Latar Belakang Teoretis

Pentingnya perencanaan proyek dalam industri konstruksi digambarkan sebagai fondasi suksesnya suatu proyek, baik dari segi capaian waktu, biaya maupun kualitas. Sejak lahirnya metode klasik seperti PERT dan CPM hingga adopsi perangkat lunak manajemen proyek modern, perencanaan masih banyak dilaksanakan secara manual dan bersifat silo antara satu proyek dengan proyek lain. Padahal, kondisi nyata menunjukkan banyak deviasi antara estimasi durasi aktivitas dan realisasinya, akibat faktor-faktor seperti keterbatasan tenaga kerja atau asumsi perencanaan yang tidak realistis. Untuk memahami keterkaitan antara rencana dan realisasi, penulis menekankan perlunya membandingkan data perencanaan dari berbagai proyek. Kendalanya, perbedaan penamaan dan struktur aktivitas membuat komparasi menjadi sulit dan memerlukan digitalisasi dan otomatisasi untuk menciptakan koherensi antar-proyek.

Dalam tinjauan pustaka sistematis, van de Laar menguraikan evolusi manajemen proyek konstruksi sejak penggunaan bagan batang dan WBS hingga sistem BIM dan perangkat lunak canggih masa kini. Meskipun digitalisasi seperti BIM mulai diadopsi di beberapa aspek industri, proses perencanaan proyek masih kurang terotomatisasi dan bergantung pada kerja manual. Sementara itu, perkembangan artificial intelligence (AI) dan machine learning (ML) menawarkan potensi besar: algoritma AI dapat mengidentifikasi pola dalam data perencanaan besar tanpa diperlukan label manual. Penulis menjelaskan konsep pembelajaran mesin terawasi vs tak terawasi, serta peran unsupervised clustering dalam menemukan struktur laten data. Teknik NLP (pemrosesan bahasa alami) juga dibahas sebagai cara menormalkan deskripsi teks aktivitas proyek.

Kerangka teoretis dikembangkan dengan menghubungkan isu perencanaan tradisional yang tidak terstandarisasi dengan kemampuan ML untuk mengelompokkan aktivitas berdasarkan kemiripan. Hipotesis implisitnya adalah dengan memanfaatkan teknik klastering tak terawasi pada data perencanaan historis, kita dapat mengidentifikasi kategori aktivitas yang serupa lintas proyek. Dengan demikian, evaluasi perencanaan menjadi lebih transparan dan dapat dibandingkan. Hipotesis lanjutnya adalah sistem ini dapat menunjang pengambilan keputusan perencana dengan secara otomatis melabeli aktivitas baru ke dalam kategori berisi kategori relevan. Teori ini merujuk pada literatur tentang otomatisasi AEC yang menunjukkan bahwa pendekatan semi-otomatis (bukan otomatis penuh) lebih praktis dalam konteks kompleksitas proyek nyata.

Secara keseluruhan, penulis membangun fondasi teoritis dengan memetakan tren digitalisasi dalam perencanaan konstruksi serta kerangka ML untuk klastering teks. Pembacaan literatur historis (misalnya sejarah CPM, CPM hingga PMBOK) menegaskan perlunya koordinasi terkomputerisasi, sedangkan literatur AI/ML menjelaskan metode tak terawasi yang relevan untuk tugas ini. Fokus pada otomasi evaluasi perencanaan lintas proyek adalah area baru yang mengisi kekosongan dalam riset eksisting, yang umumnya berusaha mengotomasi perencanaan keseluruhan dan sering membutuhkan banyak asumsi manual.

Metodologi dan Kebaruan

Penelitian ini menggunakan pendekatan unsupervised machine learning dikombinasikan dengan teknik pengolahan bahasa alami (NLP) untuk mencapai tujuan yang dirumuskan pada bagian pendahuluan. Metodologi inti mencakup dua tahap utama: klastering kegiatan perencanaan berdasarkan kemiripan deskripsi, dan pelabelan otomatis kegiatan baru ke dalam klaster yang tepat. Langkah awal adalah menyiapkan data perencanaan proyek infrastruktur besar yang sebelumnya dikumpulkan. Data tersebut terdiri dari daftar aktivitas dengan deskripsi teks (dalam bahasa Belanda), durasi terencana, dan informasi lain. Tantangan pertama ialah heterogenitas teks tugas, sehingga dilakukan serangkaian preprocessing: (1) ekstraksi kata kerja dan kata benda; (2) penghapusan tanda baca dan teks dalam kurung; (3) stemming/lemmatization untuk kata; (4) penerjemahan otomatis istilah Belanda ke Inggris; dan (5) penghilangan terminologi spesifik proyek. Kombinasi pra-pemrosesan ini dirancang untuk menyamakan format dan makna aktivitas sehingga lebih mudah dikelompokkan.

Selanjutnya, penulis melakukan analisis multikriteria (Multi Criteria Analysis, MCA) untuk mengevaluasi beberapa algoritma klastering tanpa pengawasan. Empat metode dipertimbangkan: K-Means, DBSCAN, Mean-shift, dan Hierarchical Agglomerative. Berdasarkan kriteria seperti kemudahan parameterisasi, skalabilitas, dan kesiapan implementasi, diperoleh peringkat yang menempatkan DBSCAN dan K-Means sebagai opsi terbaik[15]. DBSCAN menarik karena dapat menemukan bentuk klaster arbitrer, namun bergantung pada penentuan jarak epsilon. K-Means lebih sederhana dengan satu parameter (jumlah klaster K), dan mudah dioptimalkan via skor Silhouette. Uji coba awal pada subset data kecil memperlihatkan bahwa K-Means memberikan hasil yang relatif baik dan lebih terprediksi.

Pada tahap klastering, penulis akhirnya memilih K-Means. Pengoptimalan jumlah klaster K dilakukan dengan memeriksa skor Silhouette pada rentang K yang luas, lalu memilih K=387 yang memaksimalkan skor (0,596). Angka K yang sangat besar menunjukkan bahwa banyak sekali klaster sempit terbentuk, mencerminkan keragaman aktivitas perencanaan. Hasil klastering akhir menghasilkan beberapa ratus klaster, yang sebagian besar cukup homogen berdasarkan teks aktivitas. Penamaan manual klaster (H3) juga dilakukan dengan beberapa pendekatan, salah satunya mengidentifikasi kata dominan dalam masing-masing klaster. Untuk memastikan proses ini bersifat generalisable, kode Python akhir disusun agar klastering bisa diulang pada data baru.

Langkah kedua dalam metodologi adalah pengembangan algoritma pelabelan (H3). Setelah klaster klaster tersedia, sistem harus dapat mengambil aktivitas baru (dari proyek lain) dan menetapkan ke salah satu klaster yang telah dibentuk. Algoritma ini memanfaatkan fitur-fitur NLP (misalnya representasi teks yang sudah dilatihkan) serta kriteria jarak ke pusat klaster K-Means. Dengan demikian, aktivitas baru diprediksi tipe klasternya. Penulis juga membangun fungsi validasi internal (H3) untuk menilai apakah klaster yang terbentuk benar-benar konsisten: misalnya, dengan mengecek jarak rata-rata ke pusat klaster serta penggunaan grafik siluet untuk memeriksa kepadatan klaster.

Dari segi kebaruan (novelty), penelitian ini menonjol dalam dua aspek. Pertama, pendekatan semi-otomatis yang diusulkan, yakni fokus pada evaluasi rencana antar proyek, ketimbang upaya mengotomasi perencanaan penuh. Penulis secara eksplisit memilih strategi semi-automated planning evaluation, menghindari asumsi berlebihan yang dibutuhkan dalam rencana otomatis lengkap. Kedua, perpaduan teknik ML dan NLP yang menyeluruh untuk mengelompokkan aktivitas perencanaan juga menjadi kontribusi baru. Kombinasi prosedur persiapan data, analisis multikriteria, serta pipeline clustering dan labeling yang diotomasi belum banyak diuraikan di literatur konvensional. Sebagai contoh, penggunaan lemmatization dan penerjemahan dalam rangka menyamakan semantik deskripsi, serta penggunaan skor Silhouette dalam skala sangat besar (dengan ratusan klaster), menunjukkan pendekatan praktis yang khas.

Secara metodologis, penelitian merumuskan hipotesis bahwa mesin dapat belajar pola perencanaan dari data historis. Tujuan penelitian dibagi menjadi tiga: (1) klastering—mengenali tipe-tipe aktivitas perencanaan, (2) pelabelan—menugaskan aktivitas baru ke klaster, dan (3) evaluasi—mengukur keefektifan sistem. Setiap langkah ini diuji menggunakan data proyek nyata (contoh validasi perencanaan jalan raya dan pelaksanaan saluran air). Struktur ini menyederhanakan kompleksitas riset: satu proses fokus membangun klaster, lalu dipakai pada proses selanjutnya. Perlu diperhatikan bahwa tesis ini tidak menyajikan hipotesis numerik yang diuji secara formal, melainkan menetapkan research questions spesifik sebagai panduan eksperimen. Meskipun demikian, metode ekstensif dan pengambilan keputusan yang dinyatakan meyakinkan menjadi fondasi karya ini.

Temuan Utama dengan Kontekstualisasi

Hasil penelitian ini menunjukkan beberapa insight kuantitatif dan kualitatif mengenai penggunaan ML dalam evaluasi perencanaan konstruksi. Secara kuantitatif, performa klastering K-Means dengan konfigurasi akhir menghasilkan skor Silhouette sebesar 0,596 (pada K=387 klaster). Nilai ini secara statistik dianggap "cukup" (umumnya skor >0,5 dianggap baik), namun penulis mengakui bahwa hasilnya tidak sempurna. Beberapa klaster memiliki kesamaan internal rendah, di antaranya terdapat satu klaster “tumpukan” (dump cluster) yang menampung aktivitas residual dengan pola yang kurang jelas. Dengan kata lain, algoritma menemukan keteraturan umum tetapi tidak bisa menjelaskan 100% variasi aktivitas. Sebagai langkah kontekstualisasi, penulis mengaitkan temuan ini dengan risiko algoritma tak terawasi: overfitting (dengan K besar) menyebabkan klaster-klaster terlalu sempit, sementara underfitting (K kecil) akan membaurkan aktivitas tak sejenis. Hasil akhirnya moderat, menempatkan penelitian ini di tengah literatur yang menyatakan bahwa klastering teks perencanaan adalah masalah kompleks tanpa satu solusi mudah.

Rinciannya, setelah uji multikriteria, pilihan jatuh pada K-Means karena kemudahannya dan pemilihan parameter yang terbatas. Untuk data uji kecil, K-Means menunjukkan kinerja baik, hanya memerlukan optimisasi jumlah klaster melalui visualisasi kurva Silhouette. Namun, ketika skala data diperbesar, kompleksitas meningkat pesat. Skrip memeriksa K dari 2 hingga ratusan, dan hasil akhirnya memilih K=387. Hal ini berarti hampir setiap 2-3 aktivitas membentuk satu klaster rata-rata. Kontribusi temuan ini diposisikan terhadap literatur yang menegaskan penggunaan K-Means di domain lain; penulis menunjukkan bahwa dalam kasus perencanaan konstruksi, bahkan K-Means perlu disesuaikan ekstensif (dengan preprocessing ketat) untuk memberikan insight bermakna.

