DETEKSI AKSI KEKERASAN PADA GAME DIGITAL BERDASARKAN OBJEK DARAH MENGGUNAKAN METODE YOLOV8

IBRAHIM, BAGAS DEWANTORO (2025) DETEKSI AKSI KEKERASAN PADA GAME DIGITAL BERDASARKAN OBJEK DARAH MENGGUNAKAN METODE YOLOV8. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 4. cover.pdf Download (129kB)
	Text 3. ABSTRAK.pdf Download (69kB)
	Text 2. Pengesahan Pembimbing dan Penguji.pdf Download (290kB)
	Text 5. DAFTAR ISI.pdf Download (40kB)
	Text 6. DAFTAR PUSTAKA.pdf Download (82kB)
	Text 1. Naskah TA Bagas Dewantoro Ibrahim.pdf Restricted to Repository staff only Download (4MB)
	Text PANDUAN MENGAKSES DTS FULL.pdf Download (861kB)

Abstract

Perkembangan industri video game yang pesat membawa dampak signifikan terhadap
pola perilaku remaja, khususnya terkait dengan paparan konten kekerasan dalam permainan
digital. Konten seperti adegan kekerasan, penggunaan senjata, dan darah sering kali
tersembunyi di balik gameplay yang menarik, tanpa disertai sistem rating yang memadai.
Kondisi ini menimbulkan kekhawatiran akan potensi peningkatan perilaku agresif di kalangan
pemain muda, serta menunjukkan lemahnya sistem pengawasan konten digital yang ada.
Diperlukan solusi teknologi yang mampu secara otomatis mendeteksi elemen kekerasan seperti
darah dalam video game guna meningkatkan keamanan dan pengawasan terhadap konten
hiburan digital. Maka dari itu, penelitian ini akan menerapkan metode YOLOv8 serta
mengevaluasi tingkat akurasinya menggunakan beberapa kombinasi hyperparameter dalam
mendeteksi objek darah dalam video game.
Tahapan penelitian mencakup pengumpulan data secara primer sejumlah 988 citra hasil
tangkapan layar dari gameplay, yang kemudian diklasifikasikan ke dalam dua kelas utama,
yaitu blood dan background. Lalu dilakukan tahap preprocessing data dengan melakukan
cleaning, anotasi, splitting, resize, dan agumentasi. Augmentasi pada data latih dilakukan
dengan teknik transformasi visual seperti rotasi, flip, serta pengaturan saturasi dan
pencahayaan. Data yang sudah melalui tahap preprocessing kemudian digunakan dalam
pelatihan model. Model YOLOv8n dilatih menggunakan 7 kombinasi konfigurasi
hyperparameter, dan performanya diuji berdasarkan metrik evaluasi seperti precision, recall,
dan nilai mean average precision (mAP) untuk mencari kombinasi hyperparameter terbaik.
Hasil dari pengujian 7 kombinasi hyperparameter ditemukan kombinasi
hyperparameter terbaik, yaitu dengan nilai hyperparameter lr0 (learning rate awal) 0.001 dan
weight decay 0.0001, mendapatkan metrik evaluasi tertinggi dengan nilai precision, recall, dan
mAP50 masing-masing sebesar 89,6%, 81%, dan 89,1%. Namun, pengujian aktual
menggunakan model terbaik menujukkan hasil yang berbeda. Dengan menggunakan dua
sistem yang dibangun, didapatkan average precison pada sistem deteksi video sebesar 76,3%
dan pada sistem deteksi rekam layar sebesar 69,3%. Penurunan akurasi pada pengujian aktual
disebabkan oleh kemunculan false positive, yaitu ketika model mendeteksi objek abstrak
seperti pohon, jejak sepatu di karpet, atau elemen visual lain yang menyerupai darah. Selain
itu, keterbatasan performa perangkat turut memengaruhi efektivitas sistem dalam melakukan
deteksi secara real-time.
Kata Kunci: Deteksi Objek, Deteksi Kekeraasan, Video Game, YOLOv8, Deteksi Darah

Item Type:	Thesis (Skripsi)
Additional Information:	BAGAS DEWANTORO IBRAHIM (Penulis-123200107) ; Awang Hendrianto Pratomo (Pembimbing)
Uncontrolled Keywords:	Deteksi Objek, Deteksi Kekeraasan, Video Game, YOLOv8, Deteksi Darah
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > Informatika (S1)
Depositing User:	A.Md Eko Suprapti
Date Deposited:	15 Jul 2025 06:45
Last Modified:	15 Jul 2025 06:45
URI:	http://eprints.upnyk.ac.id/id/eprint/43110

Actions (login required)

View Item