Selama bertahun-tahun, keselamatan dan kesehatan kerja (K3) sangat bergantung pada kemampuan manusia dalam mengidentifikasi bahaya. Safety officer melakukan inspeksi lapangan, memeriksa penggunaan alat pelindung diri (APD), mengamati perilaku pekerja, menganalisis laporan insiden, serta memastikan prosedur keselamatan diterapkan.

Namun, lingkungan kerja modern semakin kompleks.

Pabrik beroperasi selama 24 jam, proyek konstruksi memiliki banyak aktivitas yang berlangsung secara bersamaan, sementara kamera CCTV, sensor, perangkat wearable, dan sistem digital menghasilkan data dalam jumlah sangat besar.

Dalam kondisi seperti ini, muncul sebuah pertanyaan menarik:

Bagaimana jika sebagian pekerjaan safety officer dapat dibantu oleh kecerdasan buatan atau Artificial Intelligence (AI)?

AI kini mulai digunakan untuk mendeteksi penggunaan APD, mengenali aktivitas berbahaya melalui computer vision, menganalisis laporan insiden dan near miss, hingga membangun model prediksi risiko kecelakaan. Sebuah systematic review yang terbit pada 2026 mengidentifikasi berbagai penerapan AI dalam K3, termasuk prediksi risiko, deteksi APD, pemantauan ergonomi, dan pencegahan bahaya. (Springer)

Namun, ada satu hal penting yang tidak boleh dilupakan:

AI bukan pengganti manusia.

Justru ketika AI mulai digunakan untuk mengambil keputusan yang berkaitan dengan keselamatan manusia, muncul risiko baru yang disebut automation bias, yaitu kecenderungan manusia untuk terlalu mempercayai rekomendasi atau keputusan yang diberikan oleh sistem otomatis.

---

AI sebagai “Mata Tambahan” bagi Safety Officer

Bayangkan sebuah pabrik memiliki ratusan kamera CCTV.

Secara teori, safety officer dapat memantau kamera-kamera tersebut. Namun secara manusiawi, tidak mungkin seseorang memperhatikan seluruh layar selama 8 atau 12 jam tanpa kehilangan konsentrasi.

AI memiliki kemampuan yang berbeda.

Sistem computer vision dapat memproses rekaman video secara terus-menerus dan mencari pola tertentu yang telah diprogram atau dipelajari oleh model.

Misalnya:

“Apakah pekerja menggunakan helm?”

“Apakah pekerja berada terlalu dekat dengan area berbahaya?”

“Apakah seseorang memasuki restricted area?”

“Apakah ada pekerja yang terjatuh?”

“Apakah terdapat perilaku yang berpotensi menyebabkan kecelakaan?”

Dengan demikian, AI dapat berfungsi sebagai mata tambahan bagi safety officer.

Bukan menggantikan penglihatan manusia, tetapi memperluas kemampuan manusia untuk mengawasi lingkungan kerja.

---

1. AI Menganalisis Rekaman CCTV

Salah satu aplikasi AI yang paling mudah dibayangkan dalam K3 adalah analisis CCTV menggunakan computer vision.

CCTV yang sebelumnya hanya digunakan untuk merekam kejadian setelah kecelakaan dapat dikembangkan menjadi sistem monitoring aktif.

AI dapat menganalisis video secara real time untuk menemukan kondisi yang dianggap berisiko.

Contohnya:

• pekerja memasuki zona terlarang;
• pekerja terlalu dekat dengan mesin;
• pekerja berada di bawah beban yang sedang diangkat;
• pekerja jatuh;
• pekerja berada di jalur kendaraan;
• pekerja tidak menggunakan APD;
• terjadi kerumunan di area tertentu;
• terdapat aktivitas yang tidak sesuai dengan prosedur keselamatan.

Penelitian yang diterbitkan pada 2026 bahkan menunjukkan penggunaan computer vision untuk mendeteksi kepatuhan APD dan pelanggaran zona bahaya pada lingkungan industri. (Springer)

Artinya, kamera tidak lagi hanya menjadi alat dokumentasi.

