Supangkat, Dwiki Aditama (2022) IDENTIFIKASI PENGGUNAAN SAFETY HELMET DI AREA KERJA MENGGUNAKAN ALGORITMA YOLOv4. Undergraduate thesis, Univesitas Pembangunan Nasional Veteran Jawa Timur.
|
Text (Cover)
18081010064_Cover Luar.pdf Download (2MB) | Preview |
|
|
Text (Bab 1)
18081010064_BAB 1.pdf Download (2MB) | Preview |
|
![]() |
Text (Bab 2)
18081010064_BAB 2.pdf Restricted to Repository staff only until 3 July 2027. Download (6MB) |
|
![]() |
Text (Bab 3)
18081010064_BAB 3.pdf Restricted to Repository staff only until 3 July 2027. Download (3MB) |
|
![]() |
Text (Bab 4)
18081010064_BAB 4.pdf Restricted to Repository staff only until 3 July 2027. Download (13MB) |
|
|
Text (Bab 5)
18081010064_BAB 5.pdf Download (659kB) | Preview |
|
|
Text (Daftar Pustaka)
18081010064_Daftar Pustaka.pdf Download (1MB) | Preview |
|
![]() |
Text (Lampiran)
18081010064_Lampiran.pdf Restricted to Repository staff only until 6 July 2027. Download (182kB) |
Abstract
Setiap pekerja perlumemiliki pemahaman dan mampu menerapkan konsep dasar keselamatan dan kesehatan kerja atau K3 untuk menghindari terjadinya risiko dan hazard atau bahaya dalam melaksanakan pekerjaannya. Menurut Peraturan Menteri Tenaga dan Transmigrasi Republik Indonesia no 8 tahun 2010, para pekerja memiliki kewajiban menggunakan Alat Peling Diri atau APD saat memasuki area kerja salah satunya adalah menggunakan safety helmet. Pada penelitian ini penulis mengusulkan pengidentifikasian penggunaan safety helmet di area kerja menggunakan algoritma YOLOv4. Algoritma YOLOv4 merupakan salah satu metide deteksi objek yang memiliki keunggulan pada analisis deteksi objek pada video langsung atau reltime dibandingkan metode yang lain dan memiliki peningkatan pada Average Precision (AP) sebesar 10% dan Frame Per Second (FPS) sebesar 12% dibandingkan YOLO vesti sebelumnya. Penelitian ini menggunakan dataset opensource yang didapatdari situs website Kaggle dengan jumlah dataset yang digunakan adalah 5000 data. Dalam penelitian ini penulis melakukan improvisasi hyperparameter dari YOLOv4 untuk mengetahui model dengan tuning hyperparameter terbaik. Tuning hyperparameter yang dilakukan hanya pada ukuran resolusi input dan learning rate. Berdasarkan hasil evaluasi model, perubahan terhadap nilai learning rate dann ukuran resolusi input dari model YOLOv4 memberikan pengaruh terhadap performa dari model YOLOv4
Item Type: | Thesis (Undergraduate) | ||||||||
---|---|---|---|---|---|---|---|---|---|
Contributors: |
|
||||||||
Subjects: | T Technology > T Technology (General) > T385 Computer Graphics | ||||||||
Divisions: | Faculty of Computer Science > Departemen of Informatics | ||||||||
Depositing User: | Users 6860 not found. | ||||||||
Date Deposited: | 07 Jul 2025 03:52 | ||||||||
Last Modified: | 07 Jul 2025 03:52 | ||||||||
URI: | https://repository.upnjatim.ac.id/id/eprint/14986 |
Actions (login required)
![]() |
View Item |