Pendahuluan: Kualitas Bukan Sekadar Standar, tapi Kepercayaan

Dalam dunia manufaktur transportasi, kualitas bukan hanya soal kelengkapan produk—ia adalah jaminan keselamatan, efisiensi, dan reputasi. Artikel karya Wahyu Andy Prastyabudi dan tim dari Telkom University menyajikan pendekatan analitis untuk mengatasi tantangan kualitas dalam industri manufaktur kereta melalui integrasi dua metode teruji: Failure Mode and Effect Analysis (FMEA) dan Fault Tree Analysis (FTA).

Penelitian ini mengangkat kasus nyata dari produksi komponen kereta yang mengalami rata-rata 10–12 cacat per unit, menyebabkan keterlambatan pengiriman hingga dua bulan. Sebuah sinyal bahaya bahwa ada masalah sistemik dalam proses produksi.

Mengapa FMEA dan FTA?

FMEA adalah alat klasik namun ampuh untuk mengidentifikasi kegagalan potensial berdasarkan tiga metrik: tingkat keparahan (Severity), kemungkinan terjadi (Occurrence), dan deteksi (Detection). Sedangkan FTA menawarkan pendekatan deduktif, membangun peta penyebab utama dari suatu kegagalan menggunakan struktur pohon logika. Gabungan dua metode ini menghasilkan sinergi: FMEA menyaring prioritas, FTA menyelami akar masalah.

Studi Kasus: Industri Kereta yang Kompleks

Berbeda dengan industri otomotif atau tekstil, manufaktur kereta memiliki karakteristik produksi panjang, bersifat kustom, dan harus mematuhi regulasi keselamatan yang ketat. Kompleksitas ini membuat kegagalan kecil bisa menjelma menjadi bencana operasional.

Hasil Analisis: Fakta Berbicara Lewat Data

Data Awal: 599 Laporan Cacat

Dari 1.300 data cacat yang dikumpulkan melalui non-conformance report (NCR), sebanyak 599 kasus diklasifikasikan dan ditelusuri lebih dalam. Hasilnya:

• Personel menyumbang 44% dari total kegagalan
• Material: 22,2%
• Visual dan Dokumentasi: masing-masing 16,7%

Metodologi Skoring RPN

Dengan menghitung RPN (Risk Priority Number) dari 18 jenis cacat, ditemukan bahwa 8 di antaranya melebihi nilai kritis 209—angka yang dihitung dari total RPN dibagi jumlah jenis cacat. Salah satu yang tertinggi adalah cacat retak pada pengelasan dengan skor RPN 504.

No.Jenis Cacat

RPN

3

Retakan pada pengelasan

504

4

Sambungan kabel longgar

384

13

Cat tidak merata

336

Pareto 80/20: Fokus pada Penyebab Dominan

Dengan prinsip Pareto, 80% masalah berasal dari 20% jenis cacat. Tiga cacat utama yang dianalisis lebih dalam adalah:

1. Retak dan porositas pada las (25,4%)
2. Kerusakan komponen panel (15,5%)
3. Cacat visual pada pengecatan (12,2%)

Mengupas Akar Masalah Lewat FTA

Defect 1: Kerusakan Panel Komponen

FTA mengungkap bahwa kombinasi antara kualitas material rendah dan kesalahan tenaga kerja (fatigue, kurang pelatihan) menjadi pemicu utama.

Defect 3: Retakan Pengelasan

Ditemukan bahwa ketidaksesuaian arus pengelasan (ampere mismatch) dan kurangnya inspeksi visual saat proses merupakan penyebab langsung. Ini menjadi bukti bahwa quality assurance tak boleh hanya mengandalkan SOP, tetapi butuh pengawasan aktif.

Defect 13: Cat Bergaris atau Tidak Merata

Masalah ini lebih kepada aspek visual—penerangan kerja yang buruk, lingkungan kerja yang tidak ergonomis, serta kurangnya perhatian pekerja terhadap detil.

Dampak dan Implikasi Nyata bagi Industri

Keterlambatan dua bulan dalam pengiriman produk akibat cacat adalah kerugian finansial dan reputasi yang signifikan. Apalagi dalam konteks industri perkeretaapian di mana keterlambatan tidak hanya berdampak pada biaya, tapi juga pada keselamatan publik.

Ilustrasi Kerugian:

Misalnya, jika satu kereta memiliki nilai kontrak Rp10 miliar dan keterlambatan pengiriman menimbulkan penalti 1% per minggu, maka dalam dua bulan kerugian bisa mencapai Rp800 juta per unit.

Pembelajaran dari Kasus Boeing

Seperti halnya skandal Boeing 737 MAX yang berakar pada kualitas kontrol yang longgar dan tekanan produksi berlebihan (Denning, 2013; Herkert et al., 2020), studi ini mengingatkan kita bahwa kontrol kualitas bukan sekadar formalitas, tapi landasan etika rekayasa.

