Publisher

UGMUGM

Journal Journal of Mechanical Design and TestingJournal of Mechanical Design and Testing Abstract

PT PLN Indonesia Power Unit Pembangkitan Suralaya mewajibkan operatornya di area local untuk memakai safety helm untuk mencegah cedera kepala saat melakukan tugas mereka. Pengamatan pekerja yang memakai helm pengaman harus dipastikan oleh perusahaan untuk mencegah cedera kepala yang disebabkan oleh aktivitas pekerjaan para operator. Program Transformasi Budaya K3 PT PLN Indonesia Power menghadirkan metode observasi baru untuk mendeteksi pemakaian safety helm oleh operator lantai dasar local dengan menggunakan deteksi real-time. YOLOv3 adalah aplikasi yang dapat digunakan untuk mendeteksi pemakaian safety helm oleh pekerja secara real-time menggunakan algoritma darknet53 berbasis YOLOv1 dan YOLOv2 dengan menggunakan data citra yang telah dikumpulkan. Berdasarkan model YOLOv3, versi YOLOv3 yang ditingkatkan diusulkan untuk meningkatkan akurasi dan kecepatan deteksi pemakaian helm pengaman dengan menggabungkan pelatihan-pelatihan deteksi multi-skala. Versi YOLOv3 yang berbeda akan digunakan untuk membandingkan hasil pengenalan safety helm. Versi YOLOv3 yang ditingkatkan menunjukkan hasil 96,63% mAP50 dan 725.711 milidetik lebih baik daripada YOLO versi lain untuk mendeteksi penggunaan safety helm. Hasil percobaan menunjukkan bahwa versi YOLOv3 yang ditingkatkan memuaskan hasil yang diperoleh dengan kecepatan deteksi dan akurasi deteksi pemakaian safety helm oleh operator-operator di Unit Pembangkitan Listrik PT PLN Indonesia Power Suralaya.

Conclusion

Penelitian ini menyajikan metode baru dan yang ditingkatkan untuk mendeteksi apakah pekerja memakai atau tidak memakai helm keselamatan di PT PLN Indonesia Power Suralaya PGU Unit 2 secara real-time.Metode ini didasarkan pada model deteksi YOLOv3 dan menggunakan kombinasi teknologi jaringan residual mendalam dan fitur konvolusi multi-skala untuk meningkatkan akurasi deteksi.Selain itu, metode ini menggunakan pelatihan deteksi multi-skala dan menyesuaikan bobot fungsi kerugian sambil mempertahankan tingkat deteksi yang tinggi.Hasilnya adalah peningkatan signifikan dalam tingkat dan akurasi deteksi, dengan peningkatan 76% dalam akurasi mendeteksi objek tunggal di lingkungan pertambangan, dari 0,43 menjadi 0,76.Kecepatan deteksi juga meningkat, menurun dari 796 ms menjadi 725 ms, penurunan sebesar 8,9%.Metode baru ini memenuhi persyaratan keselamatan komersial untuk pemantauan real-time pemakaian helm keselamatan di lingkungan kerja (area lantai dasar) PT PLN Indonesia Power Suralaya PGU Unit 2.

Future Research

Berdasarkan latar belakang, metode, hasil, keterbatasan, dan saran penelitian lanjutan yang ada, berikut adalah beberapa saran penelitian lanjutan yang dapat dikembangkan: Pertama, penelitian selanjutnya dapat berfokus pada pengembangan dataset yang lebih besar dan beragam yang mencakup berbagai kondisi pencahayaan, sudut pandang, dan variasi pekerja untuk meningkatkan robustnes model deteksi. Kedua, eksplorasi arsitektur jaringan saraf yang lebih canggih, seperti transformer atau kombinasi CNN dan transformer, dapat meningkatkan akurasi dan kecepatan deteksi, terutama dalam lingkungan yang kompleks dan padat. Ketiga, integrasi informasi kontekstual, seperti data lokasi dan waktu, dapat meningkatkan akurasi deteksi dan memberikan wawasan yang lebih berharga tentang perilaku keselamatan pekerja. Dengan menggabungkan saran-saran ini, penelitian di masa depan dapat berkontribusi pada pengembangan sistem pemantauan keselamatan yang lebih efektif dan efisien di lingkungan industri.

References

1. Recognition of Safety Helmet Wearing Of Operator Local Ground Floor Unit 2 Suralaya PGU Based On Improved... doi.org/10.22146/jmdt.85645Recognition of Safety Helmet Wearing Of Operator Local Ground Floor Unit 2 Suralaya PGU Based On Improved doi 10 22146 jmdt 85645

Metadata

File size	433.32 KB
Pages	9
DMCA	Report