AI untuk Mendeteksi Fatigue: Bisakah Teknologi Mengetahui Pekerja Sudah Terlalu Lelah?

Bayangkan seorang pekerja berada di area industri setelah bekerja selama berjam-jam. Gerakannya mulai melambat, konsentrasinya menurun, dan responsnya terhadap lingkungan tidak secepat biasanya. Dari luar, mungkin tidak ada tanda yang terlalu jelas. Namun, bagaimana jika sebuah sistem dapat mendeteksi perubahan tersebut sebelum terjadi kecelakaan?

Perkembangan Artificial Intelligence (AI) dan wearable technology mulai membuka kemungkinan tersebut. Dengan memanfaatkan data dari sensor tubuh, kamera, perangkat wearable, serta informasi mengenai pola kerja dan tidur, sistem AI dapat digunakan untuk memperkirakan apakah seorang pekerja sedang mengalami kelelahan atau memiliki risiko fatigue yang tinggi.

Topik ini menjadi semakin penting karena fatigue bukan sekadar rasa mengantuk. Menurut NIOSH pada 2026, fatigue dapat memperlambat waktu reaksi, menurunkan konsentrasi, mengganggu memori jangka pendek, dan memengaruhi kemampuan mengambil keputusan. Fatigue dapat dipengaruhi oleh jam kerja yang panjang, kerja shift, stres, pekerjaan fisik maupun mental yang berat, hingga lingkungan kerja yang panas.

Bagaimana AI Mendeteksi Fatigue?

AI tidak secara langsung “mengetahui” bahwa seseorang sedang lelah. Sistem bekerja dengan membaca berbagai indikator yang berkaitan dengan fatigue, kemudian menggunakan algoritma untuk memperkirakan tingkat risikonya.

Semakin banyak sumber data yang dapat dikombinasikan, semakin besar kemungkinan sistem mendapatkan gambaran mengenai kondisi pekerja. Beberapa data yang dapat digunakan antara lain:

1. Detak Jantung

Wearable seperti smartwatch atau smart band dapat mengumpulkan data detak jantung dan heart rate variability (HRV).

Perubahan pola detak jantung dapat menjadi salah satu indikator kondisi fisiologis seseorang. Dalam penelitian mengenai fatigue detection, HRV termasuk salah satu karakteristik biologis yang dapat digunakan untuk memperkirakan fatigue.

AI kemudian dapat mempelajari pola tersebut dan membandingkannya dengan kondisi normal pekerja.

Namun, detak jantung tidak boleh dianggap sebagai indikator tunggal karena dapat berubah akibat aktivitas fisik, emosi, suhu lingkungan, kafein, maupun faktor lainnya.

2. Pola Gerakan Tubuh

Fatigue dapat memengaruhi cara seseorang bergerak.

Sensor pada wearable atau perangkat yang dipasang pada tubuh dapat digunakan untuk mengamati perubahan kecepatan gerakan, koordinasi, stabilitas, maupun pola aktivitas. AI kemudian dapat mencari perubahan dari pola gerakan normal pekerja.

Contohnya, pekerja yang biasanya bergerak dengan stabil mungkin menunjukkan gerakan yang lebih lambat atau kurang terkoordinasi ketika mengalami kelelahan.

3. Postur Tubuh

Postur juga dapat menjadi sumber informasi.

Kamera, sensor gerak, atau wearable dapat digunakan untuk mengidentifikasi perubahan posisi tubuh, seperti membungkuk lebih lama, perubahan posisi kepala, atau pola gerakan yang tidak biasa.

Dalam konteks K3, informasi tersebut tidak hanya dapat digunakan untuk mendeteksi fatigue, tetapi juga membantu mengidentifikasi risiko ergonomi.

4. Ekspresi Wajah dan Mata

Salah satu pendekatan yang sudah banyak diteliti adalah computer vision.

Kamera dapat menganalisis berbagai indikator seperti:

• frekuensi berkedip,
• durasi mata tertutup,
• menguap,
• gerakan kepala,
• arah pandangan,
• dan perubahan ekspresi wajah.

Salah satu indikator yang dikenal dalam penelitian fatigue adalah PERCLOS, yaitu persentase waktu mata berada dalam kondisi tertutup. Sistem berbasis computer vision juga dapat menggabungkan gerakan mata, mulut, dan kepala untuk memperkirakan tanda-tanda kantuk.

Teknologi ini terutama menarik untuk pekerjaan yang membutuhkan konsentrasi tinggi, misalnya operator kendaraan, alat berat, atau ruang kontrol.

5. Waktu Kerja

AI juga tidak harus selalu menggunakan sensor tubuh.

