Keselamatan dan kesehatan kerja (K3) dalam lingkungan industri menjadi aspek yang semakin krusial, terutama di sektor otomasi dan manufaktur. Analisis checklist menunjukkan bahwa tingkat kepatuhan terhadap elemen utama ISO 45001 di perusahaan yang telah tersertifikasi sangat bervariasi:

• Persyaratan Umum: 91%
• Kebijakan Kesehatan dan Keselamatan: 95%
• Perencanaan: 93%
• Implementasi dan Operasi: 98%
• Audit Internal: 98%
• Tinjauan Manajemen: 93%

Meskipun tingkat kepatuhan cukup tinggi, penelitian ini menemukan bahwa kepatuhan administratif tidak selalu mencerminkan penerapan yang efektif dalam praktik sehari-hari.

Data dari enam perusahaan menunjukkan hasil yang beragam dalam efektivitas OHSMS terhadap tingkat kecelakaan kerja. Dari laporan yang dianalisis, tercatat:

• 599 kasus kecelakaan di perusahaan tersertifikasi dibandingkan dengan 399 kasus di perusahaan kontrol.
• Hanya satu dari tiga perusahaan tersertifikasi yang mengalami penurunan angka kecelakaan yang signifikan setelah implementasi ISO 45001.
• Perusahaan dengan tingkat kepatuhan OHSMS yang tinggi masih menghadapi insiden karena lemahnya budaya keselamatan dan kurangnya keterlibatan karyawan.

Implementasi OHSMS dalam Industri Otomasi

Dalam salah satu perusahaan otomasi yang diteliti, implementasi ISO 45001 tidak selalu berbanding lurus dengan perbaikan keselamatan kerja. Perusahaan mencatat 7 kasus cedera dengan kehilangan waktu kerja (LTI), 9 kasus perawatan medis (MTC), dan 17 kasus pertolongan pertama (FAC) dalam 20 bulan terakhir.

Namun, data menunjukkan peningkatan signifikan dalam kesadaran keselamatan:

• 830 laporan nyaris celaka (near-miss) dicatat
• 104.167 tindakan tidak aman dan kondisi tidak aman diidentifikasi dan dikoreksi
• 582 audit sistem keselamatan kerja dilakukan
• 48.066.469 jam kerja tercatat tanpa fatalitas

Kelebihan 

1. Memberikan analisis mendalam tentang implementasi ISO 45001 di industri manufaktur.
2. Studi kasus yang kuat dengan data numerik memberikan bukti empiris yang meyakinkan.
3. Menggunakan berbagai metode statistik untuk mengevaluasi efektivitas OHSMS.

Kekurangan 

1. Tidak ada pembahasan mendalam mengenai dampak ekonomi dari implementasi ISO 45001 terhadap produktivitas perusahaan.
2. Tidak ada perbandingan dengan industri lain yang mungkin memiliki pola keselamatan kerja yang berbeda.
3. Kurangnya eksplorasi faktor psikososial pekerja dalam kepatuhan terhadap prosedur keselamatan.

Rekomendasi untuk Implementasi Lebih Lanjut

1. Meningkatkan Keterlibatan Karyawan
   • Memberikan insentif bagi pekerja yang aktif dalam pelaporan keselamatan.
   • Melibatkan pekerja dalam audit dan inspeksi keselamatan untuk meningkatkan kesadaran risiko.
2. Integrasi Teknologi dalam Keselamatan Kerja
   • Menggunakan sensor berbasis IoT untuk mendeteksi bahaya secara real-time.
   • Mengembangkan sistem otomatisasi yang dapat mencegah insiden sebelum terjadi.
3. Evaluasi Berkelanjutan terhadap Budaya Keselamatan
   • Menerapkan survei rutin untuk mengukur persepsi keselamatan pekerja.
   • Melakukan evaluasi efektivitas OHSMS secara berkala untuk memastikan kepatuhan yang berkelanjutan.
4. Memperkuat Peran Manajemen dalam Keselamatan
   • Melibatkan manajemen puncak dalam kegiatan keselamatan untuk menunjukkan komitmen nyata.
   • Menyediakan pelatihan rutin bagi supervisor dalam mendukung dan menegakkan kebijakan keselamatan.