Penerapan algoritma pelabelan baru juga ditelaah. Penulis melaporkan bahwa algoritma ini secara umum mampu mengklasifikasi aktivitas baru ke klaster yang sesuai, asalkan data uji memiliki kesamaan semantik dengan data latih. Namun pada tahap validasi (menggunakan kasus perencanaan jalan tol dan proyek saluran air), ditemukan bahwa akurasi pelabelan masih kurang memuaskan. Sebagian besar kesalahan terjadi pada klaster dengan similitude rendah — kembali mempertegas bahwa klaster yang terbentuk kurang jelas pola batinnya. Temuan ini kontekstual terhadap literatur ML yang mengingatkan bahwa model tak terawasi tidak memiliki umpan balik ground-truth; konsistensi klaster sepenuhnya ditentukan oleh struktur data dan pra-proses yang sudah dilakukan. Penulis mencatat bahwa jika sebagian aktivitas tidak sesuai kategori baku, sistem tidak dapat “menebaknya” dengan tepat. Dengan demikian, makalah ini menambahkan bukti empiris bahwa meski unsupervised clustering menawarkan potensi, efektivitasnya tergantung pada kualitas pra-pemrosesan dan keluasan data.

Dalam perspektif kontribusi ke literatur eksisting, hasil kuantitatif dan kualitatif ini memberikan arah baru. Secara kuantitatif, skor peningkatan efisiensi diukur dalam konteks menghemat waktu analisis perencanaan — misalnya penulis menyatakan bahwa penggunaan ML dapat mempercepat evaluasi lintas proyek secara sistematis dibanding pemeriksaan manual. Meskipun tidak disebutkan angka konkret seperti “peningkatan efisiensi 43%” (karena fokus penelitian ini bukan pada metrik produktivitas langsung), data eksperimen menunjukkan bahwa fungsi otomasinya dapat menyoroti pola keterlambatan yang tidak tampak sebelumnya (misalnya keterlambatan berulang pada kategori pekerjaan tertentu). Ini mengisi gap literatur yang masih jarang memberikan studi kasus nyata di lapangan mengenai ML untuk evaluasi jadwal. Secara kualitatif, penelitian ini mengonfirmasi bahwa mengelompokkan aktivitas dengan ML bisa menyederhanakan problem evaluasi perencanaan menjadi masalah kategorisasi — temuan ini penting bagi peneliti lain yang mungkin memanfaatkan teknik serupa untuk bagian lain dari manajemen proyek.

Lebih jauh, penulis menempatkan hasilnya dalam konteks paradigma digitalisasi. Ia menyoroti bahwa metode yang dikembangkan merupakan titik awal untuk otomatisasi parsial di AEC: memfasilitasi perbandingan lintas jadwal proyek demi mendeteksi potensi risiko (misalnya cluster aktivitas “Instalasi deck KKWeg” yang menunjukkan rata-rata keterlambatan 100% dalam satu proyek vs 67% dalam proyek lain, nilai ini sekadar ilustrasi dari data panjang pada berkas tesis). Dengan mengkaitkan temuan ini dengan tren riset terbaru, ulasan ini menegaskan bahwa studi van de Laar memperluas literatur tentang implementasi AI di manajemen proyek (yang selama ini lebih fokus ke bangunan cerdas atau konstruksi otonom) ke bidang evaluasi jadwal secara kuantitatif. Dalam jurnal ilmiah bereputasi, temuan semacam ini memberikan nilai tambah berupa kasus penggunaan nyata AI di infrastruktur, memperkaya pengetahuan praktisi dan peneliti.

Keterbatasan dan Refleksi Kritis

Penelitian ini juga mengakui sejumlah keterbatasan metodologis yang penting. Pertama, penggunaan klastering tak terawasi tanpa ground truth memunculkan subjektivitas tersendiri. Walaupun skor Silhouette memberikan metrik pemilihan parameter, ia tidak menjamin klaster secara semantik bermakna. Dalam hasilnya, skor 0,596 disimpulkan “cukup”, namun angka ini masih memungkinkan klaster-klaster tumpang tindih. Kebutuhan untuk membuat “klaster pembuangan” menunjukkan adanya aktivitas yang tidak sesuai pola mana pun. Sebagai kritik, peneliti lain mungkin berargumen bahwa pendekatan semi-supervised, dengan memberikan beberapa label awal, bisa meningkatkan kohesi klaster. Terlebih, siluet adalah pengukuran internal yang tidak mempertimbangkan validitas eksternal (apakah klaster benar relevan bagi pengguna), sehingga keandalannya dalam domain ini patut dipertanyakan.

Kedua, choice algoritma K-Means, walaupun dipilih dengan alasan kesederhanaan, juga memiliki kekurangan yang diakui: algoritma ini mengasumsikan klaster berbentuk bola dan hampir sama ukurannya. Data teks rencana proyek kemungkinan tidak memenuhi asumsi ini. Penulis sempat mempertimbangkan DBSCAN, namun mengesampingkannya karena kesulitan menyesuaikan eps. Kritik metodologis bisa menyarankan penggunaan metode klastering alternatif atau ensemble, misalnya Hierarchical Agglomerative atau model berbasis graf, untuk mengatasi bentuk klaster tak teratur. Dalam catatan penutup, penulis sendiri menyarankan eksplorasi algoritma lain untuk meningkatkan Silhouette score. Hal ini mengindikasikan area ke depan bahwa hasil tesis ini sebaiknya tidak dijadikan satu-satunya acuan teknis.

Ketiga, proses pra-pemrosesan data menimbulkan asumsi. Langkah seperti penerjemahan otomatis dari bahasa Belanda ke Inggris atau penghilangan istilah spesifik proyek bisa membuang informasi kontekstual penting. Misalnya, dua proyek infrastruktur berbeda mungkin menggunakan istilah berbeda untuk pekerjaan serupa; penerjemahan mungkin tidak menangkap sinonim lokal. Penggunaan lemmatization juga dapat mengubah makna (misalnya “menanam tiang” vs “menanam pipa” bisa saja memiliki lemmata serupa tetapi konteks berbeda). Oleh karena itu, ada risiko bias atau kehilangan nuansa dalam data yang harus diwaspadai. Kritik membangun untuk penelitian selanjutnya adalah melakukan analisis sensitivitas: sejauh mana hasil klastering tetap valid jika proses NLP diubah?

Keempat, terkait reliabilitas statistik, penelitian ini hanya mengukur ukuran internal (Silhouette) dan beberapa uji kasus validasi. Tidak ada metrik eksternal seperti akurasi pelabelan terhadap penilaian manusia atau evaluasi performa prediksi keterlambatan. Hal ini wajar untuk tesis, tetapi makalah ini dapat dikritik karena tidak menghadirkan metrik kinerja eksplisit seperti presisi, recall, atau F1 untuk algoritma pelabelan. Tanpa ini, sulit menilai secara kuantitatif seberapa baik model memetakan aktivitas baru. Implikasi praktisnya, pengguna industri tidak dapat langsung memahami keandalan sistem.

Sebagai kritik akhir, penelitian ini berfokus pada teks deskripsi aktivitas dan hampir mengabaikan aspek numerik (misalnya durasi atau sumber daya). Pendekatan ini berdampak pada evaluasi hasil: klaster dibangun semata-mata dari teks, sedangkan kenyataannya aktivitas dengan nama sama bisa memiliki karakteristik berbeda (misalnya perbedaan penting dalam durasi atau biaya). Satu kemungkinan perbaikan adalah memasukkan fitur terukur ke dalam klastering (membuat klaster multivariat), atau membandingkan rata-rata durasi aktual antar-klaster. Pendekatan semacam itu tidak dibahas, dan mungkin memang di luar scope, tetapi ke depannya bisa menjadi saran perbaikan metodologi.

Implikasi Ilmiah di Masa Depan

Penelitian ini memiliki implikasi jangka panjang untuk digitalisasi dan AI dalam industri konstruksi. Pertama, hasilnya memvalidasi gagasan bahwa algoritma ML dapat membantu tahap analisis dalam manajemen proyek, khususnya merampingkan evaluasi perencanaan. Ini akan mendorong tren penelitian di mana data historis proyek digunakan sebagai basis pembelajaran—sering diasosiasikan dengan konsep data-driven construction management. Kedua, kesalahan dan keterbatasan yang ditemui menjadi pelajaran berharga: di masa depan, lebih banyak riset dapat mengeksplorasi teknik hibrida (misalnya active learning atau umpan balik ahli) untuk memperbaiki klastering tak terawasi. Hal ini relevan karena industri AEC cenderung lambat berinovasi, sehingga metode yang melibatkan campur tangan manusia secara minimal akan lebih mudah diadopsi.

Lebih luas lagi, temuan mengkontribusi wacana tentang teknik NLP dalam konstruksi. Studi ini menunjukkan bahwa memanfaatkan NLP untuk menormalkan deskripsi proyek merupakan pendekatan yang layak, namun juga menggarisbawahi perlunya leksikon domain-spesifik. Para peneliti di masa depan dapat menggunakan hasil ini sebagai baseline untuk mengembangkan ontologi proyek konstruksi yang kaya, sehingga meminimalisasi penerjemahan otomatis yang kasar. Dalam konteks AI, skripsi ini juga memperlihatkan bahwa penerapan AI di AEC masih berada pada tahap pemetaan pola dasar, bukan prediksi lanjutan. Oleh karena itu, implikasi bagi komunitas riset adalah mendorong pengembangan model prediktif yang memanfaatkan klaster ini, misalnya memprediksi risiko keterlambatan berdasarkan tipe aktivitas.

Relevansi untuk perkembangan digitalisasi lebih lanjut terutama terletak pada penekanan penulis bahwa pendekatan semi-otomatis adalah jembatan menuju otomasi penuh. Industri dapat memanfaatkan hasil penelitian ini dengan mengintegrasikan modul klastering ke dalam software manajemen proyek yang ada. Dengan begitu, perencana proyek masa depan dapat secara otomatis membandingkan rencana baru dengan portofolio proyek sebelumnya, menerima warning awal jika banyak aktivitas jatuh dalam klaster “berisiko tinggi” atau melampaui durasi normal. Hal ini sejalan dengan gerakan digital twin dalam konstruksi, di mana rencana dan data proyek riil disinergikan.

Akhirnya, bidang AI umumnya dapat melihat penelitian ini sebagai studi kasus penting: meski AI canggih (machine learning) sangat potensial, penerapannya harus kontekstual dan dibatasi kesadaran terhadap data. Rekomendasi implikasi ilmiah mencakup perlunya penelitian interdisipliner: kolaborasi antara ahli konstruksi dan ilmuwan data guna menyempurnakan definisi fitur dan klaster yang bermakna. Van de Laar sendiri menunjukkan bahwa penelitian selanjutnya dapat mengeksplorasi algoritma non-unsupervised, atau memungkinkan algoritma “belajar” dari iterasi klastering sebelumnya. Ini membuka jalan untuk model AI adaptif, misalnya deep learning yang memanfaatkan embedding teks untuk kategori aktivitas. Ke depan, integrasi AI dalam perencanaan konstruksi berpotensi menghasilkan sistem saran (recommendation systems) yang lebih cerdas, yang tidak hanya mengelompokkan, tetapi juga memberikan prediksi durasi atau rekomendasi alokasi sumber daya berdasarkan sejarah proyek sejenis.

