Bayangkan seorang pengemudi masih berada di balik kemudi pada pukul tiga dini hari. Matanya mulai sering berkedip, gerakan kepalanya semakin lambat, waktu reaksinya menurun, sementara ia merasa masih mampu melanjutkan perjalanan.

Atau seorang operator alat berat yang telah bekerja selama berjam-jam. Gerakannya mulai melambat, konsentrasinya menurun, tetapi tidak ada alarm yang memberitahunya bahwa tubuhnya sudah berada dalam kondisi kelelahan.

Di sinilah teknologi Artificial Intelligence (AI) mulai menawarkan pendekatan baru dalam keselamatan dan kesehatan kerja (K3): bukan hanya mendeteksi kecelakaan setelah terjadi, tetapi berusaha mengenali tanda-tanda kelelahan sebelum kondisi tersebut berkembang menjadi insiden.

Konsep ini dikenal sebagai fatigue prediction atau fatigue detection berbasis AI.

Fatigue bukan sekadar rasa mengantuk. Menurut NIOSH/CDC, kelelahan dapat memperlambat waktu reaksi, mengurangi perhatian dan konsentrasi, memengaruhi memori jangka pendek, serta mengganggu pengambilan keputusan. Faktor pemicunya dapat mencakup kerja malam, jam kerja panjang, tuntutan fisik atau mental, stres, hingga lingkungan kerja yang panas. (CDC)

Apa Itu Fatigue Prediction?

Fatigue prediction adalah pendekatan menggunakan data untuk memperkirakan atau mengidentifikasi kondisi kelelahan seseorang berdasarkan pola fisiologis, perilaku, aktivitas, dan konteks pekerjaannya.

Jika sistem keselamatan konvensional biasanya menjawab:

“Apakah kecelakaan sudah terjadi?”

maka sistem berbasis AI berusaha menjawab pertanyaan yang lebih preventif:

“Apakah pola kondisi pekerja saat ini menunjukkan risiko kelelahan yang meningkat?”

AI tidak benar-benar “membaca pikiran” pekerja dan tidak dapat mengetahui secara pasti bahwa seseorang sedang lelah hanya dari satu indikator. Sistem bekerja dengan mengenali pola dari berbagai data.

Penelitian terbaru menunjukkan bahwa kombinasi AI dengan wearable dan analisis multimodal memiliki potensi untuk mendeteksi pola kelelahan secara lebih komprehensif. Review sistematis tahun 2025, misalnya, membahas penggunaan ECG, EMG, EEG, serta sensor fisiologis lainnya yang dianalisis dengan machine learning dan deep learning untuk mendeteksi fatigue. (PubMed)

---

Bagaimana AI Mendeteksi Kelelahan?

Salah satu konsep yang menarik adalah menggabungkan beberapa sumber data sekaligus.

Secara sederhana:

Wearable + Kamera + Data Aktivitas + Jam Kerja + AI = Fatigue Risk Assessment

Setiap sumber memberikan informasi yang berbeda.

1. Wearable

Wearable merupakan perangkat yang dikenakan pekerja, misalnya smartwatch, smartband, sensor pada helm, atau perangkat khusus yang dirancang untuk lingkungan industri.

Sensor dapat mengumpulkan berbagai informasi fisiologis dan gerakan, seperti:

• detak jantung,
• heart rate variability (HRV),
• aktivitas fisik,
• pola gerakan,
• accelerometer,
• gyroscope,
• suhu tubuh atau kulit,
• aktivitas otot,
• dan parameter fisiologis lainnya.

Penelitian mengenai wearable untuk pemantauan fatigue telah mengeksplorasi berbagai sinyal seperti ECG, EEG, EMG, PPG, respons galvanik kulit, suhu, pergerakan mata, dan respirasi. (PubMed)

AI kemudian dapat mencari perubahan pola dari data tersebut.

Misalnya, sistem menemukan bahwa pola fisiologis dan aktivitas seorang pekerja berbeda secara signifikan dibandingkan kondisi normal pekerja tersebut.