Kamera dapat berubah menjadi bagian dari sistem pencegahan kecelakaan.

---

2. Mendeteksi Pekerja Tanpa APD

Penggunaan APD merupakan salah satu aspek yang relatif mudah dibantu oleh computer vision.

Misalnya, perusahaan mewajibkan pekerja menggunakan:

• helm keselamatan;
• rompi keselamatan;
• sarung tangan;
• safety goggles;
• masker atau respirator;
• safety shoes.

AI dapat dilatih untuk mengenali objek-objek tersebut dari gambar atau video.

Ketika sistem mendeteksi seorang pekerja tidak menggunakan helm di area wajib helm, misalnya, sistem dapat memberikan peringatan kepada safety officer.

Sederhananya:

CCTV → AI → Deteksi → Peringatan → Tindakan manusia

Dengan mekanisme tersebut, safety officer tidak harus menunggu inspeksi berikutnya untuk mengetahui adanya pelanggaran.

Namun, AI tetap dapat melakukan kesalahan.

Helm yang tertutup sudut kamera, pencahayaan buruk, pekerja yang sebagian tertutup objek lain, atau kualitas kamera yang rendah dapat menyebabkan kesalahan deteksi.

Karena itu, hasil AI harus diperlakukan sebagai informasi untuk diverifikasi, bukan sebagai kebenaran mutlak.

---

3. Mengenali Perilaku Berbahaya

Bahaya di tempat kerja tidak selalu berbentuk objek.

Kadang-kadang bahaya muncul dari perilaku manusia.

Contohnya:

• berjalan di area forklift;
• menggunakan ponsel saat bekerja;
• berdiri terlalu dekat dengan mesin;
• melewati barricade;
• bekerja tanpa mengikuti prosedur;
• melakukan aktivitas di area yang tidak diperbolehkan;
• bekerja dalam posisi ergonomi yang berisiko.

AI dapat mempelajari pola gerakan atau aktivitas tertentu dan mengidentifikasi kondisi yang dianggap tidak aman.

Dalam konteks ini, AI tidak hanya bertanya:

“Apa yang terjadi?”

Tetapi mulai mencoba menjawab:

“Apa yang sedang terjadi dan apakah pola tersebut berpotensi menjadi bahaya?”

Ini merupakan perubahan penting dalam pendekatan K3.

---

4. AI untuk Memprediksi Potensi Kecelakaan

Bagian yang lebih menarik adalah predictive safety.

AI dapat menggabungkan berbagai data, misalnya:

• riwayat kecelakaan;
• near miss;
• kondisi mesin;
• jam kerja;
• lingkungan kerja;
• temperatur;
• data sensor;
• laporan inspeksi;
• jenis pekerjaan;
• lokasi kejadian;
• kondisi peralatan;
• pola perilaku pekerja.

Kemudian machine learning dapat digunakan untuk mencari hubungan atau pola yang mungkin tidak mudah terlihat oleh manusia.

Misalnya, sistem menemukan bahwa kombinasi:

shift malam + mesin tertentu + temperatur tinggi + peningkatan near miss

berkorelasi dengan peningkatan risiko insiden.

Sistem kemudian dapat memberikan peringatan:

“Area produksi A menunjukkan peningkatan tingkat risiko dibandingkan kondisi normal.”

Inilah konsep predictive safety.

Tujuannya bukan meramalkan kecelakaan secara sempurna, melainkan menemukan indikator awal yang memungkinkan tindakan pencegahan dilakukan sebelum insiden terjadi.

Penelitian 2026 mengenai AI dalam K3 menunjukkan bahwa predictive models dan early-warning systems merupakan salah satu area penerapan AI yang berkembang. (Springer)

---

5. AI Menganalisis Near Miss

Salah satu sumber informasi K3 yang sangat berharga adalah near miss.

Near miss adalah kejadian yang hampir menyebabkan kecelakaan tetapi akhirnya tidak menimbulkan cedera atau kerusakan serius.

Sayangnya, tidak semua organisasi memiliki budaya pelaporan near miss yang baik.

Padahal, kumpulan near miss dapat memberikan gambaran tentang kelemahan sistem keselamatan.