📚 Daftar Pustaka:

Laar, B.J. van de (2023). A Machine Learning Approach to Effective Evaluation of Project Planning Across Construction Projects. Master Thesis, Eindhoven University of Technology. https://research.tue.nl/en/studentTheses/43a09417-4121-4e3c-98c1-9db6f6578b3b

Latar Belakang Teoretis

Artikel ini berdasar pada teori pendidikan teknik sipil yang menekankan pentingnya keterampilan pemecahan masalah (problem-solving) dalam keberhasilan proyek dan karir profesional. Banyak studi terdahulu menunjukkan bahwa pembelajaran berbasis masalah (problem-based learning/PBL) dan simulasi berbantuan peran (role-playing) dapat meningkatkan kemampuan analitis dan kritis mahasiswa (parafrase). Peneliti menggarisbawahi bahwa dalam pendidikan teknik sipil dan manajemen konstruksi, kursus capstone BIM (Building Information Modeling) dapat mengintegrasikan teknologi dan praktik industri sehingga mahasiswa mendapatkan pengalaman memecahkan masalah nyata (Forsythe et al. 2013; Sacks dan Barak, 2010). Namun, literatur menunjukkan masih kurangnya pedoman sistematis untuk melatih keterampilan ini dalam lingkungan pembelajaran kaya teknologi (information-rich environments). Oleh karena itu penulis merumuskan hipotesis bahwa penerapan panduan Perencanaan Eksekusi Proyek (Project Execution Planning – PEP) dengan metode role-playing terstruktur dalam kursus BIM capstone akan meningkatkan kemampuan pemecahan masalah mahasiswa. Framework teoretis artikel ini menggabungkan konsep PBL, peran-permainan tim, dan pedoman PEP-BIM sebagai landasan pedagogi baru yang terstruktur.

Metodologi dan Kebaruan

Metode penelitian adalah teaching–learning experiment dalam konteks kursus capstone BIM selama sembilan minggu di Chang’an University, China. Sebanyak 82 mahasiswa program teknik sipil/manajemen konstruksi tingkat akhir dibagi ke dalam 21 tim proyek. Masing-masing tim menjalankan proyek bangunan nyata (gedung paud) sambil berperan sebagai insinyur BIM, koordinator, supervisor, dan teknisi sesuai panduan BIM PEPG (Building Information Modeling Project Execution Planning Guide). Instruktur berperan sebagai manajer proyek yang memfasilitasi kegiatan mingguan dan merancang langkah-langkah pembelajaran. Hal baru (novelty) dalam penelitian ini adalah integrasi peran-permainan terstruktur dan prosedur BIM PEP ke dalam kurikulum, sehingga setiap mahasiswa memilih peran spesifik dan bertanggung jawab dalam perencanaan proyek.

Pengumpulan data menggunakan pendekatan kuantitatif dan kualitatif. Tiga instrumen utama digunakan: (1) kuesioner self-report berisi pertanyaan skala Likert untuk menilai persepsi mahasiswa tentang keterampilan pemecahan masalah dan pengetahuan role-playing/PEP (Tabel II); (2) evaluasi sejawat (peer evaluation) formatif untuk menilai keterlibatan tiap anggota tim (Tabel III); dan (3) penilaian manual oleh instruktur dan pakar industri atas deliverable proyek serta presentasi (Tabel IV dan V). Selain itu, terapan analisis data meliputi pemodelan persamaan struktural (SEM) untuk mengevaluasi hubungan antar variabel laten (keterampilan RP dan PEP) dengan skor kompetensi pemecahan masalah (ITRE search score). Aspek kualitatif diperoleh dari komentar siswa anonim dan observasi pengajar. Pendekatan metodologis ini dirancang untuk menstimulasi komunikasi dalam tim, perencanaan proyek, dan pembelajaran aktif berbasis proyek nyata. Dengan demikian, studi ini menyuguhkan panduan operasional detail bagi pendidik untuk menerapkan PEP-BIM dalam pembelajaran, menjawab kebutuhan penelitian yang menginginkan struktur role-playing dalam lingkungan kaya teknologi.

Temuan Utama dengan Kontekstualisasi

Hasil penelitian menunjukkan adanya peningkatan signifikan pada keterampilan pemecahan masalah mahasiswa. Secara kualitatif, komentar anonim mahasiswa menegaskan bahwa pengalaman role-playing dan penggunaan BIM PEP membuat mereka lebih memahami lingkup pekerjaan dan tanggung jawab masing-masing, sehingga kemampuan menyelesaikan masalah meningkat dibandingkan awal semester. Misalnya, siswa melaporkan kemajuan dalam keterampilan metakognitif (RP1) dan kepemimpinan (RP4) sebagai hasil kegiatan peran. Demikian pula, umpan balik instruktur mencatat sikap belajar positif mahasiswa dan kemampuan mereka menerapkan panduan perencanaan untuk memecahkan isu teknis.

Secara kuantitatif, analisis korelasi dari data SEM mendukung temuan tersebut. Tabel hasil analisis (Bagian 4.3) mengindikasikan korelasi positif yang signifikan antara skor pengetahuan dan keterampilan role-playing (RP) dengan skor pemecahan masalah (ITRE search). Misalnya, total skor ITRE search berkorelasi sebesar 0,61 dengan kemampuan role-playing dan 0,40 dengan kemampuan perencanaan proyek (p<0,05), menunjukkan hubungan erat antara peran yang dimainkan dan efektivitas pemecahan masalah. Demikian pula, skor spesifik keterampilan RP dan PEP berkorelasi 0,52 dan 0,33 dengan skor pemecahan masalah. Selain itu, analisis korelasi lebih rinci (Tabel VIII) memperlihatkan bahwa setiap aspek observabel RP (metakognitif, profesional, kognitif, kepemimpinan) berkaitan signifikan (p<0,05) dengan skor jawaban soal uraian pemecahan masalah, sedangkan aspek PEP menunjukkan korelasi lebih rendah (~0,21). Pola ini mengindikasikan bahwa siswa yang aktif dalam peran tim memperoleh performa lebih baik dalam tugas problem-solving.

Temuan ini selaras dengan penelitian sebelumnya yang menekankan efektivitas pembelajaran berbasis proyek dan role-play dalam pendidikan teknik sipil. Dengan menyediakan struktur perencanaan eksekusi proyek dan pengalaman dunia nyata, studi ini memperkuat pemahaman teoretis bahwa konteks pembelajaran praktikal mendorong penguasaan konsep. Secara praktis, pedoman BIM PEP terbukti meningkatkan kesadaran mahasiswa tentang pentingnya perencanaan, komunikasi, dan kerja sama tim untuk pemecahan masalah. Penelitian ini mengonfirmasi bahwa integrasi BIM dan proses perencanaan dalam kurikulum dapat menutup kesenjangan antara teori dan praktik industri konstruksi modern.

Keterbatasan dan Refleksi Kritis

Walaupun menjanjikan, penelitian ini memiliki beberapa keterbatasan metodologis. Pertama, sampel penelitian terbatas pada mahasiswa tingkat akhir dari satu universitas di China, sehingga generalisasi hasil ke konteks lain masih terbatas. Tidak ada kelompok kontrol untuk membandingkan pengaruh intervensi, sehingga efek kausal dari penggunaan BIM PEP sulit dibuktikan secara mutlak. Kedua, sebagian besar data bersumber dari laporan diri siswa dan pengamatan subjektif, yang rentan bias motivasi atau “halo effect” instruktor. Meskipun digunakan instrumen semacam kuesioner dan skala evaluasi, tidak terdapat pengukuran pra-dan-pasca (pre-test/post-test) yang eksplisit untuk mengkuantifikasi peningkatan kinerja.

Dari sisi analisis statistik, penulis menekankan korelasi signifikan namun tidak melaporkan ukuran efek atau uji statistik lain untuk memvalidasi temuan peningkatan. Hasil SEM dan koefisien korelasi memang signifikan (p<0,05) namun kurang jelas implikasi praktisnya. Karena desain eksperimental tidak menyeimbangkan faktor lain (misalnya motivasi individu atau tingkat dasar BIM), sulit memastikan bahwa perbedaan kinerja semata-mata disebabkan oleh metode yang diujikan. Selain itu, interval waktu sembilan minggu relatif pendek; dampak jangka panjang pada penguasaan kompetensi belum diuji. Secara keseluruhan, meski inovatif secara pedagogi, penelitian ini memerlukan pengukuran yang lebih objektif dan desain yang lebih kuat (misalnya eksperimen random dengan kelompok kontrol) untuk menegaskan validitas kesimpulannya.

Implikasi Ilmiah di Masa Depan

Studi ini menyiratkan sejumlah implikasi penting bagi penelitian dan praktik pendidikan teknik sipil berikutnya. Pertama, model pedagogis yang mengintegrasikan BIM PEP dan role-playing dapat diuji ulang pada populasi yang lebih luas atau berbeda, misalnya mahasiswa dengan latar belakang motivasi/tingkat kemampuan yang berbeda, atau dalam mata kuliah lain (seperti desain struktur atau manajemen proyek lanjutan). Kedua, metodologi campuran perlu dikembangkan dengan fokus pada pengukuran kinerja objektif, misalnya tugas pemecahan masalah terstandardisasi atau penilaian kinerja proyek sebelum dan sesudah intervensi.

Secara ilmiah, hasil ini mendorong penelitian lebih lanjut terhadap mekanisme spesifik yang membuat role-playing efektif—apakah karena peningkatan komunikasi, tanggung jawab bersama, atau aspek motivasionalnya. Penerapan SEM dalam konteks serupa juga bisa diperluas untuk mengeksplorasi variabel-variabel mediasi lain, seperti keterampilan kolaborasi atau motivasi intrinsik mahasiswa. Dalam ranah praktis, penelitian ini relevan dengan tren global dalam pendidikan CECM yang semakin berfokus pada building information modeling dan pembelajaran berbasis proyek. Di masa depan, integrasi inovasi seperti ini dapat membantu mencetak insinyur sipil/manajer konstruksi yang lebih siap menghadapi tuntutan industri yang kompleks dan terhubung teknologi.

Secara keseluruhan, meskipun terobosan pendidikan ini masih memerlukan evaluasi lebih lanjut, studi Zhang, Xie, dan Li (2019) menunjukkan bahwa perencanaan eksekusi proyek berbasis BIM dalam setting kelas memang berpotensi tinggi untuk memperkuat keterampilan pemecahan masalah mahasiswa, dan oleh karena itu sesuai dengan kebutuhan pendidikan teknik sipil modern.

Latar Belakang Teoretis

Kecelakaan kerja didefinisikan dalam literatur sebagai peristiwa tak terduga yang menimbulkan kerugian fisik atau materiil akibat interaksi kompleks berbagai faktor manusia, peralatan, metode, dan lingkungan kerja. H.W. Heinrich dalam Teori Domino (1931) mengemukakan lima faktor berantai (kondisi kerja tidak aman, kelalaian manusia, tindakan tidak aman, kejadian kecelakaan, dan cedera), menegaskan bahwa kecelakaan jarang terjadi tiba-tiba tanpa pancingan faktor-faktor sebelumnya. Bird & Loftus (1969) menambah kerangka ini dengan membagi penyebab menjadi tiga kategori (manajemen kurang terkendali, penyebab dasar, dan penyebab langsung). Pada konteks praktikum perguruan tinggi, teori ini menyiratkan bahwa pengabaian prosedur K3 dan lemahnya pengendalian keselamatan (unsafe action dan unsafe condition) merupakan tanda peringatan sebelum kecelakaan serius terjadi. Pendekatan Swiss Cheese juga menekankan pentingnya mengidentifikasi penyebab laten dan langsung kecelakaan.

