PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025
SURVIVORBOX: SISTEM PEMANTAUAN DAN PERINGATAN
PEKERJA BERBASIS AIOT DENGAN KOMUNIKASI LORA
UNTUK MENCEGAH KECELAKAAN DI INDUSTRI
PERTAMBANGAN
Novan Zulkarnain1.
Rakha Hanif Dzakwan2.
Taufik Arrahman3
1, 2, 3
Teknik Elektro Otomasi.
Vokasi.
Institut Teknologi Sepuluh Nopember.
Surabaya.
Indonesia Email: 2040221032@student.
id1, 2040221001@student.
2040221033@student.
ABSTRAK
Industri pertambangan merupakan sektor dengan risiko kecelakaan kerja yang tinggi, ini disebabkan oleh lingkungan kerja ekstrem dan keterbatasan sistem pemantauan keselamatan secara real-time.
Berdasarkan International Labour Organization (ILO), sektor ini menyumbang sekitar 8% dari total kecelakaan kerja fatal di dunia, dengan tingkat kematian mencapai 20Ae25 per 100.
000 pekerja tiap tahun.
Menjawab permasalahan tersebut, penelitian ini mengusulkan pengembangan SurvivorBox, sebuah sistem pemantauan keselamatan berbasis Artificial Intelligence of Things (AIoT), dengan jaringan komunikasi Long Range (LoR.
untuk meningkatkan respon terhadap potensi kecelakaan.
Sistem ini terdiri dari dua komponen utama: Helm Box, yang dilengkapi sensor akselerometer dan getaran untuk mendeteksi benturan kepala.
Pocket Box, yang terintegrasi dengan GPS dan modul komunikasi untuk pengiriman data secara real-time ke cloud server.
Untuk klasifikasi tingkat keparahan insiden, digunakan algoritma Extreme Gradient Boosting (XGBoos.
, yang menunjukkan akurasi sebesar 92,5% setelah 50 epoch pelatihan.
Uji coba sistem menghasilkan latensi rata-rata pengiriman data sebesar 1,2 detik melalui jaringan LoRa.
Hasil penelitian menunjukkan bahwa SurvivorBox mampu mengidentifikasi kecelakaan dengan akurasi tinggi serta memberikan peringatan dini melalui aplikasi seluler secara efisien kepada tim Health.
Safety, and Environment (HSE).
Implementasi sistem ini berpotensi menurunkan angka kecelakaan kerja di sektor pertambangan, serta memperkuat budaya keselamatan kerja berbasis teknologi yang berkelanjutan.
Kata kunci: Artificial Intelligence of Things.
HSE.
Keselamatan Kerja.
LoRa.
ABSTRACT
The mining industry is a sector with significant occupational accident risks, due to extreme environments and limited real-time safety monitoring systems.
According to the International Labour Organization (ILO), this sector contributes about 8% of global fatal work accidents, with a mortality rate of 20Ae25 per 100,000 workers annually.
address this issue, this study proposes SurvivorBox, a safety monitoring system based on Artificial Intelligence of Things (AIoT), supported by Long Range (LoR.
communication to improve response to potential accidents.
The system has two main components: the Helm Box, equipped with an accelerometer and vibration sensor to detect head impacts.
and the Pocket Box, integrated with GPS and a communication module for real-time data transmission to a cloud server.
For classifying incident severity, the Extreme Gradient Boosting (XGBoos.
algorithm was used, reaching PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 5% accuracy after 50 training epochs.
System testing showed an average latency of 2 seconds via LoRa.
Results show that SurvivorBox can accurately identify accidents and efficiently send early warnings through a mobile application to the Health.
Safety, and Environment (HSE) team.
Implementing this system has strong potential to reduce mining accidents and strengthen a sustainable, technology-based safety culture.
Keywords: Artificial Intelligence of Things.
HSE.
Occupational Safety.
LoRa.
PENDAHULUAN
Latar Belakang Tingkat kematian pekerja di lokasi kerja khususnya pertambangan terus meningkat dari hari ke hari, namun belum tersedia solusi yang efektif untuk menurunkan angka fatalitas tersebut (U.
Bureau of Labor Statistics, 2.
Dalam banyak situasi, lokasi kecelakaan sulit untuk dideteksi, yang menghambat proses pertolongan pertama (Pronenko & Dudkin, 2.
Untuk meningkatkan keselamatan kerja di lingkungan pertambangan yang berisiko tinggi, penelitian ini mengembangkan SurvivorBox Ai sebuah sistem pemantauan kecelakaan berbasis Artificial Intelligence of Things (AIoT) dengan dukungan komunikasi Long Range (LoR.
SurvivorBox terdiri dari dua unit utama: Helm Box yang dilengkapi sensor benturan dan akselerasi, serta Pocket Box yang berisi modul GPS dan komunikasi.
Helm pintar tidak hanya melindungi kepala, tetapi juga dapat mendeteksi lokasi kecelakaan serta berkontribusi dalam menyelamatkan nyawa.
Beberapa penelitian sebelumnya telah menunjukkan bahwa integrasi teknologi IoT dalam perangkat wearable seperti helm cerdas mampu meningkatkan keselamatan pengguna melalui fitur seperti deteksi kecelakaan secara real-time dan pelacakan GPS.
Sistem ini bertujuan untuk memberikan pemantauan secara terus-menerus terhadap kondisi pekerja serta mencegah risiko kesehatan saat bekerja melalui helm pintar yang Sistem ini juga dirancang tidak hanya untuk melacak posisi pekerja secara realtime, tetapi juga untuk mengklasifikasikan tingkat keparahan benturan menggunakan algoritma Extreme Gradient Boosting (XGBoos.
, yang dalam pelatihan awal menunjukkan akurasi sebesar 92,5% hanya dalam 50 epoch, dan mampu memberikan peringatan dini hanya dalam 1,2 detik (Parsa et al.
, 2.
Keunggulan SurvivorBox dibandingkan teknologi konvensional terletak pada integrasi kecerdasan buatan untuk klasifikasi insiden secara real-time, penggunaan dua perangkat wearable terpisah yang mampu mendeteksi gerakan abnormal sekaligus melacak posisi pekerja, serta pemanfaatan komunikasi LoRa yang hemat daya dan andal untuk daerah tambang terpencil dengan konektivitas terbatas.
Ketiga faktor ini memberikan sistem kemampuan untuk bekerja lebih efisien, responsif, dan hemat energi dalam menghadapi kondisi darurat di lapangan.
Penelitian ini bertujuan merancang, mengimplementasikan, dan menguji SurvivorBox secara langsung di lingkungan tambang semi-riil untuk mengevaluasi akurasi, latensi, serta reliabilitasnya.
