Perpustakaan Digital ITB

Keselamatan dan Kesehatan Kerja (K3) adalah aspek penting dalam operasional industri, terutama di sektor pertambangan yang memiliki risiko tinggi terhadap kecelakaan dan bahaya kesehatan. Pengawasan K3 bertujuan untuk mencegah kecelakaan kerja dan melindungi kesehatan para pekerja, yang merupakan aset penting bagi keberlanjutan operasional perusahaan. Di area tambang, lingkungan kerja yang kompleks dan berisiko tinggi memerlukan pengawasan yang ketat dan berkelanjutan untuk memastikan bahwa semua kegiatan berjalan sesuai dengan standar keselamatan yang ditetapkan. PT. X sebuah perusahaan tambang di Indonesia menerapkan pengawasan menggunakan sistem Mining Eyes Analytics yang berbasis kamera CCTV dan algoritma YOLOv4 untuk mendeteksi deviasi atau kondisi tidak aman di area pertambangan, objek yang dideteksi yaitu person, Heavy-Duty Truck (HD), dan Light Vehicles (LV). Namun, pengawasan ini masih memiliki kelemahan dalam mendeteksi objek kecil, objek dalam kondisi pencahayaan buruk, dan kesalahan deteksi yang cukup sering terjadi. Penelitian ini berfokus pada deteksi objek berbasis YOLOv8 untuk mengatasi kelemahan tersebut. Model YOLO yang digunakan adalah YOLOv8, YOLOv8 yang dimodifikasi pada bagian head untuk meningkatkan kemampuan deteksi multi skala, dan BGF-YOLO yang mencakup optimasi deteksi multi skala dan penerapan mekanisme perhatian (attention mechanism) dalam proses feature fusion untuk meningkatkan fokus model. Data yang digunakan dalam penelitian ini yaitu data area tambang pada siang hari yang mencakup berbagai kondisi lingkungan tambang, termasuk pencahayaan yang buruk dan objek yang tumpang tindih dengan total jumlah data yang digunakan yaitu 11000. Hasil evaluasi dalam penelitian ini menunjukkan bahwa model BGF-YOLO memberikan kinerja terbaik dibandingkan model-model lainnya. BGF-YOLO mencapai precision sebesar 94.9%, recall sebesar 91.1%, dan mean average precision (mAP@50) sebesar 86.5%. Sedangkan model YOLOv8 yang dioptimasi memiliki precision paling tinggi sebesar 96.7% tetapi secara kinerja keseluruhan masih di bawah BGF-YOLO dan YOLOv8. Hal tersebut terjadi karena dengan penambahan head objek mampu mendeteksi secara akurat tetapi menyebabkan model menjadi kurang sensitif terhadap data baru.