Archive
Bias Keinginan Sosial
Ada pertanyaan yang masuk ke inbox saya terkait dengan Bagaimana memastikan kuesioner/survei yang diisi oleh pekerja benar2 mencerminkan realitas di lapangan terutama terkait dengan skala likert dimana responden cenderung memilih hal-hal yang baik/diharapkan baik daripada memilih sebaliknya. Dalam konteks penelitian, hal ini disebut sebagai sampling error dimana hal ini disebabkan karena pemilihan responden yang tidak mewakili populasi dan/atau Bias Keinginan Sosial (Social Desirability Bias). Bias Keinginan Sosial adalah kecenderungan seseorang untuk memberikan jawaban yang menurut norma sosial dianggap baik meskipun itu tidak sesuai dengan realitas yang ada.
Berikut adalah contoh instrumen yang telah saya sesuaikan untuk digunakan bersama-sama dengan instrumen kuesioner/survei yang ada untuk melihat korelasi dan sejauh mana responden memberikan jawaban yang jujur/berpura-pura jujur.
| Pertanyaan | B (Benar) / S (Salah) |
|---|---|
| Saya selalu melaporkan setiap insiden yang saya lihat tanpa terkecuali | B / S |
| Saya tidak pernah merasa malas untuk menggunakan APD | B / S |
| Saya selalu mengikuti seluruh langkah dalam prosedur kerja | B / S |
| Saya tidak pernah merasa kesal/marah ketika ditegur oleh pengawas/petugas keselamatan | B / S |
| Saya selalu memeriksa keselamatan area/peralatan kerja sebelum dan sesudah melakukan pekerjaan | B / S |
| Saya tidak pernah mengabaikan satu pun instruksi/rambu keselamatan | B / S |
| Saya selalu jujur mengakui jika saya merasa lelah/fatigue | B / S |
| Saya tidak pernah bicara negatif tentang pimpinan/manajemen | B / S |
| Saya tidak pernah absen dalam setiap pertemuan keselamatan | B / S |
| Saya selalu menindaklanjuti rekomendasi temuan dengan senang hati | B / S |
Intepretasi Nilai: Jika Jumlah Benar (0 – 3): Bias Rendah, (4 – 7): Bias Menengah, (8 – 10): Bias Tinggi
Tembagapura – FN (28/2/2026)
Pengukuran Maturitas Pengelolaan Data
Melanjutkan tulisan saya sebelumnya terkait dengan maturitas data KP , berikut adalah kuesioner yang dapat digunakan untuk mengukur sejauh mana persepsi pengelolaan data di sebuah perusahaan. Sebagaimana kita lihat Gartner Analytics Asecandancy Model (2012) di atas, data menjadi lebih tinggi nilainya ketika dikelola untuk dapat memprediksi apa yang akan terjadi di masa depan dan tindakan apa yang dapat dilakukan untuk meningkatkan kinerja. Berikut adalah penjelasan singkat dari setiap tingkatan,
- Descriptive
- digunakan untuk mendeskripsikan apa yang terjadi (What happened/When it happened)
- Metode: Data Aggregation, Dashboard, ..
- Tools: Excel, Tableau, Power BI, …
- Diagnostic
- digunakan untuk menggali apa yang terjadi (Why Did it happened)
- Metode: Quantitative-Qualitative Data Analysis, …
- Tools: Hypothesis Testing, Root Cause Analysis, Fish Bone Diagram, FMEA, 5 Why, ..
- Predictive
- digunakan untuk meramalkan apa yang akan terjadi (What/When will happen)
- Metode: Forecasting, Risk Modeling, Customer Segmentation, Sentiment Analysis, Regression, Correlation, …
- Tools: R, SPPS, Stata, ..
