EDUCARE.CO.ID – Tiga mahasiswa Institut Teknologi Bandung (ITB) mengembangkan kecerdasan artifisial atau artificial intelligence (AI) untuk membantu menyelesaikan persoalan di bidang daur ulang, distribusi makanan, dan keselamatan kerja. Mereka menghadirkan tiga inovasi, yakni RecycledFiberAI, ColdTrack AI, dan REBA.ai.
Ketiga teknologi tersebut menawarkan fungsi yang berbeda. RecycledFiberAI mengenali kontaminan pada sampah kertas, ColdTrack AI memprediksi risiko kenaikan suhu selama pengiriman makanan, sedangkan REBA.ai menganalisis postur tubuh pekerja untuk membantu petugas keselamatan dan kesehatan kerja (K3).
Muhammad Taufiq Al Fikri, mahasiswa Magister Kecerdasan Artifisial ITB, mengembangkan RecycledFiberAI. Sementara itu, Tsabita Khoirunnisa dan Izhar Alif Akbar dari program studi Sistem dan Teknologi Informasi mengembangkan ColdTrack AI dan REBA.ai.
Ketiganya mempresentasikan inovasi tersebut dalam sesi Panel Discussion with Student Ambassador pada NVIDIA RTX AI PC Day. NVIDIA bersama ITB menggelar kegiatan itu di Aula Timur, Kampus Ganesha, pada 20 Oktober 2026.
Tiga Inovasi AI Berjalan secara Lokal
Dalam demonstrasi tersebut, mahasiswa memperlihatkan kemampuan setiap sistem melalui skenario penggunaan langsung. RecycledFiberAI mendeteksi material pengotor melalui kamera. ColdTrack AI memperkirakan waktu sebelum suhu muatan melewati batas. Adapun REBA.ai membaca postur tubuh dan menampilkan hasil penilaian risiko.
Ketiga prototipe menjalankan pemrosesan AI secara lokal tanpa bergantung pada layanan cloud. Mahasiswa menggunakan tiga laptop ASUS ROG Strix G16 dengan GPU NVIDIA GeForce RTX 5070 untuk menjalankan sistem tersebut.
Pendekatan ini memungkinkan mahasiswa menguji kemampuan AI langsung melalui perangkat komputer. Mereka juga dapat mengevaluasi kinerja model berdasarkan kebutuhan masing-masing aplikasi.
RecycledFiberAI Bantu Kenali Kontaminan Sampah Kertas
Muhammad Taufiq Al Fikri mengembangkan RecycledFiberAI untuk membantu mengatasi kontaminasi dalam proses daur ulang kertas. Sampah kertas dan karton menyumbang sekitar 11,4 persen dari total sampah nasional. Namun, material pengotor dapat mengurangi kualitas bahan baku dan menyulitkan proses pengolahan.
Pabrik daur ulang membutuhkan pasokan kertas yang bersih agar proses produksi berjalan optimal. Ketika sampah kertas tercampur plastik atau material lain, pengelola harus memisahkan kontaminan sebelum melanjutkan proses daur ulang.
RecycledFiberAI memanfaatkan teknologi computer vision untuk mengenali material pengotor melalui kamera secara langsung. Sistem ini menjalankan empat tahapan, mulai dari pengambilan video, deteksi empat kategori kontaminan, pelacakan objek, hingga penyajian hasil pada dasbor.
Pelacakan objek membantu sistem menghindari penghitungan benda yang sama secara berulang. Sementara itu, dasbor menampilkan hasil deteksi agar pengelola dapat memantau kondisi sampah.
“Kebijakan di industri dan di pemerintah memang berbeda, tetapi eksekusinya sama, yaitu model AI dan dasbor dipasang pada umpan kamera pengelola,” kata Taufiq.
Menurutnya, pengelola dapat menggunakan sistem ini di pabrik kertas maupun fasilitas pengolahan sampah pemerintah. Contohnya meliputi tempat pengolahan sampah terpadu (TPST) dan tempat pengolahan sampah reduce, reuse, recycle (TPS3R).
