METODE SLIM-ANP UNTUK PENILAIAN HUMAN RELIABILITY

Prosiding Seminar Nasional Manajemen Teknologi XXIII Program Studi MMT-ITS, Surabaya 1 Agustus 2015

METODE SLIM-ANP UNTUK PENILAIAN HUMAN RELIABILITY Ratna Ayu Ratriwardhani1), Erwin Widodo2), dan Dyah Santhi Dewi3) 1) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember Kampus ITS Keputih, Sukolilo, Surabaya, 60111, Indonesia e-mail: [email protected] 2) dan 3) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember

ABSTRAK Dari data statistik pada Health and Safety Executive, dapat disimpukan bahwa 90% kecelakaan kerja disebabkan oleh kesalahan manusia. Oleh karena itu penilaian probabilitas kesalahan manusia atau yang disebut dengan HEP sangat penting untuk dilakukan. HRA adalah bagian dari risk assessment process yang berfungsi untuk menganalisa dan memprediksi HEP. SLIM adalah metode yang digunakan dalam bidang HRA. SLIM mengalami beberapa hambatan, seperti kesulitan dalam pemilihan PSF, pembobotannya, dan konsistensi dari penilaian para expert. Oleh karena itu diperlukannya suatu perbaikan untuk mengatasi masalah-masalah tersebut. Untuk menjawab tantangan gap tentang akurasi dalam evaluasi HEP ini, penulis mengembangkan sebuah metode baru yang menggabungkan SLIM dengan ANP. Hasil penelitian menunjukkan faktor-faktor yang mempengaruhi timbulnya human error pada kecelakaan lalu lintas di Surabaya adalah faktor pengalaman, kondisi fisik, ramburambu lalu lintas, kondisi lingkungan, kondisi mental, dan perilaku. Task yang mempunyai nilai probabilitas error paling tinggi ada pada task e, yaitu sebesar 0,04764; yang artinya dalam 21 jam terdapat 1 accident. Dari skala probabilitas, dapat disimpulkan bahwa HEP dari masing-masing human error berada diatas batas atas, kecuali pada task d. Pengembangan model integrasi SLIM dan ANP dapat mengatasi masalah dependensi antar PSF yang selama ini diabaikan. Pengembangan metode ini juga dapat mengatasi masalah konsistensi dari para expert. Kata kunci: SLIM (Success Likelihood Index Method), HRA (Human Reliability Analysis), Human Error, Analytic Network Process (ANP).

PENDAHULUAN Menurut Heinrich (1959), kecelakaan terjadi akibat adanya 88% tindakan tidak aman (unsafe action) dan 10% kondisi tidak aman (unsafe condition) yang keduanya dapat dicegah keberadaannya, dan hanya 2% saja yang merupakan kecelakaan yang unpreventable (tidak dapat dicegah), yaitu disebabkan oleh act of God. Hal yang sama juga diungkapkan oleh Simpson (1994). Dari data statistik pada Health and Safety Executive, dapat disimpukan bahwa 90% kecelakaan disebabkan oleh kesalahan manusia. Oleh karena itu penilaian probabilitas kesalahan manusia atau yang disebut dengan Human Error Probability (HEP) sangat penting untuk dilakukan. HRA adalah bagian dari risk assessment process yang berfungsi untuk menganalisa dan memprediksi HEP (Jung, Yoon, & Kim, 2001). Saat ini, ada sekitar 35-40 metode HRA yang dapat dibedakan dengan jelas. Dari beberapa metode tersebut, sebagian besar merupakan metode-metode yang masih dipertimbangkan oleh para ahli HRA. Metode SLIM dan Technique for Human Error Rate Prediction (THERP) merupakan metode-metode yang telah disetujui oleh lima ahli dari total enam ahli HRA yang dipercaya sejak tahun 1980-an (Hollnagel, 1998). Jika dibandingkan dengan THERP, SLIM merupakan metode yang paling