Rekomendasi Praktis: Dari Temuan ke Tindakan

Artikel ini tidak berhenti pada diagnosis masalah, tetapi memberikan resep perbaikan berdasarkan kategori penyebab:

Material

• Audit ketat vendor bahan baku
• Perawatan berkala mesin las
• Uji acak bahan sebelum produksi massal

Personel

• Pelatihan & sertifikasi teknisi
• Shift kerja yang memperhatikan kelelahan
• Peningkatan pengawasan supervisor

Visual

• Tambah pencahayaan & ventilasi area kerja
• Instruksi kerja visual (misalnya diagram)
• Penerapan inspeksi silang antar tim

Dokumentasi

• SOP yang jelas & mudah dipahami
• Verifikasi lapangan berkala terhadap instruksi kerja
• Komunikasi dua arah antara tim teknis dan manajemen produksi

 

Kritik dan Komparasi dengan Penelitian Lain

Dibandingkan pendekatan data-intensive seperti Bayesian Network (Chen et al., 2017) atau Lean Six Sigma (Fibriani et al., 2023), metode FMEA + FTA dalam studi ini lebih praktis untuk diterapkan di lingkungan industri yang belum terlalu digital.

Namun, keterbatasannya terletak pada ketergantungan pada data historis dan input subjektif dari para ahli. Ke depan, penggunaan teknik data mining atau pemodelan simulasi dapat meningkatkan objektivitas dan prediksi jangka panjang.

Kesimpulan: Integrasi yang Tepat untuk Masalah Kompleks

Penelitian ini menunjukkan bahwa dalam dunia manufaktur modern, pendekatan hybrid seperti FMEA dan FTA bukan sekadar alat teknik, tetapi instrumen strategis dalam manajemen risiko kualitas.

Temuan kunci:

• 8 dari 18 cacat melampaui nilai kritis RPN
• 3 cacat dominan menyumbang mayoritas kerugian
• Faktor manusia dan material adalah penyebab utama

Dengan memberikan pendekatan sistematis terhadap cacat produksi, perusahaan dapat mengurangi kegagalan, mempercepat pengiriman, dan yang terpenting—meningkatkan kepercayaan pelanggan.

Referensi

Prastyabudi, W. A., Faharga, R. A., & Chandra, H. (2024). Systematic Risk Analysis of Railway Component Quality: Integration of Failure Mode & Effect Analysis (FMEA) and Fault Tree Analysis (FTA). Spektrum Industri, 22(2), 77–89. https://doi.org/10.12928/si.v22i2.223

Pendahuluan: Menguak Masalah Kualitas pada Industri Garam

Industri pengolahan garam di Jawa Timur menghadapi tantangan serius dalam pengendalian kualitas. Dengan tingkat kecacatan produk yang mencapai 15%, perusahaan garam tempat studi ini dilakukan telah melampaui ambang batas toleransi internal sebesar 5%. Tiga bentuk utama cacat yang diidentifikasi meliputi:

• Kontaminasi bahan jadi oleh benda asing atau kotoran
• Warna produk yang tidak sesuai dengan standar (master)
• Kadar iodium tidak sesuai dengan SOP

Permasalahan ini tidak hanya berdampak pada kualitas produk, tetapi juga mencerminkan ketidakefisienan proses produksi yang dapat berujung pada kerugian finansial dan menurunnya kepercayaan konsumen.

Dua Pendekatan Perbaikan Kualitas: TQM vs BPR

Penelitian ini menggarisbawahi dua pendekatan utama dalam manajemen kualitas:

• Total Quality Management (TQM): Perbaikan bertahap dan berkesinambungan.
• Business Process Reengineering (BPR): Transformasi radikal pada proses bisnis.

Untuk kasus industri garam, pendekatan yang digunakan lebih selaras dengan TQM melalui identifikasi akar masalah dan prioritisasi risiko menggunakan kombinasi metode Fault Tree Analysis (FTA) dan Failure Mode and Effect Analysis (FMEA).

Metodologi: Kombinasi FTA dan FMEA

Tahapan yang Diterapkan:

1. Pengumpulan data jumlah produksi dan cacat per minggu.
2. Observasi lapangan melalui wawancara dengan pihak produksi, maintenance, dan quality control.
3. Penyusunan Diagram Fishbone dan FTA untuk menggambarkan struktur penyebab kegagalan.
4. Pengolahan Data FMEA untuk menentukan nilai Severity, Occurrence, Detection, dan menghitung Risk Priority Number (RPN).
5. Rekomendasi perbaikan berdasarkan nilai RPN tertinggi.

Studi Kasus: Analisis Data Produksi Januari 2024

Selama Januari 2024, total produksi mencapai 2.186 unit. Dari jumlah tersebut, sebanyak 348 unit mengalami cacat, yang berarti sekitar 15,9% dari total produksi.

