Fransiscus Fendy Novento

Dalam tulisan sebelumnya, kita mendapatkan gambaran bagaimana sejarah Safety berevolusi setiap dekade (masa 10 tahun) dari 1900 s.d. 2010. Mempelajari sejarah safety tersebut dapat memberikan pemahaman yang baik mengenai model yang akan kita gunakan untuk proses pengumpulan dan analisis data safety. Sebagian pakar membedakan teori-teori tersebut menjadi dikotom/binomial (linear dan tidak linear), akan tetapi saya akan melihatnya dari perspektif epidemiologi mengenai kausalitas.

Kausalitas dalam perspektif epidemiologi dibagi menjadi dua pendekatan, yaitu pendekatan deterministik dan pendekatan probabilistik. Pendekatan deterministik menggunakan model yang baku tanpa ada kesalahan/keraguan, sedangkan pendekatan probabilitik menggunakan analisis statistik dengan keraguan/bias/error yang ditoleransi. Ada beberapa model kausalitas yang dapat digunakan, yaitu:

1. model kluster, contoh swiss cheese model
2. model segitiga, contoh pendekatan People, Proses, dan Sistem
3. model jaring, contoh adalah teori domino Heinrich
4. model roda , contoh sistem manajemen K3

Era 2020 adalah era digital, sehingga kelanjutan safety di 2020 adalah era digital/Big Data. Premis yang mendasari pemikiran tersebut adalah:

1. Jumlah tenaga kerja di Indonesia di tahun 2022 adalah 135 juta dengan dominasi Generasi Y sebesar 35% dan Generasi X sebesar 32% (BPS, 2019)
2. Generasi Y berorientasi pada output dan kompeten dalam teknologi informasi, mampu bekerja kapanpun dan dimanapun mereka berada
3. Big Data sebagai sumber tambang baru
4. Kebutuhan analisis safety untuk mendeskripsikan kecelakaan, menjelaskan penyebab kecelakaan, meramalkan kecelakaan, dan mengendalikan kecelakaan

Banyak referensi mengenai Big Data, ada beberapa poin penting yang saya ambil dari Buku Big Data untuk ilmu sosial terbitan Gadjah Mada University Press 2021, sebagai berikut:

1. Teknologi pengantar sebelum Big Data adalah mobile internet, cloud computing, dan Internet of Things
2. Big data memiliki karakter pembeda dari sisi volume, variety, dan velocity
3. Big data memiliki data dikotom/binomial (terstruktur dan tidak terstruktur; data personal dan data perilaku)
4. Big data dapat didekati dengan logika induktif, deduktif, dan abduktif
5. Analisis Big Data dapat dijenjangkan dalam level descriptive, diagnostic, predictive, dan prescriptive (ini sejalan dengan kebutuhan analisis safety)

Contoh penerapan Big data dalam Safety dapat kita lihat dalam studi kasus perusahaan Union Railway Pasific. Union Pasific Railroad adalah perusahaan kereta api yang telah melakukan inovasi teknologi dalam Safety dengan menambahkan Predictive/Technology dalam pendekatan People, Process dan Place (4P). Mereka menggunakan sistem penilaian risiko menggunakan BIG data meliputi lokasi, posisi pekerja, kondisi cuaca, jadwal kerja, jumlah absen, nilai ujian tentang aturan, hasil pelatihan, jumlah pelanggaran, dan lain-lain. Hasilnya adalah peningkatan kinerja keselamatan dengan menggunakan proses analitik. (https://www.youtube.com/watch?v=sJDNa-AWzJY)

Berikut adalah gambaran level analisis Big Data yang diambil dari link berikut: https://blogs.infosupport.com/wp-content/uploads/2019/11/Data-Analytics-Maturity-Model-InfoSupport.png. Kita dapat melihat bahwa level analisis ini telah mengawinkan profesi IT (Information Technology) dengan safety yang memunculkan fungsi BI developer, data engineer, data scientist, dan Chief Data Officer

Sebagai penutup, saya akan memberikan langkah sistematis yang dapat dilakukan untuk melakukan pengelolaan data dalam Safety sebagai berikut:

1. Tetapkan model konseptual yang akan digunakan. Saya mengusulkan tiga model konseptual alternatif yang dapat dijadikan acuan, yaitu 1) model konseptual berbasis program, 2) model konseptual berbasis elemen sistem manajemen K3, 3) model konseptual berbasis hasil investigasi kecelakaan
2. Kumpulkan semua data pendukung yang mendukung model yang telah ditetapkan di atas
3. Tentukan analisis yang digunakan (kuantitatif/kualitatif/campuran)
4. Tentukan metrics of performance yang digunakan (descriptive, threshold, trended, nested)

Semoga bermanfaat (ditulis dari Tembagapura – FN)