Dari CCTV Menjadi Safety Intelligence: Peran Computer Vision dalam K3
Selama bertahun-tahun, kamera CCTV di tempat kerja lebih banyak berfungsi sebagai alat dokumentasi dan pengawasan. Rekaman CCTV biasanya baru diperiksa setelah terjadi kecelakaan, insiden, atau pelanggaran prosedur keselamatan.
Namun, perkembangan artificial intelligence (AI) dan computer vision mulai mengubah fungsi tersebut.
Kamera kini tidak hanya “merekam”, tetapi dapat digunakan untuk menganalisis gambar dan video secara otomatis guna mengenali kondisi atau perilaku yang berpotensi membahayakan pekerja.
Inilah yang mulai membawa CCTV dari sekadar sistem pengawasan menuju konsep Safety Intelligence.
Computer vision merupakan teknologi AI yang memungkinkan komputer menganalisis dan memahami informasi visual dari gambar maupun video. Dalam konteks keselamatan dan kesehatan kerja (K3), teknologi ini dapat digunakan untuk membantu mengidentifikasi kepatuhan terhadap alat pelindung diri (APD), posisi pekerja, keberadaan pekerja di area tertentu, hingga berbagai kondisi yang berpotensi menjadi bahaya. NIOSH juga mencatat bahwa computer vision dapat digunakan untuk memantau kepatuhan keselamatan, melacak pekerja di area tertentu, dan mengamati kondisi keselamatan di lokasi kerja. (CDC)
Dari CCTV Biasa ke Safety Intelligence
CCTV konvensional bekerja dengan cara merekam kejadian.
Misalnya, kamera merekam seorang pekerja memasuki area produksi tanpa menggunakan helm. Rekaman tersebut kemudian tersimpan dan dapat diperiksa oleh petugas apabila diperlukan.
Dengan computer vision, prosesnya dapat dibuat lebih aktif.
Sistem AI dapat menganalisis video secara otomatis dan mengenali pola visual tertentu. Ketika sistem mendeteksi kondisi yang telah ditentukan sebagai kondisi tidak aman, sistem dapat memberikan peringatan kepada petugas K3 atau supervisor.
Dengan demikian, konsepnya berubah:
CCTV konvensional:
Kamera → merekam → menyimpan video → manusia memeriksa.
CCTV berbasis computer vision:
Kamera → menangkap video → AI menganalisis → mendeteksi kondisi → memberikan peringatan → tindakan dilakukan.
Perubahan inilah yang membuat kamera dapat menjadi bagian dari sistem Safety Intelligence.
Apa yang Dapat Dideteksi Computer Vision?
Kemampuan computer vision bergantung pada model AI, kualitas kamera, data pelatihan, lingkungan kerja, dan konfigurasi sistem. Namun, berbagai penelitian telah mengeksplorasi sejumlah penggunaan untuk keselamatan kerja.
1. Mendeteksi pekerja yang tidak menggunakan helm
Salah satu penerapan yang banyak diteliti adalah PPE detection.
Sistem dapat dilatih untuk mengenali objek seperti kepala, helm keselamatan, dan tubuh pekerja. Apabila seseorang terdeteksi berada di area yang mewajibkan penggunaan helm tetapi tidak terlihat menggunakan helm, sistem dapat menghasilkan peringatan.
Penelitian terbaru menunjukkan bahwa berbagai model object detection, termasuk keluarga YOLO, Faster R-CNN, dan model berbasis transformer, telah digunakan dalam pemantauan kepatuhan APD. Namun, performanya masih dapat berubah akibat pencahayaan, sudut kamera, pergerakan pekerja, dan objek yang saling menutupi (occlusion). (MDPI)
2. Mendeteksi tidak menggunakan safety vest
Safety vest atau rompi keselamatan memiliki karakteristik visual yang relatif mudah dikenali oleh sistem computer vision dalam kondisi tertentu.
Kamera dapat digunakan untuk mengidentifikasi apakah pekerja menggunakan rompi sesuai dengan persyaratan di area tertentu.