GPU RTX 5070 Tingkatkan Kecepatan Deteksi
Dalam demonstrasi, dasbor RecycledFiberAI menampilkan hasil pemrosesan kamera secara langsung. Sistem mengenali plastik sebagai kontaminan yang perlu dipisahkan, sedangkan sampah kertas bersih tidak menerima penanda kontaminasi.
Taufiq juga membandingkan kecepatan pemrosesan menggunakan CPU laptop kelas atas dan GPU RTX 5070. CPU mencapai 8,9 frame per second (FPS), sedangkan GPU tersebut mencapai 66,1 FPS.
Dengan hasil itu, pemrosesan menggunakan RTX 5070 berjalan sekitar 7,4 kali lebih cepat dibandingkan pengujian menggunakan CPU yang ia paparkan.
“Supaya dianggap real-time, sistem harus memproses satu gambar dalam sekitar 33 milidetik. Di CPU laptop kelas atas hanya tercapai 8,9 frame per detik, sedangkan dengan RTX 5070 bisa 66,1 frame per detik, sekitar 7,4 kali lebih cepat,” papar Taufiq.
Kecepatan tersebut berpotensi membantu pengelola mengenali kontaminan dengan lebih cepat. Petugas pun dapat memantau kualitas sampah dan menentukan material yang perlu dipisahkan.
ColdTrack AI Prediksi Risiko Kerusakan Makanan
Tsabita Khoirunnisa mengembangkan ColdTrack AI untuk membantu operator menjaga kualitas makanan selama pengiriman bersuhu terkendali atau cold chain. Sistem ini menyasar produk yang sensitif terhadap perubahan suhu, seperti ikan dan susu.
Sensor pada kendaraan dapat mencatat suhu selama perjalanan. Namun, operator tetap membutuhkan informasi yang membantu mereka memperkirakan risiko sebelum suhu melewati batas aman.
Tsabita menggambarkan masalah tersebut melalui contoh operator distribusi makanan beku yang baru mengetahui kerusakan muatan setelah truk tiba di gudang.
“Sensornya sebenarnya sudah ada dan terus membaca suhu sepanjang perjalanan. Namun, kerusakan baru diketahui ketika barang tiba, saat semuanya sudah terlambat dan kerugian membesar,” kata Tsabita.
Ia juga mengaitkan persoalan tersebut dengan perkiraan 23–48 juta ton makanan yang terbuang di Indonesia setiap tahun. Menurut pemaparannya, sebagian pemborosan berkaitan dengan kegagalan menjaga rantai dingin.
ColdTrack AI Beri Peringatan sebelum Suhu Melewati Batas
ColdTrack AI mengolah data sensor untuk memperkirakan kapan suhu muatan berpotensi melewati ambang batas. Sistem kemudian menampilkan alasan prediksi dan rekomendasi tindakan melalui dasbor.
Operator dapat memantau status setiap armada dalam kategori aman, waspada, atau kritis. Dasbor juga menyajikan lokasi kendaraan, kondisi sensor, perkiraan risiko ekonomi, dan tugas yang perlu operator tindak lanjuti.
Dalam skenario simulasi, pintu truk terbuka dan suhu muatan mulai meningkat. ColdTrack AI memperkirakan masih ada sekitar 21 menit sebelum suhu melewati batas.
“Sistem menghitung waktu sekitar 21 menit sebelum suhu melewati batas, jadi operator masih bisa bertindak sebelum barangnya rusak,” ujarnya.
Tsabita juga menyampaikan bahwa model tersebut berhasil melewati seluruh 26 uji paritas pada kedua perangkat yang digunakan. Pengujian ini menjadi bagian dari evaluasi yang ia paparkan dalam demonstrasi.
Dengan kemampuan prediksi tersebut, ColdTrack AI berpotensi membantu operator mengambil tindakan lebih awal. Mereka dapat memeriksa kondisi kendaraan atau menangani gangguan suhu sebelum kerusakan muatan terjadi.
