Pemantauan Keselamatan Real-Time di 15+ Site Tambang

Konteks

Berau Coal mengoperasikan tambang terbuka di mana dump truck, light vehicle, dan pekerja berbagi jalan hauling yang sama. Pengawasan keselamatan bergantung pada pemantauan CCTV manual dan laporan insiden setelah kejadian. Saat sebuah pelanggaran akhirnya ditinjau, risikonya sudah lewat.

Saya masuk ke proyek Mining Eyes Analytics sebagai Lead ML Automation Engineer dan mengerjakannya hampir tiga tahun, dari proof of concept pertama sampai menjadi platform yang berjalan di 15+ site.

Masalah

Tiga hal yang membuat proyek ini lebih berat dari proyek deteksi biasa:

1. Tidak ada orang yang sanggup memantau 24 feed kamera sekaligus. Operator punya layarnya, bukan perhatiannya. Deteksi harus otomatis dan alert harus datang cukup cepat untuk ditindaklanjuti.

2. Rekaman tambang tidak ramah untuk model. Debu, backlight saat matahari terbit, shift malam dengan lampu sorot, dan objek yang hanya berukuran beberapa piksel di ujung jalan hauling.

3. Alert yang tidak dipercaya lebih buruk daripada tidak ada alert sama sekali. False positive di awal bisa mematikan adopsi dalam bulan pertama.

Pendekatan

Saya membangun tujuh solusi di atas satu pipeline bersama, bukan tujuh sistem terpisah:

• Deteksi manusia di area pit aktif dan restricted area

• Pemantauan jarak tidak aman antara pekerja dan heavy dump truck

• Deteksi light vehicle

• Perhitungan jumlah kendaraan

• Deteksi pelanggaran kendaraan di area Coal Processing Plant

• Perhitungan dwell time kendaraan

• Analitik terkonsolidasi dan pelaporan evidence

Pipeline menarik stream RTSP, menjalankan inferensi YOLOv4 dan kemudian YOLOv8, menerapkan logika zona dan aturan di atas hasil deteksi mentah, lalu mengirim event lewat WebSocket ke dashboard live. Aturan dipisah dari model, sehingga perubahan batas restricted area cukup diselesaikan lewat konfigurasi, bukan siklus retraining.

Dataset dibangun dari rekaman milik klien dan dilabeli lewat Roboflow, dengan porsi yang sengaja diperbesar untuk shift malam dan kondisi berdebu, karena di situlah versi awal paling sering gagal.

Hasil

• 7 solusi AI keselamatan kerja dikirim dan dijalankan di 15+ site tambang

• Pemrosesan 24 jam untuk 24+ stream kamera

• Waktu respons 200ms untuk alert keselamatan kritis

• Penurunan insiden kerja 40%

• Peningkatan kepatuhan operasional 60%

• Platform web melayani 200+ pengguna bersamaan dengan dashboard real-time, notifikasi WebSocket, dan pelaporan otomatis

• Peningkatan performa database 65% lewat optimasi query, dengan housekeeping otomatis untuk 10TB+ data evidence

Catatan

Pelajaran tekniknya: akurasi model tidak pernah jadi bottleneck. Yang menentukan sistem ini tetap dipakai atau ditinggalkan adalah stabilitas stream, presisi alert, dan disiplin penyimpanan. Video evidence 10TB itu akan mengubur database dalam waktu setahun tanpa kebijakan retensi otomatis, dan merancang kebijakan itu butuh pemikiran sebanyak merancang model deteksinya.