// <![CDATA[DETEKSI DAN PEMETAAN SAMPAH DI PERMUKAAN SUNGAI MENGGUNAKAN ALGORITMA YOLOV5 BERBASIS CITRA UAV (Studi Kasus:]]> 0407096502 - Dr. Dewi Kania Sari, Ir., M.T. Dosen Pembimbing 1 MUHAMMAD DIMAS SANTOSO PUTRA / 232022067 Penulis
Sungai Cikapundung merupakan salah satu sungai utama di Kota Bandung yang mengalami tekanan pencemaran akibat akumulasi sampah rumah tangga dan aktivitas permukiman di sekitarnya. Penelitian ini bertujuan untuk melakukan deteksi dan pemetaan sebaran sampah di sepanjang aliran Sungai Cikapundung menggunakan citra udara dari drone DJI Mavic 3E serta metode computer vision berbasis YOLOv5. Akuisisi citra dilakukan melalui pemetaan udara menggunakan skema jalur terbang paralel mengikuti morfologi sungai, kemudian citra diproses menjadi orthomosaic dan dilakukan pelabelan data untuk pelatihan model deteksi. Model YOLOv5 dilatih pada dua kelas objek target yaitu Sampah Plastik dan Tumpukan Sampah, dengan evaluasi kinerja menggunakan metrik Precision, Recall, F1-Score, dan mean Average Precision (mAP). Hasil pengujian menunjukkan bahwa model mampu mendeteksi objek dengan F1-Score rata-rata sebesar 0.784, mAP@0.5 sebesar 0.0758. Visualisasi hasil deteksi ditransformasikan ke sistem koordinat UTM dan divisualisasikan ke dalam peta GIS untuk mempermudah analisis spasial dan pengambilan keputusan. Temuan ini menunjukkan bahwa pendekatan UAV dan deep learning dapat digunakan secara efektif untuk mendukung pemantauan kualitas lingkungan sungai secara spasial dan otomatis. Integrasi teknologi ini berpotensi menjadi alternatif pemantauan yang efisien, terutama untuk wilayah perkotaan yang padat dan sulit dijangkau secara langsung. The Cikapundung River is one of the main rivers in Bandung City and is under increasing pollution pressure due to household waste accumulation and dense residential activities along its banks. This study aims to detect and map the spatial distribution of waste along the Cikapundung River using aerial imagery captured by the DJI Mavic 3E drone and computer vision techniques based on the YOLOv5 algorithm. Image acquisition was carried out through aerial mapping using a parallel flight path following the river’s morphology. The collected images were processed into orthomosaics and manually labeled for model training. The YOLOv5 model was trained on two target object classes, namely Plastic Waste and Waste Pile, with performance evaluated using Precision, Recall, F1-Score, and mean Average Precision (mAP). Testing results showed that the model achieved an average F1-Score of 0.784 and mAP@0.5 of 0.0758. The detection results were transformed into UTM coordinate system and visualized on GIS maps to support spatial analysis and decision-making processes. These findings demonstrate that the integration of UAV and deep learning approaches can be effectively utilized for automated and spatially-aware monitoring of riverine environmental quality. This technology offers an efficient alternative for monitoring, especially in densely populated urban areas that are difficult to access manually.