Analisis Keakuratan Computer Vision Dalam Mendeteksi Penggunaan Masker N95 dan Respirator Menggunakan Metode YOLOv-11

Abstract

Pengawasan manual terhadap penggunaan masker N95 dan respirator di lingkungan industri dinilai kurang efisien dan membutuhkan banyak sumber daya. Penelitian ini mengembangkan sistem deteksi otomatis memanfaatkan algoritma YOLOv11. Dataset yang dikumpulkan dan dianotasi terdiri atas 2.360 gambar yang mencakup 3.519 instansi (instances) dalam lima kelas (N95, Respirator, Surgical mask, Other mask, dan No Mask). Tahap pra-pemrosesan mencakup pengubahan ukuran gambar menjadi 640×640 piksel serta penerapan augmentasi data berupa flip, exposure, noise, rotasi, dan blur. Model dilatih selama 100 epoch dan berhasil mencapai mean Average Precision (mAP50) optimal sebesar 95.4%, dengan presisi keseluruhan 93.7% dan recall 90.1%. Hasil pengujian secara real-time menunjukkan akurasi sebesar 100% pada jarak 50–100 cm serta 98% pada berbagai variasi kondisi pencahayaan. Selain itu, sistem dapat mendeteksi beberapa individu sekaligus secara andal dengan peforma optimal pada sudut wajah antara 0°–90°. Sistem ini memberikan solusi efektif dalam mendukung penerapan protokol keselamatan kerja.