Pentingnya penerapan sistem manajemen keselamatan kerja berbasis ISO 45001 dalam industri manufaktur. Meskipun sistem ini tidak selalu menjamin pengurangan kecelakaan, penelitian ini menunjukkan bahwa perusahaan yang mengadopsinya mengalami peningkatan kesadaran keselamatan dan kepatuhan terhadap prosedur K3.

Namun, keberhasilan implementasi sangat bergantung pada keterlibatan pekerja, komitmen manajemen, serta evaluasi berkelanjutan terhadap efektivitas sistem. Untuk memastikan manfaat jangka panjang, perusahaan perlu beralih dari sekadar kepatuhan administratif menuju integrasi budaya keselamatan yang lebih menyeluruh.

Sumber Artikel

Chetan S & Malaviya, R. (2023). Review of Occupational Health and Safety Management System and Hazards Controls in the Motion & Industrial Automation Products Manufacturing Industries. International Journal of Advanced Research in Science, Communication and Technology (IJARSCT), 3(3), 341-357.

Keselamatan dan kesehatan kerja (Occupational Safety and Health - OSH) merupakan aspek penting dalam dunia industri, terutama di lingkungan yang berisiko tinggi seperti Pembangkit Listrik Tenaga Uap (PLTU). Penelitian ini bertujuan untuk mengembangkan sistem yang dapat mendeteksi kepatuhan pekerja terhadap penggunaan APD seperti helm dan rompi keselamatan secara real-time, guna meningkatkan manajemen keselamatan kerja dan mengurangi risiko kecelakaan di tempat kerja.

Dua teknologi utama:

- YOLOv8: Algoritma deep learning terbaru untuk deteksi objek yang cepat dan akurat.

- Django: Framework berbasis Python untuk membangun antarmuka pengguna berbasis web.

Sistem dikembangkan dengan langkah-langkah sebagai berikut:

1. Pengumpulan Data: Menggunakan dataset pekerja konstruksi yang memakai APD dan tidak memakai APD.
2. Pelabelan Data: Data diklasifikasikan ke dalam empat kategori: helm, tanpa helm, rompi, dan tanpa rompi.
3. Pelatihan Model: Model YOLOv8 dilatih menggunakan dataset yang telah diklasifikasikan.
4. Implementasi Sistem: Model yang telah dilatih diterapkan ke dalam sistem berbasis Django untuk memantau kepatuhan penggunaan APD secara real-time.

Sistem diuji menggunakan 230 data uji dengan metrik berikut:

• Akurasi rata-rata: 82,3%
• mAP50 (Mean Average Precision pada 50% IoU): 81,6%
• Presisi: 90,3%
• Recall: 75,1%

Sistem mampu mendeteksi keberadaan APD dengan baik, ditunjukkan melalui warna bounding box:

• Merah: Helm terdeteksi
• Biru: Rompi terdeteksi
• Hijau: Helm tidak terdeteksi (pelanggaran)
• Kuning: Rompi tidak terdeteksi (pelanggaran)

PLTU Paiton, sebagai pembangkit listrik terbesar di Indonesia dengan kapasitas 4.600 MW, memiliki risiko tinggi terhadap kecelakaan kerja. Pada tahun 2018, terjadi kecelakaan kerja akibat jatuh dari lantai enam saat memindahkan material. Dengan sistem deteksi APD ini, pengawasan dapat dilakukan secara otomatis, sehingga pelanggaran dapat langsung teridentifikasi dan ditindaklanjuti.

Hasil implementasi sistem menunjukkan:

• Penurunan potensi pelanggaran APD hingga 30% dalam dua tahun.
• Peningkatan kepatuhan terhadap aturan keselamatan dari 70% menjadi 95% setelah implementasi sistem.

Meskipun sistem ini terbukti efektif, terdapat beberapa tantangan yang dihadapi:

• Kualitas Kamera: Sistem masih mengalami kesalahan deteksi akibat pencahayaan dan spesifikasi kamera yang rendah.
• Kecepatan Deteksi: Sistem real-time memerlukan perangkat keras dengan spesifikasi tinggi untuk memastikan kelancaran deteksi.
• Variasi Sudut Pengambilan Gambar: Posisi pekerja yang tidak terdeteksi dengan baik oleh kamera dapat mengurangi efektivitas sistem.

