Fransiscus Fendy Novento

Organisasi yang ingin berkembang pasti akan menentukan target pencapaian untuk melihat sejauh mana aktivitas yang dilakukan dapat berkontribusi terhadap hasil. Metode yang paling efektif untuk membuat bahasa target adalah SMART (Specific, Measureable, Achievable, Realistic, Time-bound). Tujuan adalah kualitatif, sedangkan target adalah kuantitatif, sebagai contoh kita memiliki tujuan menurunkan tingkat kecelakaan jari dalam kuartal kedua tahun 2022, maka kita bisa membuat bahasa target 80% pengawas melakukan observasi kepada pekerja dengan pekerjaan berisiko cedera jari setiap minggu.

Dalam kesempatan kali ini, saya akan memberikan beberapa tipe target (metric) yang dapat kita buat:

1. Positive Metric
2. Negative Metric
3. Threshold Metric
4. Milestone

Positive Metric digunakan apabila kondisi naik dinilai lebih baik, sebagai contoh meningkatkan partisipasi pekerja dalam pertemuan K3 sebesar 90% dalam kuartal keempat tahun 2022.

Negative Metric digunakan apabila kondisi turun dinilai lebih baik, sebagai contoh menurunkan kondisi tidak aman di area kerja sebesar 80% dalam kuartal keempat tahun 2022.

Threshold Metric digunakan apabila target dinilai dalam sebuah range/rentang, sebagai contoh mempertahankan tingkat kebisingan area kerja bengkel dalam kisaran 60 – 70 dB dalam kuartal keempat tahun 2022.

Milestone Metric digunakan apabila kita tidak memiliki alat ukur, sebagai contoh mendigitalisasi formulir inspeksi area kerja pada kuartal keempat tahun 2022.

Semoga bermanfaat (FN)

Proses pengambilan keputusan dalam K3 (Keselamatan dan Kesehatan Kerja) merupakan hal yang penting untuk memastikan Sistem Manajemen K3 berjalan dengan baik dalam mencegah kecelakaan/kesakitan pekerja dan meningkatkan kinerja K3. Dalam ranah kebijakan publik, suatu keputusan yang baik akan memenuhi kaidah VIUOF (Valid, Important, Useful, Original, Feasible).

Menggunakan teori kebijakan publik, beberapa metode berikut dapat diadopsi untuk mengambil keputusan dalam K3 dalam sebuah perusahaan:

• Metode incremental: keputusan dibuat berdasarkan keputusan sebelumnya untuk menjaga konsistensi dan memperkecil kesenjangan. Metode ini biasanya terkait dengan kebijakan atau peraturan perundang-undangan sebelumnya. Kritik terhadap metode ini adalah tidak dinamis mengikuti perubahan yang terjadi.
• Metode partisipasi: berbeda dengan keputusan incremental, keputusan yang dibuat dengan metode partisipasi melibatkan partisipasi aktif dari pihak-pihak yang berkepentingan sehingga sangat dinamis mengikuti perubahan yang terjadi. Kritik terhadap metode ini adalah dominasi kepentingan/kepuasan dari beberapa pihak yang mengambil keuntungan kelompok tertentu.
• Metode trial-error/best practice: keputusan dibuat berdasarkan pengalaman dan kejadian real di lapangan sehingga memunculkan pembelajaran (trial-error) dan praktek terbaik (best practices). Kritik terhadap keputusan ini adalah beberapa praktek terbaik tidak bisa digeneralisir ke konteks/lingkungan yang berbeda.
• Metode penelitian: keputusan dibuat berdasarkan metode ilmiah menggunakan pendekatan akademis mulai dari perumusan masalah, pengumpulan data, analisis sampai penarikan kesimpulan. keputusan ini juga disebut juga sebagai evidence-based decision karena berdasarkan bukti yang dikumpulkan. Kritik terhadap keputusan ini adalah memerlukan orang dengan latar belakang penelitian dan membutuhkan waktu yang lama serta sumber daya yang memadai.
• Metode Big Data: keputusan dibuat secara cepat menggunakan data yang dikumpulkan secara cepat dan dengan algoritma tertentu menghasilkan pola yang dapat diprediksi secara akurat. Pada prinsipnya keputusan ini merubah pendekatan evidence-based decision menjadi data-driven decision. Kritik terhadap metode ini adalah memerlukan identifikasi, pengumpulan, pemilahan, dan analisis data yang besar didukung oleh infrastruktur dan sumber daya yang memadai.

Apapun metode yang digunakan, tentu saja silahkan disesuaikan dengan konteks permasalahan K3 yang dihadapi dan tentunya dapat memecahkan masalah K3 tersebut.

Semoga bermanfaat (ditulis dari Tembagapura – FN)

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)