Distribusi jenis cacat mencakup 94 unit karena kontaminasi benda asing, 24 unit karena warna tidak sesuai, dan 230 unit karena kadar iodium yang tidak sesuai dengan standar.

Analisis Diagram Fishbone

Kontaminasi Produk

Penyebab utama cacat jenis ini adalah mesin yang kotor, proses penyortiran yang masih manual, rendahnya ketelitian pekerja, serta bahan baku dari suplier yang tidak bersih.

Kadar Iodium Tak Sesuai

Penyebab utama termasuk tidak adanya SOP uji sampling, kurangnya ruang penyimpanan bahan baku, variasi kandungan iodium dari suplier, dan lemahnya prosedur pengambilan sampel.

Warna Tidak Sesuai

Masalah ini disebabkan oleh mesin yang kotor atau berkarat, tidak diterapkannya sistem FIFO dalam penggunaan bahan baku, SOP yang diabaikan oleh operator, serta bahan baku yang disimpan terlalu lama.

Fault Tree Analysis: Merinci Akar Masalah

FTA digunakan untuk memvisualisasi struktur kegagalan secara hierarkis. Sebagai contoh, cacat “warna tidak sesuai” disebabkan oleh karat pada mesin yang tidak dilaporkan, operator yang mengabaikan SOP, serta suhu ruangan yang tinggi sebagai indikator lingkungan kerja yang tidak optimal.

Failure Mode and Effect Analysis: Menentukan Prioritas Risiko

Dengan mengukur Severity, Occurrence, dan Detection, peneliti menghitung nilai RPN untuk setiap penyebab cacat. Beberapa temuan penting adalah:

• Kontaminasi karena tidak ada laporan terkait mesin kotor memiliki RPN sebesar 100,5.
• Penyortiran manual memiliki RPN sebesar 72,04.
• Ketidaksesuaian kadar iodium akibat ketiadaan SOP uji sampling menghasilkan RPN sebesar 49,32.
• Warna tidak sesuai karena pengabaian SOP oleh pekerja memiliki RPN sebesar 97,3.

Rekomendasi Perbaikan Proses

Berdasarkan nilai RPN tertinggi, berikut adalah saran konkret:

Untuk cacat akibat kontaminasi, disarankan adanya penjadwalan perawatan mesin secara rutin agar kebersihan dan kondisi mesin selalu terjaga.

Untuk masalah warna tidak sesuai, perlu penegakan disiplin bagi pekerja agar SOP pengendalian warna dipatuhi secara ketat.

Sedangkan untuk kadar iodium yang tidak sesuai, solusi terbaik adalah menyusun dan menerapkan SOP khusus uji sampling sebelum produksi dilakukan.

Komparasi dengan Penelitian Lain

Hasil dari penelitian ini sejalan dengan studi-studi sebelumnya yang diterapkan pada industri tas, kertas, dan beton ringan. Kombinasi metode FTA dan FMEA terbukti efektif dalam:

• Menyusun prioritas risiko berdasarkan data
• Mengurangi biaya akibat rework
• Meningkatkan efisiensi operasional secara keseluruhan

Yang membedakan studi ini adalah fokusnya pada industri garam—sektor yang sering kali terabaikan dalam wacana perbaikan kualitas industri manufaktur.

Kritik dan Opini

Penelitian ini memberikan pendekatan struktural dan berbasis data yang sangat baik. Namun demikian, ada beberapa hal yang bisa ditingkatkan ke depan:

Pertama, perlu adanya simulasi biaya yang menunjukkan dampak ekonomi dari setiap rekomendasi perbaikan. Kedua, penggunaan teknologi seperti IoT untuk memonitor kondisi mesin secara otomatis dapat meningkatkan deteksi dini terhadap potensi kegagalan. Ketiga, pelatihan tenaga kerja secara berkala perlu dijadikan strategi jangka panjang agar kualitas produk tetap terjaga.

Kesimpulan

Studi ini menunjukkan bahwa integrasi metode FTA dan FMEA efektif dalam mengidentifikasi akar penyebab cacat dan menyusun prioritas perbaikan berbasis risiko. Dengan penerapan yang konsisten, industri garam berpotensi besar untuk menurunkan tingkat kecacatan dari 15% menuju target 5%.

Sumber: Yafi, M. M., & Cahyono, M. D. N. (2024). The implementation of Fault Tree Analysis (FTA) and Failure Mode and Effect Analysis (FMEA) to improve the quality of salt industry in East Java. GREENOMIKA, 06(1), 94–102. https://doi.org/10.55732/unu.gnk.2024.06.1.10

Pendahuluan

Indeks Pembangunan Manusia (IPM) telah menjadi salah satu tolok ukur utama untuk menilai keberhasilan pembangunan suatu wilayah. Paper karya Muhammad Firza Ibnu Hartono dan Laelatul Khikmah dari Institut Teknologi Statistika dan Bisnis Muhammadiyah Semarang ini mencoba menggali lebih dalam faktor-faktor yang memengaruhi IPM di Provinsi Jawa Timur tahun 2021. Penelitian ini menggunakan pendekatan statistik canggih, yakni regresi logistik ordinal, untuk melihat pengaruh berbagai indikator sosial-ekonomi terhadap kategori IPM kabupaten/kota.

