Deteksi Helm Safety Menggunakan Convolutional Neural Networks Dan Yolov3-Tiny

Abstract

Dalam dunia industri keselamatan seseorang menjadi perhatian utama, terutama terkait penggunaan helm safety sebagai alat pelindung diri. Untuk meningkatkan pengawasan penggunaan helm safety secara otomatis, teknologi digital image processing menawarkan solusi inovatif. Penggunaan metode deep learning, khususnya dengan algoritma Convolutional Neural Network (CNN), mampu menganalisis citra secara efektif dan mendeteksi keberadaan objek dengan akurasi tinggi. Salah satu model deteksi yang digunakan dalam penelitian ini adalah You Only Look Once (YOLO) yang dirancang untuk kecepatan dan efisiensi. Dengan menggabungkan kemampuan deteksi objek YOLOv3 Tiny dan arsitektur CNN yang kuat, sistem dapat memonitor dan mengidentifikasi penggunaan helm safety secara real-time, bahkan dalam lingkungan kerja yang dinamis dan kompleks. Penelitian ini menggunakan beberapa tahap utama, yakni pengumpulan data, pra-pemrosesan, pelatihan, dan pengujian. Pada tahap awal, gambar diambil dari berbagai sudut untuk mendokumentasikan objek yang mengenakan helm safety dan yang tidak. Selanjutnya, dalam proses prapemrosesan, objek-objek dalam gambar diberi label menggunakan aplikasi LabelImg. Total terdapat 708 anotasi untuk gambar objek yang mengenakan helm safety, dan 794 untuk yang tidak mengenakan helm safety. Pelatihan model dilakukan menggunakan metode transfer learning dengan arsitektur darknet-53 YOLOv3-tiny, yang dijalankan pada platform Google Collaboratory. Untuk mendeteksi objek, Convolutional Neural Network (CNN) digunakan pada tahap pengenalan objek, sedangkan YOLOv3-tiny diterapkan pada proses deteksi. Pengujian model dilakukan dengan teknik 10-fold cross-validation, dengan parameter pelatihan epoch sebanyak 50 dan batch size 32. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi sebesar 0,8, dengan nilai presisi 0,83, recall 0,8, dan F1score 0,8.