IMPLEMENTASI YOLOV8 PADA SISTEM MONITORING KOTAK AMAL SEBAGAI DETEKSI TINDAKAN PENCURIAN

galih prasetyo; Yurni Oktarina; abdurahman

doi:10.23960/jitet.v14i3.11148

galih prasetyo
Politeknik Negeri Sriwijaya
Yurni Oktarina
abdurahman

DOI: https://doi.org/10.23960/jitet.v14i3.11148

Keywords YOLOv8, Kotak Amal, Monitoring, Deteksi Objek, Rasspberry pi.

Abstract Views (Last 12 Months)

1 Abstract Views

1 Downloads

Abstract

Kotak amal merupakan sarana pengumpulan dana yang banyak ditempatkan di lingkungan masjid dan tempat ibadah untuk mendukung kegiatan sosial dan keagamaan. Namun, letaknya yang terbuka dan mudah dijangkau menyebabkan kotak amal memiliki risiko tinggi terhadap tindakan pencurian. Sistem pengawasan manual yang selama ini diterapkan memiliki keterbatasan karena tidak dapat dilakukan secara terus-menerus dan bergantung pada keberadaan petugas. Penelitian ini mengusulkan sistem monitoring keamanan kotak amal berbasis computer vision dengan memanfaatkan algoritma You Only Look Once version 8 (YOLOv8) yang dijalankan pada perangkat Raspberry Pi 4. Sistem menggunakan webcam untuk mendeteksi keberadaan manusia di sekitar kotak amal secara real-time dan mengklasifikasikan kondisi menjadi kategori aman, mencurigakan, dan bahaya berdasarkan jarak serta aktivitas objek yang terdeteksi. Apabila teridentifikasi aktivitas mencurigakan atau berpotensi pencurian, sistem secara otomatis mengirimkan notifikasi beserta tangkapan gambar melalui aplikasi Telegram kepada pengurus masjid. Hasil implementasi menunjukkan bahwa sistem mampu melakukan deteksi objek secara real-time dan memberikan peringatan dini sehingga dapat meningkatkan efektivitas pengawasan keamanan kotak amal.

Downloads

Download data is not yet available.

References

N. Istiqamah Qalbi, C. Wulan Purnama Rasyid, N. Izzah Dwi Nurdinah, W. A. Arfiana, A. Baso Kaswar, and J. Mabe Parenreng, “RANCANG BANGUN KOTAK AMAL CERDAS SEBAGAI SOLUSI KETIDAK EFISIENAN PENDISTRIBUSI KOTAK AMAL DI MASJID,” 2020.

V. Saldanha, K. D. Naik, S. S. Parashtekar, V. V Sirsat, and V. V J, “Intelligent Surveillance and Theft Detection Using Real-Time Object Detection.”

L. Alzubaidi et al., “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” J. Big Data, vol. 8, no. 1, Dec. 2021, doi: 10.1186/s40537-021-00444-8.

A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” Apr. 2020, [Online]. Available: http://arxiv.org/abs/2004.10934

F. N. A. Adhytia, R. S. Kusuma, V. R. A. Soedomo, and Y. P. Santosa, “Comparative performance analysis of YOLOv8 small and larger for real-time website-based monitoring,” Journal of Soft Computing Exploration, vol. 6, no. 4, pp. 285–294, Feb. 2026, doi: 10.52465/joscex.v6i4.634.

N. D. Hendrawan, R. Kolandaisamy, and A. History, “Jurnal Teknologi dan Manajemen Informatika A Comparative Study of YOLOv8 and YOLO-NAS Performance in Human Detection Image Article Info ABSTRACT,” vol. 9, no. 2, pp. 191–201, 2023, [Online]. Available: http://http://jurnal.unmer.ac.id/index.php/jtmi

I. I. Sepulau, K. Kusumanto, and N. L. Husni, “Student Behavior Monitoring System in Classroom Environment Using YOLOv8,” Indonesian Journal of Artificial Intelligence and Data Mining, vol. 8, no. 2, p. 437, Aug. 2025, doi: 10.24014/ijaidm.v8i2.37086.

B. Ahmad et al., “Efficient Real-Time Detection of Plant Leaf Diseases Using YOLOv8 and Raspberry Pi,” VFAST Transactions on Software Engineering, vol. 12, no. 2, pp. 250–259, Apr. 2024, doi: 10.21015/vtse.v12i2.1869.

R. A. N. Aprilia, T. Andrasto, and A. Arfriandi, “Sistem Inspeksi Visual Hasil Stamping Berbasis YOLOv8 pada Raspberry Pi 4B Terintegrasi ESP32 dan Firebase,” Jurnal Pendidikan Sains dan Komputer, vol. 6, no. 02, pp. 176–187, Jun. 2026, doi: 10.47709/jpsk.v6i02.8843.

I. Fahmi Udin Ma, I. Anshory, P. Studi Teknik Elektro, and F. Sains dan Teknologi, “Seminar Nasional & Call Paper Fakultas Sains dan Teknologi (SENASAINS 5 th,” 2022.

R. Shinde, A. Bhusare, C. Darekar, R. Hire, and A. Gondale, “Implementation of a Hazardous Event Detection System using Edge AI. (EdgeSafeAI).” [Online]. Available: https://www.ijert.org/

F. Hermens, “Automatic object detection for behavioural research using YOLOv8,” Behav. Res. Methods, vol. 56, no. 7, pp. 7307–7330, Oct. 2024, doi: 10.3758/s13428-024-02420-5.

B. R. Ardabili et al., “Understanding Policy and Technical Aspects of AI-enabled Smart Video Surveillance to Address Public Safety,” Computational Urban Science, vol. 3, no. 1, Dec. 2023, doi: 10.1007/s43762-023-00097-8.

Wahyono, A. Harjoko, A. Dharmawan, F. D. Adhinata, G. Kosala, and K. H. Jo, “Loitering Detection Using Spatial-Temporal Information for Intelligent Surveillance Systems on a Vision Sensor,” Journal of Sensor and Actuator Networks, vol. 12, no. 1, Feb. 2023, doi: 10.3390/jsan12010009.

I. Pratama and A. Pramudya, “Ilham Pratama 1 Arya Pramudy a2 Sistem Kontrol Keamanan Pada Kotak Amal Berbasis Arduino Uno dan Sim 800l 23,” JURNAL TEKNIK ELEKTRO, vol. 1, no. 1, pp. 23–30.