Pada tahun 2023 industri perkebunan kelapa sawit tercatat sebagai sektor dengan angka kecelakaan kerja tertinggi nasional (60,5%) dengan tren kenaikan sebesar 18–20 % per tahun. Dua faktor utama penyebab kecelakaan dan penyakit pada pekerja di sektor ini adalah kurangnya pengawasan dari manajemen (lack of management control) dan rendahnya tingkat pengetahuan pekerja (human factor). Untuk mengatasi hal tersebut, penelitian ini mengembangkan Model Edukasi K3 melalui penyusunan Modul Edukasi K3 dan pembentukan Kader Sawit, yang bertujuan meningkatkan literasi dan praktik keselamatan kerja pekerja sawit. Penelitian menggunakan pendekatan mix-method exploratory yang dilakukan selama 6 bulan dengan tahapan penelitian: (1) analisis penyelenggaraan K3 dan mengidentifikasi status gizi pekerja, (2) penyusunan Modul Edukasi K3 melalui studi literatur dan expert judgement serta pembentukan Kader Sawit, dan (3) uji coba/menilai dampak intervensi dengan Quasi Experiment Design (Wilcoxon Test). Hasil intervensi menunjukkan peningkatan signifikan pada skor pengetahuan (dari 38,68 menjadi 50,60), sikap (61,87 menjadi 68,13), dan perilaku (25,38 menjadi 30,53). Peningkatan skor Pengetahuan, Sikap dan Perilaku pada kelompok intervensi rata-rata 7.4 kali lebih tinggi daripada kelompok kontrol. Selain itu, kecelakaan kerja menurun dari 66,7 % menjadi 10 %, dan angka kejadian penyakit turun dari 43,3 % menjadi 33,3 % setelah intervensi. Dengan demikian, intervensi melalui Modul Edukasi K3 dan Kader Sawit terbukti efektif dalam meningkatkan pengetahuan, sikap, dan perilaku K3 serta menurunkan angka kecelakaan dan penyakit, sehingga dapat menjadi langkah strategis dan efektif untuk meningkatkan literasi dan praktik K3 di industri perkebunan kelapa sawit di Indonesia.

In 2023, the palm oil plantation industry was recorded as the sector with the highest national rate of occupational accidents (60.5%), with an annual increasing trend of 18 20%. The two main contributing factors to accidents and occupational illnesses in this sector are lack of management control and low levels of worker knowledge (human factor). To address these issues, this study developed an Occupational Safety and Health (OSH) Education Model through the formulation of an OSH Education Module and the establishment of “Kader Sawit” (Palm Cadres), aimed at improving workers’ safety literacy and practices. This research applied an exploratory mixed-method approach over a six-month period, with the following phases: (1) analysis of OSH implementation and identification of workers’ nutritional status, (2) development of the OSH Education Module through literature review and expert judgment, along with the training of Kader Sawit, and (3) trial and evaluation of the intervention impact using a Quasi-Experimental Design (Wilcoxon Test). The intervention resulted in a significant increase in knowledge scores (from 38.68 to 50.60), attitudes (from 61.87 to 68.13), and safety behavior (from 25.38 to 30.53). The average increase in knowledge, attitude, and behavior scores in the intervention group was 7.4 times higher than in the control group. Furthermore, the incidence of occupational accidents decreased from 66.7% to 10%, while the occurrence of work-related illnesses declined from 43.3% to 33.3% after the intervention. These findings demonstrate that the implementation of the OSH Education Module and the involvement of Kader Sawit are effective strategies for enhancing OSH-related knowledge, attitudes, and behaviors, and for reducing the incidence of accidents and diseases, thereby offering a strategic and impactful approach to improving OSH literacy and practices in Indonesia’s palm oil plantation industry.