Perubahan tersebut dapat menjadi salah satu sinyal bahwa tingkat fatigue sedang meningkat.

---

2. Kamera dan Computer Vision

Wearable bukan satu-satunya sumber informasi.

Kamera juga dapat digunakan untuk mengamati tanda-tanda perilaku yang berhubungan dengan kelelahan.

Computer vision dapat digunakan untuk menganalisis:

• frekuensi kedipan mata,
• durasi mata tertutup,
• arah pandangan,
• posisi kepala,
• postur tubuh,
• kecepatan gerakan,
• perubahan pola aktivitas,
• atau tanda-tanda microsleep pada konteks tertentu.

Pada pengemudi, misalnya, kamera yang menghadap wajah dapat menganalisis perubahan kondisi mata dan kepala.

Pada lingkungan manufaktur, kamera dapat digunakan untuk mengamati perubahan postur atau pola gerakan pekerja.

Namun, kamera sebaiknya tidak dipandang sebagai alat untuk “menghakimi” pekerja. Sistem seharusnya menjadi bagian dari pengendalian risiko, bukan semata-mata alat pengawasan.

---

3. Data Aktivitas Pekerja

Kelelahan juga dapat dipahami dari pola aktivitas.

AI dapat menganalisis data seperti:

• durasi pekerjaan,
• frekuensi istirahat,
• intensitas aktivitas,
• jenis tugas,
• jumlah gerakan,
• kecepatan melakukan pekerjaan,
• perubahan produktivitas,
• dan pola aktivitas selama shift.

Contohnya, seorang operator biasanya melakukan suatu aktivitas dengan pola gerakan yang relatif stabil.

Setelah beberapa jam, sistem menemukan bahwa:

kecepatan gerakan menurun + kesalahan meningkat + waktu respons meningkat.

Jika pola tersebut terjadi bersamaan dengan indikator fisiologis tertentu, sistem dapat memberikan peringatan mengenai meningkatnya fatigue risk.

---

4. Jam Kerja dan Shift

Ini merupakan komponen yang sangat penting.

AI tidak hanya melihat kondisi tubuh pekerja, tetapi juga konteks kapan pekerjaan dilakukan.

Data yang dapat dipertimbangkan antara lain:

• waktu mulai bekerja,
• durasi shift,
• shift malam,
• lembur,
• waktu istirahat,
• jumlah hari kerja berturut-turut,
• serta pola pergantian shift.

NIOSH menyebut jadwal nonstandar, termasuk kerja malam dan jam kerja yang panjang, sebagai salah satu faktor yang berhubungan dengan fatigue. (CDC)

Dengan demikian, dua pekerja yang menunjukkan kondisi fisiologis yang sama belum tentu memiliki profil risiko yang sama jika konteks jam kerja mereka berbeda.

---

Ketika Semua Data Digabungkan

Bagian paling menarik dari sistem fatigue prediction justru terjadi ketika AI tidak hanya menggunakan satu sumber data.

Misalnya:

Data pekerja

→ wearable
→ kamera
→ aktivitas
→ jam kerja
→ riwayat shift
→ lingkungan kerja

kemudian masuk ke sistem AI.

AI memproses berbagai variabel tersebut dan menghasilkan fatigue risk assessment.

Contoh sederhana:

Data	Kondisi
Durasi kerja	10 jam
Shift	Malam
Aktivitas	Tinggi
Detak jantung	Berubah dari pola baseline
Gerakan kepala	Lebih lambat
Kedipan mata	Meningkat
Waktu respons	Meningkat
Riwayat istirahat	Terbatas

Sistem kemudian dapat memberikan peringatan seperti:

Fatigue Risk: Meningkat

Peringatan tersebut dapat diteruskan kepada pekerja atau sistem keselamatan untuk dilakukan tindakan pencegahan.