Kelebihan 

✅ Menggunakan metode YOLOv8 yang canggih dengan akurasi tinggi.
✅ Implementasi sistem berbasis Django memungkinkan deteksi real-time.
✅ Studi kasus di PLTU Paiton memberikan bukti nyata manfaat sistem ini.

Kekurangan 

❌ Sistem masih bergantung pada kualitas kamera dan pencahayaan yang baik.
❌ Tidak ada perbandingan langsung dengan metode deteksi APD lainnya seperti Mask R-CNN atau Faster R-CNN.
❌ Tidak membahas aspek biaya dan efisiensi penerapan sistem di industri lain selain PLTU.

Namun, secara keseluruhan, penelitian ini memberikan kontribusi penting dalam meningkatkan keselamatan kerja di industri berisiko tinggi.

Untuk meningkatkan efektivitas sistem, beberapa langkah dapat dilakukan:

• Peningkatan Kualitas Kamera: Menggunakan kamera dengan resolusi lebih tinggi dan fitur low-light enhancement.
• Integrasi dengan IoT: Menghubungkan sistem deteksi dengan alarm otomatis atau peringatan langsung ke supervisor.
• Pengembangan Mobile App: Memungkinkan pengawasan melalui smartphone untuk meningkatkan aksesibilitas.
• Pengujian di Berbagai Industri: Menerapkan sistem ini di sektor konstruksi, manufaktur, dan pertambangan untuk menguji fleksibilitasnya.

Teknologi kecerdasan buatan (AI) dapat digunakan untuk meningkatkan keselamatan kerja. Dengan implementasi YOLOv8 dan Django, sistem deteksi APD ini mampu memberikan solusi real-time yang efektif dalam mengurangi pelanggaran keselamatan di tempat kerja.

Meskipun terdapat beberapa tantangan, pendekatan yang diusulkan dalam penelitian ini membuka peluang bagi pengembangan lebih lanjut, terutama dalam integrasi dengan sistem keselamatan yang lebih luas. Dengan perbaikan yang tepat, sistem ini dapat menjadi standar baru dalam pemantauan kepatuhan terhadap APD di berbagai sektor industri.

Sumber Artikel

Nisa, K., Fajri, F. N., & Arifin, Z. (2023). Implementation of Personal Protective Equipment Detection Using Django and Yolo Web at Paiton Steam Power Plant (PLTU). Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI), 9(2), 333-347.

Keselamatan kerja merupakan aspek fundamental dalam industri manufaktur, terutama dalam pengoperasian mesin yang memiliki potensi bahaya tinggi. Dengan menggunakan metode pemodelan persamaan struktural (Structural Equation Model – SEM) dan analisis statistik lanjutan, penelitian ini memberikan wawasan mendalam tentang cara meningkatkan keselamatan kerja melalui pengelolaan faktor keselamatan mesin yang lebih baik.

Analisis faktor dilakukan untuk mengekstrak faktor dominan yang mempengaruhi keselamatan mesin. Pemodelan Persamaan Struktural (SEM) menggunakan software AMOS 20 untuk memahami hubungan antar faktor keselamatan. SPSS versi 20 digunakan untuk analisis statistik deskriptif dan uji korelasi Pearson.

Tujuh faktor dominan yang mempengaruhi keselamatan mesin dalam industri manufaktur, yaitu bahaya mekanis, kondisi lingkungan, pelatihan dan prosedur, risiko dan kecelakaan, bahaya listrik, peralatan pelindung diri (PPE), serta pemeliharaan dan perbaikan.

Hubungan antara Faktor Keselamatan

Analisis korelasi menunjukkan bahwa risiko dan kecelakaan memiliki korelasi positif tinggi dengan PPE, menunjukkan bahwa penggunaan PPE yang tepat berkontribusi terhadap pengurangan kecelakaan. Pelatihan dan prosedur berkorelasi negatif dengan bahaya mekanis, mengindikasikan bahwa pelatihan yang memadai dapat mengurangi risiko bahaya mekanis. Pemeliharaan dan perbaikan berkorelasi positif dengan kondisi lingkungan, mengindikasikan bahwa lingkungan kerja yang lebih baik dapat mengurangi kebutuhan perbaikan mendadak.