Latar Belakang

Paradigma pembangunan saat ini tidak hanya mengacu pada pertumbuhan ekonomi, tetapi juga menekankan pembangunan manusia sebagai fondasi utama. Oleh karena itu, IPM yang mengukur dimensi pendidikan, kesehatan, dan daya beli menjadi alat penting dalam menilai kesejahteraan daerah.

Meski Jawa Timur merupakan provinsi berpenduduk besar dan memiliki sumber daya ekonomi melimpah, posisinya dalam peringkat IPM nasional belum optimal, hanya menempati urutan ke-17 dari 34 provinsi. Hal ini menimbulkan pertanyaan mendasar: faktor apa saja yang memengaruhi capaian IPM di Jawa Timur?

Metodologi

Penelitian ini menggunakan data sekunder dari Badan Pusat Statistik (BPS) tahun 2021 untuk 38 kabupaten/kota di Jawa Timur. Model analisis yang digunakan adalah regresi logistik ordinal, mengingat IPM dikategorikan ke dalam tiga level:

1. Sedang (60 < IPM < 70)

2. Tinggi (70 < IPM < 80)

3. Sangat tinggi (IPM ≥ 80)

Variabel yang digunakan:

• Y (Variabel dependen): IPM kategori ordinal

• X1: Tingkat pengangguran terbuka (TPT)

• X2: Tingkat partisipasi angkatan kerja (TPAK)

• X3: Tingkat kemiskinan

• X4: Harapan lama sekolah

• X5: Rata-rata lama sekolah

• X6: Usia harapan hidup

• X7: Pengeluaran per kapita

Langkah Analisis:

1. Analisis deskriptif menggunakan peta tematik sebaran IPM.

2. Uji serentak dengan likelihood ratio test.

3. Uji parsial dengan uji Wald untuk tiap variabel.

4. Uji kesesuaian model regresi.

Hasil Penelitian

Gambaran Umum:

• Kota dengan IPM sangat tinggi: Surabaya (82.31), Malang, Madiun, dan Sidoarjo.

• Sebagian besar kabupaten lain hanya berada di kategori tinggi atau bahkan sedang.

Temuan Statistik:

• Uji serentak menghasilkan nilai p-value = 0,000, berarti secara kolektif ada pengaruh signifikan antara variabel bebas dan IPM.

• Namun secara parsial (Uji Wald), tidak ada satu pun variabel yang berpengaruh signifikan secara statistik terhadap IPM.

Ini menunjukkan adanya multikollinearitas atau variabel luar yang belum ditangkap oleh model.

Analisis Tambahan & Opini

Penafsiran:

Temuan ini menarik karena bertolak belakang dengan literatur umum yang menyatakan bahwa pendidikan dan kesehatan sangat menentukan IPM. Kemungkinan besar:

• Ketimpangan antarwilayah mempengaruhi kestabilan model.

• Ada variabel penting lain seperti infrastruktur, kualitas layanan publik, atau kinerja pemerintah daerah yang belum dimasukkan.

• Kategori ordinal terlalu sempit untuk menangkap variabilitas riil antar daerah.

Kritik terhadap Penelitian:

• Rentang variabel dependen (IPM) mungkin terlalu luas untuk dibatasi dalam tiga kategori saja.

• Tidak dilakukan transformasi data atau normalisasi, yang mungkin dibutuhkan untuk meningkatkan keakuratan model.

• Tidak diuji kemungkinan interaksi antar variabel.

Implikasi Kebijakan

• Pemerintah perlu menyusun kebijakan pembangunan manusia yang terintegrasi, tidak hanya mengejar angka pendidikan atau kesehatan secara nominal.

• Perlu pengumpulan data yang lebih luas, termasuk data kualitas hidup dan partisipasi sosial.

• Untuk analisis ke depan, disarankan menggunakan model yang lebih fleksibel seperti regresi multinomial atau analisis spasial.

Perbandingan dengan Studi Lain

• Studi ini memperkuat kritik terhadap pendekatan yang terlalu kuantitatif dalam analisis pembangunan manusia.

• Berbeda dengan penelitian Melliana & Zain (2013) yang menggunakan regresi panel dan menemukan pengaruh signifikan dari fasilitas kesehatan dan akses air bersih terhadap IPM Jawa Timur.

• Sementara itu, Farida et al. (2022) menggunakan pendekatan regresi ordinal namun dengan transformasi data dan berhasil menemukan signifikansi pendidikan dan pengeluaran.