Dalam konteks pendidikan tinggi, laboratorium dan bengkel kampus juga memuat potensi bahaya signifikan. Meski sering dianggap berisiko rendah dibanding industri besar, data menunjukkan tren kecelakaan kerja yang tinggi di Indonesia: misalnya, BPJS Ketenagakerjaan melaporkan lebih dari 100 ribu kasus setiap tahun antara 2015–2019. Di dunia pendidikan, survei awal di Universitas Negeri Jakarta (UNJ) menemukan 48% mahasiswa pernah mengalami kecelakaan saat praktikum laboratorium. Distribusi kejadian tertinggi terjadi di workshop plumbing (54,1%), kemudian bengkel kayu (46,8%), laboratorium batu 33%, laboratorium uji bahan 22%, dan laboratorium mekanika tanah 28,4%. Klasifikasi kecelakaan ringan (tergores, terpeleset) hingga sedang (terjepit, luka bakar) juga tercatat. Temuan empiris ini menegaskan bahwa lingkungan lab kampus tidak lepas dari risiko keselamatan kerja. Secara teoritis, faktor utama penyebab kecelakaan dinyatakan terdiri dari faktor tindakan tidak aman (unsafe action) dan faktor kondisi tidak aman (unsafe condition), selaras dengan temuan Bird yang menempatkan setiap satu kejadian fatal didahului banyak insiden ringan dan sumber bahaya. Dengan demikian, artikel ini menempatkan teori-teori keselamatan kerja (Heinrich, Bird, Swiss Cheese) sebagai landasan konseptual, lalu memfokuskan pada konteks praktikum di perguruan tinggi.

Metodologi dan Kebaruan

Penelitian ini mengadopsi metode studi literatur untuk menganalisis penyebab kecelakaan kerja pada praktikum perguruan tinggi. Penulis mengumpulkan dan menganalisis dokumen, artikel, dan publikasi yang relevan dengan topik. Pendekatan ini memungkinkan kompilasi komprehensif atas faktor-faktor risiko, namun tidak diuraikan kriteria pemilihan sumber secara sistematis. Dengan demikian, analisis bersifat naratif dan deskriptif, tanpa uji hipotesis statistik. Keunggulan metodologisnya adalah integrasi temuan dari berbagai riset terkini ke dalam satu kerangka yang ditargetkan untuk lingkungan laboratorium pendidikan. Kebaruan kajian ini terletak pada fokusnya yang spesifik pada praktikum pendidikan tinggi, berbeda dari sebagian besar literatur K3 yang dominan pada industri manufaktur atau konstruksi. Article ini mencoba menjembatani kesenjangan literatur dengan memetakan risiko di laboratorium akademis, yang sering diabaikan dalam diskursus keselamatan kerja umum. Dengan mengkontekstualkan teori keselamatan umum ke ranah pendidikan vokasional, studi ini memberi kontribusi baru dalam menyoroti perlunya adaptasi prinsip K3 dalam desain kurikulum dan fasilitas kampus.

Temuan Utama dengan Kontekstualisasi

Studi literatur ini menyimpulkan bahwa tindakan tidak aman (unsafe action) oleh mahasiswa merupakan faktor penyebab kecelakaan praktikum yang paling dominan. Jenis perilaku tak aman ini termasuk penggunaan alat pelindung diri (APD) yang tidak tepat dan kelalaian saat bekerja. Cahyaningrum dkk. (2019) mencatat penggunaan APD yang tidak benar sebagai penyumbang utama insiden praktikum. Demikian pula, Priadi dkk. (2018) menemukan bahwa di bengkel kayu mahasiswa kerap kurang fokus dan ceroboh mengoperasikan mesin (unsafe action), yang berakibat luka berat pada jari. Hasil analisis menyatakan bahwa perilaku semacam ini berasal dari kurangnya kesadaran risiko dan ketidakpatuhan terhadap prosedur keselamatan. Kajian ini menekankan bahwa teori Bird & Loftus dan Heinrich sejalan dengan temuan ini; Bird & Loftus menyatakan bahwa kondisi kerja dibawah standar K3 dan tindakan kerja yang melanggar SOP adalah pemicu kecelakaan. Dengan kata lain, peningkatan pelatihan K3 dan penegakan disiplin prosedural pada level mahasiswa sangat krusial untuk mitigasi faktor ini.

Selain itu, kondisi kerja tidak aman (unsafe condition) di laboratorium juga menjadi faktor penting kedua. Faktor lingkungan yang tak memenuhi standar K3 meliputi: peralatan laboratorium rusak atau tidak terpelihara, instalasi listrik yang sembarangan, ventilasi tidak memadai, hingga sarana keselamatan seperti pengeras sinar atau pemadam api yang kurang tersedia. Nayiroh dan Kusairi (2019) mengidentifikasi hambatan K3 di lab fisika, seperti alat rusak berkepanjangan, kelistrikan tidak standar, dan ventilasi buruk. Hal ini mendukung pandangan bahwa faktor lingkungan sekitar kerja berkontribusi meningkatkan risiko kecelakaan. Penelitian Sumangingrum (2017) juga menemukan hubungan yang kuat antara tingkat pengetahuan mahasiswa dan kecenderungan melakukan tindakan tidak aman; artinya, lingkungan pendidikan yang kekurangan pendidikan keselamatan akan memperparah efek faktor tak aman. Keseluruhan temuan ini menggambarkan bahwa gabungan faktor individu (unsafe action) dan faktor sistem (unsafe condition) menjadi kunci dalam kejadian kecelakaan praktikum.

Data kuantitatif pendukung yang disajikan juga memberikan konfirmasi penting. Misalnya, survei Permana et al. (2020) menyebutkan 48% mahasiswa pernah mengalami kecelakaan praktikum. Insiden terbanyak terjadi di kegiatan praktikum plumbing (54,1%), diikuti workshop kayu (46,8%) dan laboratorium lainnya. Temuan kuantitatif ini menguatkan urgensi literatur: tingkat kecelakaan yang tinggi mengindikasikan banyak near-miss yang belum tertangani, sebagaimana piramida Bird (1 fatal : 10 serius : 30 ringan : 600 nyaris celaka : 10.000 potensi bahaya). Dengan menganalisis data ini, artikel menempatkan perilaku tak aman sebagai kontributor utama, dan kondisi kerja berbahaya sebagai faktor sekunder. Kontribusi baru terhadap pengetahuan adalah penekanan bahwa, dalam ranah pendidikan teknik, belum banyak kajian sistematis mengungkap hubungan antara budaya K3 kampus dengan tingkat kecelakaan praktikum. Dengan merangkum berbagai studi sebelumnya dalam satu sintesis, kajian ini memperkaya literatur dengan konteks yang lebih relevan bagi pengelola praktikum di kampus, sekaligus menegaskan bahwa pencegahan K3 perlu diintegrasikan sejak tahap perencanaan laboratorium pendidikan.

Keterbatasan dan Refleksi Kritis

• Keterbatasan data primer: Penelitian ini murni berbasis telaah pustaka tanpa pengumpulan data lapangan baru. Hal ini membatasi validitas ekstensifnya, karena tidak ada verifikasi empiris jumlah atau jenis kecelakaan yang terjadi di lapangan. Tanpa survei atau wawancara, afirmasi tentang faktor dominan bersifat inferensial dari studi lain.
• Seleksi sumber tidak dijabarkan: Tidak terdapat metode sistematis (misalnya protokol PRISMA) untuk pemilihan dan evaluasi artikel. Risiko bias literatur cukup besar jika kriteria inklusi-eksklusi tidak disebutkan. Sebagai contoh, tidak jelas apakah sumber telah diperbarui setelah 2019 atau mencakup studi internasional terbaru.
• Analisis kualitatif tanpa signifikansi statistik: Kajian ini tidak melibatkan analisis statistik atau model kuantitatif untuk mengukur kekuatan korelasi antar variabel. Oleh karena itu, klaim tentang seberapa besar masing-masing faktor berkontribusi pada kecelakaan bersifat deskriptif. Tidak dilakukan pengujian hipotesis seperti uji regresi atau uji-t sehingga signifikansi perbedaan faktor tidak diverifikasi.
• Kerangka teori kurang diintegrasikan: Meskipun teori Domino, Bird, dan Swiss Cheese disebutkan, studi ini tidak menguji teori mana yang paling cocok untuk konteks praktikum pendidikan. Pilihan menggunakan teori-teori klasik ditampilkan sekadar sebagai latar, tanpa analisis kritis apakah skema tersebut valid di laboratorium akademis modern. Misalnya, peran manajemen dalam teori Bird tidak diulas mendalam mengenai bagaimana kebijakan kampus mempengaruhi insiden praktikum.
• Keterbatasan cakupan konteks: Hasil kajian ini terutama berbasis literatur lokal (Indonesia) dan fokus pada lingkungan Universitas Negeri Jakarta. Hasilnya mungkin tidak mudah digeneralisasi ke institusi lain dengan perbedaan kurikulum atau budaya keselamatan yang berbeda. Di samping itu, dinamika teknologi laboratorium mutakhir (misalnya penggunaan otomasi atau laboratorium virtual) tidak dipertimbangkan.

Implikasi Ilmiah di Masa Depan

Temuan kajian ini menunjukkan bahwa integrasi K3 dalam pendidikan teknik merupakan kebutuhan mendesak. Secara ilmiah, riset selanjutnya sebaiknya melengkapi kajian ini dengan data kuantitatif empiris: misalnya, survei kohort mahasiswa, audit keamanan laboratorium, atau studi kasus kecelakaan riil di perguruan tinggi. Pengembangan instrumen evaluasi risiko praktikum yang berbasis data lapangan juga dapat memvalidasi faktor dominan yang diidentifikasi. Secara kurikuler, implikasinya adalah perluasan materi keselamatan kerja dalam silabus mata kuliah praktikum, serta pelatihan rutin bagi dosen dan asisten lab.

Dalam perkembangan terkini, bidang keselamatan kerja mengarah pada pendekatan Safety-II yang fokus pada peningkatan kemampuan adaptasi pekerja terhadap situasi berisiko. Dalam konteks pendidikan teknik, ini berarti mahasiswa tidak hanya diberi peringatan tentang bahaya, tetapi juga dilibatkan aktif dalam identifikasi dan mitigasi risiko praktikum. Paradigma baru lain, seperti penggunaan virtual reality (VR) untuk pelatihan K3, patut dikaji sebagai inovasi pengurangan risiko tanpa ekspos langsung kepada bahaya nyata. Selanjutnya, kolaborasi lintas disiplin (misalnya antara pendidik teknik dan ahli keselamatan industri) perlu diperkuat untuk merumuskan kebijakan K3 kampus.

Secara global, temuan penting kajian ini relevan dengan tren peningkatan budaya keselamatan kerja serta tujuan Pembangunan Berkelanjutan (SDG) tentang pekerjaan layak (SDG 8). Dengan menumbuhkan budaya K3 di lingkungan akademis sejak dini, institusi pendidikan teknik dapat berkontribusi menghasilkan lulusan yang sadar risiko dan memiliki kecakapan menerapkan protokol keselamatan di tempat kerja profesional nanti. Oleh karena itu, penelitian ini menggarisbawahi bahwa peningkatan keselamatan praktikum tidak hanya perlu sebagai kebijakan administratif, tetapi sebagai bagian tak terpisahkan dari pendidikan teknik modern.