NIOSH sendiri menekankan bahwa teknologi fatigue detection sebaiknya memiliki tujuan yang jelas, misalnya membantu menilai risiko fatigue, mengidentifikasi faktor penyebab, memantau kepatuhan terhadap batas jam kerja, atau memberikan alarm ketika risiko insiden terkait fatigue meningkat. (CDC)

---

AI Tidak Hanya Mendeteksi, Tetapi Bisa Mempelajari Pola

Inilah perbedaan penting antara sistem sederhana dengan machine learning.

Sistem sederhana mungkin hanya menggunakan aturan:

Jika jam kerja > 12 jam → beri peringatan.

AI dapat dikembangkan untuk mencari hubungan yang lebih kompleks.

Misalnya:

jam kerja + shift malam + aktivitas fisik + perubahan pola gerakan + indikator fisiologis + riwayat fatigue

kemudian model machine learning mempelajari pola yang berkaitan dengan kondisi fatigue.

Dengan data yang cukup, sistem dapat membuat model yang lebih personal.

Artinya, sistem tidak hanya bertanya:

“Berapa jam pekerja sudah bekerja?”

tetapi juga:

“Bagaimana pola kondisi pekerja ini dibandingkan dengan baseline dirinya sendiri?”

Pendekatan multimodal seperti ini menjadi salah satu arah penelitian yang berkembang. Review terbaru mengenai wearable dan AI menunjukkan bahwa penggabungan beberapa sumber informasi dapat meningkatkan ketepatan dan keandalan penilaian fatigue dibandingkan hanya mengandalkan satu jenis sensor. (PubMed)

---

Siapa yang Paling Membutuhkan Teknologi Ini?

Fatigue prediction memiliki relevansi khusus pada pekerjaan yang konsekuensi kesalahannya dapat serius.

1. Pengemudi

Pengemudi kendaraan, terutama yang bekerja dalam perjalanan panjang atau shift malam, menghadapi risiko fatigue yang penting.

AI dapat menggabungkan:

kamera wajah + pola mata + gerakan kepala + durasi mengemudi + waktu perjalanan

untuk mendeteksi perubahan tanda kewaspadaan.

Sistem dapat memberikan peringatan ketika indikator risiko meningkat sehingga pekerja dapat mengambil tindakan seperti berhenti dan beristirahat sesuai prosedur.

---

2. Operator Alat Berat

Pada pertambangan, konstruksi, dan industri berat, kesalahan operator dapat memiliki konsekuensi besar.

Operator yang mengalami fatigue mungkin mengalami:

• penurunan konsentrasi,
• waktu respons yang lebih lambat,
• kesalahan pengoperasian,
• dan penurunan kewaspadaan terhadap lingkungan.

AI dapat menggabungkan data operator dengan data mesin dan kondisi operasional.

Misalnya:

kondisi operator + durasi shift + aktivitas alat + lingkungan kerja

sehingga perusahaan dapat memperoleh gambaran risiko yang lebih komprehensif.

---

3. Pekerja Shift Malam

Shift malam merupakan salah satu konteks penting dalam pembahasan fatigue karena dapat mengganggu pola tidur dan ritme biologis.

Sistem AI dapat mempertimbangkan:

jam kerja + pola shift + waktu istirahat + data aktivitas + indikator fisiologis.

Dengan demikian, fatigue management dapat menjadi bagian dari perencanaan keselamatan kerja, bukan hanya respons setelah pekerja terlihat mengantuk.

---

4. Tenaga Kesehatan

Tenaga kesehatan dapat menghadapi jam kerja panjang, pekerjaan dengan tuntutan mental tinggi, dan shift.

Pada konteks ini, fatigue monitoring berpotensi digunakan untuk membantu memahami beban kerja dan kondisi pekerja.

Namun, penerapannya harus sangat hati-hati karena data fisiologis merupakan data sensitif dan sistem tidak boleh digunakan untuk membuat kesimpulan medis secara sembarangan.

