Kamera Deteksi APD: Apa yang Dibutuhkan Deployment Sungguhan

Kamera Deteksi APD: Apa yang Dibutuhkan Deployment Sungguhan

Modelnya bukan bagian sulitnya. Yang sulit justru semua hal di sekitarnya.

Demo deteksi APD selesai dalam satu sore: ambil model pretrained — model yang sudah dilatih orang lain, tinggal pakai — arahkan ke video, lihat bounding box alias kotak penanda objek muncul di helm dan rompi. Karena itulah proyek kamera keselamatan gampang terjual — dan karena itu pula banyak yang mati pelan-pelan setelah pilot.

Model adalah masalah terkecil

Deteksi helm dan rompi itu teknologi yang sudah umum: objek besar, kontras tinggi, terdeteksi dengan baik oleh detector modern bahkan dari footage CCTV biasa. Kacamata safety dan sepatu beda cerita — objek kecil, sering tertutup, nyaris tak terlihat dari kamera plafon yang cuma melihat ubun-ubun orang.

Solusinya geometri deployment, bukan model yang lebih besar. Bayangkan bedanya kamera CCTV lobi yang mengawasi semua orang dari jauh, dengan gerbang tol yang memaksa satu mobil lewat satu per satu dari jarak dekat. Daripada menjanjikan semua CCTV existing berubah jadi kamera AI, pasang kamera checkpoint di akses masuk area kerja: orang lewat satu per satu, dua sampai empat meter dari lensa, seluruh badan terlihat, pencahayaan bisa diprediksi. Kualitas deteksi di checkpoint beda liga dengan apa pun yang bisa dihasilkan kamera surveilans di plafon.

Satu lagi yang tidak bisa ditawar: bobot pretrained itu untuk demo. Akurasi lapangan baru didapat dengan meng-annotate (memberi label manual) ratusan frame dari lokasi sebenarnya — pencahayaannya, seragamnya, jenis APD-nya — lalu fine-tune di atasnya. Langkah kalibrasi itu masuk rencana proyek, bukan anggaran darurat.

Penempatan, ketinggian, dan cahaya

Format checkpoint menyelesaikan sebagian besar masalah optik sekaligus: kamera terpasang setinggi dada sampai kepala, bukan di plafon, arah orang lewat sudah pasti, dan latarnya bisa Anda atur.

Sisanya urusan cahaya. Pintu masuk kena backlight di jam tertentu, shift malam berjalan di bawah lampu berbeda, dan kamera yang menghadap area luar yang terang cuma akan menangkap siluet orang yang masuk. Ini masalah survei: selesaikan dengan kunjungan lokasi dan lux meter sebelum satu model pun jalan.

Alur alert menentukan adopsi

Deteksi bukan hasil akhir. Sistem harus punya jawaban untuk dua pertanyaan: siapa yang diberi tahu, dan apa yang harus mereka lakukan?

Inference di diagram itu berjalan di edge — model dijalankan di perangkat di lokasi, bukan di cloud. Selebihnya, seluruh sistem bertumpu pada dua keputusan desain. Pertama, deduplikasi: satu orang lewat adalah satu event, bukan tiga puluh frame alert. Kedua, lampu indikator lokal — hijau default, merah beberapa detik saat pelanggaran — memberi pekerja umpan balik langsung dan anonim, plus kesempatan membereskan masalahnya di tempat sebelum ada laporan yang naik ke supervisor.

Sebagian besar pelanggaran selesai di titik itu. Memang untuk itulah sistem keselamatan ada.

Notifikasi ke supervisor kemudian berisi bukti, bukan sekadar bunyi: foto, timestamp, lokasi, dan APD mana yang kurang — dikirim ke penanggung jawab area itu, jelas pula apa yang harus dia lakukan.

Ekonomi false positive

Alert fatigue yang paling sering mematikan sistem semacam ini. Hitungannya kejam: checkpoint dengan 200 lintasan sehari pada precision 95% menghasilkan sepuluh alert palsu tiap hari. Minggu kedua, supervisor sudah mem-mute channel-nya, dan sistemnya tamat — sebagus apa pun modelnya.

Karena itu target precision harus ditetapkan per kelas dan dijaga lewat threshold. Cara paling jujur menangani deteksi yang meragukan: masukkan ke review queue, bukan jadikan alert — event yang belum pasti diperiksa manusia dulu sebelum siapa pun diberi tahu. Pantau false-positive rate sebagai metrik operasional utama: angka ini lebih jitu menebak umur sistem daripada benchmark akurasi mana pun.

Pekerja dan privasi

Sistem APD mendeteksi perlengkapan di badan orang, bukan identitas. Face recognition tidak dibutuhkan untuk fungsi intinya: buktinya berupa foto dengan waktu dan lokasi; soal siapa orangnya, itu urusan penilaian supervisor atau pencocokan dengan data kartu akses.

Pilihan desain ini penting secara hukum — UU PDP menetapkan persyaratan nyata soal data biometrik — dan lebih penting lagi untuk penerimaan pekerja. Sistem yang diperkenalkan sebagai "kamera yang menjaga Anda dari celaka", dengan lampu yang membiarkan orang mengoreksi diri secara anonim, diterima sangat berbeda dari sistem yang diperkenalkan sebagai alat pengawasan.

Ukur hasil, bukan deteksi

Metrik vanity-nya: jumlah deteksi per hari. Metrik sebenarnya: tren tingkat kepatuhan per area dan shift, serta waktu antara pelanggaran dan koreksi. Deployment yang berhasil justru ditandai jumlah deteksi yang menurun padahal lalu lintas orangnya stabil. Tren itu pantas tampil di dashboard operasional berdampingan dengan data lokasi lainnya — pola integrasi di membangun dashboard dengan menghubungkan sistem bisa dipakai langsung di sini.

Catatan kaki lisensi

Stack object detection yang jadi pilihan default kebanyakan tim berlisensi AGPL-3.0. Itu tidak kompatibel dengan deployment komersial closed-source, kecuali Anda membeli lisensi komersial vendornya. Keluarga model berlisensi Apache-2.0 kemampuannya setara, tapi keputusannya harus diambil sebelum kode produksi ditulis — detailnya saya bahas di AGPL dan computer vision komersial. Periksa juga ketentuan dataset; dataset riset publik tidak otomatis boleh dipakai untuk training komersial.