Implementasi Keselamatan Mesin di Industri Suku Cadang Otomotif

Sebagai bagian dari penelitian ini, implementasi kebijakan keselamatan di sebuah pabrik suku cadang otomotif dianalisis. Hasilnya menunjukkan penurunan kecelakaan kerja sebesar 28% dalam satu tahun setelah diterapkan SOP keselamatan berbasis pelatihan intensif. Kepatuhan terhadap PPE meningkat dari 65% menjadi 90% dalam enam bulan setelah dilakukan inspeksi ketat dan penerapan sanksi bagi pelanggar. Waktu henti mesin akibat kecelakaan berkurang sebesar 40%, menunjukkan efisiensi produksi yang lebih tinggi.

Kelebihan 

Penelitian ini menggunakan metode statistik yang kuat seperti SEM untuk menganalisis hubungan antar faktor keselamatan. Studi kasus memberikan bukti nyata efektivitas kebijakan keselamatan. Data yang dikumpulkan dari berbagai kategori pekerja memberikan perspektif yang luas.

Kekurangan 

Paper ini tidak membahas faktor psikologis pekerja dalam kaitannya dengan kepatuhan terhadap prosedur keselamatan. Tidak ada perbandingan dengan industri lain untuk mengetahui apakah hasil ini dapat digeneralisasikan. Penelitian juga tidak mengeksplorasi dampak biaya dari implementasi kebijakan keselamatan yang lebih ketat.

Rekomendasi untuk Implementasi Lebih Lanjut

Untuk meningkatkan efektivitas keselamatan mesin di industri manufaktur, langkah-langkah berikut dapat diterapkan:

1. Peningkatan Pelatihan Keselamatan
   • Menggunakan teknologi VR untuk simulasi kondisi berbahaya tanpa risiko nyata.
   • Mengadakan pelatihan reguler yang lebih interaktif dengan studi kasus nyata.
2. Integrasi IoT dalam Pemantauan Keselamatan
   • Memasang sensor otomatis yang dapat mendeteksi penggunaan PPE dan mengingatkan pekerja jika ada pelanggaran.
   • Menggunakan sistem AI untuk menganalisis pola kecelakaan dan memberikan peringatan dini.
3. Kebijakan Insentif dan Sanksi
   • Memberikan penghargaan bagi pekerja yang secara konsisten menerapkan keselamatan dengan baik.
   • Menerapkan sanksi bagi pekerja yang mengabaikan SOP keselamatan.
4. Evaluasi Rutin dan Audit Keselamatan
   • Melakukan inspeksi bulanan pada peralatan untuk memastikan tidak ada malfungsi.
   • Menganalisis tren kecelakaan untuk menyesuaikan strategi keselamatan yang lebih efektif.

Pentingnya keselamatan mesin dalam industri manufaktur. Dengan menerapkan pendekatan berbasis data dan analisis struktural, penelitian ini menunjukkan bahwa peningkatan pelatihan, pemantauan kondisi mesin, dan kepatuhan terhadap PPE dapat secara signifikan mengurangi kecelakaan kerja.

Dengan adopsi teknologi baru seperti AI dan IoT, serta pendekatan manajemen yang lebih disiplin, industri manufaktur dapat mencapai lingkungan kerja yang lebih aman dan produktif.

Sumber Artikel

Swaminathan, G. S. (2020). A Study on the Impact of Potential Machine Safety Factors in Achieving Accident-Free Workplace. International Journal of Creative Research Thoughts (IJCRT), 8(7), 5082-5089.

Keselamatan mesin merupakan aspek krusial dalam industri manufaktur yang beroperasi di bawah regulasi keselamatan yang ketat. Dengan meningkatnya tuntutan akan keamanan dan efisiensi di sektor manufaktur, penelitian ini memberikan wawasan tentang bagaimana perusahaan dapat menerapkan metodologi desain keselamatan yang tidak hanya memenuhi regulasi, tetapi juga meningkatkan produktivitas dan mengurangi risiko kecelakaan kerja.

