. 2.

J. Solawetz and Francesco, “Apa itu YOLOv8? Panduan Lengkap,” Roboflow. Accessed: Dec. 05, 2025. [Online]. Available: https://blog.roboflow.com/what-is-yolov8/#:~:text=YOLOv8 adalah model YOLO tercanggih terbaru yang,peningkatan arsitektur serta pengalaman pengembang dibandingkan YOLOv5.

E. E. Idohen, A. M. Olatunde, and U. A. Umar, “Object distance estimation using a monovision camera,” IAES Int. J. Robot. Autom., vol. 12, no. 4, pp. 325–331, 2023, doi: 10.11591/ijra.v12i4.pp325-331.