SISTEM DETEKSI OTOMATIS HELM UNTUK PROYEK KESELAMATAN KERJA BERBASIS YOLOv8
Laporan ini Disusun Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Strata (S1) pada Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Islam Sultan Agung Semarang
DOI:
https://doi.org/10.70248/jrsit.v3i1.3043Keywords:
Kata kunci: YOLOv8, deteksi helm, K3, CCTV, deep learning, APD, real-time.Abstract
Keselamatan kerja di industri konstruksi sangat ditentukan oleh kepatuhan pekerja dalam penggunaan Alat Pelindung Diri (APD), khususnya helm keselamatan. Rendahnya tingkat kedisiplinan pekerja serta keterbatasan pengawasan manual menjadi tantangan serius di lapangan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis penggunaan helm berbasis algoritma YOLOv8n yang mampu bekerja secara real-time melalui kamera CCTV dengan efisiensi tinggi pada perangkat komputasi terbatas. Metode penelitian meliputi pengumpulan 1.000 gambar teranotasi yang terdiri dari pekerja dengan dan tanpa helm, anotasi data menggunakan Roboflow, pembagian dataset (80% training, 10% validation, 10% testing), serta pelatihan model di Google Colab menggunakan parameter batch size 16, image size 640, epoch 100, dan learning rate 0,0001. Hasil pengujian menunjukkan tingkat akurasi sebesar 74% pada skenario pekerja berhelm dan 81% pada pekerja tanpa helm. Evaluasi melalui confusion matrix juga mengindikasikan kemampuan model dalam mendeteksi kategori helmet dengan tingkat presisi 85%, sementara pada kategori non-helmet model mencapai 100% akurasi. Temuan ini membuktikan bahwa YOLOv8n memiliki potensi besar dalam mendukung sistem pengawasan Keselamatan dan Kesehatan Kerja (K3) secara otomatis, sehingga dapat membantu mengurangi angka kecelakaan kerja. Penelitian ini membuka peluang pengembangan lebih lanjut, seperti deteksi APD lain serta integrasi dengan fitur notifikasi otomatis berbasis IoT.
References
Cahyanti, M., Ridwan, M., & Septian, D. (2025). A Real-Time Helmet Detection System Based on YOLOv8 to Support Traffic Law Enforcement Sistem Deteksi Penggunaan Helm Secara Real-Time Berbasis YOLOv8 untuk Mendukung Penegakan Hukum Lalu Lintas. 29(1), 1–10. https://doi.org/10.46984/sebatik.v29i1.2585
Direja, A. F., Cahyana, Y., Baihaqi, K. A., Engineering, I., Buana, U., & Karawang, P. (2024). IMPLEMENTATION OF THE YOLOV8 METHOD TO DETECT WORK SAFETY. 5(3), 865–871.
Drantantiyas, N. D. G., Yulita, W., Ridwan, N. T., Ramadhani, U. A., Kesuma, R. I., Rakhman, A. Z., Bagaskara, R., Miranto, A., & Mufidah, Z. (2023). Performasi Deteksi Jumlah Manusia Menggunakan YOLOv8. JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika Dan Komputer), 5(2), 63–68. https://doi.org/10.26905/jasiek.v5i2.11605
Fasounaki, M., Yüce, E. B., Öncül, S., & Ince, G. (2021). CNN-based Text-independent Automatic Speaker Identification Using Short Utterances. Proceedings - 6th International Conference on Computer Science and Engineering, UBMK 2021, 01, 413–418. https://doi.org/10.1109/UBMK52708.2021.9559031
Fatkhin, N., & Fadjeri, A. (2024). Pembelajaran Mesin Untuk Deteksi Helm Keselamatan Menggunakan Algoritma YOLOv8. Jurnal Ilmiah SINUS, 22(2), 77. https://doi.org/10.30646/sinus.v22i2.843
Hartono, W., Handayani, D., & Sabrina, F. (2023). Analisis Manajemen Risiko Dampak Kecelakaan Kerja Pada Proyek Konstruksi Jembatan Beton dengan Standar AS / NZS 4360 : 2004. 11(4), 384–390.
Korban, S. M. (2025). Sudah Menelan Korban , Pekerja Proyek MPP Indramayu Masih Membandel Tak Gunakan APD. November 2022, 2–5.
Nugroho, B., & Puspaningrum, E. Y. (2021). Kinerja Metode CNN untuk Klasifikasi Pneumonia dengan Variasi Ukuran Citra Input. Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(3), 533–538. https://doi.org/10.25126/jtiik.2021834515
Satrio, B., Poetro, W., Mulyono, S., & Pramesti, V. A. (n.d.). Prediksi Penyakit Batu Ginjal dengan Menerapkan Convolutional Neural Network. 153–162.
Steven Immanuel Sihombing, R., Abadi Harahap, W., & Kurnia Rahman, W. (2024). Implementasi Yolo V8 Untuk Mendeteksi Mata Uang Rupiah Emisi Tahun 2022 Ber-Output Audio. JATI (Jurnal Mahasiswa Teknik Informatika), 8(4), 5900–5905. https://doi.org/10.36040/jati.v8i4.10099
Susanti, S. (2023a). Deteksi Helm Otomatis Untuk Keselamatan Kerja di Tempat Proyek Berbasis Yolo. 9(1), 28–32.
Susanti, S. (2023b). Deteksi Helm Otomatis Untuk Keselamatan Kerja di Tempat Proyek Berbasis Yolo. Proceeding of Applied Science, 9(1), 28–32.
Ali, A., Hussain, M., & Khan, F. (2023). Intelligent helmet detection using YOLOv8: A case study on construction safety. IEEE Access, 11, 47659–47670. https://doi.org/10.1109/ACCESS.2023.3274561
Cheng, L., Zhou, Y., & Liu, P. (2025). Advances in real-time PPE detection using YOLOv8 in smart construction. Journal of Safety Research, 82, 45–58. https://doi.org/10.1016/j.jsr.2025.04.006
Huang, J., Wang, X., & Zhao, L. (2024). Smart construction site safety monitoring using YOLOv8 and IoT-based cameras. Automation in Construction, 165, 105024. https://doi.org/10.1016/j.autcon.2024.105024
Kurniawan, R., Lestari, I., & Putri, S. (2022). Implementasi deep learning dalam pengawasan keselamatan kerja berbasis video. Jurnal Rekayasa Sistem Informasi, 14(2), 99–110.
Rahman, A., Prasetyo, B., & Widodo, T. (2023). Penerapan YOLOv8 untuk deteksi objek pada sistem cerdas berbasis video pengawasan. Jurnal Teknologi Informasi Terapan, 9(2), 144–153.
Wijayanto, A., & Fitriani, D. (2024). Analisis implementasi computer vision untuk mendukung K3 pada industri konstruksi. Jurnal Sistem Cerdas, 5(1), 22–31.
Zhang, Y., Li, W., & Chen, H. (2022). Real-time object detection for industrial safety monitoring using deep learning. International Journal of Computer Vision and Applications, 18(3), 211–225. https://doi.org/10.1007/s41095-022-0198-7
