Keselamatan dan kesehatan kerja (Occupational Safety and Health - OSH) merupakan aspek penting dalam dunia industri, terutama di lingkungan yang berisiko tinggi seperti Pembangkit Listrik Tenaga Uap (PLTU). Penelitian ini bertujuan untuk mengembangkan sistem yang dapat mendeteksi kepatuhan pekerja terhadap penggunaan APD seperti helm dan rompi keselamatan secara real-time, guna meningkatkan manajemen keselamatan kerja dan mengurangi risiko kecelakaan di tempat kerja.
Dua teknologi utama:
- YOLOv8: Algoritma deep learning terbaru untuk deteksi objek yang cepat dan akurat.
- Django: Framework berbasis Python untuk membangun antarmuka pengguna berbasis web.
Sistem dikembangkan dengan langkah-langkah sebagai berikut:
- Pengumpulan Data: Menggunakan dataset pekerja konstruksi yang memakai APD dan tidak memakai APD.
- Pelabelan Data: Data diklasifikasikan ke dalam empat kategori: helm, tanpa helm, rompi, dan tanpa rompi.
- Pelatihan Model: Model YOLOv8 dilatih menggunakan dataset yang telah diklasifikasikan.
- Implementasi Sistem: Model yang telah dilatih diterapkan ke dalam sistem berbasis Django untuk memantau kepatuhan penggunaan APD secara real-time.
Sistem diuji menggunakan 230 data uji dengan metrik berikut:
- Akurasi rata-rata: 82,3%
- mAP50 (Mean Average Precision pada 50% IoU): 81,6%
- Presisi: 90,3%
- Recall: 75,1%
Sistem mampu mendeteksi keberadaan APD dengan baik, ditunjukkan melalui warna bounding box:
- Merah: Helm terdeteksi
- Biru: Rompi terdeteksi
- Hijau: Helm tidak terdeteksi (pelanggaran)
- Kuning: Rompi tidak terdeteksi (pelanggaran)
PLTU Paiton, sebagai pembangkit listrik terbesar di Indonesia dengan kapasitas 4.600 MW, memiliki risiko tinggi terhadap kecelakaan kerja. Pada tahun 2018, terjadi kecelakaan kerja akibat jatuh dari lantai enam saat memindahkan material. Dengan sistem deteksi APD ini, pengawasan dapat dilakukan secara otomatis, sehingga pelanggaran dapat langsung teridentifikasi dan ditindaklanjuti.
Hasil implementasi sistem menunjukkan:
- Penurunan potensi pelanggaran APD hingga 30% dalam dua tahun.
- Peningkatan kepatuhan terhadap aturan keselamatan dari 70% menjadi 95% setelah implementasi sistem.
Meskipun sistem ini terbukti efektif, terdapat beberapa tantangan yang dihadapi:
- Kualitas Kamera: Sistem masih mengalami kesalahan deteksi akibat pencahayaan dan spesifikasi kamera yang rendah.
- Kecepatan Deteksi: Sistem real-time memerlukan perangkat keras dengan spesifikasi tinggi untuk memastikan kelancaran deteksi.
- Variasi Sudut Pengambilan Gambar: Posisi pekerja yang tidak terdeteksi dengan baik oleh kamera dapat mengurangi efektivitas sistem.
Kelebihan
✅ Menggunakan metode YOLOv8 yang canggih dengan akurasi tinggi.
✅ Implementasi sistem berbasis Django memungkinkan deteksi real-time.
✅ Studi kasus di PLTU Paiton memberikan bukti nyata manfaat sistem ini.
Kekurangan
❌ Sistem masih bergantung pada kualitas kamera dan pencahayaan yang baik.
❌ Tidak ada perbandingan langsung dengan metode deteksi APD lainnya seperti Mask R-CNN atau Faster R-CNN.
❌ Tidak membahas aspek biaya dan efisiensi penerapan sistem di industri lain selain PLTU.
Namun, secara keseluruhan, penelitian ini memberikan kontribusi penting dalam meningkatkan keselamatan kerja di industri berisiko tinggi.
Untuk meningkatkan efektivitas sistem, beberapa langkah dapat dilakukan:
- Peningkatan Kualitas Kamera: Menggunakan kamera dengan resolusi lebih tinggi dan fitur low-light enhancement.
- Integrasi dengan IoT: Menghubungkan sistem deteksi dengan alarm otomatis atau peringatan langsung ke supervisor.
- Pengembangan Mobile App: Memungkinkan pengawasan melalui smartphone untuk meningkatkan aksesibilitas.
- Pengujian di Berbagai Industri: Menerapkan sistem ini di sektor konstruksi, manufaktur, dan pertambangan untuk menguji fleksibilitasnya.
Teknologi kecerdasan buatan (AI) dapat digunakan untuk meningkatkan keselamatan kerja. Dengan implementasi YOLOv8 dan Django, sistem deteksi APD ini mampu memberikan solusi real-time yang efektif dalam mengurangi pelanggaran keselamatan di tempat kerja.
Meskipun terdapat beberapa tantangan, pendekatan yang diusulkan dalam penelitian ini membuka peluang bagi pengembangan lebih lanjut, terutama dalam integrasi dengan sistem keselamatan yang lebih luas. Dengan perbaikan yang tepat, sistem ini dapat menjadi standar baru dalam pemantauan kepatuhan terhadap APD di berbagai sektor industri.
Sumber Artikel
Nisa, K., Fajri, F. N., & Arifin, Z. (2023). Implementation of Personal Protective Equipment Detection Using Django and Yolo Web at Paiton Steam Power Plant (PLTU). Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI), 9(2), 333-347.