Informasi mengenai jadwal kerja dapat menjadi data penting. Misalnya:

• durasi shift,
• jumlah jam kerja,
• lembur,
• jumlah shift berturut-turut,
• waktu mulai dan selesai kerja,
• serta pola kerja malam.

Data tersebut dapat digunakan untuk memprediksi peningkatan risiko fatigue.

Pendekatan seperti ini penting karena fatigue sering kali bukan disebabkan oleh satu faktor saja, melainkan kombinasi antara kurang tidur, jam kerja panjang, tuntutan pekerjaan, dan kondisi lingkungan.

6. Kualitas Tidur

Wearable dapat memberikan informasi mengenai pola tidur, seperti durasi tidur dan pola aktivitas selama periode istirahat.

Data tersebut kemudian dapat dikombinasikan dengan data jam kerja. Misalnya, seorang pekerja yang hanya mendapatkan waktu tidur terbatas sebelum menjalani shift panjang dapat dikategorikan memiliki risiko fatigue yang lebih tinggi.

NIOSH juga menjelaskan bahwa jadwal nonstandar seperti kerja malam dapat mengganggu atau memperpendek waktu tidur dan menjadi salah satu faktor yang berhubungan dengan fatigue.

Ketika Semua Data Digabungkan

Potensi terbesar AI sebenarnya bukan pada satu sensor, tetapi pada kemampuan menggabungkan banyak sumber data.

Bayangkan sebuah sistem yang menerima data:

Detak jantung + gerakan tubuh + postur + ekspresi wajah + waktu kerja + kualitas tidur

AI kemudian menganalisis pola tersebut dan menghasilkan indikator risiko fatigue.

Misalnya:

Risiko fatigue: Tinggi
Durasi kerja: 10 jam
Waktu tidur sebelumnya: 5 jam
Perubahan pola gerakan: meningkat
Frekuensi berkedip: meningkat

Sistem kemudian dapat memberikan peringatan kepada pekerja atau petugas K3 agar dilakukan tindakan seperti istirahat, pergantian tugas, atau evaluasi kondisi kerja.

Konsep seperti ini lebih tepat disebut sebagai fatigue risk detection atau fatigue prediction, bukan alat yang mampu memastikan seseorang benar-benar lelah. NIOSH sendiri menekankan bahwa tidak ada satu pendekatan atau satu teknologi yang dapat memberikan semua jawaban mengenai fatigue karena penyebab dan manifestasinya sangat kompleks.

Apa Manfaatnya bagi K3?

Jika diterapkan dengan tepat, AI fatigue detection dapat menjadi salah satu alat dalam sistem manajemen risiko K3.

Manfaatnya antara lain:

1. Peringatan lebih dini

Sistem dapat memberikan sinyal ketika indikator fatigue mulai meningkat sehingga tindakan dapat dilakukan sebelum terjadi insiden.

2. Mendukung keputusan petugas K3

Data dapat membantu petugas mengidentifikasi pola fatigue berdasarkan shift, jenis pekerjaan, atau kondisi lingkungan.

3. Membantu manajemen shift

Jika data menunjukkan risiko fatigue meningkat setelah pola kerja tertentu, perusahaan dapat mengevaluasi kembali jadwal kerja dan waktu istirahat.

4. Mendorong budaya keselamatan

Teknologi dapat membantu mengubah pendekatan dari sekadar menangani kecelakaan menjadi lebih proaktif dalam mengidentifikasi risiko.

Sensor sendiri memang semakin banyak digunakan dalam keselamatan dan kesehatan kerja karena mampu menyediakan data secara lebih cepat dan berkelanjutan dibandingkan beberapa metode pemantauan tradisional.

Tetapi, Apakah AI Selalu Benar?

Jawabannya: tidak.

Fatigue adalah kondisi yang kompleks. Seseorang dapat memiliki detak jantung yang meningkat karena sedang melakukan pekerjaan fisik, bukan karena fatigue. Mata yang sering berkedip juga belum tentu berarti mengantuk. Begitu pula perubahan postur belum tentu menunjukkan kelelahan.

Artinya, hasil AI seharusnya dipandang sebagai indikator risiko, bukan diagnosis atau keputusan mutlak mengenai kemampuan seorang pekerja.

Masalah lain adalah kondisi lingkungan. Kamera dapat mengalami kesulitan ketika pencahayaan buruk. Sensor dapat menghasilkan data yang tidak akurat. Wearable juga dapat tidak nyaman digunakan dalam waktu lama.

Karena itu, teknologi fatigue detection sebaiknya diuji terlebih dahulu dalam skala kecil sebelum diterapkan secara luas. NIOSH merekomendasikan pilot testing untuk memahami efektivitas, keterbatasan, kenyamanan, dan penerimaan pekerja terhadap teknologi tersebut.