Kesimpulan

Penelitian ini memberikan insight penting tentang keterbatasan model statistik dalam menjelaskan capaian pembangunan manusia jika tidak dilengkapi data yang komprehensif. Meski tidak menemukan pengaruh parsial yang signifikan, studi ini membuka ruang diskusi tentang kompleksitas IPM dan perlunya pendekatan multidimensi dan lintas disiplin.

Saran

• Gunakan pendekatan mixed-methods yang menggabungkan data kuantitatif dan wawancara lapangan.

• Tambahkan variabel kualitatif seperti persepsi publik, akses pelayanan, dan infrastruktur wilayah.

• Gunakan skala IPM kontinu atau indeks komposit agar hasil analisis lebih akurat dan aplikatif.

Sumber

Hartono, M. F. I., & Khikmah, L. (2024). Analisis Faktor yang Mempengaruhi Indeks Pembangunan Manusia (IPM) Jawa Timur 2021 Menggunakan Metode Regresi Logistik Ordinal. Jurnal El Mal, 5(9), 3989–3995. https://journal-laaroiba.com/ojs/index.php/elmal/3932

 

 

Pendahuluan

Perubahan sosial dan ekonomi di Indonesia telah memperluas peran perempuan dalam dunia kerja. Namun, tingkat partisipasi angkatan kerja wanita (TPAK-W) masih menunjukkan disparitas yang signifikan antar wilayah. Dalam skripsi berjudul "Pengaruh Kemiskinan, Pendidikan, dan Upah terhadap Partisipasi Angkatan Kerja Wanita di Provinsi Jawa Timur Tahun 2015–2019", Anisa Arwiaty dari Universitas Tidar mengupas dinamika kontribusi perempuan terhadap pasar kerja dan pengaruh variabel sosial-ekonomi terhadap keputusan mereka untuk bekerja.

Studi ini penting dalam konteks pemberdayaan ekonomi perempuan dan perumusan kebijakan ketenagakerjaan yang inklusif di tingkat provinsi.

Latar Belakang

Provinsi Jawa Timur merupakan salah satu daerah dengan populasi penduduk besar dan struktur sosial ekonomi yang kompleks. Meskipun jumlah perempuan usia produktif terus meningkat, keterlibatan mereka dalam pasar kerja tidak selalu berjalan seiring dengan pertumbuhan ekonomi daerah.

Banyak perempuan menghadapi hambatan struktural seperti:

• Kewajiban rumah tangga

• Tingkat pendidikan rendah

• Upah yang tidak kompetitif

• Kondisi kemiskinan keluarga

Penelitian ini mencoba menguji apakah ketiga faktor tersebut—kemiskinan, pendidikan, dan upah minimum—berpengaruh terhadap keputusan wanita untuk ikut serta dalam angkatan kerja.

Metodologi

Penelitian ini menggunakan pendekatan kuantitatif deskriptif dengan data panel dari 38 kabupaten/kota di Jawa Timur selama 5 tahun (2015–2019). Data diambil dari BPS dan sumber resmi lainnya.

Variabel yang Digunakan:

• Variabel Dependen: TPAK-W (Tingkat Partisipasi Angkatan Kerja Wanita)

• Variabel Independen:

  • Tingkat kemiskinan (% jumlah penduduk miskin)

  • Rata-rata lama sekolah perempuan (tahun)

  • Upah minimum kabupaten/kota (rupiah)

Model yang digunakan adalah Fixed Effect Model (FEM) berdasarkan hasil uji Chow dan Hausman. Analisis dilakukan menggunakan software Eviews.

Hasil Penelitian

Temuan Utama:

• Kemiskinan: Berpengaruh positif dan signifikan terhadap partisipasi kerja wanita. Artinya, semakin miskin suatu wilayah, semakin besar tekanan ekonomi yang mendorong perempuan untuk bekerja.

• Pendidikan: Berpengaruh negatif dan signifikan, yang mengejutkan. Perempuan dengan pendidikan tinggi cenderung memilih tidak bekerja, kemungkinan karena selektivitas kerja dan peran domestik.

• Upah Minimum: Tidak berpengaruh signifikan terhadap partisipasi kerja wanita secara statistik, meskipun secara ekonomi diasumsikan berpengaruh.

Studi Kasus:

• Di daerah seperti Bojonegoro dan Lamongan, yang memiliki tingkat kemiskinan tinggi, partisipasi kerja wanita mencapai lebih dari 55%.

• Sebaliknya, di kota seperti Surabaya dan Malang, yang memiliki kualitas pendidikan perempuan lebih tinggi, TPAK-W justru lebih rendah.

Analisis Tambahan & Opini

Penafsiran:

Kemiskinan sebagai pendorong partisipasi wanita dalam kerja menunjukkan bahwa banyak perempuan bekerja bukan karena pilihan, melainkan karena keterpaksaan ekonomi. Ini menjadi sorotan penting dalam kajian ekonomi kesejahteraan.