AI dapat membantu menganalisis ribuan laporan tersebut.

Misalnya, perusahaan memiliki 5.000 laporan near miss.

Manusia mungkin membutuhkan waktu lama untuk membaca dan mengelompokkan semuanya.

AI dapat membantu mengidentifikasi pola:

“Sebagian besar near miss terjadi di area yang sama.”

atau:

“Near miss meningkat pada shift tertentu.”

atau:

“Banyak kejadian berkaitan dengan interaksi manusia dan forklift.”

AI bahkan dapat menggunakan Natural Language Processing (NLP) untuk menganalisis laporan berbasis teks.

Dengan demikian, near miss tidak hanya menjadi arsip.

Ia dapat menjadi data untuk pembelajaran keselamatan.

---

6. Memberikan Peringatan Sebelum Kecelakaan

Pada tahap yang lebih maju, AI dapat dihubungkan dengan sistem peringatan.

Misalnya:

AI mendeteksi pekerja memasuki zona forklift.

Sistem kemudian memberikan:

Peringatan kepada safety officer.

Jika sistem terintegrasi dengan teknologi tertentu, peringatan juga dapat diberikan kepada pekerja melalui:

• wearable device;
• smartwatch;
• smartphone;
• alarm suara;
• lampu peringatan;
• sistem komunikasi area kerja.

Konsepnya sederhana:

Detect → Analyze → Warn → Act

Semakin cepat bahaya teridentifikasi, semakin besar peluang manusia melakukan intervensi sebelum terjadi kecelakaan.

---

Tetapi Apakah AI Selalu Benar?

Di sinilah pembahasan tentang AI dalam K3 menjadi jauh lebih menarik.

Ada kecenderungan untuk menganggap AI sebagai teknologi yang objektif, akurat, dan lebih pintar daripada manusia.

Padahal tidak selalu demikian.

AI bergantung pada:

data, model, sensor, kamera, algoritma, konteks, dan cara manusia menggunakannya.

Jika salah satu bagian tersebut bermasalah, keputusan AI juga dapat bermasalah.

Sebuah systematic review terbaru mengenai AI dan K3 juga menekankan persoalan kualitas data, etika, kurangnya standardisasi, serta kebutuhan untuk mengevaluasi keseluruhan siklus hidup sistem AI. (Springer)

---

Automation Bias: Ketika Manusia Terlalu Percaya kepada AI

Salah satu risiko yang semakin penting dalam keselamatan kerja adalah automation bias.

Automation bias terjadi ketika manusia cenderung mempercayai rekomendasi sistem otomatis dan mengurangi penilaian kritisnya sendiri.

Contohnya sangat sederhana.

AI mengatakan:

“Tidak ada bahaya terdeteksi.”

Safety officer kemudian berpikir:

“Berarti kondisi aman.”

Padahal sebenarnya kamera tertutup debu.

Atau:

AI tidak memberikan alarm.

Safety officer kemudian tidak melakukan pemeriksaan.

Padahal sensor mengalami gangguan.

Inilah masalahnya.

Tidak adanya peringatan dari AI tidak selalu berarti tidak adanya bahaya.

---

Bagaimana Jika AI Salah?

Bayangkan sebuah kamera AI dirancang untuk mendeteksi pekerja tanpa helm.

Seorang pekerja berada di area produksi.

Namun pencahayaan buruk menyebabkan AI gagal mengenali bahwa pekerja tersebut tidak menggunakan helm.

Sistem mengatakan:

“PPE compliant.”

Safety officer mempercayainya.

Beberapa menit kemudian terjadi insiden.

Dalam situasi seperti ini, teknologi yang awalnya dibuat untuk meningkatkan keselamatan justru dapat menciptakan false sense of security.

Sebaliknya, AI juga dapat menghasilkan terlalu banyak alarm.

Jika sistem terlalu sensitif dan terus memberikan peringatan yang sebenarnya tidak berbahaya, pekerja dapat mengalami alarm fatigue.

Pada akhirnya mereka mulai mengabaikan alarm.

Jadi terdapat dua risiko:

AI terlalu sedikit memperingatkan → bahaya terlewat.