REBA.ai Analisis Postur Pekerja melalui Kamera CCTV
Berbeda dari dua inovasi sebelumnya, Izhar Alif Akbar mengembangkan REBA.ai untuk membantu petugas K3 menilai risiko ergonomi di lingkungan kerja.
Pekerja yang melakukan aktivitas berulang dalam posisi tidak ergonomis berisiko mengalami gangguan otot dan sendi. Salah satu bagian tubuh yang rentan mengalami masalah ialah punggung bawah.
Izhar menggunakan metode Rapid Entire Body Assessment (REBA), yaitu pendekatan untuk menilai risiko berdasarkan postur tubuh saat bekerja. Metode ini telah digunakan sejak tahun 2000. Namun, pemeriksaan manual membutuhkan waktu, terutama ketika petugas harus mengevaluasi banyak pekerja.
“Cara menilainya sebenarnya sudah ada, yaitu standar REBA yang mapan sejak tahun 2000. Masalahnya bukan pada cara menilai, tetapi pada pelaksanaannya yang manual,” kata Izhar.
Melalui REBA.ai, Izhar mengembangkan sistem AI yang menganalisis postur pekerja melalui kamera CCTV. Sistem kemudian menampilkan skor REBA dan rekomendasi perbaikan berdasarkan hasil analisis.
AI Bantu Petugas K3 Evaluasi Lebih Banyak Pekerja
Izhar menjelaskan bahwa keterbatasan waktu dapat menghambat pemeriksaan postur secara manual. Dalam contoh yang ia sampaikan, petugas K3 mungkin hanya sempat menilai sekitar lima dari 100 pekerja dalam sehari.
Untuk melatih REBA.ai, Izhar menyiapkan contoh postur yang baik dan berisiko. Ia kemudian memberi label pada setiap contoh agar model dapat mempelajari perbedaan kedua kategori tersebut.
“Tantangannya ada di situ, karena AI hanya bisa belajar kalau kita beri contoh yang benar dan yang salah,” katanya.
Saat demonstrasi, Izhar meminta seorang peserta memperagakan postur tertentu di depan kamera. REBA.ai langsung menampilkan hasil analisis, lengkap dengan skor REBA dan rekomendasi perbaikan.
“Petugas K3 tidak perlu lagi mengamati pekerja satu per satu, jadi bisa lebih fokus menganalisis hasilnya,” tuturnya.
Menurut Izhar, pengembangan teknologi serupa juga berpotensi mendukung kebutuhan di bidang kesehatan. Meski demikian, penerapan yang lebih luas tetap membutuhkan pengujian untuk memastikan ketepatan hasil dan kesesuaiannya dengan kebutuhan pengguna.
Tiga Karya Mahasiswa ITB Tawarkan Solusi Berbasis AI
Ketiga inovasi tersebut menunjukkan pemanfaatan AI untuk membantu pengguna mengenali masalah dan mengambil keputusan berdasarkan data. RecycledFiberAI berfokus pada pemilahan sampah kertas, ColdTrack AI membantu memprediksi risiko suhu selama pengiriman makanan, sedangkan REBA.ai mendukung evaluasi postur pekerja.
Berdasarkan sumber rilis mengenai NVIDIA RTX AI PC Day yang diselenggarakan bersama ITB, ketiga mahasiswa tersebut mendemonstrasikan prototipe AI untuk menjawab tantangan di bidang daur ulang, logistik, dan keselamatan kerja.
Meski menawarkan potensi pemanfaatan, setiap sistem masih membutuhkan evaluasi lanjutan sebelum penerapan secara luas. Pengembang perlu memastikan akurasi deteksi, keandalan prediksi, dan kesesuaian hasil dengan kebutuhan operasional.
Melalui proyek tersebut, mahasiswa ITB memperlihatkan bagaimana pembelajaran dan pengembangan teknologi dapat berangkat dari persoalan sehari-hari. Dukungan riset serta kolaborasi dengan pengguna di lapangan dapat membantu mereka menyempurnakan prototipe menjadi solusi yang lebih siap digunakan.