Keselamatan kerja pada jalur hauling di industri pertambangan batubara merupakan aspek penting yang memerlukan perhatian serius, mengingat tingginya risiko kecelakaan kerja pada aktivitas pengangkutan material. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang memengaruhi kecelakaan kerja dan menyusun model pencegahan berbasis Human Factor Analysis and Classification System for Mining Industry (HFACS-MI) serta metode investigasi Australian Transport Safety Bureau (ATSB). Pendekatan campuran digunakan dalam penelitian ini, dengan data kuantitatif diperoleh melalui survei terhadap 420 operator dump truck di tiga perusahaan tambang terbuka di Kalimantan, serta data kualitatif dari wawancara mendalam, Focus Group Discussion (FGD), dan observasi langsung di lapangan. Analisis regresi linier berganda digunakan untuk menguji pengaruh enam variabel independen faktor eksternal, pengaruh organisasi, kepemimpinan tidak berkeselamatan, pengendalian risiko, kondisi lingkungan, dan tindakan individu terhadap kecelakaan. Hasil penelitian menunjukkan bahwa seluruh variabel memiliki pengaruh signifikan, dengan kepemimpinan tidak berkeselamatan dan kondisi lingkungan sebagai faktor dominan penyebab kecelakaan. Temuan ini mengindikasikan perlunya penguatan pengawasan, perbaikan perilaku kerja operator, serta peningkatan kualitas jalur hauling. Model pencegahan yang diusulkan menitikberatkan pada penguatan kepemimpinan, pengendalian risiko, dan perawatan infrastruktur hauling secara berkelanjutan untuk menurunkan angka kecelakaan kerja di sektor pertambangan.

Occupational safety in hauling roads within the coal mining industry is a critical aspect that requires serious attention, considering the high risk of work accidents during material transportation activities. This study aims to analyze the factors influencing occupational accidents and to develop a preventive model based on the Human Factor Analysis and Classification System for Mining Industry (HFACS-MI) and the Australian Transport Safety Bureau (ATSB) investigation method. A mixed-method approach was used, with quantitative data collected through a survey of 420 dump truck operators across three open-pit mining companies in Kalimantan, and qualitative data gathered from in-depth interviews, focus group discussions (FGDs), and direct field observations. Multiple linear regression analysis was employed to assess the influence of six independent variables external factors, organizational influence, unsafe leadership, risk control, environmental conditions, and individual actions on work accidents. The results indicated that all variables had a significant effect, with unsafe leadership and environmental conditions emerging as the dominant contributing factors. These findings highlight the need to strengthen supervision, improve operator behavior, and enhance the quality of hauling road infrastructure. The proposed accident prevention model emphasizes the reinforcement of leadership roles, risk control management, and continuous improvement of hauling infrastructure to reduce the incidence of occupational accidents in the mining sector.

Latar Belakang Gagal jantung adalah kondisi kronis dan progresif, dengan prevalensi di dunia 1-3% dan di Indonesia 5% (peringkat ke 4 di dunia) dengan kematian 50% dalam 5 tahun. Angka readmisi dalam 90 hari adalah 50%-75% dan dalam 30 hari 2-3%, sedangkan di Indonesia angka readmisi dalam 30 hari adalah 17%. Biaya rawat inap gagal jantung dapat mencapai empat ratus juta rupiah per pasien per tahun. Data BPJS Kesehatan 2018 terdapat 130.275 kejadian rawat inap tingkat lanjut pasien gagal jantung kongestif dan berdasarkan tarif JKN 2023 perkiraan biaya rawat inapnya akan berkisar antara 379 milyar sampai 4,2 triliun rupiah. Dengan memanfaatkan teknologi kekinian dari Artificial Intelligence dan kapabilitas serta kebiasaan masyarakat paska pandemi Covid-19, penelitian ini membuat model prediksi berbasis machine learning dengan menemukan faktor-faktor risiko yang dapat menjadi prediktor rawat inap berulang, yang kemudian diimplementasikan di dalam prototype yang digunakan dalam kolaborasi antara penyedia layanan kesehatan dengan pasien yang turut terlibat melakukan monitoring mandiri sehingga dapat mempertahankan kualitas hidupnya dan mengendalikan biaya perawatan baik yang dibayarkan oleh pasien sendiri, menggunakan asuransi ataupun dengan pendanaan pemerintah. Metode Penelitian ini terdiri atas beberapa tahap, dengan studi kuantitatif dan kualitatif menggunakan data rekam medis pasien gagal jantung di Rumah Sakit Jantung dan Pembuluh Darah Harapan Kita, Jakarta. Dimulai dengan Systematic Literature Review untuk menemukan faktor risiko rawat inap berulang di rumah sakit dan untuk menemukan novelty, pemodelan prediksi dengan studi kohort retrospektif, analisis kebutuhan sistem dengan studi kualitatif, pengembangan prototype, dan uji prototype dengan studi kohort prospektif. Hasil Systematic Literature Review tentang prediktor readmisi gagal jantung dengan machine learning dari PubMed, Science Direct, ProQuest, Scopus, Embase, google scholar menghasilkan 19 artikel terseleksi. 13 studi berasal dari USA, tidak ditemukan studi serupa di Indonesia, dengan algoritma terbaik adalah Neural Network. Pada tahap pemodelan prediksi diperoleh 2738 data pasien gagal jantung paska rawat inap di RS Jantung dan Pembuluh Darah Harapan Kita Jakarta, dengan ketersediaan 64 variabel. Dengan Orange Data Mining, terseleksi sebanyak 31 features. Model terbaik menggunakan Random Forest, dengan AUC 0,976, CA 0,912, F1 0,912, Precision 0,916 dan Recall 0,912, diimplementasikan dalam prototype aplikasi Fineheart dengan fitur aplikasi profil pasien, dashboard, catatan harian jantungku, penilaian kualitas hidup, rencana kontrol, instruksi medis dan obat, catatan asupan makanan dan cairan, edukasi, konsultasi. Uji efikasi prototype menunjukkan angka readmisi pada kelompok intervensi (20%), lebih rendah daripada kelompok kontrol (43,3%). Perubahan signifikan terjadi pada 2 parameter KCCQ yaitu Quality of Life (p=0,029) dan Overall Summary Score (p=0,001). Tingkat kepatuhan menggunakan prototype aplikasi juga berpengaruh signifikan terhadap kedua parameter tersebut dan mencegah readmisi. Kesimpulan Model prediksi readmisi pasien gagal jantung dengan machine learning yang diimplementasikan ke prototype aplikasi dapat digunakan untuk monitoring di rumah untuk mencegah readmisi dan mempertahankan kualitas hidup.