Misalnya:
“Pekerja terdeteksi berada di area konstruksi, tetapi objek safety vest tidak terdeteksi.”
Informasi tersebut kemudian dapat diteruskan sebagai safety alert.
Namun, sistem sebaiknya tidak langsung dianggap sebagai pengganti pemeriksaan manusia. Warna pakaian, pencahayaan, posisi tubuh, dan pekerja yang saling menutupi dapat memengaruhi hasil deteksi.
3. Mendeteksi Pekerja Memasuki Restricted Area
Computer vision juga dapat dikombinasikan dengan konsep virtual safety zone.
Area tertentu pada gambar kamera dapat ditentukan sebagai wilayah terlarang atau restricted area.
Ketika seseorang memasuki zona tersebut, sistem dapat mendeteksi keberadaan manusia dan menghasilkan peringatan.
Contohnya:
- area sekitar mesin berbahaya;
- area operasi crane;
- area penyimpanan bahan berbahaya;
- zona pekerjaan listrik;
- area konstruksi tertentu;
- jalur kendaraan industri.
Sistem semacam ini dapat membantu petugas K3 mengetahui adanya potensi pelanggaran zona secara lebih cepat.
4. Mendeteksi Pekerja Terlalu Dekat dengan Mesin
Bahaya tidak selalu terjadi karena pekerja tidak menggunakan APD.
Jarak antara manusia dan mesin juga dapat menjadi faktor penting.
Computer vision dapat digunakan bersama object detection dan distance estimation untuk mengidentifikasi hubungan spasial antara pekerja dengan objek tertentu.
Misalnya, sistem mendeteksi:
Worker → Machine → Distance terlalu dekat
Jika jarak tersebut melewati batas yang telah ditentukan, sistem dapat menghasilkan peringatan.
Teknologi ini dapat menjadi bagian dari sistem proximity detection, khususnya pada lingkungan dengan interaksi antara manusia dan mesin.
5. Mendeteksi Pekerja Berada di Jalur Forklift
Interaksi antara pekerja dan kendaraan industri merupakan salah satu situasi yang membutuhkan perhatian serius.
Computer vision dapat digunakan untuk mengenali:
- pekerja;
- forklift;
- jalur kendaraan;
- area pedestrian;
- zona interaksi antara kendaraan dan manusia.
Ketika sistem melihat pekerja memasuki jalur forklift atau berada terlalu dekat dengan kendaraan yang sedang bergerak, peringatan dapat diberikan kepada operator atau petugas terkait.
Secara sederhana:
Kamera → mendeteksi forklift + pekerja → menghitung posisi relatif → mendeteksi potensi konflik → memberikan peringatan.
Konsep ini juga dapat dikembangkan menjadi sistem collision avoidance ketika dikombinasikan dengan sensor atau teknologi lainnya.
6. Mendeteksi Pekerja Jatuh
Computer vision juga dapat digunakan untuk fall detection.
Sistem menganalisis perubahan posisi tubuh seseorang dari satu frame ke frame berikutnya.
Misalnya:
Berdiri → kehilangan keseimbangan → posisi horizontal → tidak bergerak
Pola tersebut dapat diklasifikasikan sebagai kemungkinan kejadian jatuh.
Jika sistem mendeteksi kejadian yang memenuhi parameter tertentu, alarm dapat dikirimkan kepada petugas.
Penerapan semacam ini sangat relevan untuk area kerja yang memiliki risiko jatuh, tetapi hasil deteksi tetap perlu mempertimbangkan kemungkinan false positive, misalnya pekerja sengaja berbaring atau sedang melakukan aktivitas tertentu di lantai.
7. Mendeteksi Postur Kerja Berbahaya
Computer vision tidak hanya dapat digunakan untuk APD.
Teknologi ini juga mulai diteliti untuk mengenali postur tubuh pekerja.
Dengan teknik seperti human pose estimation, sistem dapat mengidentifikasi posisi berbagai bagian tubuh, seperti:
- kepala;
- bahu;
- siku;
- pinggang;
- lutut;
- pergelangan tangan.
