<![CDATA[Keselamatan kerja di industri konstruksi sangat ditentukan oleh kepatuhan pekerja dalam penggunaan Alat Pelindung Diri (APD), khususnya helm keselamatan. Rendahnya tingkat kedisiplinan pekerja serta keterbatasan pengawasan manual menjadi tantangan serius di lapangan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis penggunaan helm berbasis algoritma YOLOv8n yang mampu bekerja secara real-time melalui kamera CCTV dengan efisiensi tinggi pada perangkat komputasi terbatas. Metode penelitian meliputi pengumpulan 1.000 gambar teranotasi yang terdiri dari pekerja dengan dan tanpa helm, anotasi data menggunakan Roboflow, pembagian dataset (80% training, 10% validation, 10% testing), serta pelatihan model di Google Colab menggunakan parameter batch size 16, image size 640, epoch 100, dan learning rate 0,0001. Hasil pengujian menunjukkan tingkat akurasi sebesar 74% pada skenario pekerja berhelm dan 81% pada pekerja tanpa helm. Evaluasi melalui confusion matrix juga mengindikasikan kemampuan model dalam mendeteksi kategori helmet dengan tingkat presisi 85%, sementara pada kategori non-helmet model mencapai 100% akurasi. Temuan ini membuktikan bahwa YOLOv8n memiliki potensi besar dalam mendukung sistem pengawasan Keselamatan dan Kesehatan Kerja (K3) secara otomatis, sehingga dapat membantu mengurangi angka kecelakaan kerja. Penelitian ini membuka peluang pengembangan lebih lanjut, seperti deteksi APD lain serta integrasi dengan fitur notifikasi otomatis berbasis IoT.]]>