Referensi:
Febriyani, Tuti Iriani, M. Agphin Ramadhan. (2020). Faktor-Faktor Penyebab Kecelakaan Kerja pada Pembelajaran Praktik di Lingkungan Pendidikan Tinggi. Prosiding Seminar Pendidikan Kejuruan dan Teknik Sipil (SPKTS), Fakultas Teknik Universitas Negeri Jakarta.

Latar Belakang Teoretis

Priyono dan Siswadi (2020) memulai artikel dengan menekankan bahwa tanah longsor adalah fenomena pergeseran massa material lereng yang dipicu berbagai faktor geologi dan hidrologi. Mereka mengutip konsep Suryolelono (2002) bahwa longsor merupakan cara alam mencari keseimbangan baru akibat gangguan, serta mekanisme slide pada lapisan kedap air (Hardiyatmo, 2006). Kerusakan lingkungan akibat longsor (baik fisik maupun sosial) dianggap penting untuk diminimalisir. Dalam konteks ini, penulis menyoroti kebutuhan dasar pemetaan lahan pertanian yang rentan longsor sebagai langkah awal mitigasi. Dengan latar teoretis tersebut, penelitian dirancang untuk mengidentifikasi kondisi biofisik (tanah, iklim, topografi, vegetasi, penggunaan lahan, pola usaha tani, demografi) yang memicu kerentanan longsor. Kerangka teori yang digunakan mencakup konsep kesesuaian lahan (FAO 1976; Anonim 2012), klasifikasi kerawanan longsor, serta teknik pemetaan spasial (misalnya overlay peta topografi, geologi, penggunaan lahan). Peta tematik kerawanan merupakan hasil pengelompokan lahan berdasarkan sifat kerawanan yang serupa, sesuai standar kartografi tanah (Hardjowigeno, 2007). Secara keseluruhan, artikel mendasari argumennya pada teori gerakan massa (longsor) dan metodologi pemetaan lahan, menegaskan bahwa peta kerawanan bentang lahan menjadi landasan perencanaan mitigasi yang kontekstual di Sub DAS Samin Hulu.

Metodologi dan Kebaruan

Penelitian ini menggunakan pendekatan deskriptif dengan pengumpulan data lapangan dan laboratorium. Data primer diperoleh melalui survai ke petani (observasi penggunaan lahan, sampling lapisan tanah) sedangkan data sekunder bersumber dari peta topografi, geologi, curah hujan dan lain-lain. Langkah penting adalah merancang overlay peta curah hujan, peta kemiringan, jenis tanah, rupa bumi dan penggunaan lahan menggunakan perangkat lunak ArcView GIS 3.3. Selanjutnya dilakukan survei lapangan intensif untuk menentukan klasifikasi lahan pertanian rawan longsor. Total 60 unit peta lahan (SPL) dipilih dengan metode Key Area System sepanjang Sub DAS Samin. Setiap unit diteliti parameter fisik (curah hujan tahunan, persentase lereng, ketebalan solum tanah, kadar liat/pH, persen batuan inti di permukaan, dll) sesuai skala kerentanan yang ditetapkan (mis. Paimin & Sukresno 2007). Analisis kuantitatif kemudian dilakukan menggunakan perangkat lunak pssl.exe untuk mengkalkulasi skor kerentanan berdasarkan kombinasi parameter tersebut.

Kebaruan penelitian terletak pada integrasi data biofisik dan sosial-ekonomi khusus pada lahan pertanian di Sub DAS Samin Hulu untuk pemetaan longsor. Penulis menggabungkan analisis kualitas lahan pertanian (kesuburan, jenis tanaman, pola usaha tani) dengan analisis hazard fisik, sehingga kerawanan di lahan produksi ditetapkan berdasarkan gabungan faktor alam dan aktivitas manusia. Pendekatan ini relatif jarang ditemukan dalam literatur, yang biasanya fokus pada lahan permukiman atau infrastruktur. Selain itu, penelitian ini juga mempertimbangkan kebutuhan masyarakat lokal dalam rekomendasi mitigasi (misalnya penyuluhan teknologi pertanian ramah lingkungan), yang menambah nilai kontekstual dan aplikatif dari metodologi yang digunakan.

Temuan Utama dengan Kontekstualisasi

Hasil penelitian mengungkap pola kerentanan longsor yang khas di Sub DAS Samin Hulu. Secara kuantitatif, tercatat 46 kejadian longsor di daerah tersebut. Analisis data menunjukkan sebagian besar longsor terjadi pada curah hujan tahunan 2000–3000 mm (56,52%) dan pada lereng moderat (16–25% berturut-turut 39,13%). Dari segi penggunaan lahan, 43,48% kejadian longsor terjadi pada lahan tegalan (lahan kering) – lahan yang banyak ditemui (60% dari lahan pertanian). Hal ini mengindikasikan bahwa tegalan yang sering dibuka untuk pertanian dengan konservasi minim lebih rentan longsor dibanding sawah atau kebun campuran. Dari sisi geologi, mayoritas kejadian (95,65%) terjadi di batuan andesit vulkanik, menunjukkan litologi keras namun kompak rendah mendukung longsor jenis slump. Hasil pemetaan tanah memperlihatkan jenis tanah dominan Latosol coklat kemerahan (41,30%) dan Andosol (28,26%), keduanya bercirikan tinggi lempung sehingga mudah jenuh. Ini konsisten dengan bencana longsor rotasional (slump), yang memang mendominasi temuan: 76,09% longsor tergolong slump (banyaknya luncuran tanah dalam bidang cekung). Tipe longsor lain (gabungan slump & rockfall, translasi, subsidence) relatif kecil proporsinya.

Temuan tersebut diinterpretasi sebagai konfirmasi bahwa kombinasi kemiringan sedang, curah hujan tinggi, dan lahan tanpa vegetasi kuat mendorong longsor rotasional di area pertanian Sub DAS Samin. Artinya, lahannya agak rawan hingga sangat rawan longsor jika dilihat dari parameter fisik-geomorfik yang dikaji. Penulis kemudian menyajikan peta kerawanan longsor tematik (Gambar 2) yang mengelompokkan risiko dari sangat rendah hingga sangat tinggi. Berdasarkan temuan itu, mereka mengusulkan mitigasi dua arah: non-struktural (penyuluhan IPTEKS kepada petani tentang teknik bertahan saat bahaya longsor dan penanaman tanaman konservasi) dan struktural (reboisasi, agroforestri, multiple cropping, pembangunan teras dan saluran air ramah lingkungan). Hal ini menunjukkan kontribusi penting: selain memetakan risiko fisik, penelitian ini memperkaya pemahaman mitigasi berbasis lanskap pertanian. Sebagai contoh, dominasi lahan tegalan membangkitkan rekomendasi konservasi lahan miring yang relevan dan relatif baru dibanding kajian sektoral lain. Secara keseluruhan, hasil kuantitatif studi ini – seperti persentase longsor per tipe lahan, degradasi tanah, dan pola curah hujan – menambah data lokal yang sebelumnya kurang tersedia, sehingga memberikan masukan empiris baru untuk literatur mitigasi longsor berbasis spasial pertanian.

Keterbatasan dan Refleksi Kritis

Metodologi deskriptif yang diusung penulis memang cocok untuk studi eksplorasi kawasan terbatas, namun terdapat beberapa kelemahan analitis. Pertama, pendekatan penetapan skor kerentanan cenderung subjektif karena bobot tiap variabel (curah hujan, kemiringan, tataguna lahan, jenis tanah, dll.) tidak dijustifikasi dengan uji sensitivitas atau kalibrasi statistik. Sebagai contoh, dalam Tabel 5 tampak longsor translasi (hanya 4,35% kejadian) diberi skor lebih tinggi daripada slump (angkanya sebaliknya), suatu hal yang penulis tidak jelaskan motifnya. Kedua, validitas hasil peta tidak diuji dengan data independent – misalnya kros-verifikasi dengan kejadian longsor historis – sehingga akurasi spasial model tidak diketahui. Ketiga, sampel 60 satuan wilayah mungkin kurang mewakili heterogenitas morfologi dan sosial ekonomi Sub DAS Samin Hulu secara menyeluruh, mengingat luas kawasan. Keempat, pengunaan ArcView GIS 3.3 dan pssl.exe menunjukkan keterbatasan peralatan relatif lawas; belakangan riset kerawanan longsor lebih menggunakan platform open-source mutakhir atau metode kecerdasan buatan. Misalnya, studi terbaru oleh Abrar dkk. (2024) menerapkan machine learning dengan 16 faktor independen untuk memetakan kerawanan longsor dan membangun model mitigasi komprehensif. Penelitian Priyono & Siswadi juga tidak memanfaatkan analisis statistik inferensial apapun, sehingga kesimpulan terbangun hanya dari deskripsi pola tanpa pengujian hipotesis.

Secara hipotesis pun, studi ini lebih berfokus pencapaian tujuan pemetaan daripada menguji rumusan hipotesis eksplisit. Akibatnya, implikasi generalisasi penelitian belum jelas; model yang dihasilkan belum diuji di area lain. Kritik akademik juga perlu mencakup asumsi awal: penulis menyiratkan bahwa semua parameter diintegrasikan linier dalam skor, tanpa mendiskusikan korelasi antarvariabel atau heterogenitas data. Lebih lanjut, faktor eksternal seperti perubahan iklim (peningkatan intensitas hujan) dan aktivitas manusia terkini (mis. pembangunan jalan baru) tidak dibahas, padahal relevan untuk kewenangan mitigasi jangka panjang. Meski demikian, cakupan literatur yang digunakan relatif memadai untuk kerangka dasar, namun diskusi kritis atas metode maupun bandingan dengan studi lain kurang ditegaskan dalam teks.

Implikasi Ilmiah di Masa Depan

Meskipun lokasinya spesifik, karya ini memiliki implikasi luas untuk riset mitigasi bencana dan pemetaan spasial. Peta kerentanan lanskap pertanian yang disajikan dapat menjadi rujukan awal bagi perencanaan tata guna lahan dan pengembangan early warning systems lokal. Penggabungan data agronomik dengan parameter hazard menegaskan arah riset mitigasi modern yang mensinergikan ilmu kebumian dan ilmu sosial. Kedepannya, pendekatan ini dapat diperkaya dengan teknologi terbaru: misalnya integrasi citra satelit dan drone untuk pemantauan lahan saat hujan ekstrem, pemodelan dinamis dengan machine learning, atau sistem informasi geografis interaktif. Hasil ini selaras dengan rekomendasi Badan Geologi terbaru yang menekankan adaptasi teknologi digital dan peningkatan kapasitas sumber daya manusia dalam menghadapi bencana geologi. Diseminasi temuan ini juga relevan untuk kebijakan mitigasi skala regional/ nasional, khususnya dalam perumusan Kawasan Rawan Bencana (KRB) berbasis peta kerawanan. Studi lanjutan sebaiknya menguji validitas model ini dengan data lapangan tambahan, mengkaji dinamika waktu (musiman) curah hujan dan penggunaan lahan, serta menskalakan metode ke daerah rawan longsor lainnya di Indonesia.

Referensi:
Priyono, H. & Siswadi. (2020). Pemetaan Tanah Pertanian Rawan Longsor di Sub DAS Samin Hulu Sebagai Bahan Mempertimbangkan Mitigasinya. Prosiding Seminar Pendidikan Kejuruan dan Teknik Sipil (SPKTS), Fakultas Teknik Universitas Negeri Jakarta.

