Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Rafael Praseli
Universitas Esa Unggul
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Perbandingan YOLO v8, v9, dan v11 dalam Penerapan Tata Tertib K3: Deteksi Penggunaan Helm Keselamatan di Lingkungan Konstruksi: Implementation and Comparison of YOLO v8, v9, and v11 in Occupational Safety Regulations: Detecting Safety Helmet Usage in Construction Environments Rafael Praseli; Nenden Siti Fatonah; Diah Aryani; Hani Dewi Ariessanti
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 2 (2026): MALCOM April 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i2.2554

Abstract

Penegakan aturan keselamatan kerja secara konsisten merupakan langkah penting dalam menciptakan lingkungan konstruksi yang aman dan tertib. Penelitian ini dilakukan dengan pendekatan eksperimen menggunakan dataset Hard Hats Computer Vision Project yang berjumlah sekitar 20.000 gambar beranotasi, dengan memanfaatkan teknologi kecerdasan buatan melalui algoritma YOLOv8, YOLOv9, dan YOLOv11. Model dilatih menggunakan dataset pekerja konstruksi dan dievaluasi berdasarkan tiga metrik utama, yaitu precision, recall, serta mean Average Precision (mAP) untuk mengukur akurasi dan kemampuan generalisasi deteksi. Hasil penelitian menunjukkan bahwa YOLOv8 menghasilkan performa yang stabil dengan nilai precision sebesar 0,895, recall sebesar 0,895, dan mAP@50–95 sebesar 0,597 pada 60 epoch, sedangkan YOLOv11 mencapai akurasi tertinggi dengan precision sebesar 0,903, recall sebesar 0,897, dan mAP@50–95 sebesar 0,600. Sementara itu, YOLOv9 menunjukkan efisiensi yang lebih rendah dibandingkan dengan kedua model lainnya. Dengan demikian, YOLOv8 lebih sesuai untuk implementasi real-time karena stabil dan efisien, sedangkan YOLOv11 memiliki potensi akurasi yang lebih tinggi. Penelitian ini memberikan kontribusi baik secara akademis dalam pengembangan sistem berbasis AI maupun secara praktis dalam meningkatkan keselamatan kerja di lingkungan konstruksi.
Co-Authors Diah Aryani, Diah Fatonah, Nenden Siti Hani Dewi Ariessanti