ISBN: 978-602-70604-2-5 A-57-1


fleksibel dibandingkan dengan metode-metode HRA yang lainnya (Kirwan, 1994). Maka dari itu, pengembangan dari SLIM sangatlah diperlukan untuk lebih menyempurnakan metode ini. SLIM mengalami beberapa hambatan, seperti kesulitan dalam pemilihan Performance Shaping Factors (PSF) dan juga kesulitan dalam pembobotannya (Kirwan, 1994). Zimolong (1992) juga berpendapat jika masalah-masalah dalam metode ini mencakup konsistensi dari penilaian para expert. Oleh karena itu diperlukannya suatu perbaikan untuk mengatasi masalah-masalah tersebut. Park (2008) mengembangkan metode baru yang ia beri nama AHP-SLIM. Meskipun demikian, penggabungan metode Analytic Hierarchy Process (AHP) dan SLIM yang dilakukan oleh Park ini masih memiliki beberapa kelemahan, salah satunya terkait dengan elemen-elemen di setiap grup dari sebuah hirarki diasumsikan independent. Padahal, kebanyakan elemen-elemen tersebut saling berhubungan satu sama lain. Untuk menjawab tantangan gap tentang akurasi dalam evaluasi HEP ini, penulis mengembangkan sebuah metode baru yang menggabungkan SLIM dengan ANP. Tujuan dilakukan penelitian ini adalah untuk mengetahui faktor-faktor apa saja yang mempengaruhi timbulnya human error pada kecelakaan lalu lintas di Surabaya, mengembangkan model integrasi SLIM dan ANP untuk proses pembobotan PSF, dan mengetahui berapa besar probabilitas human error pada kecelakaan lalu lintas di Surabaya dengan menggunakan pendekatan SLIM-ANP untuk mengetahui task apakah yang mempunyai probabilitas error yang paling tinggi agar task tersebut dapat diberikan perhatian khusus. Success Likelihood Index Method (SLIM) Yaitu teknik yang digunakan dalam bidang HRA, bertujuan untuk menganalisis kemungkinan human error yang terjadi pada saat melakukan suatu pekerjaan. Dari analisis tersebut kemudian dapat diambil tindakan-tindakan untuk mengurangi kemungkinan error yang terjadi dalam suatu sistem dan dapat memberikan perbaikan dalam semua tingkat safety. SLIM digunakan untuk mengukur PSF. Faktor ini berkaitan dengan individu, lingkungan atau task yang memiliki potensi untuk mempengaruhi kinerja para pekerja (baik secara positif maupun secara negatif). Faktor-faktor tersebut digunakan untuk memperoleh Success Likelihood Index (SLI), yaitu suatu bentuk indeks preferensi yang dikalibrasi terhadap data yang ada untuk memperoleh hasil akhir HEP. Berikut ini adalah tahapan dalam menerapkan teknik SLIM: 1. Memprediksi error secara kualitatif 2. Tentukan PSF yang cocok 3. Rating masing-masing PSF pada setiap task 4. Tentukan bobot yang tepat 5. Hitung SLI 6. Konversi nilai SLI menjadi nilai HEP Analytic Network Process (ANP) ANP adalah teori umum pengukuran rasio skala pengaruh dengan metodologi yang berhubungan dengan dependensi dan feedback (Saaty, 2001). ANP merupakan pengembangan dari metode AHP. Struktur AHP adalah merumuskan permasalahan keputusan ke dalam sebuah hierarki dengan goal, kriteria keputusan, dan alternatif-alternatif, dimana struktur ANP merupakan suatu jaringan. Hal-hal itulah yang membuat ANP lebih sering dipakai dalam metode pengambilan keputusan untuk memilih alternatif, peramalan, peracangan, alokasi sumber daya, uji kesesuaian, riset kualitatif, dan sebagainya yang melibatkan berbagai faktor yang saling berkaitan, yang mempunyai perbandingan lebih objektif, prediksi yang lebih akurat, serta hasil yang lebih stabil dan sempurna. ANP

