Telkomsel Jangkar Industri?

headline2Tulisan ini merupakan tanggapan atas artikel di tautan berikut, atau opini serupa terhadap kinerja Telkomsel tahun 2016.

Agar seimbang, mari lihat masalah ini dari berbagai sudut pandang pemangku kepentingan industri. Operator tak akan ada tanpa pelanggan; pelanggan tak akan bisa menikmati layanan tanpa operator.

Keberlangsungan industri ini merupakan tanggung jawab kita semua.

Telkomsel si rentenir serakah yang menghisap darah pelanggan atau sang pengurus bisnis yang cerdas nan dermawan?

Laba Telkomsel memang “lumayan gila” [1]:

Profit Margin Telkomsel 2014 : 29% (Laba 19 triliun, pendapatan 66 triliun).Profit Margin Telkomsel 2015 : 29% (Laba 22 triliun, pendapatan 76 triliun).Profit Margin Telkomsel 2016 : 32% (Laba 28 triliun, pendapatan 86 triliun).

Laba tahun 2016 katanya adalah “TERBESAR di Indonesia, mengalahkan laba BRI yang besarnya Rp 25 triliun” dan “merupakan karnaval keserakahan bisnis yang amat menggetarkan” karena “margin yang sangat eksesif, 32%, ibarat rentenir yang memasang bunga mencekik kepada pelanggannya”.

Yang tercecer dari dakwaan di atas adalah bahwa laba tersebut tak dilahap Telkomsel seorang diri. Melalui Telkom, 70% laba Telkom Group tahun 2016, atau Rp. 13.55 triliun, dibagi-bagi sebagai dividen. Dari angka ini, 52% masuk saku pemerintah. Rasio pembayaran dividen (jumlah dividen yang dibayarkan dibagi laba bersih) naik 10% (dari 60% tahun lalu menjadi 70%) sehingga fulus lompat mulus 46% (dari Rp. 9.29 triliun menjadi Rp. 13.55 triliun). Sisanya untuk dana ekspansi usaha dan biaya operasional perusahaan.

Padahal tak wajib Telkom bayar dividen.

Selain itu, pada tahun 2016 Telkom setor pajak sebesar Rp. 9.02 triliun, naik 12.4%. Karena seperempat dari laba operasi masuk pundi pendapatan negara, maka semakin untung, semakin tinggi pula pajak yang disetor kepada pemerintah.

Dengan demikian, pada tahun 2016, Telkom menyumbang total Rp. 16.07 triliun ke kas negara.

Lampiran 1 menunjukkan pembayaran pajak dan dividen Telkom pada enam tahun terakhir, tanpa henti. Lampiran 2 memperlihatkan prosentase laba bersih dan rasio pembayaran dividen. Kinerja keuangan memang luar biasa tapi sebagian besar dari net income tersebut tak masuk kantong Telkomsel/Telkom. Yang tersisa dipakai untuk ekspansi dan biaya operasional perusahaan.

Perusahaan komersial, laiknya Telkomsel/Telkom Group, adalah sebuah entitas bisnis, bukan badan amal. Karena bukan yayasan nirlaba, bisnis hadir untuk memaksimalkan nilai dan kepentingan terbaik pemegang saham. Pelanggaran dari prinsip ini adalah pengingkaran dari fiduciary duty, yang bisa menyeret pemimpin perusahaan ke penjara.

Telkomsel, melalui Telkom, adalah perusahaan publik, dimana pemerintah Republik Indonesia memiliki saham mayoritas sebesar 52%. Sebagai perusahaan terbuka, semua warga negara Indonesia bisa menjadi pemilik Telkom, dengan demikian ambil bagian dari kesejahteraan ekonomi perusahaan. Jadi, Telkom bertanggung jawab kepada Pemerintah sebagai pemilik saham mayoritas dan kepada publik.

Oleh karena Pemerintah membangun sekolah-sekolah, rumah sakit, jalan-jalan baru dan berbagai infrastruktur lainnya dari pajak dan dividen, maka masyarakat dan pelanggan mendapat manfaat tak langsung dari kinerja apik Telkom Group.

Manfaat langsung, selain layanan dan jaringan yang bisa diperoleh masyarakat luas, termasuk para pelanggan yang punya saham Telkom, adalah apresiasi harga saham dan pembagian dividen. Harga saham akan naik paralel dengan kinerja perusahaan. Misal, selama tahun 2016 nilai saham Telkom naik sebesar 28%. Tingkat pengembalian investasi pada tahun 2016 -apresiasi saham Telkom dan dividen- ini jelas jauh lebih tinggi dari simpanan bank.

Kita belum bicara rantai distribusi suplai dan penjualan, yang nasibnya tergantung pada jatuh bangunnya perusahaan.

Jadi, pemangku kepentingan Telkom Group bukan hanya pelanggan saja, tapi juga pemegang saham, pemerintah, pemasok barang dan jasa, distributor dan publik lain terkait.

Hanya perusahaan untung yang bisa terus beroperasi dan demikian terus melayani kepentingan semua pemangku kepentingan, terutama memastikan hajat hidup orang banyak bisa berkelanjutan, bayar pajak, bayar dividen, dan mendongkrak nilai perusahaan.

Jika kita bandingkan dengan Indosat dan XL, mereka tak tentu bayar pajak penghasilan, karena merugi. Ironinya, perusahaan yang merugi bukan saja tak bayar pajak penghasilan pada periode tersebut tapi mendapatkan manfat pajak dari kerugian yang mereka alami (deferred tax asset), yang bisa diklaim hingga sepuluh tahun kedepan.

