Konstruksi merupakan industri yang memiliki risiko tinggi di mana pekerja konstruksi cenderung mengalami cedera selama proses kerja. Helm keselamatan berfungsi sebagai pertahanan awal terhadap cedera serius pada kepala. Namun, karena kurangnya kesadaran akan keselamatan, banyak pekerja konstruksi mengabaikan penggunaan helm keselamatan, meningkatkan kerentanan mereka terhadap cedera. Oleh karena itu, sistem deteksi otomatis penggunaan helm keselamatan sangat penting untuk mendapatkan deteksi secara real-time. Salah satu perangkat edge computing yang diusulkan adalah NVIDIA Jetson Nano yang memungkinkan pengolahan data secara instan. Tugas akhir ini berfokus pada pengembangan sistem yang dapat mendeteksi individu yang menggunakan dan tidak menggunakan helm keselamatan. Untuk menentukan model deep learning yang akan digunakan, dibandingkan dua model YOLOV5: model small dan model nano. Model YOLOV5 nano dipilih karena setelah diuji dan dibandingkan dengan model small, model nano mendapatkan mAP sebesar 0,793 sedangkan model small mendapatkan mAP sebesar 0,077. Model nano menghasilkan 19 Frame per Detik untuk kecepatan komputasi, sedangkan model small menghasilkan 9 Frame per Detik. Secara keseluruhan, penelitian ini bertujuan untuk meningkatkan deteksi penggunaan helm keselamatan dan meningkatkan manajemen keselamatan konstruksi.