Electronic Theses and Dissertation

Penerapan Keselamatan dan Kesehatan Kerja (K3) di lingkungan industri berisiko tinggi menghadapi tantangan besar dalam memantau area terlarang (no-stay area) secara real-time. Pengawasan manual melalui CCTV konvensional sering kali tidak efektif karena keterbatasan fokus operator manusia. Penelitian ini bertujuan untuk mengimplementasikan sistem pengawasan cerdas terintegrasi dengan menanamkan model deep learning YOLOv8 yang ringan secara langsung ke dalam platform Video Management System (VMS) Network Optix. Berbeda dengan pendekatan konvensional yang bergantung pada middleware eksternal, sistem ini memanfaatkan keunggulan arsitektur hibrida edge-cloud dan menerapkan poligon virtual di dalam VMS untuk memeriksa interseksi batas geometris objek manusia secara langsung. Model YOLOv8 dilatih menggunakan bobot pra-latih (pre-trained weights) MS COCO dan disesuaikan (fine-tuned) pada dataset CCTV spesifik demi mengenali kelas tunggal manusia (person) dari sudut pandang atas (overhead view). Hasil evaluasi menunjukkan bahwa sistem berhasil memproses pemantauan multi-kamera secara real-time, mencapai kecepatan 30 frames per second (FPS) pada perangkat keras lokal tanpa memerlukan GPU khusus (dedicated GPU). Kinerja deteksi yang dicapai mencakup nilai presisi sebesar 0,827, mean Average Precision (mAP) sebesar 0,779, serta tingkat False Negative nol mutlak, sehingga memastikan tidak ada kehadiran manusia yang terlewatkan di area terlarang.
Kata Kunci: YOLO, Network Optix, Intrusion Detection, K3, VMS.

The implementation of Occupational Health and Safety (OHS) in high-risk industrial environments faces significant challenges in monitoring restricted zones (no-stay areas) in real-time. Manual surveillance via conventional CCTV is often ineffective due to the limited focus of human operators. This research aims to implement an intelligent surveillance system by integrating a lightweight YOLOv8 deep learning model directly into the Network Optix Video Management System (VMS). Unlike common approaches that depend on external middleware, this system leverages a hybrid edge-cloud architecture and establishes virtual polygons within the VMS to check geometric boundary intersections directly. The model is trained for single-class "person" detection using MS COCO pre-trained weights and fine-tuned on a domain-specific CCTV dataset to handle overhead perspectives. Evaluation results demonstrate that the deployed system successfully processes multi-camera streams in real-time, achieving 30 frames per second (FPS) on local hardware without a dedicated GPU. The system yielded a precision of 0.827, a mean Average Precision (mAP) of 0.779, and an absolute zero False Negative rate, ensuring no human presence is missed. Keywords: YOLO, Network Optix, Intrusion Detection, OHS, VMS.