Latar belakang dari kebutuhan inovasi ini berakar pada tingginya tingkat kecelakaan kerja di sektor pertambangan akibat kondisi lingkungan yang ekstrem seperti potensi runtuhan, getaran tinggi, paparan gas beracun, serta keterbatasan sistem Berdasarkan laporan dari International Labour Organization (ILO), sektor ini menyumbang sekitar 8% dari total kecelakaan kerja fatal di dunia, dengan tingkat kematian mencapai 20Ae25 per 100.
000 pekerja per tahun (U.
Bureau of Labor Statistics.
PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 Meski sejumlah penelitian telah mengembangkan wearable devices seperti GPS tracker dan gas detector, teknologi-teknologi tersebut masih terbatas dalam mendeteksi anomali pergerakan secara otomatis dan belum mengintegrasikan kecerdasan buatan secara optimal.
Dengan pendekatan baru yang ditawarkan SurvivorBox, diharapkan tercipta ekosistem kerja tambang yang lebih adaptif dan tangguh terhadap risiko, serta mendukung langkah-langkah preventif yang lebih cepat dan akurat.
Masalah Tingginya angka fatalitas di sektor pertambangan akibat keterlambatan penanganan darurat dan sulitnya mendeteksi lokasi kecelakaan secara cepat dan Minimnya sistem pemantauan keselamatan kerja secara real-time, terutama yang dapat mendeteksi anomali pergerakan dan mengklasifikasikan tingkat keparahan benturan secara otomatis.
Keterbatasan perangkat wearable konvensional seperti gas detector dan GPS tracker, yang belum terintegrasi dengan kecerdasan buatan dan tidak efisien dalam kondisi tambang terpencil dengan keterbatasan jaringan.
Tujuan Penelitian Mengembangkan sistem SurvivorBox yang dapat mendeteksi lokasi kejadian dan mengirimkan peringatan dini secara real-time untuk mempercepat penanganan kecelakaan di area tambang.
Mengintegrasikan algoritma XGBoost ke dalam sistem wearable guna mendeteksi anomali gerakan dan mengklasifikasikan tingkat keparahan benturan secara otomatis berdasarkan data getaran dan akselerasi.
Membuat solusi wearable hemat daya berbasis LoRa yang mampu beroperasi secara efisien di lingkungan tambang terpencil dan terbatas jaringan, sebagai pengganti sistem pemantauan keselamatan konvensional.
METODE
Tempat dan Waktu Penelitian No.
Kegiatan Waktu Tempat Studi Literatur & Perumusan Permasalahan Januari 2025 Departemen Teknik Elektro Otomasi Perancangan Sistem (Hardware & Softwar.
Januari 2025 Departemen Teknik Elektro Otomasi Pengumpulan dan Preprocessing Data Getaran Januari 2025 Departemen Teknik Elektro Otomasi Pelatihan Model AI (XGBoos.
Februari 2025 Departemen Teknik Elektro Otomasi Integrasi dan Pengujian Fungsional Sistem Februari - Maret Departemen Teknik Elektro Otomasi Simulasi & Pengujian di Lingkungan Semi-Riil Maret - Juni 2025 Departemen Teknik Elektro Otomasi PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 No.
Kegiatan Waktu Tempat Evaluasi dan Penyusunan Laporan Akhir Mei - Juni 2025 Departemen Teknik Elektro Otomasi Tabel 1.
Jadwal dan Tempat Pembuatan Proyek Alat dan Bahan ESP 32 Mikrokontroler canggih yang dikembangkan oleh Espressif Systems, dirancang untuk memenuhi kebutuhan aplikasi Internet of Things (IoT).
Mikrokontroler ini dilengkapi dengan prosesor dual-core, konektivitas Wi-Fi dan Bluetooth bawaan (Pradap et al.
, 2.
, serta berbagai fitur lainnya yang memungkinkan pengembangan sistem IoT yang efisien dan hemat biaya.
Keunggulan ini menjadikan ESP32 sebagai pilihan utama dalam berbagai proyek yang memerlukan konektivitas nirkabel dan pengolahan data secara real-time.
LoRa SX1278 Modul LoRa SX1278 merupakan perangkat komunikasi nirkabel yang dirancang untuk transmisi data jarak jauh dengan konsumsi daya rendah.
Keunggulan utama dari LoRa adalah kemampuannya dalam menyediakan koneksi yang stabil dan hemat energi, yang sangat penting dalam lingkungan industri dengan keterbatasan infrastruktur jaringan (Al-Shareeda et al.
,2.
Dalam sistem pemantauan keselamatan.
LoRa SX1278 digunakan untuk mengirimkan data sensor secara real-time dari perangkat yang dikenakan pekerja ke pusat kontrol.
Hal ini memungkinkan tim HSE untuk menerima informasi terkini mengenai kondisi pekerja, sehingga dapat merespons dengan cepat jika terjadi insiden.
Penggunaan LoRa juga mengurangi kebutuhan akan infrastruktur komunikasi tambahan, sehingga efisien dalam hal biaya dan implementasi.
MPU6050
Sensor MPU6050 adalah modul yang menggabungkan akselerometer dan giroskop tiga sumbu, memungkinkan deteksi gerakan dan orientasi secara presisi.
Dengan kemampuan ini.
MPU6050 dapat mendeteksi perubahan posisi, kecepatan, dan sudut kemiringan, yang penting untuk memantau aktivitas fisik pekerja di lingkungan kerja yang berisiko tinggi (Sultan et al.
, 2.
Dalam konteks keselamatan kerja.
MPU6050 digunakan untuk mendeteksi kejadian seperti jatuh atau benturan keras yang dialami oleh pekerja.
Data yang dikumpulkan oleh sensor ini dapat dianalisis untuk menentukan tingkat keparahan insiden, sehingga memungkinkan sistem untuk memberikan peringatan dini dan memicu respons cepat dari tim HSE.
SW-420
Sensor SW-420 adalah modul deteksi getaran yang dirancang untuk merespons perubahan fisik seperti guncangan atau getaran.
Sensor ini bekerja dengan mendeteksi perubahan dalam posisi internalnya, yang kemudian menghasilkan sinyal digital saat terjadi getaran (Putra & Sukarno, 2.
Dalam sistem pemantauan keselamatan.
SW420 digunakan untuk mendeteksi kejadian seperti benturan atau getaran mendadak yang dapat menunjukkan adanya insiden.
Dengan integrasi sensor ini, sistem dapat lebih sensitif terhadap perubahan kondisi fisik di lingkungan kerja, memungkinkan deteksi dini terhadap potensi bahaya dan meningkatkan keselamatan pekerja.
PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 GPS Neo-6M Modul GPS Neo-6M adalah perangkat penerima sinyal satelit yang memungkinkan penentuan lokasi geografis dengan akurasi tinggi (Khalish et al.
, 2.
Dengan kemampuan untuk mengunci posisi dalam waktu singkat dan konsumsi daya yang rendah.
Neo-6M cocok untuk aplikasi portabel seperti perangkat pemantauan keselamatan pekerja.
Dalam sistem ini.
GPS Neo-6M digunakan untuk melacak lokasi real-time dari pekerja di area kerja.
Informasi lokasi ini penting untuk koordinasi dalam situasi darurat, memungkinkan tim HSE untuk mengetahui posisi tepat pekerja yang membutuhkan bantuan.
OLED Display 0.
96" I2C
Layar OLED 0.
96" dengan antarmuka I2C adalah modul tampilan kecil yang efisien dan hemat daya, cocok untuk perangkat portabel.
Dengan resolusi 128x64 piksel, layar ini mampu menampilkan informasi penting seperti status koneksi, indikator baterai, dan peringatan sistem.
Dalam sistem pemantauan keselamatan.
OLED Display digunakan untuk memberikan umpan balik visual langsung kepada pengguna.
Arsitektur Sistem SurvivorBox merupakan sistem pemantauan keselamatan pekerja tambang berbasis Internet of Things (IoT) dan Artificial Intelligence (AI), yang terdiri atas dua unit utama: Pocket Box dan Helm Box, seperti yang ditunjukkan pada Gambar 1.
Helm Box dipasang pada helm pekerja dan dilengkapi dengan sensor getaran serta akselerometer untuk mendeteksi benturan atau kecelakaan.
Data dari sensor ini dikirim ke Pocket melalui Bluetooth, kemudian diproses oleh ESP32 bersama dengan informasi dari sensor akselerometer dan GPS untuk menentukan lokasi pekerja.
Selanjutnya, data dikirim ke pusat pemantauan melalui LoRa Transmitter, yang kemudian diteruskan ke ESP32 oleh LoRa Receiver.
Jika terdeteksi kecelakaan serius, sistem akan mengaktifkan alarm peringatan melalui relay di area HSE serta mengirimkan data ke PC monitoring dan database PHPMyAdmin untuk analisis lebih lanjut.
Gambar 1.
Arsitektur Sistem SurvivorBox Untuk analisis kecelakaan.
SurvivorBox menerapkan algoritma XGBoost guna mengklasifikasikan tingkat keparahan benturan berdasarkan pola getaran dan percepatan yang terdeteksi.
Algoritma ini membandingkan data real-time dengan data set historis PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 untuk membedakan benturan ringan, sedang, atau berat.
Hasil analisis ditampilkan secara real-time pada dashboard berbasis website, memungkinkan tim HSE mengambil tindakan cepat saat terjadi kecelakaan.
Dengan kombinasi IoT, komunikasi LoRa, serta AI berbasis XGBoost.
SurvivorBox memberikan solusi pemantauan keselamatan yang akurat dan responsif guna mengurangi risiko kecelakaan di lingkungan tambang.
Perancangan Sistem Perangkat Keras Gambar 2.
Gambar Teknik Perangkat SurvivorBox Sistem SurvivorBox terdiri dari dua modul utama, yaitu Helm Box dan Pocket Box, yang berfungsi mendeteksi kecelakaan pekerja tambang.
Desain teknik perangkat keras SurvivorBox ditunjukkan secara visual pada Gambar 2.
Helm Box dilengkapi dengan modul Bluetooth untuk komunikasi nirkabel, sensor getaran untuk mendeteksi benturan di area kepala, serta baterai sebagai sumber daya mandiri.
Sementara itu.
Pocket Box yang terpasang pada pinggang pekerja berperan sebagai pusat pemrosesan data dengan menggunakan mikrokontroler ESP32/ESP8266.
Modul ini terhubung dengan GPS Module (BN-.
untuk pelacakan lokasi.
Battery Management System (BMS) untuk pengelolaan daya, serta tiga sensor utama .
ccelerometer, gyroscope, dan compas.
yang mendeteksi perubahan gerakan, orientasi, dan arah pekerja.
Selain itu, terdapat pemancar jarak jauh (LoRa/WiFi/4G) yang memungkinkan pengiriman data ke cloud atau server lokal untuk pemantauan secara real-time.
Dengan arsitektur ini.
SurvivorBox dapat mengintegrasikan berbagai sensor dan teknologi komunikasi guna meningkatkan keselamatan pekerja tambang secara signifikan.
Ekstraksi Fitur Sensor Getaran Pada sistem SurvivorBox, ekstraksi fitur sensor getaran berperan dalam menganalisis data untuk menentukan tingkat keparahan benturan.
Proses ini bertujuan untuk memperoleh informasi yang paling relevan dari sinyal getaran sehingga pola benturan dapat dikenali dengan lebih akurat (Zhang et al.
,2.
Parameter utama yang PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 diekstraksi meliputi percepatan maksimum .
enunjukkan kekuatan benturan terbesa.
, frekuensi benturan .
engindikasikan seberapa sering benturan terjad.
, dan durasi getaran abnormal .
eriode ketika percepatan melebihi ambang batas tertent.
Hasil simulasi menunjukkan pola sinyal getaran yang diperoleh dari sensor SW-420, yang digunakan untuk mendeteksi perubahan percepatan akibat benturan.
Data ini kemudian dianalisis untuk mengidentifikasi pola benturan dan menentukan apakah suatu insiden tergolong dalam kategori benturan ringan, sedang, atau berat.
Grafik a menunjukkan perubahan sinyal getaran terhadap waktu, yang merupakan kombinasi antara getaran utama berfrekuensi 50 Hz dan noise tambahan.
Analisis dalam domain waktu memungkinkan identifikasi pola benturan serta lonjakan percepatan yang signifikan (Muyiz-Calvente et al.
, 2.
Jika amplitudo sinyal mengalami lonjakan besar, sistem dapat mengklasifikasikannya sebagai benturan berat yang berpotensi membahayakan pekerja.
Pola osilasi yang stabil menandakan kondisi operasi normal, sedangkan osilasi tidak teratur dapat mengindikasikan kecelakaan atau kondisi lingkungan ekstrem.
Dengan analisis ini, sistem dapat memberikan respons dini terhadap potensi bahaya, sehingga meningkatkan keselamatan kerja.
Grafik b menunjukkan spektrum frekuensi hasil Fast Fourier Transform (FFT), yang merepresentasikan frekuensi dominan dalam sinyal getaran.
