Fransiscus Fendy Novento

Indikator Safety Performance yang digunakan oleh banyak perusahaan adalah Frequency Rate (FR), Severity Rate (SR), dan Fatality Rate (FR). Indikator ini mengukur HASIL setelah sebuah AKTIVITAS terjadi dan dilakukan biasanya di akhir bulan/tahun. Alhasil, pengukuran dilakukan atas apa yang telah terjadi di masa lalu dan tidak bisa memprediksi apa yang akan terjadi di masa depan. Pendekatan ini disebut sebagai Reactive Safety Performance Measures (Lagging Indicators)

AKTIVITAS yang ada dalam dunia Safety diwujudkan dalam beberapa program umum/spesifik seperti inspeksi, meeting, observasi, audit, survey K3, HIRADC, SOP, JSA, dan masih banyak lagi. ada dua pertanyaan yang dapat kita ajukan terkait dengan hal tersebut, yaitu:

1. Apakah AKTIVITAS tersebut dapat diukur dengan tepat ?
2. Apakah AKTIVITAS tersebut dapat memprediksi/mempengaruhi/ berkorelasi dengan apa yang akan terjadi di masa depan

Apabila jawaban terhadap dua pertanyaan di atas adalah YA, maka pendekatan baru yang digunakan disebut sebagai Proactive Safety Performance Measures (Leading Indicators). Pendekatan ini mengukur AKTIVITAS yang terjadi setiap saat yang memungkinkan kita untuk melakukan intervensi jika ada penyimpangan berdasarkan Trend/Threshold metrics yang kita tetapkan. Pengukuran ini dapat kita verifikasi setiap saaat dengan pengukuran Reactive untuk melihat korelasinya.

Melihat keseimbangan (balanced) antara Reactive dan Proactive Safety Performance measures serta menggunakan keduanya untuk mengukur kinerja Safety merupakan A New View untuk meningkatkan kinerja Safety di sebuah perusahaan.

Semoga bermanfaat (ditulis dari Tembagapura – FN)

Beberapa pernyatan berikut mungkin pernah kita dengar, seperti unsafe act, unsafe condition, kegagalaan manajemen, motivasi keliru, kurang pelatihan, kurang pemahaman, … yang menimbulkan insiden! Sebagai seorang praktisi K3, sangat mudah kita membuat pernyataan sebab akibat berdasarkan pengalaman dan common sense.

Tidak ada yang salah dengan pernyataan tersebut selama masuk di logika manusia, tetapi muncul pertanyaan apa bukti yang mendukung pernyataan tersebut ? Apa bukti hubungan sebab akibat tersebut ? Apakah hubungan tersebut bisa digenalisasi ? Apakah hubungan tersebut kuat adanya ? Apakah unsafe act sendirian menyebabkan insiden atau bersama sama dengan unsafe condition menyebabkan insiden ?

Untuk menjawab pertanyaan di atas mari kita melihat model kausalitas menurut teori kausalitas. Dalam teori kausalitas terdapat dua model kausalitas, yaitu model kausalitas tunggal dan model kausalitas majemuk.

Model kausalitas tunggal mengatakan bahwa A menyebabkan B secara sempurna, tidak ada faktor lain. A ini disebut sebagai necessary cause dan juga sufficient cause yang menyebabkan B. Model kausalitas tunggal adalah model sempurna dalam lingkungan yang terkontrol.

Model kausalitas majemuk merupakan model yang paling banyak digunakan dalam ilmu sosial karena lingkungan yang dipengaruhi oleh banyak faktor penganggu. Model ini dapat digambarkan menjadi beberapa tipe sebagai berikut:

• Tipe majemuk kumulatif: dalam tipe ini A1+A2+An secara bersamaan akan menyebabkan B. A₁, A₂, A_n ini disebut sebagai necessary cause tetapi bukan sufficient cause. Sufficient cause akan terjadi apabila A₁+A₂+A_n secara bersama-sama bergabung menyebabkan B. Sebagai contoh teori segitiga api yang mengatakan bahan bakar+panas+oksigen akan menimbulkan api.
• Tipe majemuk independen: dalam tipe ini A1, A2, An akan menyebabkan B. A₁,A₂,A_n terpisah satu dengan lainnya dan disebut sebagai necessary cause dan juga sufficient cause. Dimungkinan A₁,A₂,A_n tanpa perlu bergabung menyebabkan B. Sebagai contoh teori PPS (People, Process,System) yang mengatakan kegagalan salah satu aja dari people/process/system akan menyebabkan failure

