SISTEM MONITORING KELENGKAPAN ALAT PELINDUNG DIRI MENGGUNAKAN COMPUTER VISION BERBASIS YOLO

Keselamatan kerja di sektor konstruksi masih menjadi perhatian utama, terutama akibat rendahnya tingkat kepatuhan terhadap standar penggunaan Alat Pelindung Diri (APD). Untuk mengatasi permasalahan ini, penelitian ini mengembangkan dan mengevaluasi sistem pemantauan APD secara real-time dengan melakukan analisis komparatif terhadap dua model deteksi objek terkini, yaitu YOLOv8s dan YOLOv11s. Sistem dirancang untuk mendeteksi tiga jenis APD utama: helm, masker, dan rompi, dengan pelatihan model dilakukan pada dataset kustom yang terdiri dari 9.202 citra hasil augmentasi selama 200 epoch. Evaluasi pada test set independen menunjukkan kinerja yang sangat kompetitif. YOLOv8s mencapai precision 0,91, recall 0,866, mAP@0.5 0,908, dan mAP@0.5:0.95 0,542. Sementara itu, YOLOv11s mencatatkan precision lebih tinggi yaitu 0,92, recall 0,860, mAP@0.5 0,906, serta mAP@0.5:0.95 yang lebih unggul sebesar 0,544. Dari sisi efisiensi, YOLOv11s memiliki ukuran model 19,2 MB (15% lebih kecil dibanding YOLOv8s), serta mampu mencapai kecepatan inferensi real-time hingga ±112 FPS (≈8,9 ms per citra). Untuk penerapan praktis, YOLOv11s dipilih sebagai model final dan diintegrasikan dalam prototipe aplikasi web berbasis Flask. Uji coba fungsional menunjukkan sistem mampu melakukan deteksi APD secara real-time dengan tingkat akurasi konsisten, penyimpanan riwayat deteksi pada basis data SQLite, serta penyajian dashboard analitik untuk memantau tren kepatuhan. Hasil penelitian ini menegaskan bahwa YOLOv11s merupakan solusi yang lebih seimbang dan efisien untuk otomatisasi pemantauan kepatuhan APD. Temuan ini juga menyoroti pentingnya evaluasi holistik di luar satu metrik tunggal dalam implementasi sistem visi komputer yang andal di lingkungan kerja nyata.
https://jurnal.polibatam.ac.id/index.php/JAIC/article/view/10172