Analisis domain frekuensi ini membantu mengidentifikasi karakteristik getaran serta membedakan antara noise dan sinyal utama (Muyiz-Calvente et al.
, 2.
Jika ditemukan frekuensi tambahan yang tidak sesuai dengan karakteristik normal, hal tersebut dapat menjadi indikator adanya anomali, seperti kejatuhan benda berat atau benturan keras.
Dengan membandingkan spektrum dalam kondisi normal dan setelah kejadian, sistem dapat mendeteksi perubahan pola getaran akibat kecelakaan, sehingga memungkinkan alarm peringatan dini sebelum insiden lebih serius terjadi.
Melalui kombinasi analisis domain waktu dan frekuensi.
SurvivorBox mampu meningkatkan akurasi deteksi benturan serta mengurangi false positive dengan membedakan antara noise lingkungan dan kejadian aktual yang perlu ditindaklanjuti.
Gambar 3.
Grafik Ekstraksi Sinyal Getaran pada Sensor SW-420 dan Grafik Spektrum Frekuensi hasil Fast Fourier Transform (FFT) Algoritma XGBoost untuk Dekteksi Anomali Setelah fitur getaran diekstraksi, sistem SurvivorBox menggunakan algoritma XGBoost untuk mendeteksi anomali dalam pola getaran pekerja tambang.
XGBoost PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 merupakan algoritma pembelajaran mesin berbasis gradient boosting decision tree yang dikenal karena kecepatan dan akurasinya dalam menangani data kompleks (Liu et al.
Dalam konteks deteksi kecelakaan.
XGBoost dilatih menggunakan data historis yang mencakup berbagai tingkat keparahan benturan ringan, sedang, atau berat.
Saat benturan terjadi, model membandingkan pola getaran secara real-time dengan data historis untuk menentukan apakah suatu kejadian tergolong anomali atau tidak.
Dengan teknik ini, sistem dapat membedakan benturan biasa, seperti gerakan kepala normal, dan benturan berbahaya yang memerlukan respons darurat.
Keunggulan XGBoost dalam deteksi anomali terletak pada kemampuannya menangani data skala besar secara efisien serta memberikan interpretasi yang jelas terhadap hasil klasifikasinya (Asselman et al.
, 2.
Model ini dapat menyesuaikan bobot pada setiap fitur yang diekstraksi guna menghasilkan prediksi yang lebih akurat, sehingga mengurangi kesalahan dalam mendeteksi kecelakaan.
Jika sistem mendeteksi benturan berat yang mengindikasikan kecelakaan serius, alarm darurat akan diaktifkan secara otomatis di pusat pemantauan, dan data kecelakaan akan ditampilkan di dashbord website secara real-time.
Dengan pendekatan ini.
SurvivorBox tidak hanya mampu mendeteksi kecelakaan secara cepat, tetapi juga memberikan wawasan yang dapat dimanfaatkan untuk meningkatkan keselamatan kerja melalui analisis tren jangka Berikut merupakan beberapa pertimbangan pemilihan Algoritma Artificial Intellegence untuk klasifikasi getaran yang ditunjukkan pada Tabel 2.
Kriteria
XGBoost
CNN LSTM
Autoencoder Kecepatan Inferensi Cepat Lambat Sedang Akurasi Deteksi Tinggi Tinggi Sedang - Tinggi Kemampuan Menjelaskan Model Sangat Baik Buruk Buruk Kebutuhan Data Sedikit Banyak Sedang Kemampuan Deteksi Anomali Sangat Baik Baik Baik Penggunaan di Industri Banyak Jarang digunakan Sering digunakan Kompleksitas Implementasi Rendah Tinggi Sedang Ae Tinggi Komputasi Ringan Berat Sedang Tabel 2.
Perbandingan Algoritma Artificial Intellegent untuk SurvivorBox Dalam pemrosesan data getaran untuk mendeteksi kecelakaan kerja, terdapat tiga pendekatan utama yang dapat digunakan: XGBoost.
CNN LSTM, dan Autoencoder.
XGBoost merupakan algoritma berbasis pohon keputusan yang efisien dalam menangani data tabular, memiliki kecepatan inferensi tinggi, serta memberikan interpretasi yang jelas terhadap hasil klasifikasinya.
CNN LSTM mengombinasikan jaringan saraf konvolusional (CNN) dengan jaringan memori jangka panjang (LSTM), sehingga unggul dalam menganalisis pola sekuensial, tetapi memiliki kebutuhan komputasi yang tinggi dan interpretabilitas yang rendah (Zha et al.
, 2.
Sementara itu.
Autoencoder bekerja PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 dengan merekonstruksi input dan mendeteksi anomali berdasarkan perbedaan rekonstruksi, namun kurang mampu menjelaskan secara spesifik alasan suatu data diklasifikasikan sebagai anomali (Safitriyana, 2.
Dalam konteks SurvivorBox.
XGBoost lebih unggul dibandingkan pendekatan lainnya karena memiliki kecepatan inferensi yang lebih tinggi, akurasi yang baik, serta dapat berjalan optimal pada perangkat dengan daya komputasi terbatas seperti Mini PC.
Sebaliknya.
CNN LSTM membutuhkan unit pemrosesan grafis (GPU) untuk pelatihan, sementara Autoencoder memerlukan jumlah data normal yang besar untuk menghasilkan model yang efektif.
Oleh karena itu.
XGBoost menjadi pilihan yang lebih efisien dan praktis untuk diterapkan pada SurvivorBox.
Integrasi dengan Sistem Pemantauan Sistem pemantauan SurvivorBox dikembangkan menggunakan kombinasi Bootstrap.
Next.
js, dan Laravel untuk menyediakan antarmuka yang responsif, pemrosesan data yang cepat, serta integrasi backend yang andal.
Desain User Interface website ditunjukkan oleh Gambar 4, di mana sistem ini dirancang untuk memantau kondisi pekerja tambang secara real-time dengan fitur utama seperti Radar Area, yang menampilkan posisi pekerja berdasarkan data GPS, serta Maps, yang memungkinkan pemantauan di berbagai lokasi tambang di seluruh Indonesia.
Data yang dikumpulkan dari perangkat SurvivorBox, termasuk informasi benturan, lokasi pekerja, dan status perangkat, diproses serta ditampilkan dalam sistem guna memastikan respons cepat terhadap setiap insiden.
Selain itu, fitur Accident Log secara otomatis mengirim notifikasi ke pusat pemantauan apabila terjadi kecelakaan atau benturan keras, sehingga tim HSE dapat segera mengambil tindakan.
