SURVIVORBOX: SISTEM PEMANTAUAN DAN PERINGATAN PEKERJA BERBASIS AIOT DENGAN KOMUNIKASI LORA UNTUK MENCEGAH KECELAKAAN DI INDUSTRI PERTAMBANGAN
Keywords:
Artificial Intelligence of Things, HSE, Keselamatan Kerja, LoRaAbstract
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 20–25 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 (LoRa) 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; serta 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 (XGBoost), 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.
References
Al-Shareeda, M. A., Alsadhan, A. A., Qasim, H. H., & Manickam, S. (2023). Long range technology for internet of things: review, challenges, and future directions. Bulletin of Electrical Engineering and Informatics, 12(6), 3758-3767.
Asselman, A., Khaldi, M., & Aammou, S. (2023). Enhancing the prediction of student performance based on the machine learning XGBoost algorithm. Interactive Learning Environments, 31(6), 3360-3379.
Khalish, N. A., Surur, A. Y. F. I., Akbar, M. F., Al-Faruq, M. A. K., & Rimantho, D. (2024, November). The Effectiveness of a Gps Ublox Neo-6m V2- Based Navigational System in a Robot Car for Precision and Efficiency in Assisting Human Transportation Needs. In Seminar Nasional Teknik Elektro (Semnastek 2024) (Vol. 1, pp. 52-58).
Liu, Y., Liu, L., Yang, L., Hao, L., & Bao, Y. (2021). Measuring distance using ultrawideband radio technology enhanced by extreme gradient boosting decision tree (XGBoost). Automation in Construction, 126, 103678.
Muñiz-Calvente, M., Álvarez-Vázquez, A., Pelayo, F., Aenlle, M., García-Fernández, N., & Lamela-Rey, M. J. (2022). A comparative review of time-and frequency-domain methods for fatigue damage assessment. International Journal of Fatigue, 163, 107069.
Parsa, A. B., Movahedi, A., Taghipour, H., Derrible, S., & Mohammadian, A. K. (2019). Toward safer highways: Application of XGBoost and SHAP for real-time accident detection and feature analysis. Accident Analysis & Prevention, 129, 202–210.
Pradap, A., Latifov, A., Mahkamjonkhojizoda, N., & Yodgorov, A. (2023). Hazard detection using custom ESP32 microcontroller and LoRa. Proceedings of the 2023 International Conference on Computational Intelligence and Knowledge Economy (ICCIKE), 1–6. IEEE
Pronenko, V., & Dudkin, F. (2016). Electromagnetic system for detection and localization of miners caught in mine accidents. Geoscientific Instrumentation, Methods and Data Systems, 5(2), 561–566.
Putra, H. A. Z., & Sukarno, S. A. (2025). Penerapan Teknologi Arduino dalam Pendeteksian dan Peringatan Gempa Bumi Berbasis SW-420. Jurnal Informatika dan Teknik Elektro Terapan, 13(2).
Safitriyana, D. S. N. (2025). Optimasi Hyperparameter Autoencoder sebagai Ekstraksi Fitur dan XGBoost untuk Deteksi Keausan dan Tingkat Keparahan pada Roda Gigi (Doctoral dissertation, Institut Teknologi Sepuluh Nopember).
Sagindikovich, P. Q. (2025). Modern Cryptography Algorithms. American Journal of Education and Learning, 3(5), 68-73.
Sultan, J. M., Zani, N. H., Azuani, M., Ibrahim, S. Z., & Yusop, A. M. (2022). Analysis of inertial measurement accuracy using complementary filter for MPU6050 sensor. Jurnal Kejuruteraan, 34(5), 959-964.
U.S. Bureau of Labor Statistics. (2023, January 5). Mining fatalities rose 21.8 percent from 2020 to 2021. TED: The Daily. https://www.bls.gov/opub/ted/2023/mining-fatalities-rose-21-8-percent-from-2020-to-2021.htm
Zhang, C., Mousavi, A. A., Masri, S. F., Gholipour, G., Yan, K., & Li, X. (2022). Vibration feature extraction using signal processing techniques for structural health monitoring: A review. Mechanical Systems and Signal Processing, 177, 109175.
Zha, W., Liu, Y., Wan, Y., Luo, R., Li, D., Yang, S., & Xu, Y. (2022). Forecasting monthly gas field production based on the CNN-LSTM model. Energy, 260, 124889.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 INCOSHET 2025
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