Terdapat empat tahap utama dalam pendekatan ini:

• Analisis Risiko: Identifikasi bahaya potensial dan skenario kecelakaan.
• Evaluasi Risiko: Pengukuran probabilitas dan dampak risiko untuk menentukan tingkat prioritas mitigasi.
• Sintesis Keselamatan: Integrasi fitur keselamatan ke dalam desain awal mesin.
• Validasi dan Verifikasi: Uji coba dan evaluasi kesesuaian desain dengan standar keselamatan yang berlaku.

Empat studi kasus yang menunjukkan bagaimana pendekatan keselamatan diterapkan dalam desain mesin industri:

1. Mesin Pencampur Makanan: Penilaian risiko terhadap komponen mekanis dan penggunaan sensor otomatis untuk mencegah kecelakaan.
2. Mesin Pewarnaan Cat: Implementasi prosedur penguncian (lockout-tagout) guna menghindari kecelakaan saat pemeliharaan.
3. Sistem Penanganan Material: Optimalisasi desain untuk mengurangi beban ergonomis pekerja dan meningkatkan efisiensi logistik.
4. Mesin Pemotong Trim: Penggunaan sistem pengaman berbasis AI untuk deteksi dini potensi bahaya.

Penelitian ini mengungkap beberapa faktor utama yang mempengaruhi keselamatan mesin:

• Bahaya Mekanis: Risiko dari bagian mesin yang bergerak dan potensi kegagalan struktural.
• Lingkungan Kerja: Faktor eksternal seperti pencahayaan, ventilasi, dan tata letak peralatan.
• Pelatihan dan Prosedur: Tingkat pemahaman pekerja terhadap protokol keselamatan.
• Bahaya Listrik: Potensi kegagalan sistem listrik yang dapat menyebabkan kecelakaan.
• Pemeliharaan dan Inspeksi: Pentingnya pemeriksaan rutin dalam mencegah kegagalan fungsi mesin.

Regulasi Directive 98/37/EC mendorong perubahan signifikan dalam desain keselamatan mesin di Uni Eropa. Beberapa dampak utama dari implementasi regulasi ini meliputi:

• Peningkatan Standar Keselamatan: Produsen mesin wajib melakukan analisis risiko yang lebih ketat sebelum produk dipasarkan.
• Integrasi Fitur Keselamatan dalam Desain Awal: Standar Eropa mewajibkan produsen untuk merancang keselamatan sejak tahap awal pengembangan produk.
• Penerapan Sertifikasi CE: Mesin yang memenuhi regulasi diberikan tanda CE, yang menjadi indikator kualitas dan keselamatan di pasar Eropa.

Kelebihan 

✅ Menyediakan pendekatan sistematis untuk integrasi keselamatan dalam desain mesin.
✅ Studi kasus yang komprehensif memberikan gambaran nyata implementasi di berbagai industri.
✅ Berfokus pada pemenuhan standar keselamatan Eropa, yang dapat menjadi acuan global.

Kekurangan 

❌ Tidak membahas secara mendalam dampak biaya implementasi fitur keselamatan terhadap harga produk akhir.
❌ Kurangnya eksplorasi terhadap teknologi modern seperti AI dan IoT dalam pemantauan keselamatan mesin.
❌ Fokus utama pada regulasi Eropa tanpa membandingkan dengan standar keselamatan di kawasan lain.

Meskipun demikian, penelitian ini tetap memberikan kontribusi yang signifikan dalam memahami bagaimana desain mesin yang aman dapat diterapkan dalam industri manufaktur modern.

Berdasarkan temuan penelitian ini, beberapa langkah dapat diambil untuk meningkatkan efektivitas keselamatan mesin:

1. Integrasi Teknologi Digital: Menggunakan sensor IoT untuk pemantauan kondisi mesin secara real-time.
2. Peningkatan Pelatihan Keselamatan: Mengadopsi metode pembelajaran berbasis simulasi VR untuk meningkatkan pemahaman pekerja terhadap prosedur keselamatan.
3. Kolaborasi dengan Regulator: Melakukan audit keselamatan berkala untuk memastikan kepatuhan terhadap regulasi yang terus berkembang.
4. Penerapan Desain Modular: Memungkinkan penggantian komponen dengan lebih mudah tanpa mengorbankan aspek keselamatan.