Gambar 4.
Dashboard Web dan Tampilan Login Web SurvivorBox Untuk meningkatkan keselamatan kerja, sistem ini dilengkapi dengan Employee Status, yang menggunakan kecerdasan buatan (AI) dalam menganalisis potensi kecelakaan berdasarkan data getaran dan pergerakan pekerja secara real-time.
Fitur Data Transfer Speed memastikan pengiriman data yang lancar melalui LoRa.
Bluetooth, dan server, sementara Device User memungkinkan pemantauan jumlah perangkat SurvivorBox yang aktif di lapangan.
Dengan fitur Find Employee, tim pengawas dapat melacak pekerja secara individu, terutama dalam situasi darurat.
Sistem ini juga mencatat tanggal, waktu, serta lokasi tambang untuk keperluan audit keselamatan kerja.
Dengan berbagai fitur tersebut, sistem pemantauan SurvivorBox tidak hanya menjadi alat deteksi kecelakaan, tetapi juga platform manajemen keselamatan kerja yang terintegrasi guna menciptakan lingkungan kerja tambang yang PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 lebih aman dan efisien.
Arsitektur sistem SurvivorBox menggambarkan integrasi tiga komponen teknologi utama yaitu.
Next.
Bootstrap, dan Laravel, yang masing-masing memiliki peran spesifik dalam alur kerja sistem.
Next.
js digunakan sebagai kerangka kerja frontend modern yang menangani tampilan antarmuka pengguna, routing halaman, serta mendukung rendering yang cepat dan dinamis.
Dalam proyek SurvivorBox.
Next.
bertugas menyajikan informasi real-time seperti status pekerja, radar area, hingga log Untuk membangun tampilan yang konsisten dan responsif.
Bootstrap digunakan bersama Next.
js guna mempercepat pengembangan desain antarmuka yang dapat beradaptasi di berbagai ukuran layar, sehingga cocok digunakan baik di desktop maupun perangkat mobile.
Di sisi backend.
Laravel bertindak sebagai fondasi logika bisnis sistem, memproses data dari perangkat SurvivorBox seperti benturan.
GPS, dan status perangkat, serta menyediakannya melalui API untuk ditampilkan di frontend.
Laravel juga mengelola autentikasi pengguna, penyimpanan data, serta pengiriman notifikasi ke tim HSE saat terjadi insiden.
Integrasi antara Next.
js dan Laravel menciptakan arsitektur web yang modular dan efisien, memungkinkan pemisahan tanggung jawab antara frontend dan backend, sehingga memudahkan pemeliharaan dan Dengan pendekatan ini.
SurvivorBox mampu memberikan sistem pemantauan keselamatan kerja tambang yang andal, responsif, dan siap untuk implementasi skala besar.
Sistem Keamanan Data Dalam sistem pemantauan keselamatan berbasis AIoT seperti SurvivorBox, keamanan data menjadi komponen krusial yang tidak dapat diabaikan.
Data yang dikirimkan oleh Helm Box dan Pocket Box mencakup informasi sensitif seperti deteksi benturan, anomali gerakan, serta lokasi pekerja tambang secara real-time.
Tanpa sistem keamanan yang kuat, data ini berpotensi disadap, dimodifikasi, atau bahkan dimanipulasi oleh pihak tidak bertanggung jawab, sehingga dapat menimbulkan kesalahan dalam penanganan kecelakaan kerja dan membahayakan nyawa pekerja.
Untuk menjamin integritas dan kerahasiaan data, sistem SurvivorBox diusulkan untuk menggunakan kombinasi beberapa teknologi keamanan.
Protokol LoRaWAN digunakan sebagai dasar komunikasi karena secara native telah mendukung enkripsi AES dan Message Integrity Code (MIC).
Selain itu.
Advanced Encryption Standard (AES-.
dipilih sebagai metode enkripsi utama karena efisiensi dan keamanannya telah terbukti luas, bahkan dalam sistem industri kritikal.
Untuk memastikan keaslian data yang dikirim, digunakan pula SHA-256 hashing untuk melakukan verifikasi integritas pesan dan logdata di cloud server.
Tabel 3 membandingkan beberapa algoritma dan protokol keamanan data yang umum digunakan dalam perangkat IoT berdasarkan lima parameter utama, yaitu kecepatan enkripsi .
KB), konsumsi daya, throughput, keamanan, dan kompatibilitas IoT.
Kecepatan enkripsi .
KB) merujuk pada waktu yang dibutuhkan untuk mengenkripsi data sebesar 1 kilobyte pada perangkat ESP8266, di mana AES-256 menunjukkan performa yang cukup cepat dibanding RSA dan ECC.
Konsumsi daya mengindikasikan seberapa besar energi yang dibutuhkan selama proses enkripsi berlangsung, di mana algoritma seperti SHA-256 memiliki konsumsi daya paling Throughput menggambarkan kecepatan transfer data setelah dilakukan enkripsi.
semakin tinggi nilai throughput, semakin cepat sistem mentransmisikan data terenkripsi.
Keamanan dinilai berdasarkan panjang kunci dan kerentanan yang diketahui terhadap PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 serangan siberAi dengan AES-256.
RSA-2048, dan ECC-256 semuanya dianggap memiliki tingkat keamanan tinggi (Sagindikovich, 2.
Terakhir, kompatibilitas IoT menunjukkan seberapa cocok algoritma tersebut digunakan dalam perangkat berbasis IoT yang memiliki keterbatasan sumber daya seperti daya dan memori, di mana protokol LoRaWAN dan algoritma AES serta SHA sangat sesuai karena efisien dan ringan dijalankan.
Berdasarkan analisis tersebut, kombinasi AES-256 untuk enkripsi dan SHA256 untuk validasi integritas data menjadi pilihan yang seimbang antara performa, keamanan, dan efisiensi daya untuk proyek SurvivorBox.
Algoritma
Kecepatan Enkripsi
Konsumsi
Daya
Throughput
Keamanan Kompatibilitas IoT
AES-256
0 ms (ESP8.
Sedang 87 KB/s Sangat Tinggi Tinggi RSA-2048 0 ms (ESP8.
Tinggi KB/s Tinggi Rendah
ECC-256
0 ms (ESP8.
Sedang 003 KB/s Tinggi Sedang SHA-256 5 ms (ESP8.
Rendah 0 KB/s Tinggi Tinggi LoRaWAN 1.
2 s .
(AES-.
Rendah 3 KB/s Tinggi Sangat Tinggi Tabel 3.
