Keselamatan kerja merupakan aspek krusial dalam industri migas, di mana insiden jatuh dari ketinggian sering menjadi penyebab kecelakaan fatal. Penelitian ini bertujuan mengembangkan sistem deteksi otomatis penggunaan handrail sebagai upaya pencegahan kecelakaan kerja di PT Pertamina EP – Field Poleng dengan menggunakan algoritma YOLOv8. Dataset yang digunakan terdiri dari 111 citra dengan dua kelas utama (with dan without) serta diuji dengan dua skenario pembagian data, yaitu 90:5:5 dan 80:10:10. Hasil evaluasi menunjukkan bahwa pada pembagian 90:5:5, model mencapai precision 0,854, recall 0,838, dan [email protected] sebesar 0,864. Sementara itu, pada pembagian 80:10:10, performa model sedikit menurun dengan precision 0,672, recall 0,675, dan [email protected] sebesar 0,633. Nilai [email protected]:0.95 pada kedua skenario relatif rendah (0,224–0,258), yang mengindikasikan adanya keterbatasan model pada tingkat akurasi yang lebih tinggi. Dengan demikian, penelitian ini menunjukkan bahwa YOLOv8 memiliki potensi sebagai sistem pendukung pengawasan keselamatan kerja, meskipun masih diperlukan peningkatan lebih lanjut untuk mencapai performa optimal.

Workplace safety is a crucial aspect in the oil and gas industry, where fall-from-height incidents are often a leading cause of fatal accidents. This research aims to develop an automatic detection system for handrail usage as a preventive effort against workplace accidents at PT Pertamina EP – Field Poleng by utilizing the YOLOv8 algorithm. The dataset consisted of 111 images with two main classes (with and without) and was tested under two data split scenarios: 90:5:5 and 80:10:10. The evaluation results show that with a 90:5:5 split, the model achieved a precision of 0.854, recall of 0.838, and [email protected] of 0.864. Meanwhile, with an 80:10:10 split, the performance slightly decreased, yielding a precision of 0.672, recall of 0.675, and [email protected] of 0.633. The [email protected]:0.95 values in both scenarios were relatively low (0.224–0.258), indicating limitations of the model at higher accuracy levels. Therefore, this research demonstrates that YOLOv8 has potential as a supporting system for workplace safety monitoring, although further improvements are needed to achieve optimal performance