Dengan mengadopsi langkah-langkah ini, industri manufaktur dapat lebih siap menghadapi tantangan dalam meningkatkan keselamatan mesin dan mengurangi risiko kecelakaan kerja.

Pendekatan inovatif dalam perancangan keselamatan mesin dengan menekankan pentingnya analisis risiko dan integrasi fitur keselamatan sejak tahap desain awal. Dengan mengacu pada regulasi Uni Eropa, penelitian ini menegaskan bahwa penerapan standar keselamatan yang ketat tidak hanya melindungi pekerja, tetapi juga meningkatkan efisiensi produksi.

Meskipun masih ada ruang untuk perbaikan, seperti eksplorasi teknologi baru dalam pemantauan keselamatan, penelitian ini tetap menjadi referensi penting bagi produsen dan insinyur dalam menciptakan lingkungan kerja yang lebih aman.

Sumber Artikel

Kivistö-Rahnasto, J. (2000). Machine Safety Design: An Approach Fulfilling European Safety Requirements. VTT Publications 411, Technical Research Centre of Finland.

Keselamatan kerja di lingkungan pendidikan teknik memiliki peran penting dalam mengurangi risiko kecelakaan dan meningkatkan kualitas pembelajaran.

Penelitian ini menggunakan desain survei deskriptif dengan melibatkan 316 responden, yang terdiri dari:

• 34 pekerja industri skala menengah
• 129 guru teknik
• 153 siswa tahun terakhir di perguruan tinggi teknik

Metode pengambilan sampel menggunakan teknik sensus, di mana seluruh populasi dijadikan bagian dari studi ini. Instrumen penelitian berupa kuesioner 90 item yang telah diuji validitasnya oleh lima ahli dan diuji reliabilitasnya menggunakan Cronbach’s alpha dengan koefisien 0.86, menunjukkan tingkat konsistensi yang tinggi.

Data yang dikumpulkan dianalisis menggunakan rata-rata (mean) untuk menjawab pertanyaan penelitian dan Analisis Varians (ANOVA) untuk menguji hipotesis nol dengan tingkat signifikansi 0.05.

Faktor Pribadi

• Kurangnya keterampilan yang dibutuhkan (mean = 4.56)
• Tidak stabil secara mental atau cemas (mean = 4.78)
• Kurang konsentrasi saat bekerja (mean = 4.65)
• Melanggar aturan keselamatan (mean = 4.35)
• Fisik yang tidak fit karena sakit atau usia (mean = 4.63)

Tindakan Tidak Aman

• Mengoperasikan peralatan tanpa izin (mean = 4.51)
• Tidak menggunakan alat pelindung diri (mean = 4.64)
• Menggunakan alat dalam kondisi tidak layak (mean = 4.38)
• Mengabaikan postur kerja yang benar (mean = 4.29)
• Berperilaku ceroboh di area kerja (mean = 4.76)

Faktor Lingkungan Kerja

• Ventilasi yang buruk (mean = 4.59)
• Tata letak bengkel yang tidak ergonomis (mean = 4.59)
• Kurangnya pencahayaan (mean = 4.66)
• Tidak adanya alat pemadam kebakaran (mean = 4.54)
• Penggunaan alat dan mesin yang sudah usang (mean = 4.38)

Kesadaran dan Kepatuhan terhadap Protokol Keselamatan

• Segera melaporkan kecelakaan kerja (mean = 4.66)
• Memastikan semua alat tajam sebelum digunakan (mean = 4.51)
• Tidak mengoperasikan mesin dalam keadaan lelah atau di bawah pengaruh obat (mean = 4.69)
• Memastikan alat pelindung diri digunakan (mean = 4.60)
• Menyediakan pelatihan keselamatan kerja secara berkala (mean = 4.64)

Pemeliharaan dan Manajemen Bengkel

• Memeriksa kondisi mesin sebelum digunakan (mean = 4.71)
• Memastikan ventilasi dan pencahayaan memadai (mean = 4.62)
• Menyediakan alat pemadam kebakaran dan jalur evakuasi yang jelas (mean = 4.63)
• Melakukan inspeksi rutin pada alat dan mesin (mean = 4.76)
• Menyediakan ruang penyimpanan peralatan yang aman (mean = 4.37)

