Implementasi Deep Learning Object Detection Rambu K3 pada Video Menggunakan Metode Convolutional Neural Network (CNN) dengan Tensorflow (Studi Kasus : Rambu Kesehatan dan Keselamatan Kerja (K3) Jalur Evakuasi dan Alat Pemadam Api pada Gedung FMIPA UII)

Abstract

Kesehatan dan Keselamatan Kerja (K3) merupakan pengawasan terhadap mesin, orang, metode, dan material yang berada di dalam lingkungan kerja agar pekerja tersebut tidak mengalami cidera maupun penyakit akibat kerja. Salah satu penunjang agar terciptanya keselamatan kerja pada lingkungan kerja adalah dengan menyadari dan mematuhi rambu-rambu K3. Rambu-rambu K3 adalah tanda-tanda yang dipasang di tempat kerja, guna mengingatkan atau mengidentifikasi pada semua pelaksana kegiatan atau pekerja disekeliling tempat tersebut terhadap kondisi, resiko, yang terkait dengan keselamatan dan kesehatan kerja. International labor Organization (ILO) secara tegas memberikan perlindungan terhadap hak atas jaminan keselamatan dan kesehatan di dunia kerja. Hak atas K3 berlaku bagi semua tenaga kerja, termasuk tenaga kerja peyandang disabilitas. Pentingnya K3 dalam lingkungan kerja tidak lepas dari sarana dan prasarana yang menunjang hal tersebut. Berdasarkan peraturan pemerintah dalam setiap bangunan gedung wajib menyediakan sarana evakuasi meliputi sistem peringatan bahaya, pintu keluar darurat, dan jalur evakuasi. Maka dari itu untuk mempermudah pengenalan dan petunjuk arah keberadaan Rambu K3 diperlukannya sistem yang dapat mengenali dan mendeteksi rambu-rambu K3. Pengembangan cabang ilmu kecerdasan buatan (Artificial Intelligence), salah satunya adalah computer vision yaitu object detection. Deep learning yang digunakan untuk pengenalan dan klasifikasi objek adalah Convolutional Neural Network karena menghasilkan hasil yang signifikan dalam pengenalan citra. Pada Penelitian ini dilakukan pendeteksian objek Rambu K3 Jalur Evakuasi dan Alat pemadam Api dengan menggunakan framework Tensorflow dan model SSD (Single Shot Multibox Detector). Dataset yang digunakan dalam penelitian ini sebanyak 1500 data citra. Hasil penelitian deteksi objek rambu K3 pada video menggunakan metode CNN didapatkan tingkat akurasi berkisar antara 50%-97%.