Informasi tersebut dapat digunakan untuk menganalisis postur ketika pekerja:
- membungkuk terlalu lama;
- mengangkat beban;
- memutar tubuh;
- bekerja dengan posisi tidak ergonomis;
- melakukan gerakan berulang.
Sebuah systematic review dan meta-analysis yang diterbitkan pada 2026 menunjukkan bahwa AI untuk pengenalan postur kerja merupakan area penelitian yang berkembang untuk membantu pencegahan work-related musculoskeletal disorders (WMSDs). (MDPI)
Dengan demikian, computer vision berpotensi memperluas fungsi CCTV dari keselamatan akut menuju aspek ergonomi.
Bagaimana Sistem Computer Vision untuk K3 Bekerja?
Secara sederhana, sistem dapat terdiri dari beberapa tahap.
Tahap 1 — Kamera menangkap kondisi lapangan
Kamera CCTV atau kamera jaringan menangkap video secara terus-menerus.
Tahap 2 — Video diproses oleh sistem AI
Frame video dianalisis menggunakan model computer vision.
Model dapat dilatih untuk mengenali objek seperti:
- manusia;
- helm;
- safety vest;
- forklift;
- kendaraan;
- mesin;
- area tertentu.
Tahap 3 — Sistem memahami hubungan antarobjek
Ini merupakan bagian yang semakin penting.
Sistem tidak hanya bertanya:
“Apakah ada manusia?”
Tetapi dapat dikembangkan untuk menjawab:
“Apakah manusia berada di area terlarang?”
atau:
“Apakah manusia terlalu dekat dengan forklift?”
atau:
“Apakah pekerja menggunakan APD yang diwajibkan?”
Tahap 4 — Sistem menghasilkan alert
Jika kondisi memenuhi parameter tertentu, sistem dapat menghasilkan peringatan.
Misalnya:
ALERT: Worker detected in restricted zone.
atau:
ALERT: PPE compliance violation detected.
Tahap 5 — Petugas melakukan verifikasi dan tindakan
Peringatan kemudian dapat ditindaklanjuti oleh supervisor atau petugas K3.
Pada tahap inilah manusia tetap memiliki peranan penting.
Tidak Hanya YOLO: Perkembangan Teknologi AI
Dalam beberapa tahun terakhir, penelitian computer vision untuk keselamatan kerja berkembang cukup cepat.
Model object detection seperti YOLO banyak digunakan karena kemampuannya melakukan deteksi objek secara relatif cepat.
Selain itu terdapat:
- Faster R-CNN;
- SSD;
- transformer-based vision models;
- vision-language models;
- pose estimation;
- action recognition;
- edge AI.
Systematic review tahun 2026 mengenai computer vision untuk pemantauan kepatuhan APD menemukan bahwa penelitian telah berkembang dari model deteksi objek konvensional menuju arsitektur berbasis transformer dan vision-language model. (MDPI)
Bahkan penelitian yang dipublikasikan pada 2025 mengeksplorasi vision-language model untuk mendeteksi kepatuhan keselamatan secara lebih rinci pada berbagai lingkungan kerja. (ScienceDirect)
Artinya, perkembangan computer vision untuk K3 tidak lagi hanya berkaitan dengan “mendeteksi objek”, tetapi mulai bergerak menuju pemahaman konteks visual.
Dari Deteksi APD Menuju Pemahaman Perilaku
Ini merupakan perkembangan yang menarik.
Sistem sederhana mungkin hanya mengenali:
Person + Helmet
Tetapi sistem yang lebih kompleks dapat dikembangkan untuk memahami:
Person + No Helmet + Restricted Area + Machine
Kemudian sistem dapat mengklasifikasikan situasi tersebut sebagai kondisi yang membutuhkan perhatian.
Dengan kata lain, masa depan computer vision dalam K3 bukan hanya:
“Apa yang terlihat kamera?”
tetapi juga:
“Apa yang sedang terjadi di dalam gambar?”
Konsep tersebut membuka peluang menuju behavior-based safety monitoring yang lebih otomatis.
