PROTOTYPE DETEKTOR PERLENGKAPAN KESEHATAN DAN KESELAMATAN KERJA (K3) BERBASIS DEEP LEARNING YOLO

Sutrisno, Viky Ananta (2024) PROTOTYPE DETEKTOR PERLENGKAPAN KESEHATAN DAN KESELAMATAN KERJA (K3) BERBASIS DEEP LEARNING YOLO. Masters thesis, Universitas Islam Sultan Agung Semarang.

	Text Magister Teknik Elektro_20602300052_fullpdf.pdf Download (3MB)
	Text Magister Teknik Elektro_20602300052_pernyataan_publikasi.pdf Restricted to Registered users only Download (173kB)

Abstract

Menurut International Labour Organization (ILO), setiap tahun terjadi lebih dari 250 juta kecelakaan kerja dan lebih dari 160 juta pekerja menderita sakit akibat mengalami kecelakaan di tempat kerja dan terdapat lebih dari 1,2 juta pekerja kehilangan nyawa akibat kecelakaan dan kesehatan terkait pekerjaan. Tingginya nilai kecelakaan kerja membuat PT. Prima Barra Sejahtera sebagai perusahaan yang bergerak di bidang jasa general kontraktor, membutuhkan sistem pengawasan K3 yang memadai untuk memantau ketertiban (APD) yang wajib digunakan oleh karyawan. Sistem pendeteksian objek berupa helm dan rompi keselamatan dengan metode Convolutional Neural Network algoritma yolov8. Sebelum implementasi, disiapkan dataset sebanyak 5.714 data yang telah dianotasi menggunakan platform Roboflow untuk keperluan pelatihan model. Proses pelatihan dilakukan melalui Google Colaboratory dengan pengaturan hyperparameter berupa 25 epoch dan batch size sebesar 16. Hasil dari proses pelatihan ini menghasilkan model dengan nilai mean Average Precision (mAP) sebesar 0.67305. Pengujian dilakukan pada lokasi kerja menggunakan kamera webcam Brio 100 1080/30 FPS yang dioperasikan melalui platform open-source Visual Studio Code (VS Code). Pelanggaran yang terdeteksi dievaluasi menggunakan mean Average Precision (mAP). Sistem ini secara otomatis mengklasifikasikan pelanggaran dan menghasilkan bukti dalam bentuk tangkapan layar. Pengujian terbaik diperoleh pada jarak 3 meter, dengan akurasi 90% untuk deteksi rompi dan 89% untuk deteksi helm di 3 FPS. Kata kunci: Kesehatan Dan Keselamatan Kerja, Deep Learning, YOLO.

Item Type:	Thesis (Masters)
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Pascasarjana Pascasarjana > Magister Teknik elektro
Depositing User:	Pustakawan 5 UNISSULA
Date Deposited:	17 Mar 2025 02:06
URI:	http://repository.unissula.ac.id/id/eprint/38235

Actions (login required)

View Item