Berdasarkan penjelasan di atas, pertanyaan yang menjadi bahan renungan kita dalam tulisan ini adalah pernyataaan apakah unsafe act dan unsafe condition yang masih kita gunakan sebagai penyebab langsung insiden atau kecelakaan merupakan majemuk kumulatif dimana secara bersama-sama keduanya harus hadir untuk menjadi sufficient cause atau keduanya merupakan majemuk independen yang secara mandiri unsafe act dan unsafe condition bisa menjadi sufficient cause yang menyebabkan insiden ?

Semoga bermanfaat (ditulis dari Tembagapura – FN)

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)

Tulisan ini merupakan hasil telaah saya terhadap beberapa referensi dan pengalaman dalam mengelola safety di Perusahaan. Judul tulisan merupakan gabungan dari dua topik, yaitu dunia Safety dan Big Data yang saya mulai dengan sejarah Safety kemudian dilanjutkan dengan pengelolaan Big Data.

Sejarah Safety

Sejarah Safety secara runtut dapat dibaca dalam buku “Foundation of Safety Science” oleh Sidney Dekker, buku ini diterbitkan oleh CRC Press pada tahun 2019. Dalam buku tersebut kita diajak untuk memahami bagaimana safety itu berkembang setiap dekade (masa 10 tahun) dari tahun 1900 sampai dengan 2010. Secara ringkas dapat saya susun sebagai berikut:

1900 – The Beginning

Dalam masa ini safety difokuskan pada desain dan perawatan dari fasilitas/peralatan. Peraturan dibuat dan ditegakkan dengan inspeksi terhadap fasilitas/peralatan tersebut. Kejadian tidak diinginkan terjadi karena adanya kesenjangan dalam peraturan yang dibuat atau kegagalan untuk menegakkan peraturan.

1910 – Taylor & Proceduralization

Dalam masa ini, Frederick Taylor mengeluarkan teori bahwa pekerja adalah orang bodoh dan manajer adalah orang pintar. Dengan demikian, pekerja harus diseleksi, diberikan instruksi, dan diawasi ketika bekerja supaya tidak menyimpang dari aturan/instruksi (prosedur) yang dibuat dan direncanakan oleh manajernya.

1920 – Accident Prone

Dalam masa ini, Accident Prone teori mengatakan bahwa ada beberapa orang yang memiliki atribut yang menyebabkan mereka sering terlibat dalam kecelakaan. Mengidentifikasi dan mengukur atribut tersebut akan membantu mengurangi kecelakaan dengan mengeluarkan orang-orang dengan atribut tersebut dari pekerjaan atau populasi yang ada

1930 – Heinrich & Behavior Based Safety (BBS)

Dalam masa ini, Heinrich mengeluarkan teori yang terdiri dari 3 hal, yaitu 1) kecelakaan terjadi karena penyebab linear (domino), 2) ada rasio tetap antara kecelakaan fatal, ringan, dan berat (piramida) 3) tindakan tidak aman oleh pekerja menyumbang 88% kecelakaan. Atas dasar kontribusi yang cukup signifikan dari tindakan tidak aman tersebut muncul pendekatan Behavior Based Safety yang berfokus untuk merubah perilaku pekerja (Human behavior) dengan seleksi, training, sangsi, dan penghargaan

1940 – Human Factors & Cognitive System Engineering

Dalam masa ini, Human Factor mengambil pendekatan yang berbeda dengan Human Behavior. Dalam Human Factor teori, 1) manusia adalah penerima bukan penyebab kecelakaan, 2) target intervensi adalah organisasi bukan manusia, 3) teknologi dan tugas disesuaikan dengan kondisi manusia bukan manusia yang menyesuaikan, 4) masalah safety dilakukan dengan mengontrol teknologi bukan manusia

1950,1960 – System Safety

Dalam masa ini, safety dibangun dalam sistem sejak awal. Setelah sistem beroperasi, sistem menetapkan persyaratan untuk efektivitas dan pengelolaan keamanan dari sistem tersebut. Sistem Safety mengidentifikasi, memetakan, dan memecahkan persoalan safety dengan aspek teknis, manusia, lingkungan, dan faktor kontributor lainnya.

