Sistem Deteksi Forklift Menggunakan Metode Convolutional Neural Network (CNN) Untuk Peringatan Batas Kecepatan Di Area Gudang

Kayra, Divanda Shafa'a (2025) Sistem Deteksi Forklift Menggunakan Metode Convolutional Neural Network (CNN) Untuk Peringatan Batas Kecepatan Di Area Gudang. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2040211091-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Di area industri memiliki tingkat kesibukan yang tinggi, di mana pekerja, kendaraan, dan berbagai aktivitas berlangsung secara bersamaan. Dalam situasi seperti ini pengoperasian forklift yang tidak sesuai prosedur seperti melanggar batas kecepatan yang telah ditetapkan oleh perusahaan dapat menjadi ancaman serius. Meskipun perusahaan telah menetapkan Standard Operating Procedure (SOP) mengenai batas kecepatan forklift pelanggaran terhadap aturan ini tetap terjadi akibat kelalaian operator atau tekanan untuk mencapai target waktu yang menyebabkan kecelakaan kerja dan kerusakan infrastruktur gudang. Maka dari itu, diperlukan sebuah sistem yang bisa digunakan untuk memantau pengoprasian forklift serta memberikan peringatan dini saat forklift dengan kecepatan diatas 10 km/jam. Sistem ini menggunakan CCTV di area gudang untuk sebagai input video. Hasil input video digunakan untuk mendeteksi forklift berbasis CNN dengan algoritma YOLOv8 kemudian dihitung kecepatan forklift tersebut saat melewati Region of Interest (RoI) yang sudah ditentukan dengan melakukan tracking pada objek. Sistem ini dapat mendeteksi dengan akurasi keseluruhan sebesar 85,45% pada pengujian real-time dalam kondisi lingkungan yang padat. Selain itu, penelitian ini melakukan perhitungan kecepatan forklift pada kecepatan spidometer yang berbeda-beda dengan rata-rata kesalahan sebesar 12,34% dan akurasi sebesar 87,6% pada kecepatan aktual yaitu 10 km/jam. Sementara itu, pada kecepatan yang lebih tinggi, yaitu 15 km/jam, tingkat rata-rata kesalahan meningkat menjadi 17,4% sehingga akurasi sistem menurun menjadi 82,6%. Sistem deteksi kecepatan forklift telah berhasil dirancang untuk memberikan notifikasi dini berupa alarm peringatan kepada operator forklift yang melanggar batas kecepatan yang telah ditetapkan yaitu 10 km/jam. Hal ini memastikan operator untuk segera mengurangi kecepatan yang akan membantu mengurangi risiko kecelakaan dan kerusakan infrastruktur di area gudang. Sistem ini juga berhasil mengambil citra dari forklift yang melanggar batas kecepatan. Citra pelanggaran nantinya akan digunakan untuk keperluan analisis dan perbaikan operasional.
============================================================================================================================================
In industrial areas, where workers, vehicles, and various activities operate simultaneously, the environment tends to be highly dynamic and busy. In such conditions, improper forklift operations—such as exceeding the speed limits set by the company—can pose serious threats. Although the company has established a Standard Operating Procedure (SOP) regarding forklift speed limits, violations still occur due to operator negligence or pressure to meet time targets, leading to workplace accidents and warehouse infrastructure damage. Therefore, a system is needed to monitor forklift operations and provide early warnings when a forklift exceeds the speed limit of 10 km/h. This system utilizes CCTV installed in the warehouse area as video input. The video input is processed to detect forklifts using a Convolutional Neural Network (CNN) with the YOLOv8 algorithm. The speed of the forklift is then calculated as it passes through a predefined Region of Interest (RoI) by tracking the object. The system has achieved an overall detection accuracy of 85.45% during real-time testing under high-density environmental conditions. Additionally, the system calculates forklift speeds at various GPS speedometer readings, showing an average error rate of 12.34% and an accuracy of 87.6% at the actual speed of 10 km/h. Meanwhile, at higher speeds—specifically 15 km/h—the average error increases to 17.4%, causing the system's accuracy to drop to 82.6%. The forklift speed detection system has been successfully designed to provide early warning notifications in the form of alarms to forklift operators who exceed the designated speed limit of 10 km/h. This ensures that operators promptly reduce their speed, helping to minimize the risk of accidents and infrastructure damage in the warehouse area. Furthermore, the system successfully captures images of forklifts that violate the speed limit, which can be used for further analysis and operational improvements.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Keamanan Industri, Forklift, Deteksi Kecepatan, Sistem Peringatan, YOLOv8. Industrial Safety, Forklift, Speed Detection, Warning System, YOLO.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA336 Artificial Intelligence T Technology > TA Engineering (General). Civil engineering (General) T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Divanda Shafa'a Kayra
Date Deposited:	04 Aug 2025 01:45
Last Modified:	04 Aug 2025 01:45
URI:	http://repository.its.ac.id/id/eprint/124846

Actions (login required)

View Item