PERBANDINGAN KINERJA YOLOV11 DAN EFFICIENTDET DALAM PENGENALAN KATEGORI SAMPAH BERBASIS CITRA

Pengelolaan sampah membutuhkan proses pemilahan yang efektif. Penerapan deep learning dan computer vision dapat membantu mengenali kategori sampah secara otomatis. Penelitian ini bertujuan membandingkan kinerja YOLOv11-s dan EfficientDet-D1 berdasarkan akurasi, kecepatan, efisiensi, ketahanan terhadap gangguan citra, dan perbedaan waktu inferensi.Dataset yang digunakan adalah Garbage Classification v2 yang terdiri dari 12.259 citra RGB dan 10 kategori sampah. Dataset diadaptasi menggunakan full-image bounding box karena tidak memiliki anotasi bounding box, kemudian dibagi menjadi 70% data latih, 20% validasi, dan 10% data uji. Kedua model dilatih pada resolusi 640 × 640 piksel dan dievaluasi menggunakan metrik akurasi, kecepatan, efisiensi, robustness, serta paired t-test.Hasil menunjukkan EfficientDet-D1 lebih unggul dalam akurasi dengan mAP50–95 sebesar 0,9598 dan accuracy 91,7%, sedangkan YOLOv11-s memperoleh mAP50–95 sebesar 0,9390 dan accuracy 87,6%. YOLOv11-s sebesar 0,7138. Hasil paired t-test menunjukkan perbedaan waktu inferensi yang signifikan dengan p-value 4,28 × 10⁻⁷⁸.Berdasarkan hasil tersebut, EfficientDet-D1 unggul dalam akurasi dan robustness, sedangkan YOLOv11-s unggul dalam kecepatan dan ukuran model sehingga lebih sesuai untuk penerapan real-time. Penggunaan full-image bounding box menjadi keterbatasan karena mAP lebih merepresentasikan pengenalan kategori daripada pelokalan objek secara nyata.