Pendahuluan

Di era modern yang didominasi data besar (Big Data) dan kecerdasan buatan (AI), pengambilan keputusan dalam organisasi semakin mengandalkan analisis data. Paper "Critical Thinking in the Age of Big Data and AI" oleh Elias Axsäter, Ruben Forsmark, dan Tala Badawi, menggali bagaimana pemanfaatan Big Data Analytics (BDA) mempengaruhi kemampuan berpikir kritis pekerja kantoran (white-collar workers). Melalui pendekatan kuantitatif, penelitian ini berupaya menjawab apakah ketergantungan pada BDA memperkuat atau justru melemahkan pemikiran kritis.

Resensi ini akan membedah inti pemikiran paper, menganalisis metodologi, hasil, dan implikasi praktis, serta menambahkan perspektif lebih luas dengan studi kasus dan tren industri terkini.

Mengapa Pemikiran Kritis Penting di Era Big Data?

Dalam lingkungan bisnis modern, keputusan yang baik tak hanya bergantung pada data yang tersedia, melainkan juga bagaimana data tersebut diinterpretasikan. Pemikiran kritis menjadi kunci agar pengambil keputusan mampu membedakan antara wawasan yang relevan dan bias algoritmik yang tersembunyi.

Sebagai contoh, Amazon menggunakan data besar untuk memperkirakan kebutuhan pelanggan dan menyarankan produk. Namun, tanpa pemikiran kritis, hasil analisis bisa berujung pada rekomendasi yang memperkuat kebiasaan belanja lama, bukannya mendorong pelanggan ke pilihan lebih baik yang mungkin tidak mereka pertimbangkan.

Selain itu, pemikiran kritis juga memungkinkan organisasi memfilter "noise" dari data yang terlalu besar dan rumit. Banyak bisnis gagal karena mereka terlalu fokus pada angka yang tampak menggiurkan, tetapi melupakan konteks di balik angka tersebut.

Studi Kasus Tambahan: Keberhasilan dan Kegagalan dalam Pemikiran Kritis

1. Kesuksesan: Netflix dan Adaptasi Konten Netflix tidak hanya mengandalkan data tontonan pengguna, tetapi juga melakukan pendekatan kritis terhadap preferensi audiens. Mereka berani memproduksi serial seperti Stranger Things, meskipun data awal kurang mendukung ide tersebut. Hasilnya? Kesuksesan global. Ini membuktikan bahwa kombinasi data dan pemikiran kritis mampu mendorong keputusan inovatif.

2. Kegagalan: Nokia dan Ketidakmampuan Melawan Tren Pasar Di sisi lain, Nokia adalah contoh klasik dari perusahaan yang terlalu percaya pada data historis. Mereka meyakini dominasi pasar ponsel fitur akan bertahan, meskipun tren smartphone mulai terlihat. Keputusan yang kurang didasarkan pada pemikiran kritis membuat mereka tertinggal dari Apple dan Samsung.

3. Facebook dan Skandal Cambridge Analytica Facebook menghadapi kritik besar ketika data pengguna disalahgunakan oleh Cambridge Analytica untuk memengaruhi pemilu. Meski data besar mendukung strategi iklan yang lebih efektif, kurangnya pemikiran kritis dalam mengelola privasi data pengguna merusak reputasi perusahaan dan memicu investigasi global. Ini menegaskan pentingnya menyeimbangkan pemanfaatan data dengan pemikiran etis yang kritis.

4. Kesuksesan: Tesla dan Inovasi Otomotif Tesla menunjukkan bagaimana pemikiran kritis berpadu dengan data besar menghasilkan inovasi. Meskipun data pasar menunjukkan rendahnya permintaan kendaraan listrik saat awal berdiri, Elon Musk mempertanyakan data tersebut dan memprediksi lonjakan permintaan. Berkat pemikiran kritis yang mendobrak pola lama, Tesla kini menjadi pemimpin pasar.

Implikasi di Dunia Kerja Modern

Pemikiran kritis menjadi krusial bagi pemimpin dan karyawan yang bekerja di lingkungan berbasis data. Perusahaan seperti Google bahkan memasukkan pemikiran kritis dalam penilaian kinerja karyawannya. Ini menunjukkan pergeseran budaya kerja, di mana sekadar "mengikuti data" tidak lagi cukup — pemikiran kritis diperlukan untuk memastikan data benar-benar dipahami dan dimanfaatkan secara optimal.

Lebih jauh lagi, perusahaan harus mendorong pembelajaran lintas fungsi. Karyawan yang memahami lebih dari satu bidang — misalnya data science dan strategi bisnis — cenderung lebih mampu berpikir kritis dan menafsirkan data secara kontekstual. Program rotasi pekerjaan dan pelatihan interdisipliner bisa menjadi kunci untuk membangun budaya pemikiran kritis di masa depan.

Kesimpulan dan Implikasi Praktis

Penelitian ini menegaskan bahwa pemikiran kritis tetap menjadi kompetensi esensial di tengah arus digitalisasi dan penetrasi BDA. Ketergantungan berlebih pada data tanpa pemikiran kritis yang memadai berisiko melahirkan keputusan yang dangkal dan kurang kontekstual. Sebaliknya, kombinasi keduanya dapat mendorong pengambilan keputusan yang lebih cerdas dan strategis.

Rekomendasi praktis:

• Perusahaan perlu menyeimbangkan investasi antara teknologi data dan pelatihan pemikiran kritis.
• Program pengembangan kepemimpinan harus memasukkan pelatihan pemikiran kritis sebagai inti kurikulum.
• Kebijakan organisasi harus mendorong pengambilan keputusan yang berbasis data, tetapi tetap membuka ruang untuk intuisi dan pengalaman profesional.
• Karyawan harus didorong untuk mempertanyakan hasil analisis data dan memahami konteks lebih luas sebelum mengambil keputusan.
• Perusahaan sebaiknya membangun program rotasi kerja dan pelatihan lintas disiplin untuk membekali karyawan dengan pemahaman lebih komprehensif dalam menafsirkan data.
• Organisasi harus membangun budaya diskusi terbuka di mana karyawan bebas mempertanyakan hasil data dan menawarkan perspektif kritis.