AI terlalu banyak memperingatkan → manusia berhenti memperhatikan.

---

AI Tidak Boleh Menjadi “Hakim Terakhir”

Karena itu, pendekatan yang lebih aman adalah:

AI sebagai decision-support system

bukan:

AI sebagai final decision-maker.

AI sebaiknya membantu safety officer menjawab:

“Di mana saya harus melihat?”

“Risiko apa yang meningkat?”

“Kejadian apa yang perlu segera diperiksa?”

“Pola apa yang muncul dari ribuan data?”

Sedangkan keputusan akhir mengenai tindakan keselamatan tetap melibatkan manusia yang memahami konteks lapangan.

Hal ini sejalan dengan arah pembahasan keselamatan AI saat ini yang menekankan human oversight dan human-in-the-loop, terutama ketika AI digunakan dalam konteks berisiko tinggi. (EU-OSHA)

---

Safety Officer Masa Depan: Manusia + AI

Dengan demikian, pertanyaannya sebenarnya bukan:

“Apakah AI akan menggantikan safety officer?”

Pertanyaan yang lebih tepat adalah:

“Bagaimana safety officer dapat bekerja lebih baik dengan bantuan AI?”

Safety officer masa depan mungkin tidak hanya melakukan inspeksi lapangan.

Mereka juga harus mampu:

• memahami data;
• mengevaluasi dashboard AI;
• memverifikasi alarm;
• memahami false positive dan false negative;
• mengevaluasi kualitas data;
• memahami keterbatasan algoritma;
• mengawasi sistem AI;
• tetap melakukan observasi langsung di lapangan.

Dengan kata lain, profesi K3 dapat berkembang dari sekadar safety inspection menuju data-driven safety management.

---

Prinsip Penting: AI Boleh Membantu, Manusia Tetap Bertanggung Jawab

Implementasi AI dalam K3 sebaiknya mengikuti prinsip sederhana:

AI mendeteksi.

AI menganalisis.

AI memberikan peringatan.

Manusia memverifikasi.

Manusia mengambil tindakan.

Manusia tetap bertanggung jawab.

Prinsip ini penting karena keselamatan manusia tidak boleh sepenuhnya diserahkan kepada algoritma.

ILO sendiri menekankan bahwa digitalisasi dan sistem monitoring pintar dapat membantu mengurangi paparan bahaya dan meningkatkan keselamatan, tetapi teknologi tersebut juga menghadirkan risiko baru yang membutuhkan pendekatan kebijakan dan pencegahan yang adaptif. (International Labour Organization)

---

Kesimpulan

AI memiliki potensi besar untuk mengubah cara organisasi mengelola K3.

Dengan computer vision, AI dapat membantu menganalisis CCTV dan mendeteksi pekerja yang tidak menggunakan APD. Dengan machine learning, AI dapat menemukan pola risiko dan membantu memprediksi kondisi yang berpotensi menyebabkan kecelakaan. Dengan NLP, AI dapat menganalisis laporan kecelakaan dan near miss dalam jumlah besar.

Bahkan, AI dapat memberikan peringatan sebelum kondisi berbahaya berkembang menjadi kecelakaan.

Namun, semakin besar peran AI dalam keselamatan kerja, semakin penting pula manusia memahami keterbatasannya.

AI bisa salah.

Data bisa salah.

Sensor bisa gagal.

Algoritma bisa bias.

Dan yang tidak kalah penting:

manusia bisa terlalu percaya kepada AI.

Inilah yang membuat automation bias menjadi isu penting dalam OSH/K3 di era AI.

Masa depan K3 bukanlah dunia di mana manusia digantikan oleh algoritma.

Masa depan K3 yang lebih realistis adalah kolaborasi antara kecerdasan manusia dan kecerdasan buatan.

AI dapat menjadi mata tambahan, analis data, dan sistem peringatan dini.

Tetapi ketika menyangkut keselamatan manusia, keputusan tidak boleh berhenti pada algoritma.

Teknologi boleh semakin pintar. Namun tanggung jawab keselamatan tetap harus berada di tangan manusia.