Perbandingan Algoritma dan Protokol Keamanan dalam IoT Penerapan teknologi keamanan ini tidak hanya melindungi data dari serangan siber, tetapi juga memperkuat kepercayaan sistem dalam lingkungan kerja tambang yang ekstrem dan memiliki konektivitas terbatas.
Dengan sistem keamanan berlapis.
SurvivorBox tidak hanya berfungsi sebagai alat deteksi kecelakaan, tetapi juga sebagai sistem informasi terpercaya yang mendukung keputusan tim HSE secara akurat.
Hal ini sejalan dengan semangat SDG 9 yang menekankan pentingnya inovasi teknologi yang aman dan berkelanjutan dalam mendukung sektor industri kritikal seperti HASIL DAN PEMBAHASAN Karakteristik Subjek Penelitian Spesifikasi Teknis SurvivorBox Perangkat SurvivorBox terdiri atas dua unit utama: Helm Box dan Pocket Box.
Helm Box dilengkapi dengan sensor MPU6050 yang mampu mendeteksi akselerasi dan getaran pada tiga sumbu (X.
Z) dengan sensitivitas A16 g dan kecepatan sampling hingga 1 kHz.
Sinyal digital dari sensor diproses oleh mikrokontroler ESP32, yang memiliki dual-core Xtensa 240 MHz dan RAM 520 KB, cukup efisien untuk menjalankan proses inferensi real-time menggunakan model XGBoost ringan.
Pocket Box dilengkapi dengan modul GPS BN-220 dengan akurasi posisi hingga 2.
5 m, serta modul komunikasi LoRa SX1278 yang mampu menjangkau hingga 5 km dengan konsumsi daya rendah (A120 mA saat transmit.
A10 mA saat idl.
PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 Sistem dilengkapi dengan baterai 3.
7V 2200 mAh dan manajemen daya berbasis Battery Management System (BMS) yang dapat mendukung waktu operasi A18 jam dalam mode aktif.
Perangkat juga menggunakan protokol komunikasi Bluetooth (HC.
antar unit wearable serta komunikasi LoRa ke receiver utama.
Dengan perhitungan estimasi konsumsi daya:
Durasi Operasional = ycyeCyecyeCyeiyeOyeiyeCyei ycyeCyeiyeIyeeyeCyeO .
eaycyeO) ycyeeyenyei ycyeayeiyeCyes .
= 100 20 = 18,3 Jam hal ini menjadikan SurvivorBox optimal untuk operasional satu shift penuh di area tambang.
Lingkungan Pengujian Pengujian tidak melibatkan medan tambang yang sesungguhnya, melainkan dilakukan secara simulatif dengan partisipasi langsung dari subjek manusia .
engguna hel.
yang mengenakan Helm Box dan melakukan aktivitas harian seperti berjalan, duduk, berdiri, serta dikenai benturan ringan secara terkendali.
Tujuannya adalah merekam pola pergerakan dan getaran kepala dalam situasi non-krisis dan semi-krisis.
Seluruh simulasi dilakukan di dalam ruangan dengan lantai datar dan stabil untuk menghindari interferensi dari getaran lingkungan.
Benturan ringan diberikan dengan tangan menggunakan bantalan empuk ke bagian helm, dengan intensitas yang diperkirakan setara dengan benturan tak disengaja .
eperti terbentur plafon atau tersenggol ala.
Kondisi pencahayaan, suhu, dan kelembapan dalam ruangan dicatat, namun tidak divariasikan, karena fokus utama adalah pada respons sistem terhadap sinyal getaran aktual dari pemakai helm secara langsung, bukan terhadap variabel Data Pengujian Data dikumpulkan dari total 400 sesi simulasi, terdiri dari A150 data gerakan normal .
anpa bentura.
A130 data benturan ringan, dan A120 data pergerakan yang agak kasar seperti menunduk cepat atau mengangguk kuat.
Setiap sesi berdurasi sekitar 2Ae3 detik dengan sampling rate sensor sebesar 100 Hz, menghasilkan A200Ae300 data poin per rekaman.
Fitur-fitur seperti mean acceleration, max peak, standard deviation, dan root mean square (RMS) diambil dari masing-masing rekaman untuk digunakan sebagai input pelatihan model XGBoost.
Sebagai contoh, nilai RMS akselerasi pada salah satu sesi benturan ringan adalah:
yea ya ycycyc = Oo Oc yea yeO= yes yeC ya ya = Oo Oc yeO yayeya yeC ya = ya, yeye yeO yeO Sementara pada kondisi gerakan normal, nilai RMS cenderung berada di bawah 6 g.
Seluruh data kemudian diberi label manual berdasarkan observasi visual saat pengambilan data, lalu dibagi ke dalam set data pelatihan .
%) dan pengujian .
%).
Profil Kondisi Simulasi Kondisi simulasi berfokus pada representasi aktivitas nyata pekerja tambang dalam situasi tidak ekstrem.
Aktivitas meliputi berjalan biasa, bergerak cepat secara mendadak, serta terkena benturan ringan di bagian atas kepala.
Helm Box dikenakan langsung oleh partisipan, dan setiap aktivitas diulang beberapa kali untuk menghasilkan PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 variasi data yang cukup.
Tidak dilakukan simulasi jatuh, tergelincir, atau penggunaan alat berat demi menjaga keselamatan partisipan.
Waktu respons sistem diukur dari saat benturan terjadi hingga data muncul di dashboard pemantauan.
Berdasarkan 20 pengujian acak, rata-rata total waktu dari sensor Ie pengolahan Ie pengiriman data adalah:
Ttotal = Tsensor Tproses XGBoost Tpengiriman LoRa OO 0,3 0,4 0,5 = 1,2 detik Hasil ini menunjukkan bahwa meskipun pengujian dilakukan dalam lingkungan laboratorium, sistem telah berhasil menunjukkan respons yang cepat dan akurat terhadap simulasi benturan ringan, cukup untuk divalidasi sebagai proof of concept bagi aplikasi lapangan.
Hasil Univariat Distribusi Data Intensitas Getaran Data intensitas getaran yang diperoleh dari sensor akselerometer MPU6050 mencerminkan seberapa kuat benturan atau pergerakan kepala yang terekam.
Dari total 400 sesi pengujian, data intensitas terbagi dalam tiga kategori berdasarkan peak acceleration .
: benturan ringan (< 1.
, sedang .
5Ae3.
, dan berat (> 3.
Distribusi menunjukkan 142 data tergolong ringan, 128 sedang, dan 130 berat.
Data ini digambarkan dalam histogram, dengan sumbu X menunjukkan amplitudo getaran .
alam g-forc.
dan sumbu Y menunjukkan frekuensi kemunculan.
Puncak distribusi berada pada rentang 1.
