Sistem Pendeteksi Alat Pelindung Diri (APD) Pada Pekerja Konstruksi Berbasis Convolutional Neural Network

Nirvana, Muhammad Naofal (2023) Sistem Pendeteksi Alat Pelindung Diri (APD) Pada Pekerja Konstruksi Berbasis Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940000066-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (28MB) | Request a copy

Abstract

Alat Pelindung Diri (APD) adalah suatu alat yang mempunyai kemampuan untuk melindungi seseorang yang fungsinya mengisolasi sebagian atau seluruh tubuh dari potensi bahaya di tempat kerja. Meskipun sudah diwajibkan dan diatur dalam peraturan menteri, tidak menjamin semua pekerja lapangan akan memakai APD tersebut. Perusahaan yang mengerjakan proyek konstruksi biasanya sudah mengerahkan pengawas untuk memastikan semua pekerja memakai APD yang sesuai ketentuan. Namun metode pengawasan dan peringatan yang digunakan masih dilakukan secara manual oleh staf-staf pengawas yang masih memiliki keterbatasan yang menyebabkan kurangnya kepedulian para pekerja terhadap penggunaan APD. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem yang bisa mendeteksi APD pada pekerja konstruksi yang dapat memberikan pengawasan dan peringatan terhadap penggunaan APD yang tidak lengkap. Pengembangan sistem akan memanfaatkan kamera dan algoritma deteksi objek YOLOv7 dan YOLOv8 yang berbasis Convolutional Neural Network. Untuk tujuan tersebut, peneliti telah mengumpulkan dataset yang sesuai dan mengevaluasi beberapa varian model berdasarkan arsitektur deteksi objek baru-baru ini yaitu YOLOv7 dan YOLOv8. Hal lain yang baru pada penelitian ini adalah jumlah sasaran kelas yang dideteksi (orang, kepala, helm empat warna, kacamata, rompi, sarung tangan, dan sepatu keselamatan kerja) oleh sistem lebih banyak dibandingkan dengan penelitian-penelitian yang dijadikan referensi. Model-model yang telah dikembangkan menghasilkan akurasi deteksi yang baik pada kondisi lingkungan dengan pencahayaan cukup terutama YOLOv7 pada jarak ideal yaitu 3 meter dan 4,5 meter dengan nilai mAP sebesar 0,912 pada jarak 3 meter dan 0,947 pada jarak 4,5 meter. Pada pengujian mekanisme alarm sistem menggunakan YOLOv7 menghasilkan akurasi sebesar 1,0 pada jarak 1,5 meter dan 3 meter. Pengujian pada kondisi hujan dan pencahayaan kurang menunjukkan pengaruhnya pada akurasi model menjadi lebih rendah. Kemungkinan adanya halangan oleh bagian tubuh atau benda menyebabkan rendahnya akurasi dalam mendeteksi sarung tangan dan kacamata, dimana penempatan objek secara ideal (menggunakan kacamata lebih tebal dan membuka tangan dengan lebar) telah diterapkan namun tidak membantu dalam mendeteksi kedua objek tersebut.
====================================================================================================================================
Personal Protective Equipment (PPE) is a device that has the ability to protect an individual by isolating part or all of the body from potential hazards in the workplace. Although it is mandatory and regulated by ministry regulations, it does not guarantee that all field workers will wear the required PPE. Construction companies typically deploy supervisors to ensure that all workers wear the appropriate PPE. However, the supervision methods used are still manually conducted by supervisors who have limitations. Therefore, this research aims to develop a system that can automatically detect PPE on construction workers in real-time and trigger an alarm when the system detects incomplete PPE usage. The system development will utilize cameras and object detection algorithms YOLOv7 and YOLOv8 which are based on Convolutional Neural Network. For this purpose, the researcher has collected relevant datasets and evaluated several model variations based on recent object detection architectures, namely YOLOv7 and YOLOv8. Another novelty in this research is the larger number of target classes to be detected (person, head, 4-color helmet, glasses, vest, gloves, and safety boots) compared to the referenced studies. The developed models achieved good detection accuracy in adequately lit environmental conditions, especially YOLOv7 with an mAP value of 0.912 at a distance of 3 meters and 0.947 at a distance of 4.5 meters. In the testing of the alarm mechanism, by disregarding glasses and gloves, the system achieved an accuracy of 1.0 at distances of 1.5 meters and 3 meters with an FPS rate ranging from 1 to 2 FPS using a laptop. The small size of some objects or the potential occlusion by body parts has been identified as potential factors detrimental to accuracy, such as in the case of glasses and gloves, where the researcher attempted various mitigation efforts by using thicker glasses and widening the palm, but did not succeed in significantly improving the accuracy. Nevertheless, the overall trained models are suitable for implementation in PPE detection systems for construction workers, albeit in an non-ideal condition.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	personal protective equipment, system, detect, convolutional neural network, alat pelindung diri, sistem, deteksi, convolutional neural network.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Muhammad Naofal Nirvana
Date Deposited:	01 Aug 2023 04:16
Last Modified:	01 Aug 2023 04:16
URI:	http://repository.its.ac.id/id/eprint/101058

Actions (login required)

View Item