<![CDATA[Pemantauan kepatuhan penggunaan Alat Pelindung Diri (APD) merupakan aspek krusial dalam Keselamatan dan Kesehatan Kerja (K3) di lingkungan industri. Namun, pengawasan manual memiliki keterbatasan dalam hal konsistensi dan cakupan area. Pendekatan otomatisasi menggunakan computer vision sering kali terkendala dalam mendeteksi objek APD berukuran kecil, sesuai dengan standar pada MS COCO yaitu untuk objek yang ukurannya <322 piksel terhadap keseluruhan input gambar, yang kerap kehilangan detail spasial akibat proses downsampling pada jaringan saraf tiruan. Penelitian ini bertujuan mengatasi permasalahan tersebut dengan memodifikasi arsitektur YOLOv11n-seg melalui integrasi mekanisme Coordinate Attention (CA) pada modul Neck. Pendekatan ini dirancang untuk memperkuat representasi fitur spasial dan kanal tanpa membebani komputasi secara berlebihan. Model dilatih dan dievaluasi menggunakan dataset industri migas yang terdiri dari 1.551 citra dengan 14 kelas objek. Hasil pengujian menunjukkan bahwa model modifikasi mampu mencapai Mean Average Precision (mAP@50) sebesar 71,3%. Integrasi CA terbukti efektif meningkatkan akurasi pada objek kecil yang dinamis dan rentan oklusi, dengan peningkatan mAP@50 pada kelas Hand Gloves sebesar 8,2%, Safety Glasses sebesar 2,3%, dan Dust Mask sebesar 2,2% dibandingkan model baseline. Selain itu, model mampu beroperasi secara real-time dengan kecepatan inferensi 210,5 FPS. Penelitian ini menyimpulkan bahwa modifikasi Neck dengan Coordinate Attention dapat meningkatkan sensitivitas deteksi objek kecil pada sistem pengawasan K3 tanpa mengorbankan efisiensi waktu nyata.]]>
Copyrights © 2026