ISBN: 978-602-70604-2-5 A-57-2


menggunakan proses yang cukup sederhana namun kuat, sehingga permasalahan yang kompleks dalam berbagai bidang dapat terselesaikan. ANP menyediakan sebuah kerangka kerja umum untuk menyelesaikan suatu masalah dengan membuat keputusan tanpa membuat asumsi-asumsi mengenai ketidaktergantungan dari elemen-elemen pada tingkat yang lebih tinggi dari elemen-elemen pada tingkat yang lebih rendah dan mengenai ketidaktergantungan dari tiap elemen-elemen dalam suatu tingkatan pada sebuah hierarki (Saaty, 2004). ANP memiliki konsep utama dominasi atau kepentingan relatif dari pengaruh. METODE Expert judgement adalah pertimbangan atau pendapat ahli atau orang yang berpengalaman. Dalam memilih expert judgement tidak boleh sembarangan. Peneliti menggunakan data job description, struktur organisasi, dan biodata experts untuk memilih orang yang layak dijadikan sebagai experts. Identifikasi human error merupakan tahapan yang sangat penting dalam penelitian ini, karena objek dasar pada penelitian ini adalah human error. Human error bisa terjadi juga pada task (langkah kerja). Pada penelitian ini, identifikasi human error berfungsi untuk mengetahui human error apa saja yang ada pada kecelakaan lalu lintas di Surabaya. Identifikasi ini sendiri pada penelitian ini digunakan untuk pembuatan kuesioner peratingan PSF. Dan pada akhirnya probabilitas error juga dihitung di setiap errornya. Jenis-jenis human error didapatkan melalui penelitian terdahulu terkait human error pada pengemudi dan melalui data laporan kecelakaan terdahulu. Dalam menentukan PSF, peneliti menentukannya berdasarkan studi literatur dari penelitian-penelitian terdahulu terkait human error pada kecelakaan lalu lintas (Reason, 1990 dan Park, 2008). Penilaian hubungan antar PSF diidentifikasi melalui penilaian para experts. Tahapan ini berfungsi untuk mengetahui dependensi antar PSF. Salah satu tahapan pada pendekatan SLIM adalah menilai bobot masing-masing PSF. Penentuan bobot ini bertujuan untuk mengetahui seberapa besar pengaruh tiap PSF dalam menimbulkan error pada kecelakaan lalu lintas di Surabaya. Selain itu, penentuan bobot juga digunakan untuk menghitung SLI. Dalam menentukan bobot, langkah pertama adalah membuat model keterkaitan kriteria pada software super decisions. Berikut ini adalah gambar model keterkaitan kriteria tersebut.

Gambar 1. Model Keterkaitan Kriteria pada Software Super Decisions

Bobot dari PSF ditentukan melalui hasil pairwaise comparisons yang telah diisi oleh expert 1. Untuk menentukan rating PSF, dibuatlah kuesioner peratingan PSF terlebih dahulu. Kuesioner ini bertujuan untuk mengetahui kualitas masing-masing PSF di setiap task. Kualitas tersebut digambarkan dalam bentuk rating. Kuesioner ini diberikan kepada para ISBN: 978-602-70604-2-5 A-57-3


experts yang telah dipilih. Penentuan rating berfungsi untuk mengetahui kualitas masingmasing PSF di setiap task. Penentuan rating juga dapat digunakan untuk menghitung SLI. Dalam menentukan rating, ditentukan melalui hasil kuesioner peratingan PSF yang telah diisi oleh experts. Dari kuesioner-kuesioner yang telah didapatkan kemudian hasil pengisian rating dari para judges tersebut dirata-rata. Nilai SLI digunakan untuk menghitung HEP. SLI dapat juga digunakan sebagai performance indicator, dan juga dapat digunakan sebagai aspek dalam memonitor sistem manajemen. Nilai SLI dihitung menggunakan rumus berikut ini: SLIj = ∑RijWi........................................................................................... (1) (Sumber: Embrey, 1994) Keterangan: - SLIj = SLI task j - Rij = Rating task j pada PSF i - Wi = Bobot normalisasi PSF i (∑Wi = 1) Pengubahan nilai SLI menjadi HEP bertujuan untuk mengetahui probabilitas human error pada kecelakaan lalu lintas di Surabaya. Dalam mengubah nilai SLI menjadi probabilitas human error (HEP), digunakan rumus berikut ini: log (POS) = a SLI + b ............................................................................. (2) (Sumber: Embrey, 1994) Keterangan: - POS = Probability of Success - a dan b = Konstanta Sedangkan untuk mengetahui nilai POS, digunakan rumus berikut ini: HEP = 1 – POS........................................................................................ (3) (Sumber: Embrey, 1994) HASIL DAN PEMBAHASAN Pada penelitian ini dipilih dua experts, satu expert dari bagian penyidik dan satu expert lagi dipilih dari bagian Tindakan Pertama Tempat Kejadian Pertama Kecelakaan (TPTKP). Dari dua experts tersebut, dipilihlah satu experts utama yang dianggap orang yang paling ahli diantara yang lain. Poin utama dari experts adalah mereka berupaya untuk melakukan penilaian dan mereka juga bersedia untuk meluangkan waktu pada jam kerja untuk dimintai informasi, karena penilaian ini membutuhkan waktu yang tidak sedikit. Untuk proses pengisian pairwaise comparison hanya dipilih satu expert yang paling ahli, karena bobot adalah nilai yang tunggal, jika dalam proses ini menggunakan pendapat dari banyak expert maka akan terjadi bias. Dari studi literatur tersebut, peneliti menetapkan 6 PSF yang mempengaruhi terjadinya error. Faktor-faktor tersebut adalah faktor pengalaman, kondisi fisik, rambu-rambu lalu lintas, kondisi lingkungan, kondisi mental, dan perilaku. Dari hasil Penilaian hubungan antar PSF oleh para experts, dibuatlah peta hubungan antar faktor seperti dibawah ini.

