<![CDATA[Penerapan Keselamatan dan Kesehatan Kerja (K3) merupakan aspek krusial di sektor industri. Meskipun demikian, pemantauan kepatuhan penggunaan Alat Pelindung Diri (APD) secara manual sangat rentan terhadap kelalaian manusia, sementara kamera pengawas statis kerap memiliki keterbatasan area pantau. Penggunaan kamera langsung (live cam) portabel menawarkan fleksibilitas pengawasan seketika, namun menuntut arsitektur kecerdasan buatan yang sangat efisien secara komputasi. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi kinerja algoritma YOLOv11n (Nano) dalam mengidentifikasi enam kelas target (pekerja, helm, kacamata, sarung tangan, sepatu, dan kemeja reflektor) serta mengintegrasikannya pada sebuah antarmuka web. Metodologi penelitian menerapkan kerangka kerja OSEMN menggunakan 346 data citra privat. Fase pelatihan dieksekusi selama 50 epoch dengan memanfaatkan augmentasi data dinamis guna menyimulasikan kondisi riil di lapangan. Hasil pengujian memvalidasi bahwa model sukses mencatatkan nilai rata-rata presisi (mean Average Precision/mAP50) sebesar 99,2%. Model prediksi selanjutnya dikonversi ke dalam format TensorFlow.js untuk dijalankan secara murni pada peramban klien (client-side). Sistem ini mengadopsi algoritma irisan spasial guna menentukan status kepatuhan, di mana insiden pelanggaran secara otomatis ditransmisikan ke dalam basis data awan Firebase Firestore yang dikendalikan oleh filter pencegah duplikasi data. Kesimpulannya, YOLOv11n terbukti sangat presisi, tangguh, dan berbobot ringan untuk mewujudkan instrumen audit K3 yang terotomatisasi secara komprehensif. ]]>
