DETEKSI PERUNDUNGAN FISIK DI LINGKUNGAN SEKOLAH MENGGUNAKAN DETEKSI OBJEK BERBASIS YOLOV11
Abstract
Perundungan fisik merupakan salah satu bentuk kekerasan di sekolah yang paling umum terjadi, yang berdampak serius secara fisik, psikologis, dan akademis terhadap siswa. Sistem pengawasan konvensional mengandalkan pemantauan manual terhadap rekaman CCTV, sehingga menyulitkan deteksi dini insiden perundungan. Kemajuan dalam bidang computer vision dan deep learning membuka peluang untuk mengembangkan sistem deteksi kekerasan otomatis yang dapat meningkatkan keamanan sekolah. Penelitian ini mengusulkan model deteksi objek berbasis YOLOv11 untuk mengidentifikasi tindakan perundungan fisik di lingkungan sekolah. Dataset khusus dibuat dengan merekam simulasi skenario perundungan yang melibatkan siswa, mencakup sembilan kategori perundungan fisik—memukul, menendang, menampar, mencakar, mendorong, menjegal, berkelahi, melempar benda, dan menyikut, serta satu kategori aktivitas normal. Dataset diberi anotasi manual di Label Studio. Model YOLOv11 Nano dilatih selama 100 epoch menggunakan gambar berukuran 640 × 640 dan berbagai teknik augmentasi data pada workstation yang dilengkapi GPU NVIDIA GeForce RTX 4060. Model ini mencapai presisi 93,48%, Recall 96,29%, mAP@0,5 sebesar 96,68%, dan mAP@0,5:0,95 sebesar 78,54%. Hasil ini menunjukkan bahwa pendekatan yang diusulkan mampu mendeteksi berbagai tindakan perundungan fisik secara akurat dan layak digunakan untuk pengawasan real-time, sehingga mendukung intervensi yang lebih cepat serta peningkatan keamanan siswa di sekolah.
Downloads
References
UNICEF, “Half of world’s teens experience peer violence in and around school – UNICEF.” Accessed: Aug. 21, 2025. [Online]. Available: https://www.unicef.org/eca/press-releases/half-worlds-teens-experience-peer-violence-and-around-school-unicef?utm_source=chatgpt.com
M. D. Pratama, V. W. Wati, F. Fadhilah, S. Syarifuddin, and S. Safitri, “The effects of bullying on early childhood emotions and its impact on psychological development,” J. Ilm. Konseling Pendidik., vol. 4, no. 2, 2025.
F. M. Rodzi, “Penanganan Kasus Kekerasan Seksual Pada Anak Oleh Pemerintah Kabupaten Bima,” PhD Thesis, Sekolah Tinggi Pembangunan Masyarakat Desa" APMD", 2025.
S. Yahya and others, “Kajian pemanfaatan deep learning dalam pembelajaran,” transformasi, vol. 7, no. 1, pp. 25–41, 2025.
D. H. Saputra, B. Imran, and others, “Object Detection Untuk Mendeteksi Citra Buah-Buahan Menggunakan Metode Yolo,” J. Kecerdasan Buatan Dan Teknol. Inf., vol. 2, no. 2, pp. 70–80, 2023.
M. F. Golfantara, “Penggunaan Algoritma Yolo V8 Untuk Identifikasi Rempah-Rempah,” J. Inform. Dan Tek. Elektro Terap., vol. 12, no. 3S1, Oct. 2024, doi: 10.23960/jitet.v12i3S1.5221.
M. Y. N. Hakim, “Pemodelan Machine Learning Untuk Deteksi Kekerasan Fisik Berbasis Convolutional Neural Network,” 2025.
A. Nurlita and M. Munawaroh, “Pengembangan Chatbot Dengan Metode Natural Language Processing Untuk Layanan Pelanggan (Studi Kasus PT Masterlink Internet Solution),” J. Inform. Dan Tek. Elektro Terap., vol. 13, no. 3S1, Oct. 2025, doi: 10.23960/jitet.v13i3S1.8176.
