Keselamatan kerja merupakan sebuah tanggung jawab perusahaan dalam
menjaga asset agar tidak mengalami kerugian. Salah satu dari tiang penyangga
keselamatan kerja adalah program K3. Dalam K3 salah satu parameter
keselamatan yaitu equipment khususnya pada peraturan Menteri Ketenagakerjaan
Indonesia tahun 2010 yang menyatakan persyaratan alat keselamatan, salah satu
alat tersebut adalah helm kerja. Salah satu faktor yang dapat mengancam
keselamatan kerja adalah kedisiplinan penggunaan hard hat. Oleh karena itu
penggunaan hard hat perlu di monitor untuk menjada nilai K3 perusahaan dan
juga keselamatan pekerja.
Metode penelitian yang diusulkan oleh penulis adalah menggunakan metode
deteksi objek melalui kamera menggunakan Convolutional Neural Network
(CNN) atau Jaringan Syaraf Konvolusi dengan beberapa arsitektur yang
mendukung deteksi objek secara waktu-nyata yaitu Faster Region-based CNN
dan Single Shot Multibox Detector. Sehingga dalam aplikasinya CNN tersebut
digunakan untuk mendeteksi objek berupa alat keselamatan yang digunakana oleh
seseorang.
Hasil akhir dari penelitian ini adalah sebuah sistem keselamatan yang
ditampilkan melalui GUI menggunakan arsitektur CNN dengan performansi
presisi terbaik pada model Faster R-CNN Inception V2 yang mencapai nilai
presisi 86,841% dan performansi frame rate terbaik pada model SSD Mobilenet
V1 dengan nilai 10,364 kali lebih besar dibandingkan dengan model Faster RCNN Inception V2. Selain kedua metrik tersebut dilakukan perhitungan nilai
presisi berdasarkan lokalisasi deteksi menggunakan metrik COCO yang
menghasilkan nilai terbaik pada model Faster R-CNN Inception V2 dengan nilai
47.120%.
Kata Kunci: Deteksi Objek, Jaringan Syaraf, dan Keselamatan