Electronic Theses and Dissertation

Pengawasan Keselamatan dan Kesehatan Kerja (K3) di area berisiko tinggi seringkali menghadapi kendala efisiensi akibat keterbatasan pemantauan visual secara manual. Pelanggaran kepatuhan dalam penggunaan Alat Pelindung Diri (APD), khususnya helm keselamatan, masih menjadi celah kritis dalam manajemen risiko insiden. Penelitian ini bertujuan untuk merancang bangun sebuah prototipe sistem peringatan dini proaktif berbasis computer vision guna mengotomatisasi pengawasan kepatuhan penggunaan helm pada infrastruktur multi-CCTV di area laboratorium dan lokasi praktikum Program Studi Teknik Pertambangan Universitas Syiah Kuala. Metodologi yang diusulkan berfokus pada rekayasa integrasi model deep learning YOLOv8 sebagai mesin analitik ke dalam ekosistem server Video Management System (VMS) Network Optix Meta. Aliran data visual diakuisisi secara real-time melalui Real-Time Streaming Protocol (RTSP), sementara Nx Metadata SDK difungsikan sebagai middleware untuk mentransformasi hasil inferensi spasial menjadi instrumen pemicu notifikasi otomatis. Luaran yang diharapkan dari penelitian ini adalah sistem fungsional yang mampu mengeksekusi peringatan pelanggaran secara instan di antarmuka pusat kendali. Selain itu, dokumen evaluasi empiris akan memvalidasi metrik akurasi analitik YOLOv8 serta batas skalabilitas beban komputasi server saat menangani multi-kamera. Prototipe ini ditargetkan dapat mempermudah evaluasi keselamatan personel secara proaktif dan menjadi rujukan infrastruktur pengawasan cerdas.

Occupational Health and Safety (OHS) monitoring in high-risk areas often faces efficiency constraints due to the limitations of manual visual surveillance. Compliance violations regarding Personal Protective Equipment (PPE), particularly safety helmets, remain a critical vulnerability in incident risk management. This research aims to design a proactive early warning system prototype based on computer vision to automate safety helmet compliance monitoring across multi-CCTV infrastructure in the laboratory and practicum areas of the Mining Engineering Study Program at Universitas Syiah Kuala. The proposed methodology focuses on the integration engineering of the YOLOv8 deep learning model as an analytic engine into the Network Optix Meta Video Management System (VMS) server ecosystem. Visual data streams are acquired in real-time via the Real-Time Streaming Protocol (RTSP), while the Nx Metadata SDK serves as middleware to transform spatial inference results into automated notification triggers. The expected output of this research is a functional system capable of executing instant violation warnings on the command center interface. Furthermore, empirical evaluation documents will validate the YOLOv8 analytical accuracy metrics and the server's computational scalability limits when handling multi-cameras. This prototype is intended to facilitate proactive personnel safety evaluation and serve as a smart surveillance infrastructure blueprint.