I. Zaenudin and A. B. Riyan, “Perkembangan kecerdasan buatan (AI) dan dampaknya pada dunia teknologi,” J. Inform. Utama, vol. 2, no. 2, pp. 128–153, 2024.
H. A. Pratiwi, M. Cahyanti, and M. Lamsani, “Implementasi deep learning flower scanner menggunakan metode convolutional neural network,” J. Inform., vol. 2, no. 1, pp. 41–59, 2021.
S. S. Rambe, A. Asriyanik, and P. Prajoko, “Penerapan Model Convolutional Neural Network (CNN) Berbasis Mobilenetv2 untuk Klasifikasi Tingkat Kesegaran Ikan Nila,” J. Inform. Dan Tek. Elektro Terap., vol. 13, no. 3, Jul. 2025, doi: 10.23960/jitet.v13i3.6744.
N. Khairunisa, . C., and A. Jamaludin, “Analisis Perbandingan Algoritma CNN dan Yolo Dalam Mengidentifikasi Kerusakan Jalan,” J. Inform. Dan Tek. Elektro Terap., vol. 12, no. 3, Aug. 2024, doi: 10.23960/jitet.v12i3.4434.
G. Agustiguna, “Deteksi Tindak Kekerasan Pada Anak Di Sekolah Menggunakan Yolo V8 Untuk Meningkatkan Keamanan Lingkungan Pendidikan Berbasis Web,” PhD Thesis, Universitas Muhamamdiyah Ponorogo, 2025.
D. E. P. Sahtio, M. A. P. Putra, and I. B. K. Sudiatmika, “Performance Evaluation and Comparison of YOLO11 Model Variants for Indonesian Sign Language (BISINDO),” J. Inform. Dan Tek. Elektro Terap., vol. 14, no. 2, Apr. 2026, doi: 10.23960/jitet.v14i2.9348.
I. A. Zulkarnain, “Yolov11 Optimization Through Hyperparameter Tuning and Data Augmentation to Improve Vehicle Detection Accuracy at Night,” vol. 5, 2025.
V. B. Djusmin, E. Sukma, and F. E. Susilawati, “Analisis Kinerja Model Yolov12 Nano Terhadap Ketidakseimbangan Data pada Deteksi Tandan Kelapa Sawit di Lingkungan Perkebunan,” vol. 15, 2025.
M. S. Başarslan and H. Canlı, “UAV-based forest fire early warning and intervention simulation system with high-accuracy hybrid AI model,” Appl. Sci., vol. 16, no. 3, p. 1201, 2026.
A. Zamani and Z. Abedini, “Optimizing Data Augmentation for Real-Time Small UAV Detection: A Lightweight Context-Aware Approach,” ArXiv Prepr. ArXiv260419999, 2026.
H. Chen, G. Zhou, and H. Jiang, “Student Behavior Detection in the Classroom Based on Improved YOLOv8,” Sensors, vol. 23, no. 20, p. 8385, Oct. 2023, doi: 10.3390/s23208385.
N. F. Y. P. Putra, A. Kurniawardhani, and M. Kom, “Analisis Pengaruh Kelengkapan Anotasi terhadap Kinerja Model YOLOv11 dalam Deteksi Multi Objek Buah,” AUTOMATA, vol. 6, no. 2, 2025.
W. Xu, D. Zhu, R. Deng, K. Yung, and A. W. H. Ip, “Violence-YOLO: Enhanced GELAN Algorithm for Violence Detection,” Appl. Sci., vol. 14, no. 15, p. 6712, Jan. 2024, doi: 10.3390/app14156712.
I. I. Sepulau, K. Kusumanto, and N. L. Husni, “Student Behavior Monitoring System in Classroom Environment Using YOLOv8,” Indones. J. Artif. Intell. Data Min., vol. 8, no. 2, p. 437, Aug. 2025, doi: 10.24014/ijaidm.v8i2.37086.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
