EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

Deteksi Aktivitas Vape Berbasis Yolov8 pada Citra dan Video dengan Pendekatan Deep Learning

Lahuddin Lahuddin, Pamela Larasati, Abdilah Hasbi

Jurnal Ilmiah Sistem Informasi · 21.05.2026 · 5 (2) · 480-488

DOI: 10.51903/av3vr043 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Jurnal Ilmiah Sistem Informasi, online erschienen am 21.05.2026. Verfasst von Lahuddin Lahuddin und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Perkembangan teknologi artificial intelligence, khususnya dalam bidang computer vision dan deep learning, telah mendorong lahirnya berbagai sistem otomatis dalam analisis citra dan video. Salah satu implementasi yang banyak digunakan adalah deteksi objek secara real-time menggunakan algoritma YOLO (You Only Look Once). Di sisi lain, penggunaan rokok elektronik atau vape semakin meningkat, terutama di lingkungan pendidikan, sehingga diperlukan sistem pengawasan otomatis yang mampu mendeteksi aktivitas tersebut secara akurat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi aktivitas vape berbasis YOLOv8 pada citra dan video. Metode yang digunakan dalam penelitian ini adalah pendekatan deep learning workflow yang meliputi pengumpulan dataset, pra-pemrosesan, pelatihan model, serta evaluasi performa. Dataset yang digunakan dikembangkan secara mandiri dengan jumlah awal 1000 gambar, kemudian ditingkatkan menjadi 2000 gambar melalui proses augmentasi menggunakan Roboflow. Proses pelatihan dilakukan dengan parameter tertentu, seperti 100 epoch dan ukuran citra 640×640 piksel. Evaluasi model dilakukan menggunakan metrik precision, recall, mean Average Precision (mAP), serta kecepatan deteksi (frame per second). Hasil penelitian menunjukkan bahwa model YOLOv8 mampu mendeteksi aktivitas vape dengan performa yang cukup baik. Model mencapai nilai precision sebesar 0,91, recall sebesar 0,88, mAP@0.5 sebesar 0,92, serta mAP@0.5:0.95 sebesar 0,76. Selain itu, sistem mampu bekerja secara real-time dengan kecepatan deteksi mencapai 28 FPS. Hasil pengujian juga menunjukkan bahwa model mampu mengenali objek vape pada berbagai kondisi lingkungan, meskipun masih mengalami kendala pada objek berukuran kecil dan kondisi occlusion. Dengan demikian, penelitian ini membuktikan bahwa algoritma YOLOv8 efektif digunakan untuk mendeteksi aktivitas vape pada citra dan video, serta memiliki potensi untuk diterapkan dalam sistem pengawasan berbasis CCTV secara real-time.

Zitieren

APA

Lahuddin, L., Larasati, P., & Hasbi, A. (2026). Deteksi Aktivitas Vape Berbasis Yolov8 pada Citra dan Video dengan Pendekatan Deep Learning. Jurnal Ilmiah Sistem Informasi, 5(2), 480-488. https://doi.org/10.51903/av3vr043

Vancouver

Lahuddin L, Larasati P, Hasbi A. Deteksi Aktivitas Vape Berbasis Yolov8 pada Citra dan Video dengan Pendekatan Deep Learning. Jurnal Ilmiah Sistem Informasi. 2026;5(2):480-488. doi:10.51903/av3vr043

BibTeX
@article{Lahuddin2026,
  author = {Lahuddin, Lahuddin and Larasati, Pamela and Hasbi, Abdilah},
  title = {Deteksi Aktivitas Vape Berbasis Yolov8 pada Citra dan Video dengan Pendekatan Deep Learning},
  journal = {Jurnal Ilmiah Sistem Informasi},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {480--488},
  doi = {10.51903/av3vr043}
}
Kostenlos starten →