1970 – Man Made Disaster

Dalam masa ini, kecelakaan dan bencana dipahami sebagai fenomena sosial dan organisasi dibandingkan dengan masalah engineering. Fenomena ini dimulai dengan risiko yang meningkat secara bertahap tanpa dikenali dan diperhatikan dalam periode waktu. Dalam masa inkubasi ini problem laten menjadi terakumulasi tanpa dapat dikenali yang disebabkan karena kegagalan organisasi

1980 Normal Accident & High Reliability Organization

Dalam masa ini, Normal Accident Theory (NAT) menjelaskan bahwa kecelakaan adalah normal karena complexity dan coupling sistem yang dibuat dan dioperasikan. Interaksi complexity dan coupling yang tinggi membuat sistem menimbulkan kecelakaan tertentu. Namun demikian, ada interaksi complexity dan coupling yang tidak menimbulkan kecelakaan atau belum menimbulkan kecelakaan, hal ini menimbulkan teori High Reliability Organization (HRO) dimana fokusnya bukan menjadikan penyebab kecelakaan sebagai variabel dependen, tapi pada apa yang berkontribusi terhadap pencegahan kecelakaan dan operasi bebas kesalahan.

1990 – Swiss Cheese & Safety Management System

Dalam masa ini, Swiss Cheese Teori menjelaskan daripada mengontrol perilaku manusia sebagai frontline organisasi, lebih baik fokus pada organisasi itu sendiri. Kecelakaan terjadi karena penetrasi pertahanan keamanan. Pertahanan keamanan ini menjadi lemah karena kegagalan manajemen, supervisor, keputusan organisasi, dan tindakan tidak aman di ujung pertahanan. Swiss Cheese sejalan dengan konsep Safety Management System, dimana kontrol safety berada di sistem manajemen, akuntabilitas, proses dan data.

2000 – Safety Culture

Dalam masa ini, Organisasi didorong untuk membangun budaya keselamatan sebagai kelanjutan logis dari perbaikan terhadap organisasi sebelum menimbulkan kecelakaan. Safety Culture memberikan organisasi aspirasi dan membawa pemimpin organisasi untuk memikirkan apa yang mereka inginkan daripada apa yang mereka hindari. Manajemen bekerja di dalamnya dengan asumsi nilai akan mempengaruhi sikap, kepercayaan, dan perilaku orang di dalamnya.

2010 – Resilience Engineering

Dalam masa ini, Resilience Engineering adalah mengidentifikasi dan meningkatkan kemampuan positif dari orang dan organisasi yang memungkinkan mereka beradaptasi dalam situasi yang dinamis. Resilience bukan tentang mengurangi hal negatif (kecelakaan, error, pelanggaran) tapi pada hal positif. Hal ini didasarkan pada premis bahwa kita berada dalam sistem yang belum tentu aman karena sistem bekerja dalam berbeda dalam tekanan dan konflik tujuan dalam waktu yang sama dengan sumber daya yang terbatas. Orang dan Organisasi harus mengedepankan safety dalam situasi yang dinamis

Berdasarkan sejarah Safety di atas, pertanyaan yang sering diajukan adalah apakah kita meningkatkan safety dalam sistem atau orang ? teknologi atau orang ? top down atau bottom up ? perbaiki sistem atau perbaiki orang ?

Terlepas dari pertanyaan2 di atas, mungkin lebih baik jika kita tidak memperdebatkan pemisahan antara orang dengan sistem, tetapi justru kita mempertajam pemikiran kita bahwa orang bekerja dalam sistem berikut segala atribut dan persoalannya. Di tulisan saya bagian 2, kita akan dibawa ke era 2020, dimana Digitalisasi terutama Big Data menjadi salah satu masa yang tidak dapat dihindari dan berimbas terhadap pengelolaan safety dalam sebuah organisasi.

Bersambung….(FN- ditulis dari Tembagapura)