Deteksi Otomatis Penggunaan APD pada Pekerja Migas Menggunakan Deep Learning dan Computer Vision
Industri minyak dan gas (migas) merupakan sektor dengan risiko kerja tinggi yang memerlukan penerapan prosedur keselamatan secara ketat, termasuk penggunaan Alat Pelindung Diri (APD) oleh pekerja. Namun, pengawasan penggunaan APD secara manual masih memiliki keterbatasan dari sisi efisiensi dan keak...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Universitas Dian Nuswantoro
2025-08-01
|
| Series: | Techno.Com |
| Online Access: | https://publikasi.dinus.ac.id/index.php/technoc/article/view/13449 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1849735997397401600 |
|---|---|
| author | Dennis Tan Soni Prayogi |
| author_facet | Dennis Tan Soni Prayogi |
| author_sort | Dennis Tan |
| collection | DOAJ |
| description | Industri minyak dan gas (migas) merupakan sektor dengan risiko kerja tinggi yang memerlukan penerapan prosedur keselamatan secara ketat, termasuk penggunaan Alat Pelindung Diri (APD) oleh pekerja. Namun, pengawasan penggunaan APD secara manual masih memiliki keterbatasan dari sisi efisiensi dan keakuratan, terutama di area kerja luas dan kompleks. Permasalahan ini mendorong perlunya sistem otomatis yang mampu mendeteksi pemakaian APD secara real-time dan akurat. Penelitian ini mengusulkan implementasi teknologi Computer Vision berbasis Convolutional Neural Network (CNN) untuk mendeteksi penggunaan APD pada pekerja di lingkungan industri migas. Sistem yang dibangun memanfaatkan dataset citra pekerja dengan berbagai variasi APD seperti helm, rompi, dan masker, yang kemudian dilatih menggunakan arsitektur CNN untuk mengenali atribut keselamatan tersebut. Hasil pengujian menunjukkan bahwa model CNN yang digunakan mampu mencapai akurasi deteksi hingga 94,2% pada data uji, dengan performa yang konsisten dalam berbagai kondisi pencahayaan dan posisi kamera. Sistem ini juga mampu mendeteksi ketidaksesuaian penggunaan APD dalam waktu kurang dari satu detik per frame, sehingga dapat diterapkan untuk kebutuhan monitoring secara real-time. Dengan demikian, solusi ini berpotensi meningkatkan efektivitas pengawasan keselamatan kerja dan mengurangi risiko kecelakaan di industri migas secara signifikan. Penelitian ini membuka peluang pengembangan lebih lanjut pada aspek integrasi dengan sistem pengawasan industri berbasis IoT dan peningkatan generalisasi model pada berbagai jenis lingkungan kerja.
Kata kunci: Computer Vision, Convolutional Neural Network (CNN), Alat Pelindung Diri (APD). |
| format | Article |
| id | doaj-art-c3ac8bc6c8f1419a8b491084ebae7ff8 |
| institution | DOAJ |
| issn | 2356-2579 |
| language | Indonesian |
| publishDate | 2025-08-01 |
| publisher | Universitas Dian Nuswantoro |
| record_format | Article |
| series | Techno.Com |
| spelling | doaj-art-c3ac8bc6c8f1419a8b491084ebae7ff82025-08-20T03:07:24ZindUniversitas Dian NuswantoroTechno.Com2356-25792025-08-0124383484210.62411/tc.v24i3.1344918954Deteksi Otomatis Penggunaan APD pada Pekerja Migas Menggunakan Deep Learning dan Computer VisionDennis Tan0Soni Prayogi1Universitas Pertamina, Jakarta, IndonesiaUniversitas Pertamina, Jakarta, IndonesiaIndustri minyak dan gas (migas) merupakan sektor dengan risiko kerja tinggi yang memerlukan penerapan prosedur keselamatan secara ketat, termasuk penggunaan Alat Pelindung Diri (APD) oleh pekerja. Namun, pengawasan penggunaan APD secara manual masih memiliki keterbatasan dari sisi efisiensi dan keakuratan, terutama di area kerja luas dan kompleks. Permasalahan ini mendorong perlunya sistem otomatis yang mampu mendeteksi pemakaian APD secara real-time dan akurat. Penelitian ini mengusulkan implementasi teknologi Computer Vision berbasis Convolutional Neural Network (CNN) untuk mendeteksi penggunaan APD pada pekerja di lingkungan industri migas. Sistem yang dibangun memanfaatkan dataset citra pekerja dengan berbagai variasi APD seperti helm, rompi, dan masker, yang kemudian dilatih menggunakan arsitektur CNN untuk mengenali atribut keselamatan tersebut. Hasil pengujian menunjukkan bahwa model CNN yang digunakan mampu mencapai akurasi deteksi hingga 94,2% pada data uji, dengan performa yang konsisten dalam berbagai kondisi pencahayaan dan posisi kamera. Sistem ini juga mampu mendeteksi ketidaksesuaian penggunaan APD dalam waktu kurang dari satu detik per frame, sehingga dapat diterapkan untuk kebutuhan monitoring secara real-time. Dengan demikian, solusi ini berpotensi meningkatkan efektivitas pengawasan keselamatan kerja dan mengurangi risiko kecelakaan di industri migas secara signifikan. Penelitian ini membuka peluang pengembangan lebih lanjut pada aspek integrasi dengan sistem pengawasan industri berbasis IoT dan peningkatan generalisasi model pada berbagai jenis lingkungan kerja. Kata kunci: Computer Vision, Convolutional Neural Network (CNN), Alat Pelindung Diri (APD).https://publikasi.dinus.ac.id/index.php/technoc/article/view/13449 |
| spellingShingle | Dennis Tan Soni Prayogi Deteksi Otomatis Penggunaan APD pada Pekerja Migas Menggunakan Deep Learning dan Computer Vision Techno.Com |
| title | Deteksi Otomatis Penggunaan APD pada Pekerja Migas Menggunakan Deep Learning dan Computer Vision |
| title_full | Deteksi Otomatis Penggunaan APD pada Pekerja Migas Menggunakan Deep Learning dan Computer Vision |
| title_fullStr | Deteksi Otomatis Penggunaan APD pada Pekerja Migas Menggunakan Deep Learning dan Computer Vision |
| title_full_unstemmed | Deteksi Otomatis Penggunaan APD pada Pekerja Migas Menggunakan Deep Learning dan Computer Vision |
| title_short | Deteksi Otomatis Penggunaan APD pada Pekerja Migas Menggunakan Deep Learning dan Computer Vision |
| title_sort | deteksi otomatis penggunaan apd pada pekerja migas menggunakan deep learning dan computer vision |
| url | https://publikasi.dinus.ac.id/index.php/technoc/article/view/13449 |
| work_keys_str_mv | AT dennistan deteksiotomatispenggunaanapdpadapekerjamigasmenggunakandeeplearningdancomputervision AT soniprayogi deteksiotomatispenggunaanapdpadapekerjamigasmenggunakandeeplearningdancomputervision |