<![CDATA[Pemantauan kepatuhan penggunaan Alat Pelindung Diri (APD) merupakan aspek kritis dalam Keselamatan dan Kesehatan Kerja (K3) di lingkungan industri berisiko tinggi. Pengawasan manual dinilai tidak efisien dari sisi konsistensi dan cakupan area, sehingga diperlukan solusi otomatis berbasis computer vision. Penelitian ini mengusulkan dan membandingkan empat pendekatan deteksi APD, yaitu: (1) model deteksi bounding box, (2) model segmentasi dengan konversi bounding box, (3) model bounding box dengan Pose-Guided Anchoring (PGA), dan (4) model segmentasi dengan konversi bounding box dan PGA. PGA memanfaatkan informasi keypoint pose manusia dari YOLOv11 untuk membangkitkan Region of Interest (ROI) anatomis sehingga deteksi APD lebih terfokus pada area tubuh yang relevan. Model dilatih dan dievaluasi pada dataset industri migas dengan 14 kelas APD menggunakan metrik mAP@50, mAP@75, dan mAP@50–95. Hasil pengujian menunjukkan bahwa model segmentasi dengan konversi bounding box secara konsisten mengungguli model deteksi langsung, mengindikasikan bahwa pelatihan berbasis target segmentasi mendorong pembelajaran fitur spasial yang lebih kaya. Integrasi PGA menunjukkan potensi pada skenario terkontrol, namun performanya menurun pada dataset yang lebih beragam akibat variasi sudut kamera dan kegagalan deteksi pose. Secara keseluruhan, model segmentasi dengan konversi bounding box tanpa PGA menjadi solusi paling andal untuk sistem deteksi APD berskala umum di lingkungan industri nyata.]]>
Copyrights © 2026
