Electronic Theses and Dissertation

Tingkat kepatuhan penggunaan Alat Pelindung Diri (APD) di lingkungan kerja PT. PLN, masih menjadi tantangan serius yang berdampak langsung terhadap keselamatan tenaga kerja. Pengawasan secara manual dinilai tidak efektif karena bersifat subjektif dan terbatas dalam cakupan waktu serta ruang. Untuk mengatasi hal tersebut, penelitian ini mengembangkan sistem deteksi otomatis penggunaan APD berbasis deep learning yang mampu mengenali lima objek utama, yaitu helm, rompi, sarung tangan, sepatu, dan orang. Sistem ini dirancang untuk mendeteksi keberadaan APD secara real-time dan mencatat status keselamatan kerja tenaga lapangan secara otomatis. Penelitian ini dilakukan menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur YOLOv11 varian nano karena keunggulannya dalam efisiensi dan kecepatan inferensi. Dataset yang digunakan berasal dari citra primer PT. PLN dan citra sekunder dari Roboflow Universe, dengan total 7.310 gambar setelah augmentasi. Model dilatih selama 150 epoch, lalu diimplementasikan pada Raspberry Pi 4 B. Hasilnya, sistem mampu mencapai akurasi rata-rata 90%, precision sebesar 91,8%, dan recall 82%. Sistem juga berhasil dijalankan secara efisien di perangkat terbatas dengan kecepatan 5–8
FPS dan dapat mencatat status safety dan non-safety ke dalam laporan Excel secara otomatis, menjadikannya solusi yang aplikatif untuk pemantauan keselamatan kerja.
Kata Kunci: Alat Pelindung Diri (APD), Convolutional Neural Networks (CNN), YOLOv11, Roboflow, Raspberry Pi.

The level of compliance with the use of Personal Protective Equipment (PPE) in the workplace environment of PT. PLN remains a serious challenge that directly impacts worker safety. Manual supervision is considered ineffective due to its subjective nature and limitations in terms of time and space coverage. To address this issue, this study develops an automatic PPE detection system based on deep learning, capable of recognizing five key objects: helmets, vests, gloves, shoes, and people. The system is designed to detect PPE presence in real time and automatically record field workers’ safety status. This research utilizes the Convolutional Neural Network (CNN) method with the YOLOv11 nano variant architecture due to its advantages in efficiency and inference speed. The dataset used consists of primary images from PT. PLN and secondary images from Roboflow Universe, totaling 7,310 images after augmentation. The model was trained over 150 epochs and implemented on a Raspberry Pi 4 B. As a result, the system achieved an average accuracy of 90%, precision of 91.8%, and recall of 82%. It also ran efficiently on a resource constrained device at a speed of 5–8 FPS and was capable of automatically recording safety and non-safety status into Excel reports, making it a practical solution for occupational safety monitoring. Keywords: Personal Protective Equipment (PPE), Convolutional Neural Networks (CNN), YOLOv11, Roboflow, Raspberry Pi.