Temuan negatif dari pendidikan menunjukkan bahwa perempuan berpendidikan tinggi lebih selektif terhadap jenis pekerjaan. Mereka cenderung menunggu pekerjaan yang sesuai dengan bidang dan ekspektasi mereka, atau memilih aktivitas non-ekonomi seperti mengurus keluarga atau studi lanjut.

Kritik terhadap Penelitian:

• Upah minimum sebagai indikator terlalu agregatif dan tidak mencerminkan ketimpangan upah berdasarkan sektor atau jenis kelamin.

• Tidak mempertimbangkan variabel budaya, jumlah tanggungan, atau status perkawinan yang bisa memengaruhi keputusan wanita untuk bekerja.

Implikasi Kebijakan

• Pemerintah daerah harus menciptakan program pelatihan kerja yang sesuai dengan keterampilan dan harapan perempuan berpendidikan.

• Pemberdayaan ekonomi perempuan di wilayah miskin perlu dikembangkan melalui skema dukungan informal seperti UMKM berbasis rumah tangga.

• Perlu pengembangan regulasi ketenagakerjaan yang mendukung fleksibilitas jam kerja dan cuti untuk perempuan.

Perbandingan dengan Studi Lain

Studi ini memperkuat temuan Afifah (2018) yang menyebutkan bahwa tekanan ekonomi mendorong partisipasi kerja wanita. Namun, berbeda dengan Indrawati (2016) yang menyatakan pendidikan berbanding lurus dengan partisipasi kerja perempuan secara nasional.

Kesimpulan

Penelitian Anisa Arwiaty memberikan wawasan penting tentang kompleksitas partisipasi angkatan kerja wanita di Jawa Timur. Kemiskinan mendorong perempuan untuk bekerja, sementara pendidikan tinggi justru membuat mereka lebih selektif. Hasil ini membuka ruang kebijakan yang lebih kontekstual, responsif gender, dan berbasis data wilayah.

Saran

• Perluasan studi dengan memasukkan dimensi budaya dan keluarga.

• Rekomendasi kebijakan harus mempertimbangkan pendekatan lintas sektor: pendidikan, ketenagakerjaan, dan pemberdayaan sosial.

Sumber

Arwiaty, A. (2021). Pengaruh Kemiskinan, Pendidikan, dan Upah terhadap Partisipasi Angkatan Kerja Wanita di Provinsi Jawa Timur Tahun 2015–2019. Universitas Tidar.

 

Pendahuluan

Dalam konteks pembangunan daerah, pertumbuhan ekonomi tidak bisa dilepaskan dari fondasi sosial seperti kemiskinan, pendidikan, dan kesehatan. Paper karya Arya Darmawan dari Fakultas Ekonomi dan Bisnis Universitas Negeri Malang berjudul "Pengaruh Kemiskinan, Pendidikan, dan Kesehatan terhadap Pertumbuhan Ekonomi di Provinsi Jawa Timur" menyajikan analisis kuantitatif mendalam terhadap 38 kabupaten/kota di Jawa Timur dengan menggunakan data panel tahun 2017–2021.

Penelitian ini tidak hanya penting untuk menilai efektivitas kebijakan pembangunan, tetapi juga untuk memahami bagaimana sinergi antara ketiga aspek sosial dapat mendongkrak pertumbuhan ekonomi yang inklusif dan berkelanjutan.

Latar Belakang

Meskipun Jawa Timur dikenal sebagai salah satu provinsi dengan kontribusi PDRB tertinggi di Indonesia, ketimpangan sosial masih menjadi tantangan nyata. Tingginya tingkat kemiskinan di beberapa daerah, rendahnya akses pendidikan, serta kualitas layanan kesehatan yang belum merata memunculkan pertanyaan besar: apakah ketiganya berpengaruh signifikan terhadap pertumbuhan ekonomi?

Arya Darmawan mencoba menjawab pertanyaan ini dengan merinci data 38 kabupaten/kota di Jawa Timur, menyusun model ekonometrika panel, dan menguji hubungan antara variabel-variabel sosial tersebut dengan laju pertumbuhan ekonomi daerah.

Metodologi

Penelitian ini menggunakan pendekatan kuantitatif dengan data panel (cross-section dan time series) selama 5 tahun (2017–2021). Variabel yang digunakan adalah:

• Variabel dependen: Pertumbuhan ekonomi (dilihat dari laju pertumbuhan PDRB ADHK)

• Variabel independen:

  • Tingkat kemiskinan (% penduduk miskin)

  • Tingkat pendidikan (Rata-rata lama sekolah)

  • Kesehatan (Angka harapan hidup)

Model yang digunakan adalah Fixed Effect Model (FEM) setelah melalui pengujian Chow dan Hausman. Pengolahan data dilakukan menggunakan Eviews.

