<![CDATA[Manajemen proyek konstruksi di Indonesia masih sangat bergantung pada metode pengawasan manual yang konvensional. Metode ini rentan terhadap kesalahan manusia, subjektivitas penilaian, kelelahan pengamat, serta tidak memiliki kemampuan responsivitas real-time. Penelitian ini bertujuan mengembangkan dan mengevaluasi sistem pemantauan aktivitas pekerja berbasis computer vision menggunakan algoritma YOLOv8. Sistem ini dirancang untuk mengklasifikasikan empat kategori aktivitas pekerjaan bata secara real-time, yaitu memasang bata, memotong bata, mengaduk semen, dan plester bata, sekaligus mendeteksi kepatuhan penggunaan helm keselamatan secara simultan dalam satu model terpadu. Dataset video direkam di lokasi konstruksi gedung FKIP Universitas Muria Kudus, Jawa Tengah, dengan melibatkan pekerja bata berpengalaman. Total 4.170 anotasi bounding box berhasil dikumpulkan dan terdistribusi ke dalam tujuh kelas objek. Model YOLOv8s dilatih selama 200 epoch menggunakan platform Google Colaboratory dengan akselerasi GPU NVIDIA T4 dan strategi transfer learning dari bobot pre-trained COCO. Hasil evaluasi kuantitatif pada subset pengujian menunjukkan bahwa akurasi tertinggi dicapai oleh kelas memotong bata dan plester bata sebesar 92%, diikuti oleh kelas mengaduk semen sebesar 82%, sedangkan kelas memasang bata mencapai akurasi 56%. Untuk deteksi kepatuhan helm, presisi kelas helm sangat tinggi, yaitu 94%, namun recall untuk kelas yang tidak memakai helm masih rendah, hanya 40%. Rata-rata F1-Score keseluruhan dari keenam kelas yang dievaluasi adalah 73%. Sistem ini membuktikan bahwa pendekatan YOLOv8 merupakan alternatif yang objektif, skalabel, dan layak untuk diterapkan dalam pengawasan konstruksi di Indonesia. Penelitian selanjutnya disarankan untuk memperluas variasi dataset dari lokasi dan kondisi pencahayaan yang beragam.]]>
Copyrights © 2026
