Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Informatika Polinema (JIP) INOVTEK Polbeng - Seri Informatika
Salsabilla Azahra Putri
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Library & Information Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Implementasi Algoritma YOLOv5 untuk Otomatisasi Iklan Layananan Publik tentang Larangan Merokok Salsabilla Azahra Putri; Murinto; Sunardi
Jurnal Informatika Polinema Vol. 11 No. 2 (2025): Vol. 11 No. 2 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i2.6343

Abstract

Kebijakan larangan merokok di tempat umum merupakan prioritas global dalam meningkatkan kesehatan masyarakat dan mengurangi dampak negatif rokok terhadap lingkungan sosial. Namun, penegakan kebijakan ini masih menghadapi tantangan, terutama di lingkungan publik yang kompleks. Penelitian ini mengusulkan implementasi algoritma YOLOv5 (You Only Look Once versi 5), sebuah metode deep learning untuk deteksi objek secara real-time. YOLOv5 bekerja dengan mendeteksi dan melokalisasi objek pada citra atau video menggunakan kotak pembatas (bounding box), memungkinkan identifikasi yang cepat dan akurat. Dalam konteks ini, YOLOv5 digunakan untuk mendeteksi perilaku merokok dengan mengidentifikasi objek rokok yang menyala dan posisi tangan yang menunjukkan aktivitas merokok. Model dilatih menggunakan dataset yang mencakup variasi posisi, pencahayaan, dan latar belakang, dengan pembagian data 80% untuk training, 10% untuk validation, dan 10% untuk testing. Hasil evaluasi menunjukkan performa model dengan Mean Average Precision (mAP) sebesar 0,483, F1-Score sebesar 81%, dan recall sebesar 84%. Implementasi ini membuktikan bahwa YOLOv5 memiliki potensi besar untuk mendukung otomatisasi pengawasan kebijakan larangan merokok. Selain itu, sistem ini dapat memicu iklan layanan publik yang relevan untuk meningkatkan kesadaran masyarakat terhadap bahaya rokok secara dinamis dan adaptif, terutama di tempat umum.
Detecting Smoking Activity Behavior using YOLOv8 and YOLOv11 Salsabilla Azahra Putri; Murinto; Sunardi
INOVTEK Polbeng - Seri Informatika Vol. 10 No. 2 (2025): Juli
Publisher : P3M Politeknik Negeri Bengkalis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35314/0q6grf14

Abstract

Smoking behavior in public spaces remains a major challenge in the implementation of public health policies, particularly within designated smoke-free zones. This study aims to examine whether architectural improvements and spatio-temporal modeling in object detection models can enhance the accuracy of real-time smoking behavior detection. Specifically, the performance of YOLOv8 and an experimental version, YOLOv11, is compared using a vision-based approach. A dataset of 3,000 annotated images is used, consisting of smoking and non-smoking activities such as drinking or phone use, with variations in lighting, body posture, and camera angles. The dataset was divided into 80% for training, 20% for validation, and 20% for testing, with data augmentation applied to improve generalization. YOLOv11 incorporates spatio-temporal modules and attention mechanisms not present in YOLOv8. Evaluation results show that YOLOv11 outperforms YOLOv8, achieving a Precision of 0.95, Recall of 0.91, and F1-Score of 0.93, while YOLOv8 reached 0.89, 0.87, and 0.88 respectively. These findings indicate that YOLOv11 offers a more robust and adaptive solution for automatically recognizing smoking behavior in real-world environments and supports the development of intelligent surveillance systems for enforcing smoke-free policies.
Co-Authors Murinto Sunardi