Implementasi Sistem Deteksi Helm Keselamatan Kerja Berbasis YOLOv11 dan Flask secara Real-Time

Wisnu Wibisono; Fersellia

doi:10.30865/json.v7i4.9708

Authors

Wisnu Wibisono Universitas Ma'arif Nahdlatul Ulama Kebumen
Fersellia Universitas Ma'arif Nahdlatul Ulama Kebumen

DOI:

https://doi.org/10.30865/json.v7i4.9708

Keywords:

Computer Vision, yolov11, deteksi helm, Keselamatan Kerja, monitoring real-time

Abstract

Keselamatan dan Kesehatan Kerja (K3) pada sektor konstruksi masih menghadapi permasalahan rendahnya kepatuhan penggunaan alat pelindung diri, khususnya helm keselamatan, yang berkontribusi terhadap meningkatnya risiko kecelakaan kerja. Pengawasan manual dinilai kurang efektif dalam memantau penggunaan helm secara berkelanjutan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penggunaan helm keselamatan berbasis computer vision menggunakan algoritma YOLOv11 yang terintegrasi dengan aplikasi monitoring berbasis web. Sistem dikembangkan menggunakan metode Rapid Application Development (RAD). Dataset diperoleh dari platform Roboflow sebagai dataset publik yang terdiri dari 19.745 citra dan ditingkatkan menjadi 31.579 citra melalui proses augmentasi, serta tahapan pre-processing, anotasi, dan pembagian data. Model dilatih selama 40 epoch dengan citra 640×640 piksel dan batch size 32, serta dievaluasi menggunakan metrik precision, recall, dan mean Average Precision (mAP). Hasil penelitian menunjukkan bahwa model memperoleh precision sebesar 0,881, recall sebesar 0,865, dan mAP@0.5 sebesar 0,905, serta mAP@0.5–0.95 sebesar 0,549 yang menunjukkan performa deteksi yang baik. Sistem mampu melakukan deteksi secara real-time pada video streaming berbasis RTSP serta menampilkan hasil deteksi secara langsung pada setiap frame. Pengujian black-box menunjukkan seluruh fungsi sistem berjalan dengan baik dan mampu memproses video streaming secara kontinu selama monitoring berlangsung. Hasil evaluasi confusion matrix menunjukkan model masih berpotensi menghasilkan false negative pada kondisi tertentu, khususnya pada objek tanpa helm dengan pencahayaan atau sudut pengambilan gambar yang kurang optimal. Oleh karena itu, pengembangan lebih lanjut diperlukan untuk meningkatkan robustness sistem terhadap variasi kondisi lingkungan.

References

[1] N. Rahmawati and K. Puji, “Pengaruh Program K3 (Keselamatan dan Kesehatan Kerja) terhadap Produktivitas Kerja Karyawan pada PT. Telkom Witel Bandar Lampung,” J. Ekon. Ef., vol. 7, no. 1, pp. 131–137, 2024, doi: 10.32493/JEE.v7i1.44420.

[2] E. Haryanto et al., Kesehatan dan Keselamatan Kerja Tenaga Kerja. Purbalingga: Eureka Media Aksara, 2024.

[3] M. E. Laily, F. N. Fajri, and G. Q. O. Pratamasunu, “Deteksi Penggunaan Alat Pelindung Diri (APD) Untuk Keselamatan dan Kesehatan Kerja Menggunakan Metode Mask Region Convolutional Neural Network (Mask R-CNN),” J. Komput. Terap., vol. 8, no. 2, pp. 279–288, 2022, doi: 10.35143/jkt.v8i2.5732.

[4] F. Edigan, L. R. P. Sari, and R. Amalia, “Hubungan Antara Perilaku Keselamatan Kerja Terhadap Penggunaan Alat Pelindung Diri (APD) Pada Karyawan PT Surya Agrolika Reksa Di Sei. Basau,” J. Saintis, vol. 19, no. 02, p. 61, 2019, doi: 10.25299/saintis.2019.vol19(02).3741.

[5] N. Fatkhin and A. Fadjeri, “Pembelajaran Mesin Untuk Deteksi Helm Keselamatan Menggunakan Algoritma YOLOv8,” J. Ilm. SINUS, vol. 22, no. 2, p. 77, 2024, doi: 10.30646/sinus.v22i2.843.

[6] D. N. Putri and F. Lestari, “Analisis penyebab kecelakaan kerja pada pekerja di proyek konstruksi : Literatur review,” J. Kesehat. Masy., vol. 7, no. 1, pp. 451–452, 2023, doi: 10.31004/prepotif.v7i1.13281.

[7] H. Supriyanto, S. C. Abadi, and A. Shalsabilah, “Deteksi Helm Keselamatan Menggunakan Jetson Nano dan YOLOv7,” J. Appl. Comput. Sci. Technol., vol. 5, no. 1, pp. 1–8, 2024, doi: 10.52158/jacost.v5i1.637.

[8] F. Fersellia, A. Lutfiyani, F. Fachri, and E. Wahyuningsih, “Deteksi Hewan Secara Real-Time Menggunakan Algoritma You Only Look Once (YOLO),” INSOLOGI J. Sains dan Teknol., vol. 5, no. 1, pp. 263–269, Feb. 2026, doi: 10.55123/insologi.v5i1.7592.

