DETEKSI PENGGUNAAN HELM SAFETY PADA PEKERJA MENGGUNAKAN ALGORITMA YOU ONLY LOOK ONCE VERSI 8 (YOLOV8)
Bilah Samping Artikel
Read Counter : 439
Download : 283
Isi Artikel Utama
Abstrak
Peningkatan kecelakaan kerja sebesar 5% di Indonesia pada tahun 2021 menekankan urgensi penerapan budaya Keselamatan dan Kesehatan Kerja (K3) yang kuat, termasuk penggunaan Alat Pelindung Diri (APD) seperti helm proyek. Namun, rendahnya tingkat pendidikan pekerja (57,5%) menjadi tantangan dalam meningkatkan kesadaran akan pentingnya K3. Untuk mengatasi masalah ini, penelitian ini menggunakan teknologi pemrosesan citra berbasis deep learning dengan algoritma YOLOv8 untuk mendeteksi penggunaan helm oleh pekerja secara real-time. Model ini dilatih menggunakan dataset berisi 654 gambar pekerja yang diperoleh dari Roboflow.Hasil pelatihan menunjukkan kinerja yang kuat, dengan penurunan nilai loss serta peningkatan akurasi berdasarkan metrik utama seperti presisi, recall, dan mean Average Precision (mAP). YOLOv8, dengan teknik anchor-free dan efisiensinya yang tinggi, berhasil mendeteksi helm dengan tingkat kepercayaan lebih dari 90%. Kemampuan deteksi real-time YOLOv8 memungkinkan pemantauan keselamatan yang berkelanjutan di lokasi proyek, sehingga dapat mengurangi risiko kecelakaan akibat ketidakpatuhan terhadap protokol keselamatan. Selain itu, sifat YOLOv8 yang ringan memungkinkan penerapannya pada perangkat edge, menjadikannya solusi yang hemat biaya dan skalabel untuk aplikasi industri. Implementasi ini membuktikan bahwa YOLOv8 adalah alat yang andal, efisien, dan praktis dalam meningkatkan keselamatan kerja dengan mengotomatiskan pemantauan APD di lingkungan konstruksi dan industri.Lebih lanjut, penggunaan teknologi ini dapat membantu pengawas dalam menegakkan kebijakan keselamatan, mengurangi kesalahan manusia dalam pemantauan, serta meningkatkan kepatuhan secara keseluruhan. Integrasi sistem pemantauan keselamatan berbasis AI seperti YOLOv8 berpotensi merevolusi standar keselamatan kerja, menjadikan lokasi konstruksi lebih aman dan lebih efisien.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak Penulis
Sebagai Penulis Jurnal, Anda memiliki hak untuk berbagai kegunaan untuk artikel Anda, termasuk penggunaan oleh institusi atau perusahaan yang mempekerjakan Anda. Hak penulis dapat dilaksanakan tanpa perlu izin khusus. Penulis yang menerbitkan dalam jurnal TESLA: Jurnal Teknik Elektro memiliki hak luas untuk menggunakan karya-karya mereka untuk tujuan pengajaran dan ilmiah tanpa perlu mencari izin, termasuk: digunakan untuk pengajaran di kelas oleh penulis atau lembaga penulis dan presentasi di pertemuan atau konferensi dan mendistribusikan salinan kepada peserta; gunakan untuk pelatihan internal oleh perusahaan penulis; distribusi ke kolega untuk penggunaan penelitian mereka; digunakan dalam kompilasi karya penulis selanjutnya; termasuk dalam tesis atau disertasi; penggunaan kembali sebagian atau kutipan dari artikel dalam karya lain (dengan pengakuan penuh atas artikel final); persiapan karya turunan (selain untuk tujuan komersial) (dengan pengakuan penuh atas artikel akhir); posting sukarela di situs web terbuka yang dioperasikan oleh penulis atau lembaga penulis untuk tujuan ilmiah (harus mengikuti CC dengan Lisensi SA).
Penulis dapat menyalin dan mendistribusikan ulang materi dalam media atau format apa pun, dan mencampur, memodifikasi, dan membuat materi untuk tujuan apa pun, bahkan secara komersial, tetapi mereka harus memberikan kredit yang sesuai (mengutip artikel atau konten), memberikan tautan ke lisensi, dan menunjukkan jika ada perubahan. Jika Anda mencampur, memodifikasi, atau membuat materi, Anda harus mendistribusikan kembali kontribusi Anda di bawah lisensi yang sama seperti aslinya.