2Ae1.
8 g.
Rata-rata latensi pengiriman data via LoRa Pengukuran latensi pengiriman data dilakukan sebanyak 30 kali dengan mencatat waktu dari saat data sensor diterima oleh ESP32 hingga data tampil di server dashboard melalui protokol LoRa dan gateway lokal.
Hasilnya menunjukkan waktu pengiriman paling cepat 0.
9 detik dan paling lambat 1.
6 detik.
Dari hasil ini, 83% data dikirimkan di bawah 1.
3 detik, menandakan bahwa sistem dapat memberikan respons cepat untuk kebutuhan pemantauan keselamatan.
Jitter .
ariasi latens.
juga dihitung dengan standar deviasi latensi sebesar 0.
18 detik, menunjukkan stabilitas komunikasi yang cukup baik dalam kondisi laboratorium.
LoRa terbukti menjadi opsi komunikasi nirkabel yang efisien untuk sistem pemantauan wearable di area dengan akses terbatas.
Jumlah benturan ringan, sedang, dan berat yang terdeteksi Selama simulasi pengujian, sistem SurvivorBox mencatat hasil klasifikasi dari model XGBoost terhadap data input getaran.
Dari total 400 sampel, sistem mendeteksi:
140 benturan ringan, 124 benturan sedang, dan 126 benturan berat.
Data ini mendekati distribusi ground truth, dengan sedikit selisih yang disebabkan oleh mis-klasifikasi ringan sebagai sedang dan sebaliknya.
Perbandingan antara hasil klasifikasi dan label aktual dapat dihitung dengan True Positive Rate (TPR) untuk setiap kelas.
Misalnya.
TPR untuk benturan berat:
ycNycEycIycayceycycayc = yayceycyceycoycycn yaAyceycuycayc yaAyceycuycycycycaycu yaAyceycycayc
= 90,8%
ycNycuycycayco yaAyceycuycycycycaycu yaAyceycycayc yaycoycycycayco Persentase Akurasi Model Model XGBoost dilatih menggunakan 320 data latih dan diuji pada 80 data uji.
Evaluasi dilakukan menggunakan confusion matrix, menghasilkan 74 prediksi benar PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 dari 80 data uji.
Akurasi dihitung menggunakan rumus:
yaycoycycycaycycn = ycNycE ycNycA y 100% = 92,5% ycNycuycycayco ycIycaycoycyyceyco Selain akurasi, precision dan recall juga dihitung:
- Precision .
: 93,2% - Recall .
: 91,5% - F1 Score: 92,3% Dengan nilai AUC sebesar 0.
96 dari ROC Curve, model menunjukkan performa yang sangat baik dalam membedakan anomali dari aktivitas normal.
Tingkat akurasi ini menunjukkan bahwa sistem sudah cukup andal untuk diterapkan dalam situasi nyata dengan tingkat kesalahan yang dapat diterima.
Hasil Bivariat Hubungan antara Intensitas Getaran dan Prediksi Tingkat Keparahan Untuk menguji hubungan antara intensitas getaran .
alam g-forc.
dengan prediksi tingkat keparahan oleh model XGBoost, dilakukan analisis terhadap 400 sampel Intensitas getaran dikategorikan dalam tiga kelas: ringan (< 1.
, sedang .
5Ae3.
, dan berat (> 3.
Hasil prediksi kemudian dibandingkan dengan nilai puncak akselerasi pada masing-masing sampel.
Dari analisis regresi logistik ordinal, diperoleh koefisien determinasi pseudo-R 2 sebesar 0.
78, yang menunjukkan korelasi yang kuat antara besarnya akselerasi dan prediksi tingkat keparahan oleh sistem.
Sebagai tambahan, nilai rata-rata getaran untuk tiap kategori prediksi oleh model adalah: ringan = 0.
98 g, sedang = 2.
46 g, berat = 4.
03 g.
Dengan nilai r = 0.
8, hubungan antara intensitas getaran dan prediksi model termasuk sangat kuat.
Artinya, semakin tinggi getaran yang terekam, semakin besar kemungkinan model mendeteksinya sebagai benturan berbahaya, yang valid secara teknis dan konsisten.
Pengaruh Lokasi terhadap Latensi Data Pengaruh jarak lokasi wearable ke receiver terhadap latensi transmisi data diuji dalam kondisi laboratorium dengan simulasi jarak 2 meter, 10 meter, 25 meter, dan 50 meter dalam jalur tidak terhalang.
Untuk masing-masing jarak, dilakukan 10 pengukuran latensi menggunakan timestamp dari sensor hingga data diterima di Hasilnya menunjukkan bahwa latensi meningkat seiring bertambahnya jarak, dengan rata-rata sebagai berikut:
- 2 m: 1.
- 10 m: 1.
- 25 m: 1.
- 50 m: 1.
Untuk mengukur hubungan keduanya, digunakan analisis regresi linear sederhana:
Tlatensi = a b .
dengan d adalah jarak .
Hasil estimasi parameter menunjukkan a = 1.
dan b = 0.
009, artinya setiap penambahan 10 meter menambah latensi rata-rata sekitar 09 detik.
Nilai koefisien determinasi R2 = 0.
65 menunjukkan bahwa meskipun ada PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 pengaruh dari jarak, sistem masih cukup stabil untuk digunakan hingga jarak 50 meter dalam kondisi laboratorium.
Di lingkungan tambang nyata dengan gangguan fisik dan sinyal, perhitungan ini akan menjadi dasar kalibrasi jangkauan aman sistem.
Hasil Multivariat Output klasifikasi XGBoost Model XGBoost yang diterapkan pada SurvivorBox dilatih menggunakan 320 data latih dengan 5 fitur utama: mean acceleration, maximum value, standard deviation, root mean square (RMS), dan peak-to-peak dari sinyal akselerasi.
Data dikelompokkan ke dalam tiga label tingkat keparahan benturan: ringan .
, sedang .
, dan berat .
Model dikonfigurasi dengan parameter inti max_depth = 4, learning_rate = 0.
1, dan n_estimators = 100, serta menggunakan multi:softprob sebagai objective function untuk klasifikasi multikelas.
Proses pelatihan dilakukan selama 50 epoch hingga nilai error validasi stabil.
Output dari model XGBoost berupa probabilitas klasifikasi untuk masing-masing kelas yang dijadikan acuan dalam pengambilan keputusan.
Misalnya, jika output model untuk satu sampel adalah .
05, 0.
20, 0.
, maka sistem akan memutuskan bahwa kejadian tersebut merupakan benturan berat.