Masalah Besar: Apakah Ini Perlindungan atau Pengawasan?

Di sinilah pembahasan AI untuk K3 menjadi lebih menarik.

Bayangkan perusahaan memasang kamera yang menganalisis wajah pekerja sepanjang hari. Atau memberikan wearable yang mengumpulkan detak jantung, pola tidur, lokasi, dan aktivitas tubuh.

Tujuannya mungkin untuk keselamatan.

Tetapi muncul pertanyaan:

Siapa yang memiliki data tersebut?

Untuk apa data digunakan?

Berapa lama data disimpan?

Apakah data dapat digunakan untuk menilai kinerja atau memberikan sanksi kepada pekerja?

Inilah risiko pengawasan pekerja.

NIOSH telah mengingatkan bahwa teknologi sensor yang semakin canggih harus diimbangi dengan perlindungan privasi, keamanan data, serta kepercayaan antara pekerja dan perusahaan.

Dalam implementasi fatigue monitoring, kebijakan perusahaan sebaiknya secara transparan menjelaskan data apa yang dikumpulkan, bagaimana data digunakan, kepada siapa data dapat dibagikan, berapa lama data disimpan, serta bagaimana masalah privasi ditangani.

Dengan kata lain, jangan sampai teknologi yang seharusnya melindungi pekerja justru berubah menjadi alat untuk mengawasi setiap gerakan mereka.

Prinsip “Safety First”, Bukan “Surveillance First”

Penerapan AI fatigue detection sebaiknya memiliki prinsip yang jelas.

Data dikumpulkan untuk mencegah kecelakaan dan melindungi kesehatan pekerja, bukan untuk menghukum pekerja.

Misalnya, ketika sistem mendeteksi risiko fatigue tinggi, respons pertama seharusnya bukan:

“Pekerja ini tidak produktif.”

Melainkan:

“Apa yang menyebabkan risiko fatigue meningkat dan intervensi apa yang dapat dilakukan?”

Pendekatan ini mengubah AI dari alat pengawasan menjadi alat pencegahan.

AI juga sebaiknya tidak menggantikan komunikasi antara pekerja, supervisor, dan petugas K3. NIOSH menekankan pentingnya melibatkan pekerja dalam perencanaan dan penerapan teknologi fatigue detection agar sistem dapat diterima dan benar-benar memberikan manfaat keselamatan.

Masa Depan: Pekerja dan AI Bekerja Bersama

Di masa depan, kita mungkin melihat wearable yang tidak hanya menghitung langkah atau detak jantung, tetapi juga menjadi bagian dari sistem keselamatan kerja.

Sebuah smart helmet dapat mengirimkan data lingkungan. Smart vest dapat memantau kondisi fisiologis. Kamera dapat menganalisis tanda-tanda kantuk. Sistem AI dapat menggabungkan data tersebut dengan jadwal kerja dan pola istirahat.

Ketika risiko fatigue meningkat, sistem dapat memberikan peringatan secara real-time.

Namun, masa depan tersebut tidak boleh hanya berorientasi pada kecanggihan teknologi.

AI di tempat kerja juga membawa risiko baru yang perlu dikelola. NIOSH pada 2026 menekankan pentingnya pendekatan terhadap AI yang aman dan dapat dipercaya, termasuk mempertimbangkan risiko algoritmik, transparansi, dan dampaknya terhadap keselamatan serta kesejahteraan pekerja.

Kesimpulan

Jadi, bisakah AI mengetahui pekerja sudah terlalu lelah?

Jawabannya adalah AI dapat memperkirakan risiko fatigue, tetapi belum dapat mengetahui kondisi pekerja secara sempurna.

Dengan menggabungkan detak jantung, pola gerakan, postur, ekspresi wajah, waktu kerja, kualitas tidur, dan berbagai sensor wearable, AI dapat menjadi alat penting untuk mendeteksi tanda-tanda fatigue lebih dini.

Namun, teknologi bukanlah pengganti manusia.

Keberhasilan sistem fatigue detection tidak hanya ditentukan oleh seberapa akurat algoritmanya, tetapi juga oleh bagaimana perusahaan menggunakannya. Privasi, keamanan data, transparansi, persetujuan pekerja, dan tujuan penggunaan harus menjadi bagian dari desain sistem sejak awal.

Pada akhirnya, pertanyaan yang lebih penting bukan hanya:

“Bisakah AI mengetahui pekerja sedang lelah?”

Tetapi:

“Bisakah kita menggunakan AI untuk membuat pekerja lebih aman tanpa mengorbankan privasi dan kepercayaan mereka?”

Jika jawabannya ya, AI dapat menjadi salah satu teknologi penting dalam evolusi K3 menuju lingkungan kerja yang lebih prediktif, preventif, dan human-centered.