Tantangan Computer Vision dalam K3
Meskipun terlihat menjanjikan, teknologi ini tidak sempurna.
Ada beberapa tantangan penting yang harus diperhatikan.
1. False Positive dan False Negative
AI dapat memberikan peringatan ketika sebenarnya tidak terjadi pelanggaran.
Sebaliknya, AI juga dapat gagal mendeteksi kondisi berbahaya.
Dalam sistem keselamatan, kedua kesalahan tersebut perlu diperhatikan secara serius.
2. Kondisi Pencahayaan
Kamera dapat mengalami kesulitan ketika kondisi terlalu gelap, terlalu terang, atau terjadi perubahan pencahayaan yang drastis.
3. Occlusion
Pekerja dapat tertutup oleh pekerja lain, kendaraan, material, atau mesin.
Akibatnya, APD atau bagian tubuh tertentu tidak terlihat oleh kamera.
4. Sudut Kamera
Kamera yang dipasang terlalu tinggi, terlalu rendah, atau dengan sudut yang tidak tepat dapat mengurangi kualitas deteksi.
5. Perbedaan Lingkungan Kerja
Model yang bekerja dengan baik di satu lokasi belum tentu memberikan hasil yang sama di lokasi lain.
Perbedaan:
- jenis pakaian;
- warna APD;
- pencahayaan;
- layout;
- jenis mesin;
- kepadatan pekerja;
dapat memengaruhi performa sistem.
Systematic review terbaru juga menyoroti variasi pencahayaan, occlusion, sudut pandang, gerakan pekerja, keterbatasan komputasi, dan kebutuhan skalabilitas sebagai tantangan utama implementasi computer vision di dunia nyata. (MDPI)
Privasi Pekerja Juga Harus Diperhatikan
Ada satu aspek yang tidak boleh dilupakan: kamera yang semakin pintar juga berarti kemampuan pengawasan menjadi semakin besar.
Karena itu, penerapan AI dalam K3 sebaiknya tidak hanya membicarakan akurasi teknologi, tetapi juga:
- tujuan penggunaan kamera;
- jenis data yang dikumpulkan;
- siapa yang dapat mengakses data;
- berapa lama data disimpan;
- bagaimana data dilindungi;
- bagaimana pekerja diberi informasi mengenai sistem;
- bagaimana mencegah penggunaan data di luar tujuan keselamatan.
NIOSH menekankan bahwa penerapan AI di tempat kerja perlu memperhatikan risiko baru yang dapat muncul dari teknologi tersebut dan perlunya pendekatan sistematis untuk memastikan AI digunakan secara aman. (CDC)
Dengan demikian, Safety Intelligence seharusnya tidak berubah menjadi sekadar employee surveillance.
Tujuan utamanya tetap harus keselamatan.
Computer Vision Bukan Pengganti Sistem K3
Hal yang juga penting adalah tidak menganggap computer vision sebagai pengganti seluruh sistem K3.
APD sendiri merupakan bagian terakhir dalam hierarki pengendalian bahaya. NIOSH menjelaskan bahwa PPE digunakan ketika pengendalian lain seperti eliminasi, substitusi, pengendalian teknik, dan pengendalian administratif belum cukup menghilangkan atau mengurangi paparan bahaya. (CDC)
Artinya, apabila kamera mendeteksi pekerja tidak menggunakan helm, solusi K3 tidak seharusnya berhenti pada:
“AI sudah mendeteksi pelanggaran.”
Pertanyaan berikutnya justru lebih penting:
Mengapa pekerja tidak menggunakan helm?
Apakah:
- helm tidak tersedia?
- helm tidak nyaman?
- pekerja belum mendapatkan pelatihan?
- aturan area tidak jelas?
- pengawasan kurang?
- desain pekerjaan menyebabkan pekerja melepas APD?
Computer vision dapat membantu menemukan kondisi, tetapi investigasi dan pengendalian akar masalah tetap membutuhkan pendekatan K3 yang komprehensif.
