Peningkatan volume sampah elektronik (e-waste) di Indonesia menimbulkan risiko lingkungan serius akibat pengelolaan yang belum optimal dan kesadaran publik yang rendah. Untuk mengatasi masalah ini, dirancang sebuah sistem bank sampah elektronik terintegrasi berbasis aplikasi mobile dan web yang bertujuan memfasilitasi proses pengelolaan e-waste secara efisien, transparan, dan mudah diakses.
Inti sistem ini adalah penerapan deep learning untuk automasi identifikasi dan penilaian e-waste melalui aplikasi mobile. Sistem menggunakan model deteksi objek YOLO11 yang dilatih pada 38 kategori e-waste dan diperkuat dengan Gemini AI LLM untuk validasi serta edukasi penanganan sampah. Pengujian ekstensif menunjukkan model deteksi objek ini mencapai performa optimal dengan mAP@50-95 sebesar 0.849 pada konfigurasi terbaik. Setelah deteksi, sebuah model regresi memberikan estimasi harga, meskipun kinerjanya terbatas (R-squared 0.48) akibat dataset yang hanya memiliki satu atribut, yaitu nama barang.
Sebagai kesimpulan, proyek ini berhasil mengembangkan sistem bank sampah elektronik fungsional yang menjadikan model deteksi objek YOLO11 sebagai landasan identifikasi e-waste yang efektif dan akurat. Walaupun model regresi harga masih terbatas, sistem ini telah dilengkapi fitur pembuatan dataset pada dashboard admin sebagai solusi fundamental untuk peningkatan model di masa depan. Secara keseluruhan, sistem ini menunjukkan potensi besar sebagai solusi nyata dan dapat diskalakan untuk membantu mengatasi permasalahan e-waste di Indonesia.