Listia Anjani, mahasiswa Program Magister Teknik Industri Departemen Teknik Mesin dan Industri (DTMI) UGM telah melaksanakan ujian tesisnya dengan judul Integrasi Deep Learning dan Analisis Video untuk Penilaian Risiko Ergonomis Secara Real-Time Menggunakan Revised NIOSH Lifting Equation (RNLE). Ujian tesis ini berlangsung pada Rabu (19/03), bertempat di Ruang Sidang A3 dan dibimbing oleh Ir. Hilya Mudrika Arini, S.T., M.Sc., M.Phil., Ph.D., IPM., ASEAN Eng.
Penelitian ini mengusulkan solusi inovatif untuk menilai risiko ergonomis dalam aktivitas manual lifting, yang merupakan salah satu penyebab utama cedera di tempat kerja. Listia mengintegrasikan deep learning dengan Revised NIOSH Lifting Equation (RNLE) untuk melakukan analisis terhadap tahap-tahap angkat beban (lifting stages) dan memprediksi tingkat risikonya secara otomatis.
Dalam penelitiannya, Listia memanfaatkan teknologi pose estimation dan machine learning untuk mengembangkan model yang dapat mengotomatisasi penilaian ergonomis di lingkungan kerja. Proses penelitian dibagi menjadi dua fase utama: fase pelatihan (training) dan fase prediksi (prediction). ”Pada fase pelatihan, model kombinasi Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) dikembangkan menggunakan dataset 117 video aktivitas manual lifting yang direkam secara rinci,” papar Listia. Video tersebut kemudian dianalisis menjadi 75.920 frame yang dilabeli secara manual untuk keperluan pelatihan model.
Model yang dikembangkan menunjukkan performa luar biasa dengan akurasi mencapai 99% berdasarkan 5-fold cross–validation. Pada fase prediksi, model ini digunakan untuk menganalisis video baru dan memperkirakan variabel utama dalam RNLE, yaitu horizontal (H), vertical (V), distance (D), dan asymmetry (A), yang dihitung berdasarkan data landmark tubuh yang dideteksi menggunakan MediaPipe pose landmarks.
Hasil penelitian menunjukkan bahwa model memiliki akurasi yang sangat baik dalam mengestimasi variabel vertical (V) sebesar 92% dan asymmetry (A) sebesar 91%. Akurasi untuk distance (D) adalah 86%, sementara untuk horizontal (H) sedikit lebih rendah, yaitu 71%. Selain itu, klasifikasi risiko berdasarkan Lifting Index (LI) yang dihitung dari variabel RNLE menunjukkan presisi tinggi untuk kasus risiko rendah (low risk), meskipun presisi untuk risiko sedang (moderate) dan tinggi (high risk) masih bisa ditingkatkan.
Penelitian ini berpotensi untuk meningkatkan keselamatan di tempat kerja dengan menyediakan solusi otomatis dan praktis untuk penilaian risiko ergonomis secara real-time. Teknologi ini diharapkan dapat digunakan untuk memantau aktivitas manual lifting di lingkungan kerja dan memberikan rekomendasi untuk mencegah cedera, sesuai dengan prinsip-prinsip dalam Sustainable Development Goals (SDGs), khususnya pada SDG 3 yang berfokus pada kesehatan dan kesejahteraan pekerja.
Dalam ujian tesis tersebut, turut hadir para penguji yang ahli di bidangnya, yakni Prof. Ir. Budi Hartono, S.T., MPM, Ph.D., IPU., ASEAN Eng., Ir. Fitri Trapsilawati, S.T., Ph.D., IPM., ASEAN Eng., dan Ir. Ardiyanto, S.T., M.Sc., Ph.D., AEP., IPM. Penelitian ini menjadi tonggak penting dalam pengembangan teknologi yang mendukung keselamatan kerja melalui integrasi kecerdasan buatan (AI) dalam penilaian risiko ergonomis.
Dengan hasil penelitian yang sangat menjanjikan ini, diharapkan model deep learning ini dapat segera diimplementasikan dalam berbagai industri untuk meningkatkan kesejahteraan pekerja dan mengurangi cedera akibat aktivitas manual lifting.
Kontributor: Maryanti, A.Md.
Editor: Gusti Purbo Darpitojati, S.I.Kom.