Evaluasi Robustness Model YOLO Lintas Generasi untuk Klasifikasi Kode Resin Plastik pada Berbagai Tingkat Deformasi Fisik dan Ketidakseimbangan Kelas

Abstract

Klasifikasi kode resin plastik berbasis visi komputer merupakan komponen penting dalam otomatisasi proses pemilahan sampah untuk meningkatkan efisiensi daur ulang. Namun, sebagian besar penelitian sebelumnya hanya berfokus pada akurasi keseluruhan pada kondisi ideal dan belum mengevaluasi ketahanan model terhadap deformasi fisik objek serta ketidakseimbangan kelas yang umum ditemukan pada lingkungan daur ulang nyata. Penelitian ini menganalisis robustness tiga generasi model YOLO, yaitu YOLOv8n, YOLOv11n, dan YOLOv12n, menggunakan dataset WaDaBa yang memiliki metadata tingkat deformasi fisik. Evaluasi dilakukan secara multidimensi dengan mengukur akurasi Top-1, Macro-F1, recall per kelas, latensi inferensi, efisiensi Pareto, serta kinerja pada berbagai tingkat deformasi. Hasil eksperimen menunjukkan bahwa YOLOv8n memberikan performa terbaik dengan akurasi 85,42%, Macro-F1 0,8243, dan latensi inferensi 5,02 ms per citra (199,2 FPS), sehingga menjadi satu-satunya model yang berada pada frontier Pareto akurasi–latensi. Analisis deformasi menunjukkan bahwa seluruh model mengalami penurunan kinerja pada kondisi deformasi berat, namun YOLOv8n tetap mempertahankan akurasi tertinggi sebesar 76,61%. Selain itu, kelas PP menjadi kategori yang paling sulit diklasifikasikan oleh seluruh model. Temuan ini menunjukkan bahwa generasi YOLO yang lebih baru tidak selalu menghasilkan performa yang lebih baik serta menegaskan pentingnya evaluasi robustness di luar metrik akurasi konvensional.