IMPLEMENTASI MODEL YOLO11n BERBASIS TRANSFER LEARNING UNTUK DETEKSI SAMPAH DAUR ULANG

Pengelolaan limbah daur ulang di Indonesia sering terkendala oleh kurangnya efisiensi pemilahan manual dan kesadaran masyarakat. Penelitian ini bertujuan mengimplementasikan model YOLO11n berbasis transfer learning untuk mendeteksi enam jenis sampah daur ulang serta menganalisis pengaruh strategi layer freezing terhadap akurasi dan efisiensi model. Metode eksperimental digunakan dengan memanfaatkan Recycle Trash Dataset sebanyak 2.462 citra yang dibagi ke dalam tiga skenario pelatihan: Full Transfer Learning, Partial Backbone Freezing (5 layer), dan Full Backbone Freezing (10 layer). Hasil penelitian menunjukkan bahwa strategi Partial Backbone Freezing memberikan performa terbaik dengan nilai mAP50 sebesar 0.840 dan Precision 0.823, yang terbukti signifikan secara statistik ( ). Model menunjukkan kinerja paling unggul pada kelas Metal (mAP50 0.970), namun mengalami kesulitan pada kelas Organic (Recall 0.496) akibat variasi bentuk yang tinggi serta kelas Plastic akibat transparansi material. Pengujian pada Raspberry Pi 5 menunjukkan waktu inferensi rata-rata 261 ms dengan ukuran model 5.9 MB. Kesimpulannya, teknik Partial Backbone Freezing pada YOLO11n terbukti paling efektif dalam menyeimbangkan ekstraksi fitur generik dan adaptasi semantik, serta layak diimplementasikan pada perangkat edge dengan sumber daya terbatas.