ISBN: 978-602-70604-2-5 A-57-4


Gambar 2. Hubungan antar PSF

Gambar 2 diatas menunjukkan hubungan antar faktor yang mempengaruhi timbulnya human error pada kecelakaan lalu lintas di Surabaya. Untuk faktor pengalaman, faktor pengalaman mempengaruhi kondisi fisik, kondisi mental, dan perilaku. Faktor kondisi fisik mempengaruhi pengalaman, kondisi mental, dan perilaku. Faktor rambu-rambu lalu lintas mempengaruhi kondisi lingkungan. Faktor kondisi lingkungan mempengaruhi rambu-rambu lalu lintas. Faktor kondisi mental mempengaruhi pengalaman, kondisi fisik, dan perilaku. Faktor perilaku mempengaruhi pengalaman, kondisi fisik, kondisi mental, dan perilaku. Untuk bobot dari PSF dapat dilihat pada tabel 1 berikut ini. Tabel 1. Bobot PSF

PSF Bobot Normalisasi Kondisi Mental 0,30303 Perilaku 0,25466 Pengalaman 0,18546 Kondisi Fisik 0,12145 Rambu-Rambu Lalu Lintas 0,06770 Kondisi Lingkungan 0,06770 Berdasarkan hasil pembobotan ANP didapatkan bobot tiap faktor yang mempengaruhi timbulnya human error pada kecelakaan lalu lintas di Surabaya. Berikut ini adalah gambar diagram batang yang menunjukkan perbandingan tingkat kepentingan faktor-faktor yang mempengaruhi timbulnya human error pada kecelakaan lalu lintas di Surabaya. Hasil kuesioner peratingan PSF dapat dilihat pada tabel 2 dibawah ini.

ISBN: 978-602-70604-2-5 A-57-5


Tabel 2. Rating PSF

Task

Pengalaman

Kondisi Fisik

7-10 = Pengendara cukup berpengalaman pada task ini 4-6 = Agak berpengalaman 1-3= Kurang berpengalaman

7-10 = Kondisi fisik baik 4-6 = Kondisi fisik sedang 1-3 = Kondisi fisik buruk

PSF RambuRambu Kondisi Lalu Lingkungan Lintas 7-10 = Cukup banyak ramburambu lalu lintas 4-6 = Ramburambu lalu lintas sedikit 1-3 = Ramburambu lalu lintas tidak ada

7-10 = Kondisi lingkungan baik 4-6 = Kondisi lingkungan sedang 1-3 = Kondisi lingkungan buruk

1 2 3 4 5

Kondisi Mental

Perilaku

7-10 = Kondisi mental baik 4-6 = Kondisi mental sedang 1-3 = Kondisi mental buruk

7-10 = Pengendara mempunyai perilaku yang baik 4-6 = Perilaku sedang 1-3 = Perilaku buruk