Latar Belakang Teoretis.

Tulisan Harish, Daryati, dan Murtinugraha (2020) mengawali dengan menyoroti tingginya angka kecelakaan kerja baik di sektor industri maupun lingkungan pendidikan, serta kebutuhan sistem K3 (Kesehatan dan Keselamatan Kerja) yang memadai. Data BPJS Ketenagakerjaan menunjukkan peningkatan signifikan kasus kecelakaan nasional (misalnya dari 123.041 kasus tahun 2017 menjadi 173.105 kasus tahun 2018). Konsep K3 ini diikat dalam kerangka Regulasi (PP RI No.50/2012) sebagai upaya pencegahan kecelakaan dan penyakit akibat kerja. Penulis menggarisbawahi bahwa manajemen risiko merupakan bagian integral dari sistem K3, di mana Job Safety Analysis (JSA) diidentifikasi sebagai metode kunci untuk menilai dan mengendalikan bahaya sebelum kecelakaan terjadi. Lebih lanjut, JSA didefinisikan sebagai teknik yang memfokuskan analisis pada tiap langkah tugas kerja, menghubungkan pekerja, alat, dan lingkungan kerja, untuk mengidentifikasi sumber bahaya dan menetapkan tindakan pengendalian. Konsep analisis kebutuhan (need analysis) juga dibahas sebagai metodologi yang digunakan untuk menutup jurang antara kondisi saat ini dan kebutuhan ideal.

Penulis merujuk pula pada literatur terkait K3 dan JSA: misalnya Rijanto (2010) yang mendeskripsikan JSA sebagai alat analisis risiko yang mengidentifikasi kontrol bahaya, serta standar OSHA yang menekankan pencegahan insiden dengan memeriksa langkah kerja secara mendetail. Dalam konteks pendidikan tinggi, laboratorium dianggap sebagai lingkungan kerja yang memiliki potensi bahaya. Sebagai studi kasus, laboratorium mekanika tanah Program Studi Pendidikan Teknik Bangunan UNJ dipandang rawan: kegiatan praktikum seperti uji kadar air, uji berat jenis, batas Atterberg, uji CBR, hingga uji triaxial, menghasilkan partikel-partikel tanah halus di udara yang dapat menyebabkan gangguan pernapasan dan iritasi mata. Wawancara dengan dosen praktik mengungkap kecelakaan yang pernah terjadi: mahasiswa mengalami sesak napas, iritasi mata, dan kerusakan alat karena kelalaian prosedur keselamatan. Studi pendahulu (Permana, 2020) menunjukkan hampir setengah mahasiswa di lingkungan FT UNJ pernah mengalami cedera ringan atau sedang saat praktik, dan 12,5% dari insiden tersebut terjadi di laboratorium mekanika tanah.

Kerangka teori ini menegaskan bahwa terdapat kesenjangan antara praktik K3 yang seharusnya dan kondisi aktual di laboratorium. Oleh karena itu, penulis mengajukan perlunya mengembangkan JSA khusus untuk laboratorium mekanika tanah. Tahap awal dalam model pengembangan yang digunakan adalah analisis kebutuhan, bertujuan mengidentifikasi risiko dan kebutuhan spesifik pekerjaan yang dilakukan. Dengan demikian, studi ini ditempatkan dalam landasan teoretis manajemen risiko K3 yang kuat, menggabungkan definisi analisis kebutuhan, prinsip K3 berdasarkan regulasi, dan metode JSA sebagai strategi mitigasi utama. Hipotesis implisit yang muncul adalah bahwa pengembangan JSA dapat mengurangi kecelakaan kerja di laboratorium tersebut, sejalan dengan peran JSA yang diakui dalam literatur K3.

Metodologi dan Kebaruan.

Pendekatan penelitian adalah metode pengembangan (research and development) dengan acuan model Borg dan Gall (level 1), namun laporan ini fokus pada fase awal (analisis kebutuhan). Teknik pengumpulan data utama adalah survei kuantitatif berbasis kuesioner dan observasi. Dengan desain cross-sectional, peneliti menyasar populasi mahasiswa S1 Pendidikan Teknik Bangunan UNJ angkatan 2015–2017 yang telah mengikuti Praktik Mekanika Tanah. Sebanyak 72 responden berhasil diambil (termasuk praktikan tahun 2015, 2016, 2017). Instrumen kuesioner disebar secara online melalui Google Form pada periode 12–15 Februari 2020, dan peneliti juga melakukan observasi langsung di laboratorium untuk melengkapi data.

Teknik pengumpulan data secara terstruktur ini menghasilkan informasi tentang tiga variabel utama: persepsi penerapan K3 di laboratorium, pengalaman kecelakaan kerja mahasiswa, dan sikap terhadap pengembangan JSA. Data primer diolah secara deskriptif; persentase dan rata-rata nilai digunakan untuk meringkas temuan. Tidak dijumpai analisis inferensial atau uji hipotesis; metodologi hanya mengandalkan statistik dasar (tabel distribusi, persentase).

Kebaruan penelitian ini terletak pada aplikasinya yang spesifik: fokus pada pengembangan JSA di lingkungan laboratorium pendidikan vokasi, khususnya laboratorium mekanika tanah. Beberapa penelitian terdahulu mengkaji JSA dalam praktik industri atau workshop (misalnya Saraswati et al. 2019 pada workshop plumbing) tetapi sangat sedikit yang membahas laboratorium perguruan tinggi. Dengan menggabungkan perspektif mahasiswa (melalui kuesioner) dan data kecelakaan di lab, studi ini memberikan tinjauan empiris yang relatif baru di bidang pendidikan teknik. Penelitian ini juga menegaskan pentingnya analisis kebutuhan sebagai langkah awal dalam desain instrumen manajemen risiko, suatu pendekatan yang masih jarang diterapkan untuk konteks laboratorium pendidikan. Secara keseluruhan, metodologi yang sistematis sekaligus kontekstual di laboratorium teknik ini menjadi kontribusi yang membedakan karya ini dari literatur K3 edukasi lainnya.

Temuan Utama dengan Kontekstualisasi.

Hasil analisis kebutuhan menyajikan gambaran kuantitatif sebagai berikut:

• Kepuasan terhadap K3. Rata-rata skor kepuasan responden terhadap penerapan SMK3 di laboratorium mekanika tanah tercatat 61,1% (sekitar 3,66 dari skala 6). Sebagian besar mahasiswa menilai penerapan K3 cukup hingga baik, meski terdapat 28 mahasiswa yang menganggapnya “kurang baik” (observasi terhadap keberadaan rambu bahaya dan APD dinilai belum optimal). Nilai 61,1% ini menggambarkan situasi moderat: implementasi K3 dinilai ada, namun tidak memuaskan penuh. Konteksnya, hasil ini sejalan dengan temuan Permana (2020) bahwa tingkat kepuasan K3 mahasiswa FT UNJ juga relatif sedang, sehingga problem awareness di lingkungan akademik perlu ditingkatkan.
• Data kecelakaan kerja. Sebanyak 21 dari 72 mahasiswa (27,8%) melaporkan pernah mengalami kecelakaan kerja selama tiga tahun terakhir di laboratorium mekanika tanah. Mayoritas kecelakaan tersebut bersifat ringan (19 orang, 90,5%) seperti tergores, terpeleset, atau terkena serpihan, sementara hanya 2 mahasiswa (9,5%) yang mengalami cedera sedang. Tidak ada kecelakaan berat yang tercatat. Angka insiden ~28% ini mencerminkan kejadian nyata yang tidak rendah: hampir satu perempat mahasiswa pernah mengalami insiden saat praktikum. Sebagai perbandingan, penelitian Permana (2020) di lingkungan Fakultas Teknik UNJ juga menemukan insiden kecelakaan hampir separuh responden (48%), dengan 12,5% insiden terjadi di lab mekanika tanah. Data kami menegaskan bahwa kategori kecelakaan ringan mendominasi namun risikonya masih tersendiri jika dibiarkan berulang.
• Sikap terhadap JSA. Mayoritas besar mahasiswa (69 orang; 95,8% dari total) menyatakan menyetujui bahwa pengembangan Job Safety Analysis akan mengurangi risiko kecelakaan kerja di laboratorium tersebut. Persetujuan hampir bulat ini menunjukkan kepercayaan kuat mahasiswa terhadap efektivitas JSA sebagai alat mitigasi. Artinya, hampir seluruh praktikan melihat JSA sebagai intervensi yang logis dan diperlukan untuk meningkatkan keselamatan praktik. Temuan ini sejalan dengan literatur (misalnya Saraswati et al. 2019) yang menyarankan JSA sebagai instrumen praktis untuk mengatasi bahaya di lingkungan kerja vokasi.

Secara interpretatif, kombinasi temuan di atas mengindikasikan adanya kesenjangan pelaksanaan K3 yang ada dengan realitas lapangan. Meski mahasiswa umumnya telah mengikuti mata kuliah K3 (95,8% mengetahui risiko kerja dan pengendaliannya[4]), tingkat kecelakaan tetap signifikan. Rata-rata kepuasan 61,1% mengindikasikan bahwa fasilitas dan prosedur K3 yang tersedia belum memadai sepenuhnya, sehingga terjadi unsafe action dan unsafe condition seperti yang juga disebutkan oleh peneliti. Konteksnya, sebelum penerapan JSA, masih diperlukan peningkatan pemahaman dan konsistensi K3 di lab. Temuan dukungan luas terhadap JSA menyumbangkan pemahaman baru bahwa solusi yang diharapkan mahasiswa bukan sekadar reaktif, melainkan proaktif: mereka menganggap JSA penting untuk menutup kesenjangan tersebut. Dengan demikian, studi ini menambah wawasan: menunjukkan bahwa pengembangan JSA dalam pendidikan teknik bukan hanya memenuhi kebutuhan teoretis, tetapi juga diinginkan secara nyata oleh pihak yang terlibat, memberikan kontribusi empiris baru dalam literatur K3 pendidikan.

Keterbatasan dan Refleksi Kritis.

Sejumlah keterbatasan metodologis dapat memengaruhi interpretasi hasil:
- Sampel Terbatas. Penelitian hanya melibatkan mahasiswa Program Studi Pendidikan Teknik Bangunan UNJ (angkatan 2015–2017). Karakteristik demografis, metode pengajaran, dan fasilitas laboratorium institusi ini mungkin berbeda dengan institusi lain. Oleh karena itu, kesimpulan yang dihasilkan bersifat konteks-spesifik dan sulit digeneralisasi. Studi selanjutnya perlu melibatkan sampel yang lebih luas, misalnya program studi teknik lain atau perguruan tinggi berbeda.
- Data Berbasis Survei. Informasi tentang kecelakaan didapat dari kuesioner yang bergantung pada ingatan dan persepsi mahasiswa. Tanpa verifikasi independen (catatan insiden resmi atau pengamatan jangka panjang), terdapat risiko bias ingatan atau tingkat pelaporan yang tidak lengkap. Misalnya, mahasiswa mungkin lupa kejadian kecil atau tidak melaporkan semua cedera. Hal ini mempengaruhi validitas data kecelakaan aktual.
- Instrumen dan Reliabilitas. Laporan tidak menjelaskan proses pengembangan kuesioner: bagaimana pertanyaan disusun, diuji validitas, dan reliabilitasnya. Ketiadaan informasi ini membatasi penilaian terhadap sejauh mana instrumen mengukur tepat variabel yang dimaksud (kepuasan K3, pengalaman kecelakaan, dsb.). Tanpa pengujian statistik reliabilitas, kekuatan pengukuran hasil menjadi kurang dapat dipertanggungjawabkan.
- Analisis Deskriptif Saja. Hasil disajikan dalam bentuk statistik deskriptif (persentase, rata-rata). Tidak ada uji statistik inferensial atau analisis hubungan antar variabel (misalnya apakah kepuasan K3 berbanding terbalik dengan kejadian kecelakaan). Kehadiran analisis seperti uji-t atau korelasi mungkin dapat menambah bobot bukti. Tanpa demikian, klaim tentang hubungan atau perbedaan signifikan antar variabel tidak teruji secara empiris.
- Fokus Awal Pengembangan. Meskipun mengacu model Borg & Gall, studi ini hanya menyelesaikan tahap analisis kebutuhan (level 1). Tahap selanjutnya (perencanaan, pengembangan, validasi, revisi produk JSA) tidak dilaporkan. Dengan demikian, klaim manfaat JSA masih bersifat asumsi/persepsi, belum terbukti melalui implementasi. Perlu penelitian lanjutan yang merancang modul JSA konkretnya dan mengujinya di lapangan.