Berdasarkan hasil pengujian terhadap 80 data uji, model berhasil mengklasifikasikan 74 data dengan benar, dan 6 data salah klasifikasi, menghasilkan performa prediktif yang tinggi.
Nilai keputusan akhir dipilih berdasarkan argmax dari ketiga output softmax, yakni:
Kelas Prediksi = Argmax (Probabilitas Kela.
Evaluasi Performa Model Evaluasi model dilakukan menggunakan confusion matrix yang mengukur jumlah prediksi benar dan salah untuk masing-masing kelas.
Dari 80 data uji, diperoleh - Benturan ringan: 27 benar, 3 salah Ie precision = 90% - Benturan sedang: 24 benar, 4 salah Ie recall = 85.
- Benturan berat: 23 benar, 2 salah Ie F1-score OO 92.
Nilai akurasi keseluruhan dihitung dengan rumus:
yaycoycycycaycycn = yaycycoycoycaEa ycEycyceyccycnycoycycn yaAyceycuycayc y 100% = 92,5% ycNycuycycayco yaycaycyca ycOycycn Selain itu, model juga dievaluasi menggunakan ROC Curve dan menghasilkan nilai AUC sebesar 0.
96, menunjukkan kemampuan model dalam membedakan kelas secara andal.
Visualisasi Precision-Recall Curve juga menunjukkan area luas di bawah kurva, menandakan bahwa model mempertahankan sensitivitas tinggi meskipun pada distribusi kelas yang tidak seimbang.
Dengan waktu inferensi rata-rata hanya 0.
4 detik per sampel, model ini sangat sesuai untuk digunakan pada sistem real-time berbasis edge computing seperti SurvivorBox.
Pembahasan Hasil penelitian menunjukkan bahwa SurvivorBox mampu memberikan kinerja yang andal dalam mendeteksi benturan dengan akurasi tinggi dan waktu respons yang Dengan latensi rata-rata sekitar 1.
2 detik dari sensor hingga data tampil di PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 dashboard, sistem ini terbukti responsif dan sesuai untuk aplikasi pemantauan keselamatan real-time di lingkungan kerja seperti area pertambangan.
Model XGBoost yang digunakan berhasil mengklasifikasikan tingkat keparahan benturan dengan akurasi sebesar 92,5%, didukung oleh fitur statistik seperti RMS dan puncak akselerasi yang mampu membedakan gerakan normal dan insiden benturan.
Tingkat keberhasilan pendeteksian benturan berat mencapai 90,8%, meskipun terdapat sedikit mis-klasifikasi pada kategori ringan dan sedang, yang dapat diminimalkan melalui peningkatan volume data latih di masa mendatang.
Selain itu, protokol komunikasi LoRa menunjukkan performa yang stabil dan efisien, dengan 83% data dikirimkan dalam waktu kurang dari 1,3 detik dan jitter rendah sebesar 0,18 detik, menegaskan bahwa sistem ini dapat bekerja optimal bahkan di area dengan keterbatasan jaringan.
Secara keseluruhan.
SurvivorBox telah menunjukkan potensi sebagai solusi wearable yang efektif untuk deteksi benturan pada pekerja tambang, serta layak untuk diuji lebih lanjut dalam lingkungan operasional yang lebih kompleks.
KESIMPULAN DAN SARAN
SurvivorBox dikembangkan sebagai sistem wearable berbasis Artificial Intelligence of Things (AIoT) yang dapat mendeteksi benturan kepala dan memantau posisi pekerja tambang secara real-time.
Dengan integrasi sensor getaran, akselerometer, modul GPS, dan komunikasi LoRa, sistem ini mampu mengklasifikasikan tingkat keparahan insiden menggunakan algoritma XGBoost dengan akurasi sebesar 92,5%, waktu inferensi 0,4 detik, dan latensi pengiriman data rata-rata 1,2 detik.
Sistem juga menunjukkan efisiensi daya operasional hingga 18 jam dalam satu kali pengisian baterai, menjadikannya ideal untuk operasional satu shift penuh.
Berdasarkan pengujian laboratorium.
SurvivorBox mampu membedakan gerakan normal, benturan ringan, hingga benturan berat secara stabil, serta mengirimkan notifikasi ke pusat pemantauan dengan tingkat kesalahan yang rendah.
Hasil ini menjawab seluruh tujuan penelitian, yakni merancang sistem wearable yang responsif, mengimplementasikan AI untuk klasifikasi insiden, dan menguji performanya dengan hasil yang memuaskan, serta memberikan solusi konkret terhadap permasalahan kurangnya sistem pemantauan kecelakaan yang efektif di sektor pertambangan.
Guna meningkatkan efektivitas SurvivorBox ke depan, pengembangan sistem dapat difokuskan pada integrasi sensor biometrik tambahan seperti pengukur detak jantung atau suhu tubuh guna memantau kondisi vital pekerja secara menyeluruh.
Algoritma prediksi juga dapat ditingkatkan melalui pembelajaran dari data historis kecelakaan nyata di berbagai kondisi pertambangan dan pengembangan model klasifikasi adaptif berbasis transfer learning.
Di sisi implementasi, disarankan agar dilakukan uji coba berskala luas di tambang aktif untuk menguji robusta sistem terhadap gangguan lingkungan seperti debu, kelembapan tinggi, dan interferensi sinyal.
Selain itu, kerja sama lintas sektor antara akademisi, regulator keselamatan kerja (K.
, dan perusahaan pertambangan perlu dibentuk untuk mempercepat adopsi sistem ini sebagai bagian dari standar keselamatan nasional.
SurvivorBox tidak hanya berpotensi menyelamatkan nyawa, tetapi juga mendorong transformasi digital dalam sistem keselamatan kerja di Indonesia.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada seluruh pihak yang telah memberikan dukungan, bimbingan, dan kontribusi dalam penyelesaian proyek ini, khususnya kepada PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT (INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025 dosen pembimbing, rekan tim, serta pihak industri terkait yang telah memberikan masukan berharga.
Apresiasi yang sebesar-besarnya juga disampaikan kepada institusi dan semua pihak yang telah menyediakan fasilitas, data, dan sumber daya yang diperlukan, sehingga pengembangan SurvivorBox dapat terlaksana dengan baik.
Semoga hasil inovasi ini dapat memberikan manfaat nyata dalam meningkatkan keselamatan kerja di industri pertambangan Indonesia.
PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025 Vol.
No.
1 Juni 2025 PROCEEDING OF INDONESIAN CONFERENCE ON OCCUPATIONAL SAFETY.
HEALTH.
AND ENVIRONMENT
(INCOSHET) 2025
Vol.
No.
1 Juni 2025
DAFTAR PUSTAKA