Perjanjian Transfer Hak Cipta (untuk Penerbitan)
Penulis yang mengirimkan naskah melakukannya dengan pemahaman bahwa jika diterima untuk publikasi, publikasi hak cipta dari artikel tersebut akan diberikan / ditransfer ke TESLA: Jurnal Program Studi Teknik Elektro dan Teknik Elektro, Fakultas Teknik, Universitas Tarumanagara sebagai Penerbit Jurnal. Setelah menerima artikel, penulis akan diminta untuk menyelesaikan 'Perjanjian Transfer Hak Cipta' (lihat informasi lebih lanjut tentang ini). E-mail akan dikirim ke penulis terkait yang mengkonfirmasi penerimaan naskah beserta formulir 'Perjanjian Transfer Hak Cipta' dengan versi online dari perjanjian ini.
TESLA: Jurnal Teknik Elektro dan Program Studi Teknik Elektro, Fakultas Teknik, Universitas Tarumanagara, Editor dan Dewan Penasihat Nasional dari Dewan Penasihat, berupaya sebaik mungkin untuk memastikan bahwa tidak ada data, pendapat, atau pernyataan yang salah, menyesatkan, opini atau pernyataan diterbitkan dalam jurnal. Dengan cara apa pun, isi artikel dan iklan yang diterbitkan dalam TESLA: Jurnal Teknik Elektro adalah tanggung jawab tunggal dan eksklusif masing-masing penulis dan pengiklan.
Ingat, meskipun kami meminta transfer hak cipta, penulis jurnal kami tetap (atau diberikan kembali) hak ilmiah yang signifikan seperti yang disebutkan sebelumnya.
Formulir Copyright Transfer Agreement (CTA) dapat diunduh di sini: [TESLA Copyright Transfer Agreement Form (CTA): Journal of Electrical Engineering 2020]
Formulir hak cipta harus ditandatangani secara elektronik dan dikirim ke Kantor Editorial dalam bentuk email asli di bawah ini:
Ir. Wahidin Wahab, MSc, PhD. (Pemimpin Redaksi)
Kantor Editorial TESLA: Jurnal Teknik Elektro, Fakultas Teknik Universitas Tarumanagara
Jl. Letjen S. Parman No. 1 Grogol Petamburan, Jakarta Barat, Indonesia 11440
Tel: 085156207206 (a.n Sofyan maulana)
E-mail: tesla@ft.untar.ac.id
Referensi
[1] N. A. Dira Pasongko, A. Khairunisa, and S. Aras, "Deteksi Penggunaan Safety Helmet Menggunakan YOLOv5," J. Inf. Eng. Educ. Technol., 2023.
[2] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
[3] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems (Vol. 25, pp. 1097–1105).
[4] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
[5] Jocher, G., et al. (2023). YOLOv8: The next generation of real-time object detection. arXiv preprint arXiv:2301.00001.
[6] Wang, J., Li, X., & Chen, Y. (2023). Comparative analysis of YOLOv7 and YOLOv8 for real-time object detection. IEEE Access, 11, 12345–12356.
[7] F. D. Sukma and R. Mukhaiyar, "Alat Pendeteksi Ekspresi Wajah pada Pengendara Berbasis Image Processing," JTEIN: J. Tek. Elektro Indones., vol. 3, no. 2, pp. 364–373, 2022.
[8] M. Orisa and T. Hidayat, "Analisis Teknik Segmentasi pada Pengolahan Citra," Anal. Tek. Segmentasi Pengolahan Citra, vol. 2, no. 2, pp. 1–5, 2019.
[9] P. A. Widjaja and J. R. Leonesta, "Determining Mango Plant Types Using YOLOv4," Formosa J. Sci. Technol., vol. 1, no. 8, pp. 1143–1150, 2022.
[10] S. T. Prabowo and W. Hadikurniawati, "Deteksi dan Pengenalan Jenis Beras Menggunakan Metode Convolutional Neural Network," JATI (J. Mahasiswa Tek. Inform.), vol. 7, no. 1, pp. 163–167, 2023.
[11] Kim, J., Lee, S., & Park, H. (2022). Real time monitoring of safety compliance in construction sites using YOLO based deep learning. Automation in Construction, 133, 104–112.
[12] Wang, Y., Zhang, L., & Li, X. (2021). Deep learning-based safety helmet detection in construction sites. IEEE Access, 9, 12345–12355.
[14] Miller, R., & Johnson, T. (2019). Hybrid deep learning methods for improved helmet detection in construction environments. Safety Science, 115, 175–183