Background Heart failure is a chronic and progressive condition, with a prevalence in the world of 1-3% and in Indonesia 5% (ranked 4th in the world) with a mortality of 50% within 5 years. The readmission rate in 90 days is 50%-75% and in 30 days it is 2-3%, while in Indonesia the readmission rate in 30 days is 17%. The cost of hospitalization for heart failure can reach four hundred million rupiah per patient per year. The government health insurance of Indonesia (BPJS Kesehatan) data for 2018 shows 130,275 advanced hospitalizations for congestive heart failure patients and based on the 2023 tariff, the estimated cost of hospitalization will range from 379 billion to 4.2 trillion rupiah. By utilizing the latest technology from Artificial Intelligence and the capabilities and habits of society after the Covid-19 pandemic, this research creates a machine learning-based predictive model by finding risk factors that can lead to hospital readmission, which are then implemented in the prototype that is used in collaboration between health care providers with patients who are also involved in conducting self-monitoring so that they can maintain their quality of life and control the costs of care whether paid by the patient himself, using insurance or with government funding. Method This research consisted of several stages, with quantitative and qualitative studies using medical records of heart failure patients at the Harapan Kita Cardiovascular Center. Starting with a Systematic Literature Review to find risk factors of readmission and to find novelties, predictive modeling with retrospective cohort study, system requirements analysis with qualitative studies, prototype development, and prototype testing with prospective cohort study. Results A systematic literature review on predictors of heart failure readmission using machine learning from PubMed, Science Direct, ProQuest, Scopus, Embase, Google Scholar resulted in 19 selected articles. 13 studies came from the USA, no similar studies were found in Indonesia, with the best algorithm being Neural Network. At the prediction modeling stage, data was obtained on 2738 post-hospitalization heart failure patients at Harapan Kita Cardiovascular Hospital, Jakarta, with the availability of 64 variables. With Orange Data Mining, 31 features are selected. The best model uses Random Forest, with AUC 0,976, CA 0,912, F1 0,912, Precision 0,916 and Recall 0,912, implemented in the Fineheart application prototype with patient profile application features, dashboard, my heart diary, quality of life assessment, control plan, medical instructions and medication, food and fluid intake records, education, consultation. The prototype efficacy test showed that the readmission rate in the intervention group (20%), was lower than the control group (43.3%). Significant changes occurred in 2 KCCQ parameters, Quality of Life (p=0.029) and Overall Summary Score (p=0.001). The level of presence of application prototypes also has a significant effect on these two parameters and prevents readmissions. Conclusion The readmission prediction model for heart failure patients with machine learning implemented in the application prototype can be used for home monitoring to prevent readmissions and maintain quality of life.