Bayangkan sebuah area konstruksi yang dipenuhi pekerja, alat berat, kendaraan, dan berbagai aktivitas yang berlangsung secara bersamaan. Di beberapa titik terpasang kamera CCTV. Selama ini, kamera tersebut mungkin hanya berfungsi sebagai “mata” yang merekam apa yang terjadi.

Namun, bagaimana jika kamera tersebut tidak hanya merekam, tetapi juga memahami apa yang dilihatnya?

Bagaimana jika kamera dapat memberikan peringatan ketika seorang pekerja memasuki area terlarang, tidak menggunakan helm keselamatan, tidak mengenakan safety vest, berdiri terlalu dekat dengan kendaraan berat, atau melakukan gerakan tubuh yang berpotensi menyebabkan cedera?

Inilah salah satu penerapan computer vision dalam bidang Keselamatan dan Kesehatan Kerja (K3).

Computer vision memungkinkan komputer menganalisis gambar maupun video untuk mengenali objek, manusia, posisi tubuh, pergerakan, serta hubungan spasial antara pekerja dan lingkungan di sekitarnya. Perkembangan deep learning membuat teknologi ini semakin mampu digunakan untuk monitoring keselamatan secara otomatis dan hampir real-time.

Menariknya, perkembangan penelitian pada 2026 menunjukkan bahwa penerapan computer vision dalam K3 tidak lagi hanya berfokus pada deteksi alat pelindung diri (APD), tetapi mulai berkembang ke pemantauan ergonomi, prediksi risiko, dan pencegahan bahaya. (MDPI)

---

Dari CCTV Biasa Menjadi “Mata Cerdas”

CCTV konvensional pada dasarnya hanya menghasilkan rekaman video. Ketika terjadi kecelakaan, petugas dapat membuka kembali rekaman tersebut untuk mengetahui apa yang terjadi.

Masalahnya, pendekatan ini bersifat reaktif.

Kecelakaan sudah terjadi terlebih dahulu, kemudian rekaman digunakan untuk melakukan investigasi.

Computer vision menawarkan pendekatan yang berbeda.

Dengan bantuan artificial intelligence (AI), kamera dapat menganalisis video secara otomatis dan mendeteksi kondisi yang dianggap tidak aman.

Sederhananya:

CCTV → Video → Computer Vision → Analisis → Deteksi Risiko → Peringatan

Misalnya, sistem mendeteksi seorang pekerja memasuki zona berbahaya tanpa menggunakan helm. Sistem kemudian dapat mengirimkan notifikasi kepada petugas K3.

Dengan demikian, kamera tidak hanya menjadi alat dokumentasi, tetapi dapat menjadi bagian dari sistem pencegahan kecelakaan.

---

1. Mendeteksi Pekerja Tanpa Helm

Salah satu penerapan computer vision yang paling mudah dibayangkan adalah PPE detection.

Kamera diarahkan ke area kerja dan AI dilatih untuk mengenali manusia sekaligus APD yang digunakan.

Sistem dapat membedakan kondisi seperti:

• pekerja menggunakan helm;
• pekerja tidak menggunakan helm;
• pekerja menggunakan safety vest;
• pekerja tidak menggunakan safety vest;
• pekerja menggunakan masker;
• pekerja tidak menggunakan APD tertentu.

Penelitian sistematis yang diterbitkan pada 2026 secara khusus meninjau teknologi computer vision untuk pemantauan kepatuhan PPE di lingkungan industri. Review tersebut menganalisis 150 studi dan membahas perkembangan berbagai pendekatan deep learning, termasuk keluarga YOLO, Faster R-CNN, transformer, hingga vision-language models. (MDPI)

Artinya, deteksi APD sudah berkembang jauh dari sekadar konsep penelitian.

---

2. Bukan Hanya Mengetahui “Ada Helm”, tetapi Menghubungkan Helm dengan Pekerja

Salah satu tantangan menarik dalam sistem ini adalah association.

Misalnya terdapat 20 orang pekerja dalam satu kamera. Sistem menemukan 18 helm dan 20 orang.

Pertanyaannya:

Helm yang mana milik pekerja yang mana?

Computer vision dapat menggunakan informasi posisi manusia, bounding box, keypoint tubuh, dan hubungan spasial untuk menghubungkan objek APD dengan individu tertentu.

Dengan demikian, sistem tidak hanya mengatakan:

“Ada helm di dalam gambar.”

Tetapi dapat menganalisis:

“Pekerja A tidak menggunakan helm.”

Ini merupakan perkembangan penting karena lingkungan kerja sebenarnya jauh lebih kompleks dibandingkan gambar laboratorium yang sederhana.

---

3. Mengenali Pekerja yang Memasuki Area Terlarang

Computer vision juga dapat dikombinasikan dengan geofencing atau virtual safety zones.

