Novrian, Muhammad Asfarel Rizki (2024) DETEKSI PENGGGUNAKAN HELM SAFETY PROYEK PADA AREA TAMBANG MENGGUNAKAN YOLOv8. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (816kB) |
|
Text (BAB I)
BAB I.pdf Download (171kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (404kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (253kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (795kB) |
|
Text (BAB V)
BAB V.pdf Download (80kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (126kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 20.11.3719.zip Restricted to Repository staff only Download (4MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (709kB) |
Abstract
Peningkatan keselamatan kerja pada area tambang merupakan salah satu prioritas utama dalam industri pertambangan. Penggunaan helm safety oleh pekerja adalah salah satu langkah preventif yang esensial untuk melindungi mereka dari cedera kepala. Namun tetapi, pengawasan manual terhadap penggunaan helm safety seringkali tidak efektif dan memerlukan tenaga yang besar. Untuk mengatasi masalah ini, penelitian ini mengembangkan sistem deteksi otomatis helm safety menggunakan algoritma YOLOv8 (You Only Look Once versi 8). YOLOv8 adalah model deep learning yang terkenal dengan kemampuannya untuk melakukan deteksi objek secara real-time dengan akurasi tinggi. Penelitian ini melibatkan pengumpulan dan pelabelan dataset gambar pekerja tambang yang menggunakan dan tidak menggunakan helm safety. Dataset ini kemudian digunakan untuk melatih model YOLOv8. Hasil uji coba menunjukkan bahwa sistem ini mampu mendeteksi helm safety dengan tingkat akurasi yang tinggi dan waktu pemrosesan yang cepat. Implementasi sistem ini diharapkan dapat membantu meningkatkan pengawasan keselamatan di area tambang dan mengurangi risiko kecelakaan kerja. Deteksi penggunakan helm safety menggunakan YOLOv8, model pembelajaran mendalam yang terbukti memiliki kecepatan dan akurasi tinggi dalam mendeteksi objek, untuk mengidentifikasi dan mengklasifikasikan warna helm safety. Pada deteksi vidio helm safety area tambang, system mencapai mAP 99,0%, precision 96,6%, recall 99,7%, dan accuracy 97,08%. Untuk pada deteksi video helm safety area proyekan, system mencapai mAP 93,9%, precision 82,5%, recall 89,8%, dan accuracy 84,21%. Dan pada deteksi foto helm safety system mencapai mAP 95,8%%, precision 88,2%, recall 94,5%, dan accuracy 55,8%.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Deteksi Helm Safety, YOLOv8, Keselamatan Kerja, Deep Learning, Pertambangan, Real-time Object Detection | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus |
||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 10 Apr 2025 03:23 | ||
| Last Modified: | 10 Apr 2025 03:23 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/29231 |
Actions (login required)
 |
View Item |