Pencemaran sungai akibat keberadaan sampah mengapung dan pertumbuhan

tanaman air menjadi salah satu permasalahan lingkungan yang perlu mendapat

perhatian serius. Kondisi sungai yang keruh serta kompleksitas visual lingkungan

menyebabkan proses identifikasi objek menjadi lebih sulit jika dilakukan secara

manual. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model

deteksi objek berbasis YOLOv8 dalam mendeteksi sampah mengapung dan

tanaman sungai, serta menganalisis pengaruh penggunaan fungsi aktivasi terhadap

performa model. Penelitian ini menggunakan empat variasi fungsi aktivasi, yaitu

SiLU, ReLU, LeakyReLU, dan HardSwish. Dataset yang digunakan merupakan

dataset lokal yang dikumpulkan langsung dari lingkungan sungai keruh, dengan

proses anotasi dilakukan secara manual menggunakan bounding box. Hasil

penelitian menunjukkan bahwa model YOLOv8 mampu melakukan deteksi objek

dengan baik pada kondisi lingkungan yang kompleks, dengan nilai mAP@0.5 di

atas 0.65 pada seluruh variasi fungsi aktivasi. Aktivasi HardSwish menghasilkan

nilai mAP@0.5 tertinggi sebesar 0.6793, sedangkan ReLU menghasilkan nilai

precision tertinggi sebesar 0.6728 dan mAP@0.5:0.95 tertinggi sebesar 0.3027.

Aktivasi LeakyReLU menunjukkan nilai recall tertinggi sebesar 0.6756. Perbedaan

performa antar fungsi aktivasi tidak terlalu signifikan, namun menunjukkan adanya

karakteristik masing-masing dalam menyeimbangkan nilai precision dan recall.

Selain itu, hasil penelitian juga dipengaruhi oleh karakteristik dataset lokal yang

memiliki kompleksitas visual tinggi serta proses anotasi manual yang dapat

memengaruhi kualitas data.