Hasil Penelitian

Temuan Utama:

• Kemiskinan: Berpengaruh negatif dan signifikan terhadap pertumbuhan ekonomi. Artinya, semakin tinggi tingkat kemiskinan, semakin lambat pertumbuhan ekonomi suatu daerah.

• Pendidikan: Tidak berpengaruh secara signifikan. Ini menunjukkan bahwa peningkatan rata-rata lama sekolah belum tentu langsung berdampak pada pertumbuhan ekonomi.

• Kesehatan: Berpengaruh positif dan signifikan. Angka harapan hidup yang tinggi di suatu daerah cenderung berkorelasi dengan pertumbuhan ekonomi yang lebih baik.

Studi Kasus:

• Surabaya dan Sidoarjo yang memiliki angka harapan hidup tinggi dan kemiskinan rendah menunjukkan laju pertumbuhan ekonomi yang konsisten.

• Sebaliknya, Bondowoso dan Bangkalan yang masih memiliki kemiskinan tinggi dan layanan kesehatan terbatas mencatat pertumbuhan ekonomi yang relatif stagnan.

Analisis Tambahan dan Opini

Penafsiran Temuan:

Fakta bahwa pendidikan tidak signifikan secara statistik membuka diskusi baru: apakah sistem pendidikan saat ini sudah relevan dengan kebutuhan pasar tenaga kerja lokal? Atau mungkinkah ada lag time antara investasi pendidikan dan dampaknya terhadap ekonomi?

Sementara itu, korelasi positif antara kesehatan dan pertumbuhan ekonomi menunjukkan bahwa produktivitas tenaga kerja sangat dipengaruhi oleh kualitas kesehatan. Kesehatan yang baik berarti lebih sedikit hari sakit, tenaga kerja lebih produktif, dan pengeluaran negara untuk sektor kuratif bisa dialihkan ke produktif.

Implikasi Kebijakan:

• Pemerintah daerah perlu memprioritaskan program pengentasan kemiskinan berbasis kewilayahan.

• Investasi kesehatan primer seperti puskesmas dan promotif-preventif harus diperluas.

• Reformasi pendidikan diperlukan agar lulusannya relevan secara ekonomi, tidak hanya kuantitatif secara tahun belajar.

Kritik terhadap Penelitian

• Variabel pendidikan mungkin terlalu sempit jika hanya menggunakan indikator "lama sekolah." Bisa dipertimbangkan variabel lain seperti partisipasi sekolah lanjutan, angka buta huruf, atau kualitas guru.

• Faktor lain seperti infrastruktur, iklim investasi, dan pengeluaran pemerintah daerah belum dimasukkan dalam model, padahal bisa memberi pengaruh signifikan.

Perbandingan dengan Penelitian Lain

Penelitian ini sejalan dengan Todaro (2011) dan temuan Bappenas yang menyebut bahwa kemiskinan berbanding terbalik dengan pertumbuhan ekonomi. Namun, tidak semua hasilnya sesuai: studi oleh Hariyadi (2019) justru menemukan bahwa pendidikan berpengaruh signifikan terhadap pertumbuhan ekonomi di tingkat nasional, meskipun dalam konteks Jawa Timur hal itu tidak terjadi.

Kesimpulan

Penelitian Arya Darmawan memberikan kontribusi penting dalam literatur ekonomi pembangunan daerah. Temuannya menunjukkan bahwa pengentasan kemiskinan dan peningkatan kesehatan adalah dua kunci penting untuk mempercepat pertumbuhan ekonomi di Jawa Timur. Namun, pendidikan masih membutuhkan reformasi struktural agar dampaknya lebih terasa.

Saran

• Penelitian lanjutan perlu memasukkan variabel tambahan seperti pengangguran terbuka dan investasi daerah.

• Pemerintah daerah harus membuat perencanaan pembangunan sosial yang lebih holistik dan terukur.

Sumber

Darmawan, A. (2023). Pengaruh Kemiskinan, Pendidikan, dan Kesehatan terhadap Pertumbuhan Ekonomi di Provinsi Jawa Timur Tahun 2017–2021. Fakultas Ekonomi dan Bisnis, Universitas Negeri Malang.

 

Pendahuluan

Angka Kematian Ibu (AKI) masih menjadi isu strategis dalam pembangunan kesehatan di Indonesia. Di tengah berbagai capaian pembangunan, kematian ibu tetap tinggi dan menjadi indikator sensitif dalam menilai kualitas layanan kesehatan masyarakat. Dalam paper ilmiah berjudul "Pemetaan AKI Menggunakan GeoDa di Provinsi Jawa Timur" karya Ayuc Shinta Indah Sari dkk., yang diterbitkan dalam jurnal Preventif tahun 2022, dilakukan analisis spasial terhadap AKI di 38 kabupaten/kota di Jawa Timur menggunakan software GeoDa.