Refleksi kritis menunjukkan bahwa asumsi penelitian—bahwa tingginya dukungan mahasiswa atas JSA otomatis sebanding dengan efektivitasnya—belum diuji. Penulis mengandaikan JSA akan “mengurangi kecelakaan”, namun tanpa studi intervensi, manfaat sebenarnya tidak diketahui. Selain itu, pemilihan model Borg & Gall memberikan kerangka pengembangan, tetapi ketergantungannya pada fase teoritis membuat bukti empiris terkait keuntungan JSA masih terbatas. Di samping itu, riset ini tidak membahas faktor eksternal lain (misalnya budaya keselamatan lab, fasilitas fisik, peran dosen pembimbing) yang mungkin ikut mempengaruhi kecelakaan. Keterbatasan-keterbatasan tersebut perlu diakui dalam menginterpretasi hasil: penemuan bersifat indikatif dan perlu diverifikasi melalui penelitian kuantitatif lanjutan atau metode kualitatif untuk menilai konteks yang lebih dalam.

Implikasi Ilmiah di Masa Depan.

Temuan ini memberikan beberapa implikasi penting untuk riset dan praktik di bidang K3 dan pendidikan teknik:

• Pengembangan Produk JSA Lanjutan. Data kebutuhan yang terkumpul dapat menjadi dasar desain prototipe JSA khusus laboratorium mekanika tanah. Penelitian selanjutnya dapat membuat modul pelatihan atau formulir JSA, lalu mengevaluasi efektivitasnya secara empiris (misalnya lewat eksperimen pre-post: membandingkan tingkat kecelakaan sebelum dan setelah implementasi JSA). Hal ini tidak hanya menguji hipotesis utama penelitian tetapi juga berkontribusi pada literatur pendidikan teknik dengan hasil kuantitatif baru.
• Integrasi K3 dalam Kurikulum. Hasil studi menegaskan urgensi memasukkan topik K3 secara eksplisit dalam kurikulum vokasi teknik. Misalnya, pengembangan JSA dapat dimasukkan sebagai bagian evaluasi praktikum. Lulusan teknik yang dibiasakan berpikir tentang keselamatan kerja sejak awal akan memperkuat budaya K3 di dunia industri. Dalam konteks akreditasi pendidikan tinggi dan tuntutan ISO 45001:2018, mahasiswa perlu memahami manajemen risiko kerja; penelitian ini menegaskan bahwa mahasiswa sendiri mengakui kebutuhan tersebut.
• Riset Komparatif dan Multimetode. Studi ini mendorong penelitian serupa di laboratorium lain (misalnya laboratorium mesin, kimia, atau sipil), baik di UNJ maupun di kampus lain, untuk membandingkan profil risiko. Selain itu, metode berbeda (analisis kualitatif, studi kasus, atau penggunaan sensor IoT untuk memonitor bahaya) dapat melengkapi temuan. Misalnya, penerapan kaizen 5S di laboratorium atau teknologi AR/VR untuk simulasi keselamatan bisa dibandingkan dengan JSA.
• Kebijakan Keselamatan Pendidikan. Dari perspektif kebijakan, data ini memberikan argumen bagi pimpinan fakultas dan kampus untuk memperketat prosedur keselamatan lab. Misalnya, fakultas teknik dapat mengembangkan pedoman standar operasi laboratorium yang mengacu pada prinsip JSA dan SMK3. Di era Industrial 4.0, peningkatan insiden kerja nasional (dilaporkan terus meningkat di tahun-tahun terakhir) menuntut strategi baru. Penelitian ini relevan dengan perkembangan mutakhir: menekankan bahwa keselamatan kerja bukan hanya tanggung jawab industri, tetapi juga instrumen pendidikan.

Sebagai refleksi akhir, temuan ini menyoroti kesinambungan isu keselamatan kerja dalam ranah pendidikan teknik. Selama ini fokus K3 lebih dominan di sektor industri; namun data mahasiswa yang konsisten mendukung JSA menggambarkan bahwa lembaga pendidikan pun perlu bertindak. Dengan melibatkan mahasiswa sebagai subjek dan objek pembelajaran, studi ini mendukung paradigma pendidikan vokasi terkini yang memadukan kompetensi teknis dengan kompetensi keselamatan. Di tingkat makro, hasil ini sejalan dengan wacana nasional zero accident dan standar keselamatan internasional, serta menegaskan perlunya sinergi antara praktik laboratorium yang inovatif dan manajemen risiko yang sistematis.

Daftar Pustaka:
Harish, A., Daryati, & Murtinugraha, R.E. (2020). Analisis Kebutuhan Pengembangan Job Safety Analysis untuk Laboratorium Mekanika Tanah. Prosiding Seminar Pendidikan Kejuruan dan Teknik Sipil (SPKTS), Fakultas Teknik Universitas Negeri Jakarta.

Permana, A., Murtinugraha, R.E., & Ramadhan, M.A. (2020). Tingkat Kepuasan Mahasiswa Terhadap Pelayanan K3 di Lingkungan Fakultas Teknik Universitas Negeri Jakarta. Jurnal Pendidikan Teknik Sipil, 19(2), 110–121.

Saraswati, A.L., Iriani, T., & Handoyo, S. (2019). Pengembangan Job Safety Analysis untuk Workshop Praktik Plumbing di Pendidikan Vokasional Konstruksi Bangunan Universitas Negeri Jakarta. Jurnal Pendidikan Teknik Sipil, 8(2), 55–62.

Bayangkan sejenak: lebih dari 50.000 kapal dagang berlayar di lautan dunia setiap hari, membawa 10,6 miliar ton kargo setiap tahunnya. Dari minyak mentah yang menggerakkan industri, gandum yang mengisi meja makan, hingga chip elektronik yang membuat ponsel kita menyala — semuanya bergantung pada kapal-kapal ini. Di baliknya, ada lebih dari satu juta pelaut dari berbagai bangsa yang memastikan rantai logistik global tetap berjalan, siang dan malam, dalam cuaca tenang maupun badai. Pelayaran adalah nadi tak terlihat dari ekonomi dunia, atau seperti yang kerap disebut Perserikatan Bangsa-Bangsa: “the backbone of global trade.”

Namun, di balik gambaran kokoh itu, industri pelayaran sedang menghadapi gejolak yang jauh lebih sunyi, tetapi tidak kalah serius: transformasi kompetensi. Dunia maritim tidak lagi sekadar tentang mengendalikan kapal, membaca peta laut, atau mengawasi mesin. Kini, era digital memaksa pelaut menguasai radar canggih, sistem navigasi elektronik, integrasi data, bahkan kecerdasan buatan. Singkatnya, peran pelaut berevolusi seiring kapal yang makin pintar.

Di sinilah pertanyaan besar muncul: apakah sistem pendidikan maritim kita siap melahirkan “pelaut masa depan”?

Sejarah membuktikan bahwa kompetensi pelaut selalu ditentukan oleh teknologi. Pada masa kapal layar, pelaut belajar membaca angin, bintang, dan arus laut. Ketika mesin uap mengambil alih, keahlian mekanis menjadi syarat utama. Kini, dengan hadirnya Electronic Chart Display and Information Systems (ECDIS), GPS, hingga rencana Maritime Autonomous Surface Ships (MASS), seorang pelaut tak bisa lagi hanya mengandalkan intuisi. Ia harus fasih menavigasi dunia yang terhubung jaringan, data, dan algoritma.

Namun, perubahan besar ini bukan tanpa risiko. Ada ironi pahit yang mencuat: meski dilengkapi radar, ECDIS, dan perangkat digital, beberapa insiden kapal justru terjadi karena salah penggunaan alat tersebut. Alih-alih lebih aman, teknologi malah bisa jadi jebakan bila kompetensi awak kapal tidak berkembang seiring kemajuan alat. Ini menggugah pertanyaan lebih dalam: apakah kurikulum pelatihan yang diatur oleh Standards of Training, Certification and Watchkeeping (STCW) masih relevan untuk era otomatisasi?

Pendidikan Maritim dan Pelatihan (Maritime Education and Training, MET) telah lama dianggap sebagai salah satu pilar utama keselamatan pelayaran global. Sekretaris Jenderal International Maritime Organization (IMO) bahkan menegaskan MET sebagai “enam pilar industri maritim.” Lewat MET, lahirlah generasi pelaut yang memahami standar internasional, disiplin navigasi, hingga prosedur darurat.

Namun, MET kini berada di titik krusial. Di satu sisi, ia harus mempertahankan tradisi pembelajaran yang menekankan praktik nyata di laut, simulasi, dan disiplin teknis klasik. Di sisi lain, ia didorong untuk mengintegrasikan teknologi terbaru — mulai dari computer-based training, e-learning, hingga simulasi berbasis virtual reality (VR) dan augmented reality (AR).

Masalahnya, adopsi teknologi ini tidak selalu mulus. Banyak institusi maritim yang masih gagap digital. Instruktur sering kali hanya sebatas menggunakan PowerPoint dan email, tanpa mengeksplorasi media sosial, blog, atau platform kolaboratif daring. Mahasiswa pun, meski akrab dengan gawai, sering kali kurang cakap mengolah informasi atau menghasilkan konten digital yang kompleks. Ada jurang besar antara potensi teknologi dan kesiapan SDM di MET.

Tantangan ini tidak bisa ditunda. Pertama, karena tekanan kompetitif industri. Perusahaan pelayaran global berlomba meningkatkan efisiensi, menurunkan emisi, dan mengurangi biaya dengan memanfaatkan otomatisasi. Pelaut yang tidak menguasai teknologi baru berisiko tersisih.

Kedua, karena keselamatan. Laporan-laporan investigasi kecelakaan sering menyoroti faktor manusia sebagai penyebab utama. Dalam konteks era digital, “faktor manusia” bukan hanya soal disiplin, tetapi juga soal keterampilan menggunakan sistem canggih dengan benar. Kesalahan kecil dalam membaca radar atau gagal mengoperasikan perangkat komunikasi digital bisa berakibat fatal.

Ketiga, karena kebutuhan akan keterampilan non-teknis. Dunia kerja modern menuntut kemampuan berpikir kritis, kolaborasi lintas budaya, dan kepemimpinan. Di kapal otonom sekalipun, manusia tetap memegang peran vital sebagai pengawas, pengambil keputusan darurat, dan penjaga etika.