Misalnya, sebuah area di sekitar:

• mesin berbahaya,
• crane,
• kendaraan berat,
• panel listrik,
• lubang galian,
• area produksi,
• confined space,

ditentukan sebagai zona terlarang.

Ketika seorang pekerja memasuki zona tersebut tanpa izin, sistem dapat mendeteksi pelanggaran.

Menariknya, penelitian yang dipublikasikan pada 2026 mengenai pemantauan keselamatan di industri baja melaporkan sistem yang menggabungkan deteksi PPE dengan hazard-zone monitoring. Sistem tersebut mencapai akurasi deteksi pelanggaran restricted-area sebesar 92% pada pengujian frame-level. (Springer)

Ini menunjukkan bahwa arah perkembangan computer vision K3 mulai bergerak dari:

“Apakah pekerja menggunakan APD?”

menjadi:

“Apakah pekerja berada di tempat yang aman?”

---

4. Mengenali Posisi Tubuh yang Berbahaya

K3 tidak hanya berkaitan dengan kecelakaan akibat tidak menggunakan APD.

Masalah ergonomi juga sangat penting.

Seorang pekerja mungkin menggunakan seluruh APD dengan benar, tetapi tetap berisiko mengalami cedera jika melakukan aktivitas dengan postur yang salah secara berulang.

Contohnya:

• membungkuk terlalu lama;
• mengangkat benda dengan posisi punggung yang buruk;
• memutar tubuh secara berlebihan;
• posisi leher terlalu menunduk;
• posisi lengan terlalu tinggi;
• melakukan gerakan repetitif.

Di sinilah Human Pose Estimation (HPE) menjadi menarik.

Teknologi ini memungkinkan AI memperkirakan posisi bagian tubuh manusia dari gambar atau video, misalnya posisi:

kepala → bahu → siku → tangan → pinggul → lutut → kaki.

Dari titik-titik tersebut, sistem dapat melakukan analisis postur.

Sebuah systematic review 2026 terhadap 35 penelitian menemukan bahwa computer vision-based human pose estimation memiliki potensi untuk melakukan pemantauan postur dan penilaian risiko ergonomi, meskipun validasi di lingkungan industri nyata masih menjadi tantangan. (ScienceDirect)

---

5. Mengetahui Ketika Pekerja Terlalu Dekat dengan Kendaraan

Bayangkan seorang pekerja sedang berjalan di area gudang.

Di saat yang sama, forklift bergerak mendekatinya.

Secara visual, manusia mungkin baru menyadari bahaya ketika jaraknya sudah sangat dekat.

Computer vision dapat digunakan untuk menganalisis jarak dan interaksi antara manusia dengan kendaraan.

Sistem dapat mengenali:

Worker + Forklift + Distance + Direction + Zone

Jika jarak berada di bawah batas aman, sistem dapat menghasilkan peringatan.

Dalam pengembangan lebih lanjut, teknologi ini dapat dikombinasikan dengan sensor lain seperti:

• RFID;
• UWB;
• GPS;
• proximity sensor;
• IoT;
• wearable devices.

Dengan kombinasi tersebut, sistem keselamatan tidak hanya “melihat” manusia, tetapi juga memahami hubungan manusia dengan lingkungan kerjanya.

---

Dari Deteksi Pelanggaran Menuju Prediksi Risiko

Ini merupakan bagian yang menurut saya paling menarik.

Tahap awal computer vision dalam K3 adalah:

Detection

Sistem mendeteksi bahwa sesuatu sedang terjadi.

Tahap berikutnya adalah:

Recognition

Sistem memahami apa yang terjadi.

Dan perkembangan berikutnya adalah:

Prediction

Sistem mencoba memperkirakan apakah kondisi tersebut dapat berkembang menjadi situasi berbahaya.

Misalnya, kamera melihat:

• pekerja berjalan menuju forklift;
• forklift bergerak menuju pekerja;
• jarak keduanya semakin kecil;
• pekerja berada di area yang memiliki blind spot.

Daripada menunggu tabrakan terjadi, sistem dapat memberikan peringatan:

“Potential collision risk detected.”

Inilah perubahan paradigma yang sangat penting dalam teknologi K3:

dari mendokumentasikan kecelakaan → mendeteksi kondisi berbahaya → memprediksi potensi kecelakaan.

---

Computer Vision dan AI sebagai “Safety Assistant”

Namun, ada satu hal yang penting untuk dipahami.

Computer vision sebaiknya tidak diposisikan sebagai pengganti petugas K3.

Teknologi ini lebih tepat dipandang sebagai safety assistant.

Kamera dapat melakukan pemantauan secara terus-menerus. AI dapat memproses video dalam jumlah besar. Sistem dapat memberikan peringatan ketika ditemukan kondisi tertentu.