4 6 4 4 6 5 5 5 2 4 6 2 5 4 6 5 4 2 7 8 7 8 7 6 5 2 6 4 2 4 Dari hasil peratingan tersebut (contoh pada task ketiga), dapat diketahui bahwa kualitas pengalaman pada kecelakaan lalu lintas di Surabaya bernilai 5, artinya kualitas pengalaman pengendara di task tersebut agak berpengalaman. Dari nilai rating dan bobot normalisasi yang telah diketahui, maka nilai SLI di setiap task dapat diketahui pula. Berikut adalah perhitungannya: Task a SLIa = (4 x 0,18546) + (6 x 0,12145) + (4 x 0,06770) + (4 x 0,06770) + (6 x 0,30303) + (5 x 0,25466) = 5,10362 Nilai SLI telah diketahui, sedangkan untuk mengetahui nilai a dan b setidaknya probabilitas error pada 2 task harus diketahui. Nilai probabilitas error dapat diketahui dari data kecelakaan pada task c dan task e, 2 task ini dipilih karena pada task-task ini terdapat kasus kecelakaan yang paling tinggi dibandingkan dengan task-task lain. Pada task c (task 1), jumlah kecelakaan yang terjadi dikarenakan task c tidak dijalankan adalah 1948 kecelakaan dalam 5 tahun. Sedangkan jumlah kecelakaan yang terjadi dikarenakan task e (task 2) tidak dijalankan adalah 2340 kecelakaan dalam 5 tahun. Kemudian untuk perhitungan probabilitas errornya caranya adalah sebagai berikut: Task 1 = Jumlah kecelakaan dalam 5 tahun Jam/hari x hari/minggu x minggu/tahun x tahun = 1948 = 0,04 kejadian/jam dalam 5 tahun 24 x 7 x 52 x 5 (Dalam 25 jam terdapat 1 accident) Kemudian tahapan selanjutnya adalah mencari persamaan untuk menghitung probabilitas error, caranya adalah sebagai berikut: HE1 + HE2 = 1948 + 2340 = 4288, sedangkan nilai SLI maksimal adalah 10, jadi: Task 1 = 1948 x 10 = 4,54 4288 Task 2 = 2340 x 10 = 5,46 4288

ISBN: 978-602-70604-2-5 A-57-6


Untuk mencari konstanta a: Task 1 log (0,96) = 4,54a + b Task 2 log (0,95) = 5,46a + b -0,01773 = 4,54a + b -0,02228 = 5,46a + b 0,92a = -0,00495 a = 0,00495 konstanta b: Subtitusi -0,01773 = 4,54a + b -0,01773 = 4,54 (0,00455) + b b = -0,03839 Jadi persamaannya adalah: log (POS) = 0,00495 SLI –0,03839 Setelah persamaannya diketahui, maka langkah selanjutnya adalah mencari probabilitas human error di setiap task. Caranya adalah dengan memasukkan nilai SLI setiap task ke dalam persamaan diatas. Berikut adalah perhitungannya: Task a log (POS) = 0,00495 (5,07411) – 0,03839 POS = 0,97029 HEPa = 1 – 0,96984 = 0,02971 Tabel berikut ini adalah rekapan perhitungan yang telah dilakukan, yaitu perhitungan SLI, POS, dan HEP. Tabel 3. Rekap Nilai SLI, POS, dan HEP

