TY  - THES
ID  - umbprints96500
UR  - http://repository.mercubuana.ac.id/96500/
A1  - UMAT, YOGA NANDA KHOIRIL
Y1  - 2025/07/21/
N2  - Workplace accidents in the construction sector remain a serious and urgent issue,
as highlighted by data from the Indonesian Ministry of Manpower in 2022, which
recorded 93,748 cases?accounting for approximately 40% of all occupational
accidents across various sectors. This high number underscores the need for
effective implementation and monitoring of Personal Protective Equipment (PPE)
for construction workers. This study addresses the challenges of detecting PPE on
construction sites, where many accidents occur due to incomplete or improper use
of protective gear, often leading to fatal consequences. The aim of this research is
to evaluate the use of YOLOv10, a lightweight and efficient object detection model,
for identifying PPE items such as safety helmets, vests, gloves, and safety boots. A
dataset of 1,620 images was split into training, validation, and testing sets using
two different configurations: 70:20:10 and 80:10:10. The YOLOv10 model was
assessed using Mean Average Precision (mAP) as the primary evaluation metric.
Results showed that YOLOv10 performed very well in detecting PPE, despite
differences in data splits and the number of training epochs. On manually processed
datasets, YOLOv10-M achieved a mAP50 of 97.8% with a 70:20:10 split, and
YOLOv10-B reached 98.4% with an 80:10:10 split. On datasets processed using
Roboflow, YOLOv10-B obtained a mAP50 of 85.2% with the 70:20:10 split, while
YOLOv10-S achieved 84.6% with the 80:10:10 split. These findings demonstrate
that YOLOv10 offers a significant performance improvement in PPE detection
compared to previous approaches. Its ability to achieve high mAP50 scores under
certain conditions indicates strong potential for real-time implementation in
construction environments, where accurate and timely PPE detection is crucial to
reducing workplace accidents.
Keywords : Workplace Accidents, Construction Sector, Personal Protective
Equipment (PPE), YOLOv10, Object Detection, mean Average Precision (mAP), Workplace Safety

Kecelakaan kerja di sektor konstruksi masih menjadi masalah serius dan mendesak
perhatian, sebagaimana ditunjukkan oleh data Kementerian Ketenagakerjaan
Indonesia pada tahun 2022 yang mencatat 93.748 kasus kecelakaan, atau sekitar
40% dari total kecelakaan kerja di berbagai sektor. Tingginya angka kecelakaan ini
menunjukkan perlunya penerapan dan pemantauan Alat Pelindung Diri (APD)
secara efektif pada pekerja konstruksi. Penelitian ini membahas tantangan dalam
mendeteksi Alat Pelindung Diri (APD) pada Lokasi konstruksi yang sering terjadi
banyak kecelakaan kerja akibat tidak memakai APD secara lengkap sehingga bisa
menyebabkan kematian.Penelitian ini bertujuan menguji penggunaan model
Yolov10, yaitu sebuah arsitektur deteksi objek yang ringan dan efisien untuk
mendeteksi APD: Helm Safety, Rompi Safety, Sarung Tangan, dan Sepatu Safety.
Dataset terdiri dari 1620 gambar yang displit menjadi 70:20:10 dan 80:10:10
menjadi data training, validation, dan testing. model YOLOv10 dievaluasi
menggunakan metrik utama: Mean Average Precision (mAP). Hasil evaluasi
memperlihatkan kemampuan model dalam mendeteksi APD dengan akurat,
meskipun terdapat variasi dalam pembagian data dan jumlah epoch yang
digunakan. Hasil penelitian ini memperlihatkan bahwa algoritma YOLOv10
mampu memberikan performa yang sangat baik dalam mendeteksi APD. Pada
dataset yang diproses secara manual, model YOLOv10-M berhasil mencapai
mAP50 sebesar 97,8% pada split data 70:20:10 dan pada model YOLOv10-B
sebesar 98,4% pada split data 80:10:10. Sementara itu, pada dataset yang diproses
menggunakan Roboflow, model YOLOv10-B memperoleh mAP50 sebesar 85,2%
pada split data 70:20:10, dan model YOLOv10-S mencapai 84,6% pada data
80:10:10. Temuan ini menunjukkan bahwa YOLOv10 memberikan peningkatan
performa yang signifikan dalam deteksi APD dibandingkan dengan pendekatan
sebelumnya. Kemampuan algoritma Yolov10 untuk mencapai skor mAP50 yang
tinggi dalam kondisi tertentu mencerminkan potensinya untuk bisa di
implementasikan secara real-time pada aplikasi di lingkungan konstruksi , dimana
deteksi APD yang akurat dan tepat menjadi sangat penting dan bisa berkurangnya
kecelakaan kerja di masa mendatang.
Kata kunci: Kecelakaan Kerja, Sektor Konstruksi, Alat Pelindung Diri (APD), YOLOv10, Deteksi Objek, mean Average Precision (mAP), Keselamatan Kerja.
PB  - Universitas Mercu Buana Jakarta
KW  - Kecelakaan Kerja
KW  -  Sektor Konstruksi
KW  -  Alat Pelindung Diri (APD)
KW  -  YOLOv10
KW  -  Deteksi Objek
KW  -  mean Average Precision (mAP)
KW  -  Keselamatan Kerja.
M1  - s1
TI  - IMPLEMENTASI ALGORITMA YOLOV10 UNTUK DETEKSI ALAT PELINDUNG DIRI PADA PEKERJAAN KONSTRUKSI
AV  - restricted
EP  - 119
ER  -