Implementasi Algoritma YOLOv8 untuk Mendeteksi Alat Pelindung Diri (APD) pada Pekerja Konstruksi di Unit K3L UMN

Allen Lius, Katherine (2024) Implementasi Algoritma YOLOv8 untuk Mendeteksi Alat Pelindung Diri (APD) pada Pekerja Konstruksi di Unit K3L UMN. Bachelor Thesis 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)
Keywords:	Object Detection, YOLOv8, PPE Detection
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 09:27
Last Modified:	11 Nov 2024 09:27
URI:	https://kc.umn.ac.id/id/eprint/34250

Actions (login required)

View Item