- Prescriptive
- digunakan untuk membuat rekomendasi (How can we make it happen/What should I do)
- Metode:Machine learning, Algorithms, Data Modelling, …
- Tools: Alteryx, Python, Rapid Miner, …
| Pernyataaan | Sangat Tidak Setuju (1) – Tidak Setuju (2) – Netral (3) – Setuju (4) – Sangat Setuju (5) |
|---|---|
| Metode pengambilan data dan formulir pelaporan sudah seragam. | 1 – 2 – 3 – 4 – 5 |
| Data dikategorikan dengan tepat, akurat, dan sesuai kenyataan. | 1 – 2 – 3 – 4 – 5 |
| Ada proses validasi dan pengambilan data primer yang memadai. | 1 – 2 – 3 – 4 – 5 |
| Data dapat diakses secara real-time, mutakhir, dan lengkap. | 1 – 2 – 3 – 4 – 5 |
| Analisis dilakukan secara terintegrasi untuk seluruh kasus yang ada. | 1 – 2 – 3 – 4 – 5 |
| Analisis berhasil menemukan hubungan/korelasi antar variabel data. | 1 – 2 – 3 – 4 – 5 |
| Data historis digunakan untuk membuat model prediksi masa depan. | 1 – 2 – 3 – 4 – 5 |
| Hasil analisis memberikan rumusan rekomendasi tindakan yang tepat. | 1 – 2 – 3 – 4 – 5 |
| Ada simulasi hubungan antara tindakan dan hasil untuk solusi tepat. | 1 – 2 – 3 – 4 – 5 |
| Data mencakup perbandingan historis, benchmarking, dan literatur. | 1 – 2 – 3 – 4 – 5 |
| Data pre-kondisi tersedia untuk mendukung operasional di berbagai kondisi. | 1 – 2 – 3 – 4 – 5 |
Interpretasi nilai: Maturitas Risiko Tinggi (44 – 55); sedang (33 – 43); rendah (11 – 32)
Tembagapura – FN (14/2/2026)
Pengukuran Risk Maturity Level (RML)
Melanjutkan tulisan saya sebelumnya terkait Maturitas Risiko, berikut adalah instrumen yang dapat digunakan untuk mengukur tingkat maturitas risiko sebagai bahan pertimbangan untuk penyusunan atau intervensi program manajemen risiko
| Pernyataaan | Sangat Tidak Setuju (1) – Tidak Setuju (2) – Netral (3) – Setuju (4) – Sangat Setuju (5) |
|---|---|
| Saya memahami seluruh bahaya, risiko, dan pengendalian di area kerja | 1 – 2 – 3 – 4 – 5 |
| Saya memiliki kewaspadaan situasi (situational awareness) dan bekerja secara aman | 1 – 2 – 3 – 4 – 5 |
| Saya berperan aktif dalam perbaikan pengendalian risiko dan aspek K3 | 1 – 2 – 3 – 4 – 5 |
| Tim Manajemen Risiko melibatkan perwakilan K3, KO, serta seluruh bagian operasional | 1 – 2 – 3 – 4 – 5 |
| Tim mampu menyelaraskan pemahaman dan bertukar informasi secara tepat | 1 – 2 – 3 – 4 – 5 |
| Kolaborasi dalam tim sudah berjalan baik untuk mencapai tujuan bersama | 1 – 2 – 3 – 4 – 5 |
| Pimpinan dan Pengawas terlibat aktif secara formal dalam manajemen risiko | 1 – 2 – 3 – 4 – 5 |
| Pengawas memberikan dukungan dan melibatkan seluruh angggota dalam tim | 1 – 2 – 3 – 4 – 5 |
| KTT/PJO menindaklanjuti hasil evaluasi untuk peningkatan berkelanjutan | 1 – 2 – 3 – 4 – 5 |
| Perusahaan memiliki risk appetite yagn dinamis dan indikator risiko utama (KRI) | 1 – 2 – 3 – 4 – 5 |
| Perusahaan memiliki perencanaan cadangan/darurat (contigency planning) yang memadai | 1 – 2 – 3 – 4 – 5 |
| Metode manajemen risiko dikembangkan terus menerus sesuai regulasi dan kondisi | 1 – 2 – 3 – 4 – 5 |
Interpretasi nilai: Maturitas Risiko Tinggi (48 – 60); sedang (36 – 47); rendah (12 – 35)
Tembagapura – FN (2/4/2026)
Employee Engagement
Employee Engagement merupakah salah satu penentu motivasi dan perilaku seseorang dalam sebuah organisasi, karyawan yang memiliki tingkat engagement tinggi akan berperan serta dalam menjaga keberlangsungan perusahaan termasuk keselamatan dan kesehatan kerja. Berikut adalah contoh instrumen pengukuran dari Gallup yang terdiri atas 15 item dengan reliabilitas alpha Cronbach 0,91 (Tedja FW, 2020),