Task

Deskripsi Task

SLI

POS

HEP

a b c d e

Rencanakan rute dengan baik 5,10362 0,97029 0,02971 Cek kecepatan kendaraan 4,26825 0,96095 0,03905 Menyetir dengan tertib 3,87924 0,95675 0,04325 Memahami rambu-rambu lalu lintas 6,93449 0,99060 0,00940 Menyetir dengan fokus 3,47190 0,95236 0,04764 Dari Tabel 3, dapat dilihat bahwa semakin tinggi nilai SLI, maka semakin tinggi pula nilai POS-nya. Sebaliknya, semakin rendah nilai SLI, maka semakin rendah pula nilai POSnya. Nilai HEP yang tinggi menunjukkan bahwa task tersebut adalah task yang paling banyak menimbulkan error pada kecelakaan lalu lintas di Surabaya. Sedangkan untuk nilai POS, nilai tersebut menggambarkan keberhasilan suatu task. Jika nilai HEP suatu task besar, maka tingkat keberhasilan task tersebut tentunya kecil. Dari perhitungan diatas, dapat dilihat task mana yang mempunyai nilai probabilitas error paling tinggi, yaitu ada pada task e. Hasil tersebut sama dengan data kecelakaan yang menunjukkan task tersebut adalah task yang paling banyak menimbulkan error. Sedangkan task yang mempunyai HEP paling rendah adalah task d. KESIMPULAN DAN SARAN Faktor-faktor yang mempengaruhi timbulnya human error pada kecelakaan lalu lintas di Surabaya adalah faktor pengalaman, kondisi fisik, rambu-rambu lalu lintas, kondisi lingkungan, kondisi mental, dan faktor perilaku. Pengembangan model integrasi SLIM dan ANP dapat mengatasi masalah dependensi antar PSF yang selama ini diabaikan. Pengembangan metode ini juga dapat mengatasi masalah konsistensi dari para expert. Dari

ISBN: 978-602-70604-2-5 A-57-7


skala probabilitas, dapat disimpulkan bahwa HEP dari masing-masing human error berada diatas batas atas (upper bounder) yaitu 0,02; kecuali pada task d. Dalam pemilihan experts, harus benar-benar dipilih experts yang layak, karena sumber penilaian-penilaian dari penelitian ini adalah experts. Untuk penelitian selanjutnya, diharapkan adanya sebuah metode untuk mengidentifikasi human error apa saja yang terjadi pada suatu proses pekerjaan. Penelitian kedepan dapat menggabungkan metode ANP dengan metode fuzzy untuk proses pembobotan PSF, agar dapat mengatasi kesamaran dari bahasa ahli sehingga dapat dihasilkan pembobotan yang lebih valid. Penelitian selanjutnya dapat menemukan metode peratingan PSF agar lebih mudah dalam proses pengambilan datanya. DAFTAR PUSTAKA Ambroggi, M. D., & Trucco, P. (2011). Modelling and Assessment of Dependent Performance Shaping Factors. Reliability Engineering and System Safety, 849-860. Embrey, D. E. (1994). Guidelines for Preventing Human Error in Process Safety. New York: American Institute of Chemical Engineers, Centre for Chemical Process Safety. Embrey, D. E., Humphreys, P., Rosa, E. A., Kirwan, B., & Rea, K. (1984). SLIM-MAUD: An Approach to Assessing Human Error Probabilities Using Structured Expert Judgement. Washington DC: United States Nuclear Regulatory Comission. Heinrich, H. W. (1959). Industrial Accident Prevention. New York: McGraw-Hill Book Company. Hollnagel, E. (1998). Cognitive Reliability and Error Analysis Method - CREAM. Oxford: Elsevier Science. Jung, W. D., Yoon, W., & Kim, J. (2001). Structured Information Analysis for Human Reliain Nuclear Power Plantsbility Analysis of Emergency Tasks. Reliability Engineering System Safety, 21-32. Kirwan, B. (1994). A Guide to Practical Human Reliability Assessment. London: Taylor & Francis. Park, K. S. (2008). A New Method for Estimating Human Error Probabilities: AHP-SLIM. Reliability Engineering and System Safety, 578-587. Reason, J. (1990). Human Error. Cambridge: Cambridge University Press. Saaty, T. L. (2001). Decision Making in Complex Environment-The Analytic Network Process for Decision Making with Dependence and Feedback. USA: RWS Publications. Saaty, T. L., & Whistler, B. (2004). The Analytic Network Process Dependence and Feedback in Decision Making. Canada: MCDM. Simpson, G. C. (1994). Promoting Safety Improvements Via Potential Human Error Audits. The Mining Engineer, 38-42. Zimolong, B. (1992). Empirical Evaluation of THERP, SLIM and ranking to Estimate HEPs. Reliability Engineering and System Safety, 1-11.

ISBN: 978-602-70604-2-5 A-57-8

METODE SLIM-ANP UNTUK PENILAIAN HUMAN RELIABILITY

Recommend Documents