SISTEM MONITORING KESELAMATAN KERJA BERBASIS WEB MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI ALAT PELINDUNG DIRI REAL-TIME
Keywords:
Safety Monitoring, CNN, Alat Pelindung Diri, Deteksi Real-timeAbstract
Keselamatan kerja merupakan aspek krusial dalam industri manufaktur untuk mencegah kecelakaan dan melindungi pekerja. Penggunaan Alat Pelindung Diri (APD) seperti helm dan rompi keselamatan adalah kewajiban yang sering diabaikan, sementara metode monitoring manual oleh HSE officer memiliki keterbatasan dalam cakupan area dan waktu pengawasan. Penelitian ini mengembangkan sistem monitoring keselamatan kerja berbasis web yang mampu mendeteksi penggunaan APD secara real-time menggunakan Convolutional Neural Network (CNN). Sistem ini menggunakan dataset sebanyak 9. 074 gambar dengan 4 kelas deteksi (Helmet, NOHelmet, Vest, NOVest) yang diperoleh dari kombinasi dataset mandiri dan Roboflow. Model CNN dibangun menggunakan TensorFlow dan diintegrasikan dengan aplikasi web berbasis Flask yang dilengkapi dengan fitur dashboard monitoring real-time, sistem pelaporan, dan notifikasi otomatis melalui Telegram bot. Sistem mengimplementasikan MediaPipe untuk deteksi wajah guna mengoptimalkan performa komputasi, serta menerapkan mekanisme threshold confidence score (>50%) dan cooldown alert (10 detik) untuk mengurangi false positive. Hasil pelatihan menunjukkan model mencapai validation accuracy sebesar 94,06% pada epoch ke-14. Sistem berhasil diimplementasikan dengan fitur lengkap mencakup live camera feed, violations distribution chart, export laporan PDF, dan integrasi voice alert. Penelitian ini membuktikan bahwa sistem monitoring berbasis CNN dapat menjadi solusi efektif untuk meningkatkan kepatuhan penggunaan APD dan mengurangi risiko kecelakaan kerja di lingkungan industri manufaktur
References
BPJS Ketenagakerjaan. (2023). Laporan Tahunan BPJS Ketenagakerjaan 2023. Jakarta: BPJS Ketenagakerjaan.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 770-
778. https://doi.org/10. 1109/CVPR.2016.90
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90. https://doi.org/10.1145/3065386 LeCun, Y., Bengio, Y., & Hinton, G. (2015).
Deep learning. Nature, 521(7553), 436-444. https://doi.org/10. 1038/nature14539Li, J., Liu, H., Wang, T., Jiang, M., Wang, S., Li, K., & Zhao, X. (2021). Safety helmet wearing detection based on image processing and machine learning. Advanced Engineering Informatics, 49, 101330. https://doi.org/10.1016/j.aei.2021.101330
Lugaresi, C., Tang, J., Nash, H., McClanahan, C., Uboweja, E., Hays, M., ... & Grundmann, M. (2019). MediaPipe: A framework for building perception pipelines. arXiv preprint arXiv:1906.08172.
Nath, N. D., Behzadan, A. H., & Paal, S. G. (2020). Deep learning for site safety: Real-time detection of personal protective equipment. Automation in Construction,112,
103085. https://doi.org/10.1016/j.autcon.2020.103085
Occupational Safety and Health Administration (OSHA). (2020). Personal Protective Equipment (OSHA 3151-12R). U.S. Department of Labor.
Redmon, J., & Farhadi, A. (2018). YOLOv3: Anincremental improvement. arXiv preprint arXiv:1804.02767.
Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards real- time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence,39(6),1137-1149. https://doi.org/10.1109/TPAMI.2016. 2577031
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention, 234-
241. https://doi.org/10.1007/978-3-319-24574-4_28
Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. International Conference on Learning Representations (ICLR).
Wu, J., Cai, N., Chen, W., Wang, H., & Wang, G. (2019). Automatic detection of hardhats worn by construction personnel: A deep learning approach and benchmark dataset. Automation in Construction, 106, 102894. https://doi.org/10.1016/j.autcon
.2019.102894
Zhang, J., Zhu, H., Wang, P., & Ling, X. (2021). ATT squeeze U-Net: A lightweight network for forest fire detection and recognition. IEEE Access,9,10858-10870. https://doi.org/10.1109/ACCESS.2021.3050628
Zhou, F., Zhao, H., & Nie, Z. (2021). Safety helmet detection based on YOLOv5. 2021 IEEE International Conference on Power Electronics, Computer Applications (ICPECA), 6-11. https://doi.org/10.1109/ICPECA51329.2021.9362711
