PROTOTYPE DETEKSI API DI BELT CONVEYOR BATU BARA MENGGUNAKAN YOLOV8 DENGAN NOTIFIKASI TELEGRAM
Abstract
Penelitian ini dilakukan guna menguji performa sistem deteksi api menggunakan YOLOv8 sebagai deteksi dini api pada belt conveyor mulai dari bara api, percikan api, dan api itu sendiri. Sistem ini juga dilengkapi dengan notifikasi bot telegram yang menyertakan informasi lokasi serta bukti visual kejadian secara instan, agar nantinya dapat digunakan untuk mempermudah proses penanganan risiko bahaya dan evakuasi. Hasil eksperimennya menunjukkan bahwa sistem mampu membantu petugas untuk mempermudah proses penanganan risiko bahaya dan evakuasi karena performa sistem yang cepat, akurat, dan notifikasi yang real-time.
Downloads
References
M. Sochib and G. M. Kusbiantoro, “Perencanaan Belt Conveyor Batu Bara dengan Kapasitas 1000 Ton per Jam di PT. Meratus Jaya Iron Steel Tanah Bumbu,” Wahana Teknik, vol. 7, no. 1, 2018.
L. Wang et al., “Review of conveyor belt fires in coal mines: A multiscale analysis of combustion, smoke propagation, and intelligent monitoring,” Green and Smart Mining Engineering, vol. 3, no. 1, pp. 16–26, 2026, doi: 10.1016/j.gsme.2025.12.001.
M. N. Abdurrahman, “Belt Conveyor PLTU Jeneponto Sulsel Terbakar,” detikNews, Detikcom, 2017. [Online]. Available: https://news.detik.com/berita/d-3653046/belt-conveyor-pltu-jeneponto-sulsel-terbakar
G. Times, “Coal mine fire disaster in Southwest China’s Guizhou kills 16,” Global Times, Global Times, 2023. [Online]. Available: https://www.globaltimes.cn/page/202309/1298819.shtml
A. Kumar and J. Maya, “Advanced Fire Detection: Leveraging Deep Learning and Heat Signature Analysis for Enhanced Accuracy,” Journal of Frontiers in Multidisciplinary Research, vol. 6, no. 1, pp. 14–29, 2025, doi: 10.54660/IJFMR.2025.6.1.14-29.
B. Bestari and M. I. Zulfa, “Deteksi Kerusakan Conveyor Belt Real Time Berbasis YOLOv11 EdgeTPU pada Raspberry Pi 5,” Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi, vol. 3, no. 1, pp. 7–15, 2025, doi: 10.61124/sinta.v3i1.138.
R. Leonardo, “Perbandingan Kinerja dan Efisiensi Arsitektur CNN VGG-16 dan ResNet50 dalam Kanker Kulit Dataset HAM10000,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 14, no. 2, 2026, doi: 10.23960/jitet.v14i2.9351.
T. A. Dompeipen and S. R. U. A. Sompie, “Penerapan Computer Vision Untuk Pendeteksian Dan Penghitung Jumlah Manusia,” Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi, 2021.
E. Arkin, N. Yadikar, X. Xu, A. Aysa, and K. Ubul, “A survey: object detection methods from CNN to transformer,” Multimed. Tools Appl., vol. 82, no. 14, pp. 21353–21383, 2023, doi: 10.1007/s11042-022-13801-3.
A. Bouguettaya, H. Zarzour, A. M. Taberkit, and A. Kechida, “A review on early wildfire detection from unmanned aerial vehicles using deep learning-based computer vision algorithms,” Signal Processing, vol. 190, p. 108309, 2022, doi: 10.1016/j.sigpro.2021.108309.
A. Arroyo, R. Fernandez-Caballero, and F. J. Martinez, “Deep Learning-Based Fire and Smoke Detection in Open Areas,” Sensors, vol. 21, no. 9, 2021.
A. E. Cetin and others, “Video Fire and Smoke Detection Using Deep Learning,” IEEE Access, 2021.
Ultralytics, “YOLOv8 Documentation,” 2023.
G. Jocher and others, “YOLOv7 vs YOLOv8 Performance Comparison,” ArXiv, 2023.
G. A. Suni and L. K. Balol, “Penerapan Teknologi IoT untuk Sistem Peringatan Dini Gempa dengan Notifikasi Telegram dan Blynk,” Jurnal Komputer dan Teknologi, vol. 5, no. 1, 2025, doi: 10.64626/jukomtek.v5i1.540.
N. D. H. Manurung, R. Khana, J. Muliadi, and M. Sobirin, “SISTEM DETEKSI KEBAKARAN BERBASIS VISI KOMPUTER DENGAN YOLOv11 TERINTEGRASI DENGAN TELEGRAM,” Transmisi: Jurnal Ilmiah Teknik Elektro, vol. 27, no. 4, pp. 240–248, Apr. 2025, doi: 10.14710/transmisi.27.4.240-248.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
