Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Borneo Informatika dan Teknik Komputer (JBIT)
Nadziah Fitriani
Universitas Borneo Tarakan
Computer Science & IT Electrical & Electronics Engineering Languange, Linguistic, Communication & Media Mathematics Other

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

Found 2 Documents
Search

 1 
Sistem Deteksi Otomatis Penggunaan Senjata Tajam Menggunakan YOLOv8n Deep Learning Nadziah Fitriani; Arif Fadllullah
Jurnal Borneo Informatika dan Teknik Komputer Vol 6, No 1 (2026): Edisi April - September
Publisher : Jurusan Teknik Komputer, Fakultas Teknik, Universitas Borneo Tarakan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35334/jbit.v6i1.7316

Abstract

Penelitian ini bertujuan untuk merancang dan mengembangkan sistem deteksi objek senjata tajam berbasis deep learning menggunakan algoritma YOLOv8n. Sistem yang dikembangkan khusus pada pendeteksian tiga jenis senjata tajam, yaitu pisau, sabit, dan parang. Sebanyak 1.200 citra dikumpulkan, terdiri dari 600 citra primer dan 600 citra sekunder. Pada tahap konstruksi dataset, seluruh citra melalui proses anotasi dan augmentasi data yang meliputi penyesuaian saturasi, kecerahan, dan resize, sehingga diperoleh total 2.640 dataset. Dataset tersebut kemudian dibagi menjadi 2.160 data latih, 240 data validasi, dan 240 data uji. Model YOLOv8n dibor selama 100 epoch menggunakan 2.160 data training dan menghasilkan nilai box Precision sebesar 0,865, recall 0,815, mAP50 0,895, serta mAP50-95 sebesar 0,649. Hasil evaluasi pada pengujian data menunjukkan nilai precision 0,837, recall 0,819, dan F1-score 0,827. Kelas sabit memperoleh performa terbaik dengan precision 0,937, recall 0,913, dan F1-score 0,924. Pengujian sistem secara real-time pada jarak 1–4 meter menunjukkan deteksi yang responsif dengan rata-rata precision 0,824, recall 0,760, dan F1-score 0,790. Hasil penelitian menunjukkan bahwa sistem mampu mendeteksi senjata tajam secara efektif dan menampilkan hasil deteksi secara langsung sebagai referensi pengembangan sistem di berbagai lingkungan.
Sistem Deteksi Otomatis Penggunaan Senjata Tajam Menggunakan YOLOv8n Deep Learning Nadziah Fitriani; Arif Fadllullah
Jurnal Borneo Informatika dan Teknik Komputer Vol 6, No 1 (2026): Edisi April - September
Publisher : Jurusan Teknik Komputer, Fakultas Teknik, Universitas Borneo Tarakan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35334/jbit.v6i1.7316

Abstract

Penelitian ini bertujuan untuk merancang dan mengembangkan sistem deteksi objek senjata tajam berbasis deep learning menggunakan algoritma YOLOv8n. Sistem yang dikembangkan khusus pada pendeteksian tiga jenis senjata tajam, yaitu pisau, sabit, dan parang. Sebanyak 1.200 citra dikumpulkan, terdiri dari 600 citra primer dan 600 citra sekunder. Pada tahap konstruksi dataset, seluruh citra melalui proses anotasi dan augmentasi data yang meliputi penyesuaian saturasi, kecerahan, dan resize, sehingga diperoleh total 2.640 dataset. Dataset tersebut kemudian dibagi menjadi 2.160 data latih, 240 data validasi, dan 240 data uji. Model YOLOv8n dibor selama 100 epoch menggunakan 2.160 data training dan menghasilkan nilai box Precision sebesar 0,865, recall 0,815, mAP50 0,895, serta mAP50-95 sebesar 0,649. Hasil evaluasi pada pengujian data menunjukkan nilai precision 0,837, recall 0,819, dan F1-score 0,827. Kelas sabit memperoleh performa terbaik dengan precision 0,937, recall 0,913, dan F1-score 0,924. Pengujian sistem secara real-time pada jarak 1–4 meter menunjukkan deteksi yang responsif dengan rata-rata precision 0,824, recall 0,760, dan F1-score 0,790. Hasil penelitian menunjukkan bahwa sistem mampu mendeteksi senjata tajam secara efektif dan menampilkan hasil deteksi secara langsung sebagai referensi pengembangan sistem di berbagai lingkungan.
Co-Authors Arif Fadllullah