Article Per Year (5 Year)
p-Index From 2021 - 2026
1.623
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Regasari Mardi Putri, Rekyan
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Sistem Deteksi Pelanggaran Penggunaan Alat Pelindung Diri Berbasis Raspberry Pi 4 dengan Multi-Kamera dan Notifikasi Real-Time Menggunakan Algoritma YOLOv8n Primananda Nugraha, Rahmawan; Regasari Mardi Putri, Rekyan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keselamatan kerja merupakan faktor krusial dalam lingkungan industri dan konstruksi, di mana kepatuhan terhadap penggunaan Alat Pelindung Diri (APD) seperti helm, rompi keselamatan, masker, kacamata pelindung, dan sarung tangan menjadi aspek penting dalam pencegahan kecelakaan kerja. Namun, tingkat kepatuhan pekerja di lapangan masih sering rendah, sehingga dibutuhkan sistem otomatis yang mampu mendeteksi pelanggaran APD secara real-time dan akurat. Penelitian ini bertujuan untuk merancang serta mengimplementasikan sistem deteksi pelanggaran penggunaan APD berbasis Raspberry Pi 4 Model B menggunakan algoritma You Only Look Once versi 8 nano (YOLOv8n). Sistem ini menggunakan dua kamera, yaitu Logitech C270 HD dan Techgear Sentinel 2K, yang bekerja secara bersamaan dalam mode tampilan split-screen untuk memperluas jangkauan pengawasan. Selain itu, sistem dilengkapi dengan buzzer sebagai notifikasi audio ketika terdeteksi pelanggaran penggunaan APD. Pengujian dilakukan untuk menilai (1) akurasi model YOLOv8n dalam mendeteksi penggunaan dan pelanggaran APD, (2) ketepatan sistem dalam mengambil keputusan pelanggaran berdasarkan kondisi pekerja, (3) performa real-time sistem melalui nilai frames per second (FPS) dan latency, serta (4) efisiensi penggunaan sumber daya Raspberry Pi yang meliputi CPU, RAM, dan suhu operasi. Hasil pengujian menunjukkan bahwa model YOLOv8n mampu mendeteksi kelas utama seperti Hardhat dan Safety Vest dengan tingkat akurasi yang sangat baik, mencapai 100% pada data uji yang relevan. Sistem menghasilkan kecepatan rata-rata sebesar 2,2 FPS dengan latensi 432,06 ms/frame, sedangkan penggunaan sumber daya Raspberry Pi tercatat stabil dengan CPU 85%, RAM 5%, dan suhu maksimum 56,9°C. Berdasarkan hasil tersebut, sistem ini dinilai mampu melakukan deteksi pelanggaran penggunaan APD secara real-time, efisien, dan akurat, serta layak diimplementasikan sebagai solusi pemantauan keselamatan kerja otomatis di lingkungan industri maupun konstruksi.
Co-Authors Abdurrachman Bachtiar, Fitra Abdurrachman Bachtiar, Fitra ` Aditya Fadhil, Rifqi Eko Setiawan Elvindo, Mochamad Fajar, Joko ifnu Fauzan Al-Rafi, Muhammad Hazbiy Shaffan, Nur Henryranu Prasetio, Barlian Ilhami Rizki, Anugrah Kembar Duanti, Regina Mukti Wibowo, Panji Pradipto, Arya Primananda Nugraha, Rahmawan Putra Primayanto, Reza Setia Budi, Agung Wulandari, Aryani