Implementasi YOLOv8n Untuk Deteksi Alat Pelindung Diri Pada Sistem Akses Pintu Otomatis
Rishad Haezul Desward, Ir. Hidayat Nur Isnianto, S.T., M.Eng
2025 | Tugas Akhir | D4 Teknologi Rekayasa Instrumentasi dan Kontrol
Keselamatan dan kesehatan kerja (K3) merupakan
aspek krusial dalam lingkungan industri, terutama dalam penggunaan Alat
Pelindung Diri (APD) secara lengkap. Namun, tingkat kepatuhan pekerja terhadap
standar APD masih rendah yang meningkatkan risiko kecelakaan kerja. Penelitian
ini bertujuan untuk mengembangkan sistem deteksi kelengkapan APD berbasis computer
vision menggunakan algoritma YOLOv8n yang diintegrasikan dengan sistem akses
pintu otomatis ke area khusus. Sistem dirancang untuk mendeteksi minimal tiga
dari tujuh jenis APD yang umum digunakan yaitu helm, rompi keselamatan, wearpack,
kacamata pelindung, penutup telinga, sarung tangan dan sepatu pelindung,
secara real time melalui citra kamera beresolusi rendah.
Model YOLOv8n dilatih menggunakan 2005 data,
dengan pembagian 1404 data pelatihan, 400 data validasi, dan 201 data
pengujian. Proses pelatihan dilakukan selama 200 epoch dengan
konfigurasi batch size 8, ukuran citra 320×320 piksel, learning rate
sebesar 0.01, dan optimizer secara otomatis. Hasil evaluasi menunjukkan
bahwa sistem memiliki performa deteksi yang cukup baik, dengan mAP@0.5 sebesar
0.5855, mAP@0.5:0.95 sebesar 0.3069, dan mAP@0.75 sebesar 0.2794. Sistem juga
menunjukkan nilai precision sebesar 0.5890 dan recall sebesar
0.4804. Performa terbaik ditunjukkan oleh deteksi helmet (mAP@0.5 =
0.900), disusul oleh vest (0.838), glasses (0.621), wearpack
(0.503), ear noise (0.513), glove (0.370), dan shoe
(0.353). Sistem ini menunjukkan potensi untuk meningkatkan efektivitas
pengawasan K3 secara otomatis, terutama dalam pengendalian akses ke area kerja
berisiko tinggi.
Occupational
safety and health (K3) is a crucial aspect in the industrial environment,
especially in the use of complete Personal Protective Equipment (PPE). However,
the level of worker compliance with PPE standards is still low, which increases
the risk of work accidents. This study aims to develop a computer vision-based
PPE completeness detection system using the YOLOv8n algorithm integrated with
an automatic door access system to a special area. The system is designed to
detect at least three of the seven types of PPE commonly used, namely helmets,
safety vests, wearpacks, protective glasses, earmuffs, gloves and protective
shoes, in real time through low-resolution camera images.
The
YOLOv8n model was trained using 2005 data, divided into 1404 training data, 400
validation data, and 201 test data. The training process was carried out for
200 epochs with a batch size configuration of 8, an image size of 320 × 320
pixels, a learning rate of 0.01, and an automatic optimizer. The evaluation
results show that the system has quite good detection performance, with mAP@0.5
of 0.5855, mAP@0.5:0.95 of 0.3069, and mAP@0.75 of 0.2794. The system also
shows a precision value of 0.5890 and a recall of 0.4804. The best performance
is shown by helmet detection (mAP@0.5 = 0.900), followed by vest (0.838),
glasses (0.621), wearpack (0.503), ear noise (0.513), glove (0.370), and shoe
(0.353). This system shows the potential to improve the effectiveness of
automatic OHS supervision, especially in controlling access to high-risk work
areas.
Kata Kunci : Alat Pelindung Diri (APD), Deteksi Objek, Keselamatan dan Kesehatan Kerja (K3), YOLOv8n / Personal Protective Equipment (PPE), Object Detection, Ocupational Safety and Health (OSH), YOLOv8n.
