Analisis Fatigue Pada Operator Dump Truck di Industri Pertambangan Batubara dengan Pendekatan Machine Learning Berbasis Smartwatch

Gusman, Ade (2026) Analisis Fatigue Pada Operator Dump Truck di Industri Pertambangan Batubara dengan Pendekatan Machine Learning Berbasis Smartwatch. S2 thesis, Universitas Andalas.

	Text (Sampul & Abstrak) 01. Cover & abstrak.pdf - Published Version Download (177kB)
	Text (Bab I) 02. BAB I.pdf - Published Version Download (145kB)
	Text (BAB V) 03. BAB V.pdf - Published Version Download (229kB)
	Text (Daftar Pustaka) 04. Daftar Pustaka.pdf - Published Version Download (159kB)
	Text (Tesis Teks Lengkap) 05. Thesis Fulltext.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Kelelahan (fatigue) merupakan salah satu faktor utama penyebab kecelakaan kerja pada operator dump truck di industri pertambangan. Penelitian ini bertujuan untuk menganalisis tingkat fatigue dan kemampuan kerja operator, hubungan antara kelelahan subjektif dan kemampuan kerja, serta keterkaitannya dengan data objektif fisiologis yang direkam menggunakan smartwatch, sekaligus mengembangkan model prediksi fatigue berbasis machine learning. Penelitian dilakukan pada 276 operator dump truck di PT Pama Persada Nusantara Site MTBU dengan menggunakan instrumen Swedish Occupational Fatigue Inventory (SOFI), Work Ability Index (WAI), dan data objektif smartwatch (durasi tidur dan detak jantung). Hasil penelitian menunjukkan bahwa tingkat kelelahan subjektif mayoritas berada pada kategori ringan, namun dimensi Lack of Energy menunjukkan tingkat kelelahan sedang pada 45% operator, menjadikannya dimensi paling rentan. Sebaliknya, kemampuan kerja (WAI) mayoritas berada pada kategori Excellent dan Good (85,7%). Analisis korelasi menunjukkan adanya hubungan negatif signifikan namun lemah antara SOFI dan WAI, yang mengindikasikan bahwa meningkatnya kelelahan subjektif berdampak lemah pada penurunan persepsi kemampuan kerja. Namun demikian, tidak ditemukan hubungan signifikan antara SOFI maupun WAI dengan data fisiologis smartwatch (rata-rata detak jantung dan durasi tidur). Analisis antar dimensi SOFI menunjukkan bahwa Physical Exertion memiliki hubungan paling kuat dengan Physical Discomfort (r = 0,639). Model prediksi menggunakan Random Forest Regressor berhasil dikembangkan dengan nilai R² sebesar 0,408, dengan Physical Exertion dan Physical Discomfort sebagai prediktor paling berpengaruh dalam memodelkan fatigue. Disarankan agar selanjutnya digunakan data objektif yang lebih canggih dan sensitif, seperti Variabilitas Detak Jantung (Heart Rate Variability/HRV) atau Electromyography (EMG) dengan jangka waktu penelitian yang lebih Panjang.

Actions (login required)

View Item