[9] I. A. Zulkarnain and Kusrini, “Optimasi Yolov11 Melalui Hyperparameter Tuning dan Data Augmentasi untuk Meningkatkan Akurasi Deteksi Kendaraan pada Kondisi Malam Hari,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. October, pp. 1294–1303, 2025, doi: 10.57152/malcom.v5i4.2250.

[10] B. Widodo, H. Armanto, and E. Setyati, “Deteksi Pemakaian Helm Proyek Dengan Metode Convolutional Neural Network,” J. Intell. Syst. Comput., vol. 3, no. 1, pp. 23–29, Apr. 2021, doi: 10.52985/insyst.v3i1.157.

[11] R. M. Iman, Srimuryati, and R. Rahmadewi, “Deteksi Penggunaan Helm Safety Pada Pekerja Menggunakan Algoritma You Only Look Once Versi 8 (YOLOv8),” TESLA J. Tek. Elektro, vol. 27, no. 1, pp. 11–18, Apr. 2025, doi: 10.24912/tesla.v27i1.33391.

[12] H. A. Reswara, B. Priyatna, A. Hananto, and T. Tukino, “Implementasi Deteksi Objek Penggunaan Helm Dengan Metode YOLOv10,” J. Minfo Polgan, vol. 14, no. 1, pp. 1380–1387, 2025, doi: 10.33395/jmp.v14i1.15010.

[13] N. A. K. D. Pasongko, A. Khairunnisa, and S. Aras, “Deteksi Penggunaan Safety Helmet Menggunakan YOLOv5,” J. Inf. Eng. Educ. Technol., vol. 7, no. 2, pp. 74–77, Dec. 2023, doi: 10.26740/jieet.v7n2.p74-77.

[14] R. Abdillah, R. Hermawan, A. Kuncoro, A. Adi Trinoto, F. Hizryan, and H. Arifin, “Analisis dan Implementasi Sistem Informasi Persewaan Alat dengan metode Rapid Application Development,” J. Penelit. Sist. Inf., vol. 1, no. 3, pp. 23–37, Jul. 2023, doi: 10.54066/jpsi.v1i3.633.

[15] Z. Niqotaini et al., Rekayasa Perangkat Lunak. Yogyakarta: PT Penamuda Media, 2023.

[16] R. N. Firmansyah, Y. R. Ramadhan, and C. D. Lestari, “Rancang Bangun Aplikasi Pengajuan Cuti Karyawan Berbasis Web pada PT. Indorama Synthetics,” J. Ris. Sist. Inf., vol. 2, no. 3, pp. 99–109, Jul. 2025, doi: 10.69714/70gd7651.

[17] A. Hafsah, A. A. B. Kaban, S. L. Ramadhan, and Nurbaiti, “Keamanan Data Dalam Sistem Database,” J. Ilm. Nusant., vol. 2, no. 4, pp. 183–197, 2025, doi: 10.61722/jinu.v2i4.4997.

[18] H. L. Walingkas and P. O. N. Saian, “Penerapan Framework Flask pada Pembangunan Sistem Informasi Pemasok Barang,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 7, no. 2, 2023, doi: 10.35870/jtik.v7i2.729.

[19] Roboflow Universe Projects, “Hard Hats Computer Vision Model,” Roboflow Universe. Accessed: Jun. 04, 2026. [Online]. Available: https://universe.roboflow.com/roboflow-universe-projects/hard-hats-fhbh5

[20] M. H. Achmad, A. Pramudwiatmoko, M. S. Gumilang, B. Al Karim, and H. Wiyono, “Analisis Kinerja Model Deteksi Objek YOLO, SSD, dan Faster R-CNN pada Citra Penglihatan Malam untuk Pengenalan Tindak Kejahatan,” J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 1, pp. 145–152, Feb. 2025, doi: 10.25126/jtiik.2025128409.

[21] R. N. Singarimbun, E. B. Nababan, and O. S. Sitompul, “Adaptive Moment Estimation to Minimize Square Error In Backpropagation Algorithm,” J. Comput. Appl. Informatics, vol. 04, no. 1, pp. 27–46, 2020, doi: 10.32734/jocai.v4.i1-1160.

[22] W. R. N. Rifa’i, D. Erwanto, and I. Yanuartanti, “Evaluasi Kinerja CNN dengan Optimizer RMSprop, Adam dan SGD dalam Klasifikasi Penyakit Daun Anggur,” J. Tek. Elektro Electron. Control. Telecommun. Comput. Inf. Power Syst., pp. 91–104, 2025, doi: 10.30736/je-unisla.v10i1.1409.

[23] C. Ciksadan, S. Soim, and N. Jami, “Desain dan Pengembangan Website untuk Mendeteksi Malware Menggunakan Framework Flask yang Diintegrasikan dengan Machine Learning,” J. Teknol. Sist. Inf. dan Apl., vol. 7, no. 3, pp. 1213–1218, 2024, doi: 10.32493/jtsi.v7i3.42003.

[24] E. Suherlan, S. Arti, S. Nabilah, and Z. Hazimah, “Penerapan Flask Framework Untuk Deployment Model Machine Learning Dalam Mendukung Analisis Adaptasi Mahasiswa Pada Pembelajaran Daring,” PINTER J. Pendidik. Tek. Inform. dan Komput., vol. 9, no. 1, pp. 110–117, Jun. 2025, doi: 10.21009/pinter.9.1.15.