F: Pendekatan Metode Predictive Analytics Untuk Deteksi Dini Potensi Kecelakaan Kerja : Tinjauan Literatur Sistematis

Abstract

K3 adalah aspek penting dalam melindungi pekerja dan menjaga kelangsungan operasional perusahaan, terutama di sektor berisiko tinggi seperti energi, konstruksi, dan manufaktur. Pendekatan K3 yang reaktif sering kali tidak cukup untuk mencegah kecelakaan. Transformasi digital memungkinkan penerapan analitik prediktif sebagai strategi proaktif, menggunakan data historis dan algoritma pembelajaran mesin untuk mendeteksi risiko sebelum insiden terjadi. Penelitian ini melakukan tinjauan literatur sistematis tentang penggunaan analitik prediktif dalam deteksi awal kecelakaan kerja, memetakan metode, algoritma, dan hasil implementasi di berbagai industri. Studi ini menggunakan pendekatan scoping review dengan kerangka PRISMA-ScR, pencarian artikel dilakukan di basis data IEEE Xplore, ScienceDirect, dan PubMed dari 2015–2025. Dari 264 artikel, diperoleh 9 studi empiris yang relevan. Berdasarkan hasil tinjauan literatur menunjukkan algoritma yang umum digunakan seperti Random Forest, Support Vector Machine, dan lainnya, mampu memprediksi kecelakaan, risiko ergonomi, dan kepatuhan pekerja dengan akurasi tinggi (≥90%). Penerapan analitik prediktif dapat mengurangi kecelakaan hingga 25% dan meningkatkan manajemen keselamatan melalui sistem peringatan dini. Kajian literatur sistematis menegaskan pentingnya analitik prediktif dalam mengubah manajemen K3 dari reaktif ke proaktif. Integrasi big data, IoT, dan AI menciptakan sistem berbasis data yang efektif untuk mencegah kecelakaan kerja, memberikan rekomendasi bagi peneliti dan praktisi K3 untuk mengadopsi model prediktif dalam strategi pencegahan yang berkelanjutan.