Penelitian ini bertujuan untuk mengimplementasikan YOLO untuk klasifikasi sampah pada prototipe robot pembersih sungai secara real-time, serta mengevaluasi ketepatan model dan kinerja sistem yang dikembangkan. Metode penelitian meliputi pengumpulan data primer secara mandiri, kurasi dataset, anotasi dua kelas, yaitu sampah dan bukan sampah, pembagian data dengan rasio 80:10:10, pelatihan dan pengujian model YOLOv5n dan YOLOv8n, serta pengujian sistem pada Raspberry Pi 4 Model B dan arsitektur client-server berbasis TCP dalam lingkungan kolam terkontrol. Dataset awal berjumlah 400 citra, kemudian diperoleh 350 citra layak, terdiri atas 270 citra berobjek dan 80 citra background-only, dengan total 444 anotasi. Hasil penelitian menunjukkan bahwa YOLOv8n menjadi model terbaik dengan nilai precision 0,984, recall 1,000, [email protected] 0,995, dan [email protected]:0.95 0,856 pada data uji. Inferensi langsung pada Raspberry Pi hanya menghasilkan 0,66 FPS, sedangkan skenario client-server mencapai 26,16 FPS. Pada pengujian real-time, sistem mencatat FPS rata-rata 29,43 dan inference latency rata-rata 12,57 ms. Kebaruan penelitian ini terletak pada penerapan klasifikasi sampah berbasis YOLO yang diintegrasikan ke dalam sistem persepsi pada prototipe robot pembersih sungai, serta menunjukkan bahwa pemindahan inferensi dari perangkat edge ke server GPU lebih layak untuk mendukung deteksi real-time dibandingkan inferensi lokal pada Raspberry Pi.