Keselamatan dan kesehatan kerja (K3) merupakan faktor krusial dalam lingkungan industri. Paper ini membahas penerapan teknologi deep learning dalam mendeteksi dan memantau pemakaian APD di tempat kerja menggunakan berbagai model YOLO, seperti YOLO-NAS, YOLOv8, dan YOLOv9. Tujuannya adalah untuk meningkatkan akurasi dan efisiensi dalam mengidentifikasi kepatuhan pekerja terhadap protokol keselamatan.
Penelitian ini menggunakan dataset yang terdiri dari 2581 gambar yang mencakup berbagai lingkungan kerja dan pekerja dengan variasi warna helm dan rompi keselamatan. Dataset ini dibagi menjadi:
- 2202 gambar untuk pelatihan
- 223 gambar untuk validasi
- 156 gambar untuk pengujian
Proses pelabelan dilakukan menggunakan Roboflow dengan 9 kelas berdasarkan warna dan jenis APD. Dengan cara ini, model dapat mengenali dan mengklasifikasikan helm dan rompi dalam berbagai situasi kerja.
Tiga model YOLO:
- YOLO-NAS: Dirancang untuk mendeteksi objek kecil dan meningkatkan akurasi lokal.
- YOLOv8: Model terbaru yang memiliki keseimbangan antara kecepatan dan akurasi.
- YOLOv9: Model terbaru yang memiliki peningkatan dalam presisi deteksi.
Model-model ini dilatih dengan 200 epoch untuk memastikan perbandingan yang adil.
- YOLO-NAS menunjukkan performa terbaik dalam recall dan F1 score, menjadikannya pilihan ideal untuk deteksi objek yang lebih kecil.
- YOLOv8 memiliki kecepatan pelatihan tertinggi, tetapi performanya sedikit di bawah model lainnya.
- YOLOv9 memiliki nilai presisi tertinggi (99.5%), menunjukkan efektivitas dalam menghindari kesalahan deteksi positif.
Dalam konteks industri, penerapan sistem pemantauan APD berbasis YOLO dapat membantu mengurangi kecelakaan kerja. Data dari Organisasi Buruh Internasional (ILO) menunjukkan bahwa sekitar 270 juta kecelakaan kerja dan 160 juta penyakit akibat kerja terjadi setiap tahun, dengan dua juta kematian yang disebabkan oleh insiden tersebut.
Di Turki, yang menjadi fokus studi ini, tingkat kecelakaan kerja fatal mencapai 4.5 kali lebih tinggi dari rata-rata Uni Eropa. Dengan menerapkan sistem pemantauan otomatis berbasis YOLO, perusahaan dapat secara real-time mengawasi penggunaan APD dan mengurangi risiko kecelakaan.
Beberapa kendala dalam sistem deteksi APD ini meliputi:
- Variasi Pencahayaan: Pencahayaan yang buruk dapat mempengaruhi akurasi deteksi.
- Kesalahan Deteksi: Model mungkin salah mengklasifikasikan objek jika tampilan APD terhalang.
- Kecepatan Pemrosesan: Model dengan presisi tinggi seperti YOLOv9 membutuhkan perangkat keras yang lebih kuat untuk pemrosesan real-time.
Kelebihan
✅ Menggunakan dataset yang luas dan bervariasi.
✅ Membandingkan beberapa model YOLO untuk evaluasi yang lebih komprehensif.
✅ Memberikan solusi nyata untuk meningkatkan keselamatan kerja di industri.
Kekurangan
❌ Tidak membahas biaya implementasi dan efisiensi di berbagai sektor industri.
❌ Tidak ada integrasi dengan teknologi IoT atau sistem peringatan otomatis.
❌ Fokus utama masih pada helm dan rompi, tanpa mempertimbangkan perlengkapan lain seperti sarung tangan atau sepatu keselamatan.
Untuk meningkatkan efektivitas sistem, beberapa langkah yang dapat diterapkan meliputi:
- Integrasi dengan IoT: Menghubungkan sistem dengan alarm otomatis atau perangkat wearable untuk memberikan peringatan langsung kepada pekerja.
- Peningkatan Kualitas Data: Menggunakan dataset dengan pencahayaan dan sudut pengambilan gambar yang lebih bervariasi untuk meningkatkan akurasi model.
- Penerapan di Berbagai Sektor: Mengadaptasi sistem ini untuk industri konstruksi, manufaktur, dan pertambangan guna memperluas manfaatnya.
- Penambahan Jenis APD: Memperluas deteksi ke sarung tangan, sepatu keselamatan, dan perlengkapan lain untuk memastikan keselamatan pekerja secara menyeluruh.
Penerapan deep learning dalam pemantauan APD. Dengan membandingkan berbagai model YOLO, penelitian ini menunjukkan bahwa sistem otomatis berbasis AI dapat secara signifikan meningkatkan keselamatan kerja dengan mendeteksi penggunaan APD secara real-time.
Meskipun terdapat beberapa tantangan, pendekatan ini membuka peluang besar untuk inovasi lebih lanjut dalam teknologi keselamatan industri. Dengan pengembangan lebih lanjut, sistem ini dapat menjadi standar baru dalam pemantauan kepatuhan terhadap protokol keselamatan kerja di seluruh dunia.
Sumber Artikel
Guney, E., Altin, H., Asci, A. E., Bayilmis, O. U., & Bayilmis, C. (2024). YOLO-Based Personal Protective Equipment Monitoring System for Workplace Safety. JITSI: Jurnal Ilmiah Teknologi Sistem Informasi, 5(2), 77-85.