Deskripsi Fisik

xxii,104hal; 30 cm

Subyek

Keselamatan dan Kesehatan Kerja (K3)

Kata Kunci

Anotasi

ABSTRAK Keselamatan dan Kesehatan Kerja (K3) di lingkungan industri menuntut pengawasan penggunaan Alat Pelindung Diri (APD) secara konsisten, namun metode pengawasan manual memiliki keterbatasan efisiensi dan objektivitas. Penelitian ini merancang dan mengimplementasikan sistem checkpoint pekerja otomatis yang mengintegrasikan Computer Vision dan Internet of Things (IoT) dalam arsitektur client-server menggunakan ESP32-CAM sebagai perangkat akuisisi citra dan laptop dengan prosesor Core i3 tanpa GPU sebagai server pemrosesan. Sistem menerapkan validasi bertingkat tiga lapis secara berurutan: pengenalan identitas pekerja menggunakan metode Local Binary Pattern Histogram (LBPH), deteksi helm keselamatan menggunakan model YOLOv8 yang dioptimasi ke format ONNX, dan klasifikasi warna helm menggunakan ruang warna HSV. Hasil deteksi dicatat secara otomatis ke dalam basis data SQLite dan ditampilkan melalui dashboard pemantauan. Pengujian dilakukan terhadap 200 sesi yang terdiri dari 100 sampel aktual PASS dan 100 sampel aktual FAIL, dengan variasi objek meliputi helm proyek K3, helm motor, topi, serta lima variasi warna helm. Sistem mencapai Accuracy 59,0%, Precision 60,5%, Recall 52,0%, Specificity 66,0%, dan F1-Score 55,9% dengan waktu respons median 0,44 detik. Modul LBPH berhasil mengenali identitas terdaftar dengan akurasi 76,7% dan menolak wajah tidak terdaftar dengan akurasi 78,6%. Modul HSV berhasil mengklasifikasikan warna kromatik (merah, kuning, biru) dengan akurasi 73–84%, namun gagal total pada warna akromatik (putih dan hitam) akibat keterbatasan fundamental ruang warna HSV. Analisis kegagalan menunjukkan bahwa model YOLO menjadi kontributor utama kesalahan sistem, baik pada kasus False Negative (89,6%) maupun False Positive (73,5%), terutama akibat keterbatasan generalisasi model terhadap helm motor. Sistem terbukti mampu beroperasi secara x real-time pada perangkat dengan spesifikasi terbatas dan dapat menjadi solusi alternatif pengawasan K3 yang efisien dan berbiaya rendah, meskipun masih memerlukan penyempurnaan lebih lanjut pada aspek generalisasi model deteksi objek. Kata kunci: checkpoint otomatis, computer vision, IoT, LBPH, YOLOv8-ONNX, HSV, K3, ESP32-CAM