Pengawasan dan Regulasi

• Pemerintah dan sekolah harus memastikan regulasi keselamatan dipatuhi
• Penerapan sanksi bagi pelanggaran aturan keselamatan
• Mendorong budaya keselamatan melalui seminar dan pelatihan intensif

Dampak Implementasi Keselamatan di Bengkel Teknik

• Penurunan kecelakaan sebesar 40% dalam dua tahun setelah implementasi kebijakan keselamatan baru.
• Peningkatan kesadaran keselamatan di kalangan siswa dan tenaga pengajar hingga 85%.
• Peningkatan efisiensi kerja karena pengurangan gangguan akibat insiden kecelakaan.

Kelebihan 

✅ Menggunakan data empiris yang kuat dengan sampel yang representatif.
✅ Mengidentifikasi faktor penyebab kecelakaan secara komprehensif.
✅ Menyediakan strategi yang dapat diterapkan secara praktis di bengkel teknik.

Kekurangan 

❌ Fokus utama masih pada wilayah Nigeria, tanpa membandingkan dengan sistem keselamatan di negara lain.
❌ Tidak membahas aspek biaya dan tantangan implementasi kebijakan keselamatan.
❌ Belum menyertakan teknologi berbasis IoT atau AI dalam solusi keselamatan kerja.

Untuk meningkatkan efektivitas keselamatan kerja di bengkel teknik, beberapa langkah dapat dilakukan:

1. Integrasi Teknologi: Menggunakan kamera AI untuk memantau penggunaan alat pelindung diri.
2. Penerapan Sistem Insentif: Memberikan penghargaan kepada siswa dan guru yang menerapkan keselamatan kerja dengan baik.
3. Peningkatan Kurikulum: Menambahkan pelajaran khusus tentang keselamatan kerja dalam pendidikan teknik.
4. Kolaborasi dengan Industri: Mengundang pakar keselamatan kerja dari industri untuk memberikan pelatihan kepada siswa dan pengajar.

Pentingnya keselamatan kerja di bengkel pendidikan teknik. Dengan memahami faktor penyebab kecelakaan dan menerapkan strategi yang tepat, lingkungan bengkel dapat dibuat lebih aman dan mendukung proses pembelajaran yang lebih efektif.

Meskipun terdapat beberapa kekurangan, penelitian ini tetap menjadi referensi penting bagi pengambil kebijakan dan institusi pendidikan dalam menciptakan budaya keselamatan di dunia teknik.

Sumber Artikel

Oviawe, J. I. (2018). Strategies for Preventing Accidents and Maintaining Industrial Safety in Technical Education Workshops. ATBU, Journal of Science, Technology & Education (JOSTE), 6(4), 217-226.

Keselamatan dan kesehatan kerja (K3) merupakan faktor krusial dalam lingkungan industri. Paper ini membahas penerapan teknologi deep learning dalam mendeteksi dan memantau pemakaian APD di tempat kerja menggunakan berbagai model YOLO, seperti YOLO-NAS, YOLOv8, dan YOLOv9. Tujuannya adalah untuk meningkatkan akurasi dan efisiensi dalam mengidentifikasi kepatuhan pekerja terhadap protokol keselamatan.

Penelitian ini menggunakan dataset yang terdiri dari 2581 gambar yang mencakup berbagai lingkungan kerja dan pekerja dengan variasi warna helm dan rompi keselamatan. Dataset ini dibagi menjadi:

• 2202 gambar untuk pelatihan
• 223 gambar untuk validasi
• 156 gambar untuk pengujian

Proses pelabelan dilakukan menggunakan Roboflow dengan 9 kelas berdasarkan warna dan jenis APD. Dengan cara ini, model dapat mengenali dan mengklasifikasikan helm dan rompi dalam berbagai situasi kerja.

Tiga model YOLO:

• YOLO-NAS: Dirancang untuk mendeteksi objek kecil dan meningkatkan akurasi lokal.
• YOLOv8: Model terbaru yang memiliki keseimbangan antara kecepatan dan akurasi.
• YOLOv9: Model terbaru yang memiliki peningkatan dalam presisi deteksi.

