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

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