Masa Depan: CCTV yang Tidak Hanya Melihat, tetapi Memahami
Perkembangan AI memungkinkan kamera menjadi semakin cerdas.
Di masa depan, sistem computer vision dapat dikombinasikan dengan:
CCTV + AI + IoT + wearable + sensor + edge computing + dashboard K3
Contohnya:
Kamera mendeteksi pekerja memasuki area forklift.
↓
Sistem mengidentifikasi forklift dan pekerja.
↓
Sensor kendaraan memberikan informasi posisi dan pergerakan.
↓
AI menghitung potensi konflik.
↓
Sistem memberikan peringatan.
↓
Data kejadian masuk ke dashboard K3.
↓
Petugas dapat melakukan investigasi near miss.
Dengan pendekatan seperti ini, data kamera tidak hanya digunakan untuk mencari siapa yang melakukan kesalahan, tetapi dapat digunakan untuk menemukan pola kondisi berbahaya yang berulang.
Dari Reactive Safety Menuju Proactive Safety
Inilah perubahan paling penting yang ditawarkan computer vision.
Sistem K3 tradisional sering kali bersifat reaktif:
Insiden → investigasi → tindakan perbaikan.
Sementara sistem berbasis computer vision berpotensi mendukung pendekatan yang lebih proaktif:
Observasi → deteksi kondisi berbahaya → peringatan → intervensi → analisis → pencegahan.
Teknologi sensor dan sistem deteksi otomatis memang dapat menyediakan informasi yang lebih cepat mengenai kondisi berbahaya dan bahkan memicu alarm ketika kondisi tertentu terdeteksi. (CDC)
Dengan demikian, nilai utama computer vision bukan sekadar menggantikan manusia yang melihat layar CCTV.
Nilainya adalah mengubah data visual yang sebelumnya pasif menjadi informasi yang dapat membantu pengambilan tindakan keselamatan.
Kesimpulan
Computer vision membawa perubahan besar pada cara teknologi kamera dapat digunakan dalam keselamatan dan kesehatan kerja.
Kamera yang sebelumnya hanya berfungsi sebagai alat dokumentasi kini dapat dikembangkan menjadi bagian dari Safety Intelligence yang mampu membantu mendeteksi:
- pekerja tanpa helm;
- pekerja tanpa safety vest;
- masuknya pekerja ke restricted area;
- pekerja terlalu dekat dengan mesin;
- postur kerja berbahaya;
- pekerja jatuh;
- pekerja berada di jalur forklift;
- potensi konflik antara pekerja dan kendaraan.
Penelitian hingga 2026 menunjukkan perkembangan yang signifikan dalam penggunaan computer vision dan AI untuk pemantauan APD serta pengenalan postur dan kondisi keselamatan. Namun, implementasi di lapangan masih menghadapi tantangan seperti akurasi, false alarm, pencahayaan, occlusion, variasi lingkungan, kebutuhan komputasi, dan privasi. (MDPI)
Karena itu, masa depan K3 bukan sekadar tentang memasang lebih banyak kamera.
Yang lebih penting adalah bagaimana kamera, AI, sensor, manusia, dan sistem manajemen K3 dapat bekerja bersama untuk mendeteksi bahaya lebih awal dan mencegah insiden sebelum terjadi.
Dari CCTV yang hanya merekam, menuju kamera yang membantu memahami risiko. Dari pengawasan, menuju Safety Intelligence.
Referensi utama
- Systematic Review of Computer-Vision Technologies for Personal Protective Equipment Compliance Monitoring, Computers, 2026. (MDPI)
- NIOSH, Practical Strategies to Manage AI Hazards in the Workplace, 2026. (CDC)
- NIOSH, About Personal Protective Equipment, 2025. (CDC)
- Chen et al., Vision language model for interpretable and fine-grained detection of safety compliance in diverse workplaces, Expert Systems with Applications, 2025. (ScienceDirect)
- Current Trends in Artificial Intelligence for Recognizing Work Postures to Prevent Work-Related Musculoskeletal Disorders, 2026. (MDPI)