---

5. Pekerja Manufaktur

Pada industri manufaktur, fatigue dapat berhubungan dengan pekerjaan berulang, aktivitas fisik, postur, serta durasi kerja.

Wearable dapat membantu menganalisis gerakan dan beban fisik, sedangkan kamera dapat membantu mengamati postur atau pola aktivitas.

AI kemudian dapat digunakan untuk mengidentifikasi pola yang membutuhkan intervensi ergonomi atau istirahat.

Penelitian tentang wearable dan AI dalam ergonomi industri menunjukkan bahwa kombinasi sensor gerak, sensor fisiologis, dan AI memiliki potensi untuk mendukung analisis ergonomi serta keselamatan di lingkungan Industry 4.0. (PubMed)

---

6. Pekerja Tambang

Pertambangan merupakan salah satu lingkungan kerja yang menarik untuk penerapan fatigue monitoring.

Pekerja dapat menghadapi:

• shift panjang,
• pekerjaan fisik,
• lingkungan panas,
• penggunaan alat berat,
• kondisi kerja terpencil,
• dan tuntutan kewaspadaan tinggi.

Dalam lingkungan seperti ini, sistem dapat menggabungkan data pekerja dengan data kendaraan atau alat berat.

Contohnya:

Wearable pekerja → kondisi fisiologis

Kamera → perilaku dan kondisi visual

Sensor kendaraan → aktivitas alat

Sistem shift → durasi kerja

AI → analisis risiko fatigue

Hasilnya kemudian dapat menjadi bagian dari sistem fatigue risk management.

---

Apakah AI Bisa Benar-Benar Mengetahui Seseorang Lelah?

Jawabannya perlu hati-hati: AI dapat mengidentifikasi pola yang berkaitan dengan fatigue, tetapi bukan berarti AI dapat mengetahui kondisi lelah seseorang secara sempurna.

Ini merupakan perbedaan penting.

Fatigue merupakan kondisi yang kompleks.

Seseorang dapat merasa lelah tanpa menunjukkan perubahan yang sama pada semua sensor. Sebaliknya, perubahan fisiologis tertentu belum tentu berarti seseorang mengalami fatigue.

Review penelitian wearable juga menunjukkan bahwa banyak penelitian fatigue detection masih memiliki keterbatasan, termasuk ukuran sampel yang kecil, kondisi eksperimen yang terbatas, kualitas data, dan masalah generalisasi ke lingkungan kerja nyata. (PubMed)

Karena itu, teknologi tersebut sebaiknya diposisikan sebagai decision-support tool, bukan sebagai satu-satunya penentu kondisi pekerja.

---

Tantangan Terbesar: Privasi Pekerja

Semakin banyak data yang dikumpulkan, semakin besar pula pertanyaan mengenai privasi.

Bayangkan perusahaan memiliki akses terhadap:

• detak jantung,
• pola tidur,
• lokasi,
• aktivitas,
• rekaman kamera,
• jam kerja,
• dan berbagai data perilaku pekerja.

Pertanyaannya bukan hanya:

“Apakah teknologi ini bisa bekerja?”

tetapi juga:

“Siapa yang boleh melihat datanya?”

“Untuk tujuan apa data digunakan?”

“Berapa lama data disimpan?”

“Apakah data fatigue digunakan untuk keselamatan atau untuk menilai kinerja individu?”

Ini menjadi isu penting dalam penerapan AI di tempat kerja. ILO pada 2026 menyoroti bahwa sistem AI di tempat kerja juga dapat menimbulkan risiko seperti pengawasan berlebihan, berkurangnya otonomi pekerja, intensifikasi kerja, serta persoalan privasi dan penggunaan data. (International Labour Organization)

Dengan kata lain, teknologi yang dirancang untuk meningkatkan keselamatan justru harus dirancang agar tidak menciptakan risiko baru.