Sumber Artikel

• Axsäter, E., Forsmark, R., & Badawi, T. (2025). Critical Thinking in the Age of Big Data and AI. Bachelor Thesis, Institution of Business Administration.

Pendahuluan: Risiko Keterlambatan, Momok di Dunia Konstruksi

Keterlambatan dalam proyek konstruksi bukan hanya sekadar masalah teknis, tetapi seringkali berimbas langsung pada kerugian finansial, reputasi, hingga aspek hukum. Indonesia, dengan pertumbuhan sektor infrastruktur yang pesat, juga menghadapi fenomena serupa. Dalam konteks ini, artikel karya Dewi dkk. menghadirkan pendekatan metodologis berbasis Fuzzy Failure Mode and Effect Analysis (Fuzzy FMEA) untuk memetakan dan menganalisis risiko-risiko keterlambatan secara kuantitatif dan terstruktur.

Metodologi Fuzzy FMEA: Sintesis Logika dan Praktik

Apa Itu FMEA?

FMEA (Failure Mode and Effect Analysis) merupakan teknik analisis kegagalan yang umum digunakan dalam manajemen risiko. Dalam FMEA tradisional, risiko dihitung dengan mengalikan tiga komponen:

• Severity (S) – tingkat keparahan dampak

• Occurrence (O) – probabilitas kejadian

• Detection (D) – kemampuan mendeteksi sebelum terjadi
   

Namun, pendekatan ini memiliki kelemahan: subjektivitas penilaian, terutama jika melibatkan banyak ahli. Di sinilah logika fuzzy memberikan solusi, yaitu dengan memfasilitasi penilaian linguistik seperti "tinggi", "rendah", atau "sedang" menjadi nilai numerik yang lebih adil dan realistis.

Integrasi Fuzzy dalam FMEA

Dalam studi ini, penulis menggunakan Triangular Fuzzy Numbers (TFN) untuk mentransformasi nilai linguistik dari para ahli menjadi nilai numerik. Setiap risiko dievaluasi menggunakan Risk Priority Number (RPN) fuzzy sebagai output akhir.

Analisis: Mengapa Fuzzy FMEA Relevan?

Kelebihan Fuzzy FMEA:

• Mengurangi subjektivitas dalam penilaian ahli.

• Lebih akurat dalam memprioritaskan risiko.

• Dapat diterapkan pada berbagai proyek dengan kompleksitas tinggi.

Studi Banding:

Dalam penelitian serupa oleh Ramazani & Jergeas (2015) di Kanada, metode fuzzy juga digunakan untuk mengatasi risiko dalam proyek migas. Hasilnya menunjukkan pengambilan keputusan yang lebih presisi dibandingkan dengan FMEA konvensional.

Kritik & Catatan Tambahan

Kekuatan Artikel:

• Struktur metodologis yang jelas.

• Data lapangan langsung dari proyek nyata.

• Pendekatan kuantitatif yang modern dan akurat.

Kelemahan:

• Lingkup penelitian masih terbatas pada satu proyek di Bali.

• Tidak membahas solusi mitigasi spesifik untuk masing-masing risiko.

Saran:

Akan lebih kuat bila penelitian ini diperluas menjadi studi komparatif antar beberapa jenis proyek (misal gedung vs jalan raya). Selain itu, pemodelan solusi berbasis AI atau sistem pendukung keputusan (DSS) bisa menjadi pengembangan berikutnya.

Implikasi Praktis untuk Dunia Industri

Penelitian ini memberi alarm penting bagi pelaku industri: keterlambatan bukan hanya akibat teknis di lapangan, melainkan juga kesalahan dalam pengambilan keputusan awal, seperti desain yang berubah di tengah jalan atau koordinasi yang lemah. Penggunaan metode Fuzzy FMEA menjadi alat strategis bagi konsultan manajemen proyek, kontraktor, dan pemilik proyek untuk melakukan pemetaan risiko lebih awal dan menyusun rencana mitigasi berbasis data.

Studi Kasus Terkait: Proyek Ibu Kota Nusantara (IKN)

Dalam proyek berskala nasional seperti IKN, potensi keterlambatan sangat besar. Berdasarkan laporan Kementerian PUPR, salah satu tantangan utama adalah cuaca dan perubahan desain kebijakan. Jika diterapkan metode Fuzzy FMEA sejak awal, potensi delay ini bisa diidentifikasi sejak fase perencanaan dan meminimalisasi kerugian miliaran rupiah.

Kesimpulan

Artikel ini merupakan kontribusi signifikan dalam dunia manajemen risiko konstruksi. Dengan memadukan metode klasik (FMEA) dan pendekatan modern (fuzzy logic), penulis berhasil memberikan kerangka kerja yang fleksibel, adaptif, dan kuantitatif dalam memetakan risiko keterlambatan. Meskipun penelitian ini masih bersifat lokal, pendekatannya sangat potensial untuk direplikasi di proyek-proyek berskala besar atau multinasional.

Sumber

Dewi, W. S., Wardana, K. A., & Santoso, D. D. P. (2024). Analisa Risiko Keterlambatan pada Proyek Konstruksi dengan Menggunakan Metode Fuzzy FMEA. Jurnal Rekayasa dan Manajemen Sistem Industri, 12(1).
URL: https://jurnal.untag-sby.ac.id/index.php/jrmsi/article/view/3285