Sementara itu, manusia tetap dibutuhkan untuk:

• menentukan standar keselamatan;
• melakukan investigasi;
• mengambil keputusan;
• melakukan intervensi;
• memberikan pelatihan;
• mengevaluasi efektivitas pengendalian risiko.

Dengan kata lain:

AI melihat lebih banyak, tetapi manusia tetap mengambil keputusan.

---

Tantangan: Apakah Kamera Selalu Benar?

Jawabannya: tidak.

Ini adalah bagian yang sering terlupakan ketika membicarakan AI.

Computer vision dapat mengalami kesalahan ketika:

• pencahayaan buruk;
• objek tertutup objek lain (occlusion);
• kamera memiliki sudut pandang terbatas;
• pekerja bergerak cepat;
• jumlah pekerja terlalu banyak;
• APD memiliki warna atau bentuk yang beragam;
• kamera bergetar;
• kondisi lingkungan berubah.

Systematic review 2026 mengenai PPE detection juga menyoroti masalah seperti perubahan pencahayaan, occlusion, variasi sudut pandang, pergerakan pekerja, keterbatasan komputasi, serta kesenjangan antara hasil penelitian di laboratorium dan penerapan di lingkungan industri sebenarnya. (MDPI)

Karena itu, sistem AI tidak boleh langsung dianggap sebagai “hakim keselamatan”.

False positive dapat menyebabkan terlalu banyak alarm.

Sebaliknya, false negative jauh lebih berbahaya karena sistem gagal mendeteksi kondisi yang sebenarnya berisiko.

---

Bagaimana dengan Privasi Pekerja?

Ada satu persoalan lain yang semakin penting: privasi.

Ketika kamera digunakan untuk memantau pekerja sepanjang waktu, muncul pertanyaan:

Apakah teknologi ini digunakan untuk keselamatan atau justru menjadi alat pengawasan pekerja?

Ini merupakan perbedaan yang sangat penting.

Implementasi computer vision K3 seharusnya memiliki tujuan yang jelas, misalnya:

“Mendeteksi kondisi berbahaya untuk mencegah kecelakaan.”

Bukan sekadar:

“Mengawasi setiap gerakan pekerja.”

Penelitian mengenai computer vision untuk PPE compliance juga menyoroti persoalan identifikasi pekerja, identity management, etika, dan cybersecurity sebagai tantangan dalam penerapan teknologi tersebut. (Springer)

Oleh karena itu, penerapan teknologi harus mempertimbangkan transparansi, keamanan data, batas penggunaan data, dan perlindungan privasi pekerja.

---

Masa Depan Computer Vision dalam K3

Jika teknologi ini terus berkembang, kita mungkin akan melihat sistem K3 yang jauh lebih terintegrasi.

Bayangkan sebuah pabrik pada masa depan.

Kamera mendeteksi pekerja.

AI mengenali APD.

Pose estimation menganalisis postur.

Sensor IoT mengirimkan informasi suhu dan gas.

Proximity sensor mendeteksi jarak dengan kendaraan.

AI kemudian menggabungkan seluruh informasi tersebut.

Hasilnya bukan lagi sekadar:

“Pekerja tidak menggunakan helm.”

Tetapi:

“Pekerja berada di zona berisiko tinggi, tidak menggunakan helm, berjarak 2 meter dari kendaraan bergerak, dan pola pergerakannya menunjukkan potensi konflik.”

Pada tahap inilah computer vision mulai menjadi bagian dari intelligent safety system.

---

Penutup

Computer vision membawa perubahan besar dalam cara kita memandang CCTV di tempat kerja.

Kamera tidak lagi hanya menjadi alat untuk mengetahui “apa yang sudah terjadi”, tetapi berpotensi menjadi sistem yang membantu menjawab:

“Apa yang sedang terjadi?”

dan bahkan:

“Apa yang mungkin terjadi berikutnya?”

Perkembangan penelitian pada 2026 memperlihatkan bahwa ruang lingkup computer vision dalam K3 semakin luas, mulai dari PPE detection, pemantauan postur dan ergonomi, monitoring zona berbahaya, hingga dukungan terhadap pencegahan risiko. (MDPI)

Namun, teknologi bukanlah pengganti budaya keselamatan.

Computer vision dapat menjadi mata tambahan, AI dapat menjadi asisten analisis, dan sistem peringatan dapat menjadi alarm dini.

Tetapi keselamatan tetap membutuhkan manusia yang memiliki pengetahuan, kepedulian, prosedur yang baik, serta komitmen untuk mencegah kecelakaan.

Karena tujuan akhir dari teknologi K3 bukanlah memiliki kamera yang semakin pintar, tetapi menciptakan tempat kerja yang semakin aman.