---

AI Seharusnya Menjadi Sistem Pencegahan, Bukan Sistem Penghukuman

Ada perbedaan besar antara:

“Sistem mendeteksi pekerja lelah untuk membantu mencegah kecelakaan.”

dan

“Sistem mendeteksi pekerja lelah untuk menghukum pekerja.”

Jika tujuan akhirnya adalah K3, maka informasi fatigue seharusnya mendorong tindakan preventif.

Misalnya:

Fatigue meningkat

↓

Sistem memberikan peringatan

↓

Supervisor melakukan pemeriksaan

↓

Pekerja mendapatkan waktu istirahat

↓

Tugas berisiko dapat dialihkan jika diperlukan

↓

Risiko kecelakaan berkurang

Pendekatan ini lebih sesuai dengan prinsip bahwa fatigue management merupakan bagian dari pengendalian risiko, bukan sekadar pemantauan individu. NIOSH juga menekankan bahwa tidak ada satu alat atau pendekatan yang dapat memberikan seluruh jawaban untuk setiap lingkungan kerja. (CDC)

---

Masa Depan Fatigue Prediction

Ke depan, sistem fatigue prediction kemungkinan akan semakin mengarah pada multimodal AI.

Bukan hanya satu kamera.

Bukan hanya satu smartwatch.

Bukan hanya menghitung jam kerja.

Tetapi menggabungkan berbagai data:

AI + Wearable + Computer Vision + IoT + Data Aktivitas + Shift Management + Environmental Sensors

Contohnya, sistem keselamatan masa depan dapat memiliki dashboard seperti:

Worker ID: 024
Shift: 22.00–06.00
Work Duration: 7 jam
Activity Level: Tinggi
Physiological Pattern: Berubah
Visual Alertness: Menurun
Break Duration: Rendah
Fatigue Risk: Meningkat

Informasi tersebut kemudian dapat digunakan untuk menentukan intervensi keselamatan yang sesuai.

Konsep ini sejalan dengan perkembangan digitalisasi K3 yang semakin menempatkan AI, smart monitoring, wearable, dan teknologi digital sebagai bagian dari pendekatan pencegahan risiko. ILO dalam laporan World Day for Safety and Health at Work 2025 membahas potensi teknologi digital dan sistem monitoring pintar untuk meningkatkan keselamatan, sekaligus menekankan perlunya pengelolaan risiko baru yang muncul dari teknologi tersebut. (International Labour Organization)

---

Kesimpulan

Fatigue mungkin tidak terlihat seperti bahaya fisik seperti mesin berputar, listrik tegangan tinggi, atau bahan kimia berbahaya. Namun, ketika kelelahan menyebabkan seseorang kehilangan konsentrasi, terlambat bereaksi, atau salah mengambil keputusan, konsekuensinya dapat menjadi sangat serius.

AI menawarkan pendekatan baru untuk mengenali risiko tersebut lebih awal.

Dengan menggabungkan wearable, kamera, data aktivitas, jam kerja, dan machine learning, sistem dapat mempelajari pola yang berkaitan dengan meningkatnya fatigue dan memberikan peringatan sebelum kondisi tersebut berkontribusi pada insiden.

Namun, AI bukanlah “mesin pembaca kelelahan” yang sempurna. Teknologi ini masih memiliki keterbatasan dalam akurasi, kualitas data, generalisasi, dan penerapan di lingkungan kerja nyata. (PubMed)

Yang tidak kalah penting, penerapan fatigue prediction harus tetap memperhatikan privasi, transparansi, persetujuan, keamanan data, dan hak pekerja.

Pada akhirnya, tujuan utama teknologi ini bukan untuk mencari pekerja yang “lemah” atau “tidak produktif”, melainkan menciptakan sistem kerja yang mampu mengatakan:

“Kita mendeteksi risikonya lebih awal, sebelum kelelahan berubah menjadi kecelakaan.”

Itulah salah satu arah menarik perkembangan K3 berbasis Artificial Intelligence: bergerak dari keselamatan yang reaktif menuju keselamatan yang semakin prediktif dan preventif.