Latar Belakang

Target global Sustainable Development Goals (SDGs) menetapkan bahwa AKI harus turun menjadi 70 per 100.000 kelahiran hidup pada tahun 2030. Pada tahun 2019, AKI di Jawa Timur tercatat sebesar 89,81 per 100.000 kelahiran hidup, menurun dari 91,45 di tahun sebelumnya, dan sudah melampaui target nasional (Renstra). Namun, disparitas antarwilayah masih tinggi. Misalnya, Kabupaten Situbondo, Jember, dan Bojonegoro tercatat memiliki AKI tertinggi, sedangkan Sidoarjo, Surabaya, dan Malang termasuk dalam kategori rendah.

Metodologi

Penelitian ini menggunakan data sekunder dari Profil Kesehatan Provinsi Jawa Timur tahun 2019. Pemetaan dilakukan dengan perangkat lunak GeoDa, yang dikembangkan oleh Luc Anselin. GeoDa mampu menampilkan visualisasi spasial dalam bentuk Natural Breaks Map, membagi wilayah ke dalam tiga kategori: AKI tinggi, sedang, dan rendah.

Langkah Pemrosesan Data:

• Data AKI tiap kabupaten/kota diinput ke dalam file .shp dari portal geospasial nasional.

• Proses klasifikasi menggunakan metode Natural Breaks.

• Warna peta digunakan untuk mengidentifikasi kategori AKI: gelap (tinggi), sedang (menengah), terang (rendah).

Hasil Temuan

Pemetaan menunjukkan:

• 7 daerah dengan AKI tinggi: Situbondo, Banyuwangi, Jember, Bondowoso, Pacitan, Bojonegoro, dan Madiun.

• 16 daerah AKI sedang: antara lain Lumajang, Pasuruan, Probolinggo, Tuban, Ngawi, dan Mojokerto.

• 15 daerah AKI rendah: Surabaya, Sidoarjo, Malang, Kediri, Tulungagung, Lamongan, dan Kota Batu.

Studi Kasus & Data Tambahan

Di Kabupaten Situbondo, penyebab utama kematian ibu adalah preeklampsia dan eklampsia. Di Bojonegoro, penyebabnya termasuk pendarahan dan hipertensi, sementara di Madiun ditemukan kasus kanker hati pada ibu hamil. Program lokal seperti Gerakan Sayang Ibu (GSI) di Gresik menjadi contoh upaya berbasis komunitas dalam menekan AKI.

Analisis & Nilai Tambah

Faktor Penyebab Kunci:

• Penyakit penyerta kehamilan (preeklampsia, kanker, infeksi).

• Perencanaan kehamilan yang kurang matang.

• Minimnya akses pelayanan kesehatan di daerah terpencil.

Implikasi Kebijakan:

• Visualisasi spasial sangat membantu dalam menetapkan prioritas intervensi.

• Intervensi multisektor sangat diperlukan, termasuk peran aktif Dinkes, rumah sakit, Puskesmas, dan organisasi profesi (POGI, IDAI, IBI).

Kritik terhadap Studi:

• Studi belum menguji secara statistik hubungan spasial (misal: autokorelasi atau spatial lag).

• Tidak ada analisis regresi spasial atau pengaruh variabel non-kesehatan seperti kemiskinan, pendidikan, dan akses transportasi.

Perbandingan dengan Studi Lain

Studi ini memperkuat hasil penelitian Pangestu (2018) dan Yasril (2020) yang menyebutkan bahwa komplikasi kebidanan dan tingkat kemiskinan berperan penting dalam AKI. Namun studi ini lebih unggul dari sisi visualisasi spasial dan pemanfaatan teknologi pemetaan yang jarang digunakan dalam penelitian lokal.

Kesimpulan

Pemetaan spasial AKI dengan GeoDa membuka cakrawala baru dalam melihat distribusi risiko kesehatan maternal. Hasilnya sangat bermanfaat bagi pemerintah daerah untuk menyusun strategi intervensi yang tepat sasaran, baik dalam bentuk fasilitas layanan kesehatan, edukasi masyarakat, maupun regulasi pelindung ibu hamil.

Saran

• Tambahkan analisis spasial lanjut seperti LISA dan Moran’s I untuk melihat pola klaster.

• Perlu integrasi data sosial-ekonomi dalam pemodelan.

• Perkuat kolaborasi lintas sektor dalam implementasi kebijakan pengurangan AKI.

Sumber

Sari, A.S.I., Iriyanti, Y.N., Prayogi, A.R.Y., & Prayoga, D. (2022). Pemetaan AKI Menggunakan GeoDa di Provinsi Jawa Timur. Preventif: Jurnal Kesehatan Masyarakat, 13(2), 206–215. https://jurnal.fkm.untad.ac.id/index.php/preventif/article/view/2171