SISTEM DETEKSI ALAT PELINDUNG DIRI SECARA REAL-TIME MENGGUNAKAN METODE YOLOV8 DAN TRACKING DEEPSORT

Madani, Muhammad Patty Amal (2025) SISTEM DETEKSI ALAT PELINDUNG DIRI SECARA REAL-TIME MENGGUNAKAN METODE YOLOV8 DAN TRACKING DEEPSORT. Skripsi thesis, UPN "Veteran"Yogyakarta.

	Text 2_Cover_123190121_Muhammad Patty Amal Madani.pdf Download (397kB)
	Text 3_Abstrak_123190121_Muhammad Patty Amal Madani.pdf Download (377kB)
	Text 4_Halaman Pengesahan_123190121_Muhammad Patty Amal Madani.pdf Download (2MB)
	Text 5_Daftar Isi_123190121_Muhammad Patty Amal Madani.pdf Download (250kB)
	Text 6_Daftar Pustaka_123190121_Muhammad Patty Amal Madani.pdf Download (309kB)
	Text 1_Skripsi Full_123190121_Muhammad Patty Amal Madani.pdf Restricted to Repository staff only Download (4MB)

Abstract

Keamanan dan keselamatan pekerja merupakan aspek krusial di sektor industri
berisiko tinggi seperti konstruksi, pertambangan, dan manufaktur. Walaupun Alat Pelindung
Diri (APD) tidak sepenuhnya menghilangkan risiko, pemakaian helm dan rompi
keselamatan dapat meminimalkan dampak cedera. Namun kesadaran pekerja dalam
penggunaan APD sering rendah, sehingga dibutuhkan sistem otomatis untuk memantau
kepatuhan secara real-time. Penelitian ini bersifat kuantitatif dan memanfaatkan data
sekunder dari Kaggle serta Roboflow. Sistem dikembangkan menggunakan bahasa Python
dengan antarmuka Streamlit pada aplikasi web lokal. Model deteksi YOLOv8 dilatih untuk
mengenali empat kelas objek helmet, no_helmet, vest, dan no_vest yang kemudian
digabungkan dengan algoritma pelacakan DeepSORT untuk mengikuti pergerakan objek
dalam video.
Hasil pengujian pada data testing eksternal menunjukkan model mencapai mean
Average Precision (mAP50) sebesar 90,7%, mengindikasikan performa deteksi yang sangat
baik pada kondisi objek berputar, tumpang tindih, dan jarak jauh. Meskipun demikian,
terdapat 22 citra rompi yang salah diklasifikasi sebagai no_vest kemungkinan akibat bentuk
vest tidak sempurna atau overlap dengan objek lain. Selama fase training, model
memperoleh akurasi 86%, precision 94,8%, dan recall 92%, serta mAP50 sebesar 96% pada
data validasi. Pada pengujian independen mAP50 mencapai 91%, membuktikan ketahanan
model terhadap variasi kondisi lapangan.
Kesimpulannya, integrasi YOLOv8 dan DeepSORT berhasil menyelesaikan tugas
deteksi dan pelacakan APD dalam satu proses end-to-end, tanpa memisahkan tahap deteksi
dan tracking. Sistem ini menawarkan solusi efektif untuk meningkatkan kepatuhan
penggunaan APD di lapangan, dengan rekomendasi perbaikan mencakup penambahan data
pada kondisi pencahayaan ekstrem, overlap objek, dan optimasi varian YOLOv8 ringan
untuk perangkat edge.
Kata kunci: deteksi objek, DeepSORT, YOLOv8, alat pelindung diri, real-time.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Muhammad Patty Amal Madani (Penulis - 123190121); Mangaras Yanu Florestiyanto (Pembimbing)
Uncontrolled Keywords:	deteksi objek, DeepSORT, YOLOv8, alat pelindung diri, real-time.
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	19 Nov 2025 04:47
Last Modified:	19 Nov 2025 04:47
URI:	http://eprints.upnyk.ac.id/id/eprint/45562

Actions (login required)

View Item