Analisis Sistem Deteksi Penggunaan Hard Hat Pada Pekerja Konstruksi Menggunakan Metode Jaringan Syaraf Tiruan Konvolusi

Faris Fadhlur Rachman, Hertiana Bethaningtyas, Reza Fauzi Iskandar

Abstract

Abstrak
Keselamatan kerja merupakan sebuah tanggung jawab perusahaan dalam menjaga asset agar tidak mengalami
kerugian, salah satu faktor yang dapat mengancam keselamatan kerja adalah kedisiplinan penggunaan hard hat.
Oleh karena itu penggunaan hard hat perlu di monitor untuk menjada nilai K3 perusahaan dan juga keselamatan
pekerja. Metode penelitian yang diusulkan oleh penulis adalah menggunakan metode deteksi objek melalui
kamera menggunakan Convolutional Neural Network (CNN) atau Jaringan Syaraf Konvolusi dengan beberapa
arsitektur yang mendukung deteksi objek secara waktu-nyata yaitu Faster Region-based CNN dan Single Shot
Multibox Detector. Sehingga dalam aplikasinya CNN tersebut digunakan untuk mendeteksi objek berupa alat
keselamatan yang digunakana oleh seseorang. Hasil akhir dari penelitian ini adalah sebuah sistem keselamatan
yang ditampilkan melalui GUI menggunakan arsitektur CNN dengan performansi presisi terbaik pada model
Faster R-CNN Inception V2 yang mencapai nilai presisi 86,841% dan performansi rasio frame rate terbaik pada
model SSD Mobilenet V1 dengan nilai 10,364 kali lebih besar dibandingkan dengan model Faster R-CNN
Inception V2. Selain kedua metrik tersebut dilakukan perhitungan nilai presisi berdasarkan lokalisasi deteksi
menggunakan metrik COCO yang menghasilkan nilai terbaik pada model Faster R-CNN Inception V2 dengan
nilai 47.120%.
Kata Kunci: Deteksi Objek, Jaringan Syaraf , dan Keselamatan
Abstract
Work safety is a company’s responsibility in protecting assets so that the company doesn’t suffer losses, one of
the threat that may risk work safety is the discipline of hard hat use. Because of that the use of hard hat needs to
be monitored to not only to maintain company’s OSH value, but also worker’s safety. The research method
proposed by the author is to use the object detection method through the camera using Convolutional Neural
Network (CNN) with some architecture supports that real-time object detection, namely Faster Region-based
CNN and Single Shot Multibox Detector. So that the CNN may be used to detect objects in the form of safety
equipment used by someone. The final result of this research is a safety system displayed through a GUI using
CNN architecture with the best precision performance in the Faster R-CNN Inception V2 model which reaches a
precision value of 86.841% and the best frame rate performance in the SSD Mobilenet V1 with a value of
10,364 times higher than the Faster R-CNN Inception V2 model. In addition to these two metrics, the
calculation of the value of localization precision is carried out using the COCO metric which produces the best
value in the Faster R-CNN Inception V2 model with a value of 47,120%.
Keywords: Object Detection, Neural Network, and Safety

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0