| Pernyataaan | Sangat Tidak Setuju (1) – Tidak Setuju (2) – Netral (3) – Setuju (4) – Sangat Setuju (5) |
|---|---|
| Saya mengerti apa yang diharapkan di tempat kerja | 1 – 2 – 3 – 4 – 5 |
| Saya mempunyai materi dan sarana yang diperlukan untuk melakukan pekerjaan dengan aman | 1 – 2 – 3 – 4 – 5 |
| Saya memiliki kesempatan untuk melakukan yang terbaik setiap hari di tempat kerja | 1 – 2 – 3 – 4 – 5 |
| Saya memperoleh penghargaan/pujian karena melakukan pekerjaan dengan baik dalam tujuh hari terakhir | 1 – 2 – 3 – 4 – 5 |
| Atasan saya terlihat memedulikan saya sebagai pribadi | 1 – 2 – 3 – 4 – 5 |
| Ada seseorang di tempat kerja yang mendorong perkembangan saya | 1 – 2 – 3 – 4 – 5 |
| Saya merasa pendapat saya diperhitungkan di tempat kerja | 1 – 2 – 3 – 4 – 5 |
| Misi/tujuan perusahaan membuat saya merasa pekerjaan saya penting | 1 – 2 – 3 – 4 – 5 |
| Rekan kerja saya bertekad untuk melakukan pekerjaan yang berkualitas dan aman | 1 – 2 – 3 – 4 – 5 |
| Saya mempunyai sahabat di tempat kerja | 1 – 2 – 3 – 4 – 5 |
| Dalam enam bulan terakhir, seseorang di tempat kerja memberikan umpan balik tentang perkembangan kinerja saya | 1 – 2 – 3 – 4 – 5 |
| Pada tahun terakhir ini, saya berkesempatan untuk belajar dan berkembang di tempat kerja | 1 – 2 – 3 – 4 – 5 |
| Saya memahami visi perusahaan dan stategi mencapainya | 1 – 2 – 3 – 4 – 5 |
| Saya memahami dan melakukan nilai-nilai budaya perusahaan | 1 – 2 – 3 – 4 – 5 |
| Top/Senior manajemen menjadi contoh/teladan dalam melakukan nilai-nilai budaya perusahaan | 1 – 2 – 3 – 4 – 5 |
Interpretasi nilai: Engagement tinggi (60-75); Engagement sedang (45-59); Engagement rendah (15-44)
Semoga bermanfaat – FN
Unconscious Biases dalam Safety
Unconscious Biases adalah sikap atau pandangan yang seringkali tidak kita sadari ketika membuat keputusan atau mengambil tindakan. Nama lain dari Unconscious biases ini adalah asumsi atau logical fallacy/sesat pikir yang dalam beberapa hal dapat mengakibatkan kita mengambil keputusan atau tindakan yang salah. Berikut adalah beberapa contoh yang umum yang dapat mempengaruhi keselamatan,
- Optimism Bias, kecenderungan untuk mengabaikan risiko dan mempertimbangan peluang/hasil yang positif secara berlebihan, contoh: seorang operator kendaraan mengabaikan temuan negatif dalam pemeriksaan pra operasi kendaraan karena sudah sering mengoperasikan kendaraan tersebut.
- Pessimism Bias, kecenderungan untuk mengabaikan peluang/hasil positif dan mempertimbangkan risiko secara berlebihan. contoh: seorang supervisor menolak cara kerja aman yang lebih cepat karena sudah terbiasa dengan cara kerja aman yang membutuhkan waktu lebih lama.
- Halo Effect Bias, kecenderungan untuk menilai seseorang berdasarkan karakter menonjol yang terlihat nyata. contoh: seorang supervisor menilai seorang pekerja pasti akan melakukan pekerjaan yang selamat karena pekerja tersebut menggunakan APD lengkap.
- Affinity Bias, kecenderungan untuk memilih seseorang yang memiliki kemiripan dengan kita. contoh: seorang supervisor memilih untuk melakukan observasi kepada pekerja yang satu berasal dari daerah yang sama.
- Confirmation Bias, kecenderungan untuk mencari data/fakta yang mendukung keputusan kita dan mengabaikan data/fakta yang bertentangan. contoh: seorang auditor melakukan audit dengan mencari bukti yang mendukung temuannya dan mengabaikan bukti lain yang relevan.
Semoga bermanfaat – FN
Fendy Novento Knowledge Management 