<![CDATA[Deteksi Alat Pelindung Diri (APD) pada lingkungan industri migas menghadapi tantangan utama berupa objek berukuran kecil dan variasi visual yang rumit pada citra lapangan. Penggunaan dataset virtual mampu mengatasi keterbatasan data latih, namun perbedaan karakteristik visual memicu terjadinya fenomena domain gap. Penelitian ini bertujuan mengevaluasi penerapan model YOLOv11n menggunakan pendekatan adaptasi domain melalui metode Correlation Alignment (CORAL) dan strategi Head Freezing. Metode penelitian yang digunakan adalah eksperimen komputasi Transfer Learning Virtual-to-Real dengan membandingkan model baseline dan beberapa skenario pelatihan dari dataset virtual VW-PPE ke dataset riil. Evaluasi dilakukan berbasis analisis statistik deskriptif secara data-driven (Q1 dan Q3) untuk mendefinisikan skala objek secara objektif. Hasil penelitian menunjukkan bahwa Skenario D (Skenario Head Freezing) mencapai nilai mAP@50 sebesar 0.6904, sedikit lebih unggul dari baseline (0.6900) namun mencatatkan peningkatan Presisi yang signifikan menjadi 0.7396. Skenario ini terbukti sangat efektif meningkatkan akurasi deteksi pada objek berukuran mikro (Small Object), seperti peningkatan mAP@50 sebesar 11.3% pada kelas tidak menggunakan sepatu keselamatan (no safety shoes). Penelitian ini menyimpulkan bahwa adaptasi domain berbasis CORAL dan Head Freezing mampu menstabilkan fitur geometri objek kecil dan mencegah terjadinya catastrophic forgetting pada model deteksi.]]>
Copyrights © 2026
