Deteksi Aktivitas Buang Sampah Pada Video CCTV Menggunakan MoViNet-A0 Dengan Deteksi Manusia Berbasis YOLOv11

Raden Ayu Citra Dewi; R. D. Kusumanto; Nyayu Latifah Husni

doi:10.23960/jitet.v14i3.10628

Raden Ayu Citra Dewi
Politeknik Negeri Sriwijaya
R. D. Kusumanto
Nyayu Latifah Husni

DOI: https://doi.org/10.23960/jitet.v14i3.10628

Keywords Deteksi Aktivitas Buang Sampah, MoViNet-A0, YOLOv11, Deep Learning, Video CCTV

Abstract Views (Last 12 Months)

5 Abstract Views

3 Downloads

Abstract

Pembuangan sampah sembarangan di badan air perkotaan seperti Sungai Sekanak, Palembang, masih sulit diawasi secara manual melalui rekaman CCTV konvensional. Penelitian ini mengusulkan sistem deteksi aktivitas membuang sampah yang menggabungkan YOLOv11 sebagai detektor manusia untuk mengekstraksi Region of Interest (ROI) dan MoViNet-A0 sebagai model pengenalan aksi video untuk mengklasifikasikan aktivitas menjadi Buang Sampah dan Normal. Dataset penelitian terdiri dari 1.413 klip video CCTV (548 Buang Sampah dan 865 Normal) yang direkam pada siang hari di kawasan Sungai Sekanak dan dibagi dengan rasio 70:15:15 untuk training, validation, dan testing. Hasil pengujian pada data uji menunjukkan model mencapai accuracy sebesar 92,92%, dengan precision 92,41%, recall 89,02%, dan F1-score 90,68% pada kelas Buang Sampah, serta precision 93,23%, recall 95,38%, dan F1-score 94,30% pada kelas Normal. Pengujian real-time langsung menggunakan kamera CCTV pada 10 sampel aktivitas menghasilkan akurasi 70%, lebih rendah dibandingkan akurasi pelatihan, dengan kesalahan klasifikasi yang umumnya terjadi pada objek berjarak jauh dari kamera dan tertutup sebagian oleh vegetasi. Hasil ini menunjukkan bahwa kombinasi YOLOv11 dan MoViNet-A0 mampu mendeteksi aktivitas membuang sampah dengan akurasi tinggi pada data terkurasi, namun memerlukan penyempurnaan lebih lanjut agar lebih andal pada kondisi pengawasan nyata yang lebih bervariasi.

Downloads

Download data is not yet available.

References

E. Alharbi, G. Alsulami, S. Aljohani, W. Alharbi, and S. Albaradei, “Real-time detection and monitoring of public littering behavior using deep learning for a sustainable environment,” Sci. Rep., vol. 15, no. 3000, pp. 1–11, 2025, doi: 10.1038/s41598-024-77118-x 1.

N. L. Husni et al., “Pose Detection and Recurrent Neural Networks for Monitoring Littering Violations,” Eng, vol. 4, no. 4, pp. 2722–2740, 2023, doi: 10.3390/eng4040155.

Tarique Hussain, Zulfiqar Ali Memon, Rizwan Qureshi, and Tanvir Alam, “EMO-MoviNet : Enhancing Action Recognition in Videos with EvoNorm, Mish Activation, and Optimal Frame Selection for Efficient Mobile Deployment,” Sensors, vol. 23, no. 19, p. 8106, 2023, doi: 10.3390/s23198106.

S. Liu, R. Chen, M. Ye, J. Luo, D. Yang, and M. Dai, “EcoDetect-YOLO: A Lightweight, High-Generalization Methodology for Real-Time Detection of Domestic Waste Exposure in Intricate Environmental Landscapes,” Sensors, vol. 24, no. 14, p. 4666, 2024, doi: 10.3390/s24144666.

R. Harada, T. Oyama, K. Fujimoto, and T. Shimizu, “Trash Detection Algorithm Suitable for Mobile Robots Using Improved YOLO,” J. Adv. Comput. Intell. Intell. Informatics, vol. 27, no. 4, pp. 622–631, 2023, doi: 10.20965/jaciii.2023.p0622.

Y. Z. Ulloa-torrealba, A. Schmitt, M. Wurm, A. Schmitt, and M. Wurm, “Litter on the streets - solid waste detection using VHR images,” Eur. J. Remote Sens., vol. 56, no. 1, p. 2176006, 2023, doi: 10.1080/22797254.2023.2176006.

U. Nurul, J. Paiton, U. N. Jadid, R. E. Pawening, and U. N. Jadid, “Pembuang Sampah Menggunakan Metode You Only Look Once ( YOLO ),” TRILOGI J. Ilmu Teknol. Kesehatan, dan Hum., vol. 4, no. 2, pp. 98–105, 2023, doi: 10.33650/trilogi.v4i2.6676.

T. Gelar, S. Fitriani, and S. Rachmat, “A Systematic Literature Review of YOLO and IoT Applications in Smart Waste Management,” Green Intell. Syst. Appl., vol. 5, no. 2, pp. 123–139, 2025, doi: 10.53623/gisa.v5i2.706.

M. L. Ali and Z. Zhang, “The YOLO Framework : A Comprehensive Review of Evolution , Applications , and Benchmarks in Object Detection,” Computers, vol. 13, no. 12, p. 336, 2024, doi: 10.3390/computers13120336.

R. Sapkota, M. F. Rizwan, and Q. Chetan, “YOLO advances to its genesis : a decadal and comprehensive review of the You Only Look Once ( YOLO ) series,” Artif. Intell. Rev., vol. 58, no. 274, pp. 1–83, 2025, doi: 10.1007/s10462-025-11253-3.

F. Aldi, I. Nozomi, and S. Rahmawati, “Real-Time Human Detection and Counting System Based on YOLOv11 for Smart Campus Environment,” J. Electr. Technol. UMY, vol. 9, no. 2, pp. 64–73, 2025, doi: 10.18196/jet.v9i2.29281.

N. I. Nayeem, S. Mahbuba, S. I. Disha, R. H. Buiyan, S. Rahman, and J. Uddin, “A YOLOv11-Based Deep Learning Framework for Multi-Class Human Action Recognition,” Comput. Mater. Contin., vol. 85, no. 1, pp. 1541–1557, 2025, doi: 10.32604/cmc.2025.065061.

T. Sultana, A. Alam, and Y. Lee, “Human Action Recognition: A Taxonomy-Based Survey, Updates, and Opportunities,” Sensors, vol. 23, no. 4, pp. 1–40, 2023, doi: 10.3390/s23042182.

M. Kulbacki et al., “Intelligent Video Analytics for Human Action Recognition : The State of Knowledge,” Sensors, vol. 23, no. 9, pp. 1–31, 2023, doi: 10.3390/s23094258.

D. Kondratyuk et al., “MoViNets: Mobile Video Networks for Efficient Video Recognition,” Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., pp. 16020–16030, 2021.

O. Rainio, J. Teuho, and R. Klén, “Evaluation metrics and statistical tests for machine learning,” Sci. Rep., vol. 14, p. 6086, 2024, doi: 10.1038/s41598-024-56706-x.

G. M. Foody, “Challenges in the real world use of classification accuracy metrics : From recall and precision to the Matthews correlation coefficient,” PLoS One, vol. 18, no. 10, p. e0291908, 2023, doi: 10.1371/journal.pone.0291908.

M. M. Taye, “Theoretical Understanding of Convolutional Neural Network : Concepts, Architectures, Applications, Future Directions,” Computation, vol. 11, no. 3, pp. 1–23, 2023, doi: 10.3390/computation11030052.