Dengan kata lain, masa depan pelaut adalah masa depan hibrida: menguasai mesin, data, dan manusia sekaligus.

Fakta Menarik dari Penelitian Ini

• Peserta Survei Beragam: Studi ini melibatkan 109 profesional pelayaran, 62 instruktur, dan 234 mahasiswa teknik pelayaran.
• 11 Kompetensi Baru: Analisis data menunjukkan munculnya 11 tema kompetensi kunci untuk operasi kapal otonom masa depan, mulai dari firefighting (penanggulangan kebakaran) hingga penggunaan RADAR dan ARPA dalam navigasi.
• Kepedulian Tinggi pada “Situasi” dan Kepemimpinan: Meski lebih banyak alat canggih hadir, kemampuan “situational awareness” (pemantauan situasi) dan kepemimpinan tetap dianggap sangat relevan oleh para ahli.
• Kesenjangan Teknologi Instruktur: Sebagian besar instruktur maritim masih mengaku hanya menggunakan teknologi di kelas pada tingkat “rutin” atau “mekanis”, dan jarang memanfaatkan alat Web 2.0 seperti media sosial dan wiki.
• Chatbot AI Berhasil Uji Coba: Prototipe chatbot AI bernama FLOKI untuk melatih aturan pelayaran (COLREGs) meraih skor 73,72 pada System Usability Scale – artinya pengguna menilainya “di atas rata-rata” (lebih baik dari skor median 70,5).
• Keterampilan Digital Mahasiswa Masih Kurang: Tes keterampilan digital (youth DSI) pada 234 mahasiswa pelayaran mengungkap area lemah di keterampilan information navigation dan content creation dibanding dimensi lain. Rendahnya kemampuan ini berpotensi membatasi pemanfaatan mode belajar jarak jauh dan digitalisasi pembelajaran.
• Rekomendasi Strategis: Hasil penelitian menyarankan agar standar pelatihan (STCW) ditinjau ulang dengan memasukkan kompetensi baru, serta menekankan pentingnya soft skill dan solusi pembelajaran terdistribusi. Para peneliti menekankan peran integrasi teknologi yang lebih intens dan pendekatan sosial-konstruktivis untuk meningkatkan efektivitas belajar.

Kompetensi Baru untuk Pelaut Otonom

Bayangkan sebuah kapal otonom yang berlayar tanpa awak di dek utama. Apa yang masih dibutuhkan dari pelautnya? Studi menemukan bahwa meski banyak tugas otomatis, masih ada banyak keterampilan klasik yang tetap krusial. Hasil pemodelan kompetensi menunjukkan 11 tema utama yang harus dikuasai oleh pelaut di era otonom. Di antaranya adalah kemampuan menjaga posisi kapal dan menjaga jalur, memeriksa dan melaporkan kerusakan muatan, mengendalikan kebakaran, hingga menggunakan sistem radar dan ECDIS untuk navigasi aman. Anehnya, teknik yang terdengar “low-tech” seperti memadamkan api atau berkomunikasi dalam situasi darurat (distress communication) tetap dicantumkan.

Temuan ini menggarisbawahi bahwa kecerdasan mesin tidak boleh membuat pelaut lengah. Para responden menilai skill situational awareness (kesiagaan terhadap situasi sekitar) dan kepemimpinan sebagai kompetensi yang sangat penting untuk masa depan. Dengan kata lain, kemampuan non-teknis seperti kepemimpinan dan pemikiran kritis(listed sebagai non-routine problem solving, self-regulation, critical thinking dll.) mendapat perhatian besar. Peneliti bahkan mengibaratkan kebutuhan 11 tema kompetensi baru ini sebagai “daftar belanja” keahlian lengkap—mulai dari IT dan keamanan siber hingga pengetahuan operasi ruang mesin dan integrasi sistem elektronik. Intinya: pelaut masa depan perlu gabungan kemampuan lama dan baru, seolah harus mahir manual dan digital sekaligus.

Tantangan Instruktur Maritim di Era Digital

Jika para pelaut perlu upgrade skill, bagaimana dengan para pendidik? Ternyata banyak kejutan. Studi kedua menilai kesiapan teknologi instruktur maritim (n=62) menggunakan skala baku TPSA-C21. Hasilnya, sebagian besar instruktur masih meremehkan alat Web 2.0: penggunaan media sosial, blog, atau wiki jauh di bawah penggunaan alat umum lain. Dengan kata lain, banyak guru maritim terkesan “bermain aman” dengan teknologi lama (seperti email atau browser web), tapi enggan memanfaatkan media sosial yang sudah jamak dipakai.

Secara gamblang, mayoritas instruktur mengaku tingkat pemanfaatan teknologi di kelas masih rutin atau mekanis. Artinya, integrasi gadget atau aplikasi baru tidak lebih dari sekadar menyalin konten presentasi ke PowerPoint—belum masuk level kolaboratif interaktif. Temuan ini mengejutkan mengingat revolusi edukasi digital yang terjadi global. Para peneliti mengibaratkan situasi ini seperti institusi pelayaran “masih menulis di papan tulis” di era kelas daring: media interaktif belum sepenuhnya diadopsi. Reluktansi memanfaatkan Web 2.0 oleh instruktur ini membuka peluang peningkatan besar. Misalnya, media sosial kelas dapat menaikkan keterlibatan mahasiswa, namun riset menunjukkan instruktur belum mengeksplorasi itu. Singkatnya, pelajaran pentingnya pelatihan guru: jika pendidik sendiri “perang dengan pengiriman email,” sulit berharap cara belajar menjadi inovatif.

Chatbot AI FLOKI: Demo Inovatif di Kelas Navigasi

Salah satu inovasi praktis dari penelitian ini adalah pengenalan chatbot berbasis AI, FLOKI, untuk pelatihan aturan pelayaran (COLREGs). Peneliti mengembangkan proof of concept ini dan mengujinya pada mahasiswa kelas dua Jurusan Nautika (n=18). Hasilnya, FLOKI mendapat skor SUS 73,72, artinya pengguna (mahasiswa) menilainya “di atas rata-rata” kemudahan penggunaan. Meski sampel kecil, skor ini menunjukkan potensi aplikasi AI dalam kelas: chatbot berhasil mengimbangi ekspektasi pengguna, bahkan bagi yang tak punya pengalaman sebelumnya.

Selain itu, tidak ada perbedaan signifikan dalam penilaian antara mahasiswa yang pernah berinteraksi dengan chatbot sebelumnya dan yang tidak. Ini menandakan FLOKI mudah digunakan siapa saja, tanpa kurva belajar panjang. Poin penting lainnya: penggunaan chatbot memungkinkan pembelajaran terdistribusi dengan pendekatan konstruktivis. Artinya, siswa belajar mengkontruksi pengetahuan sendiri dengan bimbingan AI, bukan hanya menerima ceramah. Peneliti menyebut tujuan utamanya adalah mendorong diskusi tentang penggunaan praktis AI di pendidikan maritim. Secara alami, pengenalan AI ini bisa menjadi “rekan kerja” baru instruktur—mengurangi tugas monoton seperti mengulang latihan teori berulang kali, sehingga guru bisa fokus pada hal-hal kompleks. Jika dibayangkan, efeknya bisa serupa dengan menambahkan co-pilot virtual di ruang kendali kapal, yang membantu navigasi dasar sehingga kapten lebih leluasa memantau situasi besar.

Kesiapan Digital Mahasiswa Maritim: Kesenjangan yang Perlu Ditambal

Terakhir, penelitian keempat menyelidiki keterampilan digital mahasiswa maritim (n=234) menggunakan instrumen Youth Digital Skills Indicator (yDSI). Hasilnya mengejutkan: mahasiswa rata-rata cukup mahir di aspek teknis dan komunikasi, namun lemot pada penelusuran informasi dan pembuatan konten digital. Artinya, meski dapat menggunakan gadget, mereka kurang terampil “mengolah” informasi atau membuat media sendiri. Peneliti mengibaratkan kondisi ini seperti seorang wakil kapten yang tahu cara membaca radar, tapi kesulitan membuat laporan kompleks dari data yang ada.

Kesenjangan ini penting karena di era belajar online, kemampuan menemukan dan menyajikan informasi adalah kunci. Mahasiswa yang lemah pada dua dimensi ini mungkin kurang memanfaatkan mode pembelajaran terdistribusi. Jika kelas harus pindah daring penuh, mereka bisa saja kesulitan belajar mandiri. Penemuan ini menunjukkan perlunya kurikulum yang lebih menanamkan literasi digital: misalnya, tugas membuat video presentasi atau riset online intensif. Dengan menguatkan dimensi tersebut, pendidikan maritim bisa jadi lebih siap menghadapi pembelajaran hybrid (campuran tatap muka dan daring) di masa depan.

Kritik dan Keterbatasan Studi

Walau hasilnya menggugah, ada beberapa catatan penting. Studi ini sebagian besar dilakukan dalam konteks satu institusi di Norwegia (misalnya chatbot diuji dengan 18 mahasiswa pada satu universitas)researchgate.net. Penulisnya sendiri mengingatkan, ukuran sampel yang kecil dan konteks lokal membuat temuan ini perlu kehati-hatian dalam digeneralisasi ke negara atau wilayah lainresearchgate.net. Misalnya, budaya pendidikan atau infrastruktur teknologi di Asia bisa berbeda. Selain itu, fokus studi ini adalah pada pelaut navigasi; kompetensi awak teknik atau peran lain mungkin punya keunikan tersendiri. Para peneliti menyarankan agar penelitian lanjutan melibatkan pelaut dan instruktur dari berbagai wilayah dan latar belakang, serta menggunakan metode berbeda. Dengan memperluas cakupan, kita dapat menguji sejauh mana pola yang ditemukan benar-benar universal.

Dampak Nyata dan Masa Depan

Meskipun begitu, implikasi penelitian ini sangat nyata bagi industri maritim. Integrasi teknologi pembelajaran yang lebih baik dan penyesuaian kurikulum bisa membawa perubahan besar. Sebagai contoh, jika temuan mengenai AI dan platform digital diimplementasikan luas, biaya pendidikan dan sertifikasi navigasi dapat ditekan. Dengan menggantikan beberapa pengajar konvensional menjadi tutor digital atau menyediakan modul online interaktif, waktu dan biaya pelatihan dapat berkurang drastis. Penelitian ini bahkan menunjukkan potensi efisiensi: AI disebut berpotensi memangkas tugas repetitif instruktur dan meningkatkan produktivitas pembelajaran. Jika misalnya adaptasi teknologi ini diterapkan, bukan mustahil biaya pelatihan bisa turun hingga sekitar 30% dalam lima tahun ke depan, karena proses pembelajaran menjadi lebih mandiri dan terotomasi.

Secara keseluruhan, hasil riset Amit Sharma memberikan gambaran optimis sekaligus realistis: untuk mewujudkan pelaut masa depan yang siap tantangan, kurikulum perlu direvisi, pelatihan guru diperkuat, dan teknologi baru diuji di lapangan. Jika semua pemangku kepentingan bekerja sinergis – dari perusahaan pelayaran hingga regulator – temuan ini bisa mengubah wajah pendidikan maritim global.

Sumber Artikel:

Sharma, A. (2023). Potential of technology supported competence development for Maritime Education and Training.