Allen Lius, Katherine (2024) Implementasi Algoritma YOLOv8 untuk Mendeteksi Alat Pelindung Diri (APD) pada Pekerja Konstruksi di Unit K3L UMN. Bachelor Thesis, Universitas Multimedia Nusantara.
![]() |
PDF
HALAMAN_AWAL.pdf Download (1MB) |
![]() |
PDF
BAB_I.pdf Download (817kB) |
![]() |
PDF
BAB_II.pdf Download (1MB) |
![]() |
PDF
BAB_III.pdf Download (962kB) |
![]() |
PDF
BAB_IV.pdf Restricted to Registered users only Download (5MB) |
![]() |
PDF
BAB_V.pdf Download (849kB) |
![]() |
PDF
DAFTAR_PUSTAKA.pdf Download (974kB) |
![]() |
PDF
LAMPIRAN.pdf Restricted to Registered users only Download (1MB) |
Abstract
Penggunaan Alat Pelindung Diri (APD) merupakan hal krusial dalam melindungi para pekerja konstruksi dari cedera fisik dan kematian. Unit K3L UMN merupakan bagian dari Universitas Multimedia Nusantara yang bertanggung jawab untuk menjamin Kesehatan dan Keselamatan Kerja (K3) untuk seluruh sivitas UMN. Pengawasan manual untuk memastikan kelengkapan APD di lokasi konstruksi memerlukan sumber daya manusia sehingga tidak efisien waktu, serta rawan terjadi human error. Oleh karena itu, diperlukan sebuah solusi yang efisien dan inovatif untuk meningkatkan kepatuhan dalam penggunaan APD terutama di lingkungan kampus UMN. Algoritma YOLO (You Only Look Once) dikenal sebagai salah satu algoritma deteksi objek berbasis deep learning yang canggih dan efisien. Dengan mengimplementasikan YOLOv8 untuk mendeteksi kelalaian penggunaan APD, diharapkan dapat membantu dan meningkatkan efektivitas pengawasan kelengkapan APD di UMN. Unit K3L dapat terbantu terutama dalam hal pendataan dan deteksi kewajiban APD ketika pekerja konstruksi bekerja di lingkungan UMN. Hasil penelitian membandingkan 2 Model YOLOv8 yang sudah dilatih dengan dataset yang berbeda sehingga mampu mendeteksi objek APD. Model terbaik yaitu Model 1 yang memperoleh hasil validasi dengan data Unit K3L UMN yaitu Precision sebesar 0,905, Recall sebesar 0,586, mAP50 sebesar 0,667, dan mAP50-95 sebesar 0,478. Model yang telah dikembangkan berhasil diimplementasikan ke dalam sistem berbasis web untuk membantu Unit K3L UMN melakukan deteksi objek pada data gambar dari pekerja konstruksi yang bekerja di UMN.
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Creators: | Allen Lius, Katherine (00000044462) |
Contributors: | Sutomo, Rudi |
Keywords: | Object Detection, YOLOv8, PPE Detection |
Subjects: | 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation |
Divisions: | Faculty of Engineering & Informatics > Information System |
Date Deposited: | 11 Nov 2024 09:27 |
URI: | https://kc.umn.ac.id/id/eprint/34250 |
Actions (login required)
![]() |
View Item |