<![CDATA[Industri minyak dan gas (MIGAS) merupakan sektor dengan risiko kecelakaan fatal yang tinggi, sehingga pengawasan kepatuhan Alat Pelindung Diri (APD) secara otomatis menjadi kebutuhan kritis. Penelitian ini mengajukan analisis komparatif terhadap tiga arsitektur CNN ringan, GhostNetV2, MobileNetV4, dan EfficientLite, sebagai backbone pengganti YOLOv11n untuk deteksi APD di industri MIGAS. Sepuluh varian model dievaluasi pada dataset primer 4.250 citra teranotasi 11 kelas APD dari rekaman CCTV kilang minyak. GhostNetV2-160 mencapai kinerja deteksi terbaik (mAP50 = 0,6220, +1,8 pp dari baseline), namun dengan peningkatan parameter 87%, GFLOPs 52%, dan latensi 327%. MobileNetV4_Small_035 mencapai efisiensi tertinggi (GFLOPs −49%, latensi −7%), namun dengan penurunan mAP50 sebesar 10,7 pp. Pemeringkatan SAW menempatkan MobileNetV4_Small_035 pertama (0,91), menunjukkan tidak ada backbone yang melampaui baseline pada kedua dimensi sekaligus. Uji Friedman mengkonfirmasi perbedaan signifikan secara statistik (p < 3,84×10⁻⁵), dan uji Nemenyi mengidentifikasi GhostNetV2-160 sebagai model dengan mean rank terbaik secara konsisten.]]>
Copyrights © 2026