Model-model ini dilatih dengan 200 epoch untuk memastikan perbandingan yang adil.

• YOLO-NAS menunjukkan performa terbaik dalam recall dan F1 score, menjadikannya pilihan ideal untuk deteksi objek yang lebih kecil.
• YOLOv8 memiliki kecepatan pelatihan tertinggi, tetapi performanya sedikit di bawah model lainnya.
• YOLOv9 memiliki nilai presisi tertinggi (99.5%), menunjukkan efektivitas dalam menghindari kesalahan deteksi positif.

Dalam konteks industri, penerapan sistem pemantauan APD berbasis YOLO dapat membantu mengurangi kecelakaan kerja. Data dari Organisasi Buruh Internasional (ILO) menunjukkan bahwa sekitar 270 juta kecelakaan kerja dan 160 juta penyakit akibat kerja terjadi setiap tahun, dengan dua juta kematian yang disebabkan oleh insiden tersebut.

Di Turki, yang menjadi fokus studi ini, tingkat kecelakaan kerja fatal mencapai 4.5 kali lebih tinggi dari rata-rata Uni Eropa. Dengan menerapkan sistem pemantauan otomatis berbasis YOLO, perusahaan dapat secara real-time mengawasi penggunaan APD dan mengurangi risiko kecelakaan.

Beberapa kendala dalam sistem deteksi APD ini meliputi:

• Variasi Pencahayaan: Pencahayaan yang buruk dapat mempengaruhi akurasi deteksi.
• Kesalahan Deteksi: Model mungkin salah mengklasifikasikan objek jika tampilan APD terhalang.
• Kecepatan Pemrosesan: Model dengan presisi tinggi seperti YOLOv9 membutuhkan perangkat keras yang lebih kuat untuk pemrosesan real-time.

Kelebihan 

✅ Menggunakan dataset yang luas dan bervariasi.
✅ Membandingkan beberapa model YOLO untuk evaluasi yang lebih komprehensif.
✅ Memberikan solusi nyata untuk meningkatkan keselamatan kerja di industri.

Kekurangan 

❌ Tidak membahas biaya implementasi dan efisiensi di berbagai sektor industri.
❌ Tidak ada integrasi dengan teknologi IoT atau sistem peringatan otomatis.
❌ Fokus utama masih pada helm dan rompi, tanpa mempertimbangkan perlengkapan lain seperti sarung tangan atau sepatu keselamatan.

Untuk meningkatkan efektivitas sistem, beberapa langkah yang dapat diterapkan meliputi:

1. Integrasi dengan IoT: Menghubungkan sistem dengan alarm otomatis atau perangkat wearable untuk memberikan peringatan langsung kepada pekerja.
2. Peningkatan Kualitas Data: Menggunakan dataset dengan pencahayaan dan sudut pengambilan gambar yang lebih bervariasi untuk meningkatkan akurasi model.
3. Penerapan di Berbagai Sektor: Mengadaptasi sistem ini untuk industri konstruksi, manufaktur, dan pertambangan guna memperluas manfaatnya.
4. Penambahan Jenis APD: Memperluas deteksi ke sarung tangan, sepatu keselamatan, dan perlengkapan lain untuk memastikan keselamatan pekerja secara menyeluruh.

Penerapan deep learning dalam pemantauan APD. Dengan membandingkan berbagai model YOLO, penelitian ini menunjukkan bahwa sistem otomatis berbasis AI dapat secara signifikan meningkatkan keselamatan kerja dengan mendeteksi penggunaan APD secara real-time.

Meskipun terdapat beberapa tantangan, pendekatan ini membuka peluang besar untuk inovasi lebih lanjut dalam teknologi keselamatan industri. Dengan pengembangan lebih lanjut, sistem ini dapat menjadi standar baru dalam pemantauan kepatuhan terhadap protokol keselamatan kerja di seluruh dunia.

Sumber Artikel

Guney, E., Altin, H., Asci, A. E., Bayilmis, O. U., & Bayilmis, C. (2024). YOLO-Based Personal Protective Equipment Monitoring System for Workplace Safety. JITSI: Jurnal Ilmiah Teknologi Sistem Informasi, 5(2), 77-85.