Tapi ironinya lagi meskipun kedua operator ini merugi, dan dapat manfaat pajak dari pemerintah, mereka tetap bayar dividen. Tahun 2014, XL walau rugi masih bayar dividen satu triliun rupiah lebih. Demikian juga Indosat pada tahun 2012 dan 2013. Lihat Lampiran 3 dan Lampiran 4.

Saya pikir hanya orang dengan ideologi kiri yang sangat ekstrem/komunis yang tuding Telkomsel/Telkom Group, dengan total kontribusi pajak dan dividen Rp. 22.6 triliun kepada pemerintah dan publik (tahun 2016 saja), dan merupakan agen katalis perekonomian bangsa, sebagai si “rentenir [serakah] yang dengan santai mencekik dan menghisap darah pelanggannya”.

Karnaval keserakahan bisnis yang amat menggetarkan atau komparasi yang tak kucing-dengan-kucing?

Menurut sumber yang sama, di Asia, rata-rata profit margin perusahaan layanan telco sekitar 20an%. “Sebagai contoh Singtel (Singapore Telecom) sebesar 21% – jauh dibawah Telkomsel. Sementara profit margin Telstra Australia hanya 20%; Telco Thailand (AIS) 21%; Telco Phillipina (PLDT) hanya 17% dan profit margin China Mobile hanya 15%.”

Kesimpulannya: “Profit margin Telkomsel jauh di atas rata-rata dunia, 3 kali lipatnya. Atau jika dibanding Asia, lebih tinggi 50%.”

Komparasi ini campur aduk dan tak pas sebab Telkomsel adalah unit bisnis berbasis selular sedangkan perusahaan seperti Telstra, PLDT atau Singtel adalah holding company yang menawarkan berbagai layanan telco seperti fixed lines, multi-media, selular dan sebagainya.

Sehingga lebih cocok membandingkan dengan kinerja Telkom Group. Laba bersih Telkom Group tahun lalu adalah 25.1%, memang lebih tinggi dari Telstra dan Singtel tapi tak jauh-jauh amat.

Penting untuk melihat Telkomsel sebagai bagian dari portfolio Telkom Group karena direktur Telkomsel datang dari Telkom, dan keputusan mengenai investasi dan pendanaan operasi masih harus mendapat persetujuan akhir dari Telkom, yang tentunya menghitung untung rugi perusahaan dari kacamata Telkom Group.

Hal ini penting karena untuk perusahaan induk bisnis telco, segmen bisnis selular masih paling menjanjikan dan menguntungkan, kalau bukan sang juru selamat. Misalnya untuk Telkom Group, meskipun revenue Telkomsel tahun 2016 menyumbang hanya 75% dari keselurahan pendapatan Group, Telkomsel menyumbang 97% dari laba bersih. Lihat Lampiran 5. Tak heran pada RUPS Telkomsel, Jumat 5/5/17, dua direktur Telkomsel diambil dari internal Telkomsel, sesuatu yang tak pernah terjadi sebelumnya.

Kedua, perbandingannya jomblang karena kondisi makroekonomi dan kebijakan fiskal dan moneter yang tak sama di tiap negara sehingga mempengaruhi laba perusahaan.

Di Australia, misalnya, pajak penghasilan perusahaan lebih tinggi dari Indonesia, tingkat inflasi dan tingkat suku bunga yang lebih rendah yang menekan laba perusahaan. Sehingga Telstra lebih berpeluang untuk mencetak margin laba lebih rendah dibanding Telkom.

Ketiga, tiap negara memiliki industry life-cycle stage berbeda dan faktor-faktor eksternal industri seperti, politik, hukum, sosial dan teknologi yang mempengaruhi kinerja perusahaan.

Keempat, Net Income adalah accounting profit, yang hasilnya bisa berbeda menurut metode perhitungan yang digunakan, terutama sehubungan dengan depresiasi dan inventaris perusahaan.

Tapi fakta bahwa laba perusahaan ada pada level 20%-an menunjukkan bahwa industri telco di Asia masih bagus-bagusnya.

Terakhir, membandingkan Telkomsel dengan Apple dengan Google juga tak elok. Apple baru-baru ini saja mau bagi dividen; dan baik Apple maupun Google bermasalah dengan pajak. Apple lebih senang parkir duit di luar negara ketimbang kena pajak di negara sendiri.

Sebaliknya, Telkom Group dengan setia setor pajak dan tulus berbagi fulus dividen.

Kantong Jutaan Pelanggan Tercekik?

Revenue solves all business problems, kata Eric Schmidt, Executive Chairman Alphabet Inc, induk perusahaan Google. Sebaliknya, juga benar, turunkan harga adalah tuntutan primordial pelanggan. No brainer: semua ingin harga turun. Wajar, karena kita makhluk ekonomi, yaitu dapat manfaat paling besar dengan biaya minimal.

Tapi sebagai makhluk ekonomi kita juga pastinya taat hukum penawaran dan permintaan. Barang naik harga saat permintaan lebih banyak dari yang bisa disediakan, dan sebaliknya turun ketika lebih banyak penawaran dibanding permintaan.

Perusahaan komersial seperti Telkomsel kiranya sangat hati-hati berjalan di atas balok keseimbangan bernama supply and demand ini dengan turut memperhatikan prinsip ekonomi lain yaitu Elastitas Harga. Seberapa jauh harga masih bisa naik hingga pelanggan masih tetap mau beli produk kita?

Tingkat keseimbangan ini pasti dipantau terus oleh Telkomsel, dengan melihat jumlah bersih dari pelanggan yang datang dan pergi. Telkomsel hanya satu dari tujuh operator, sehingga pelanggan banyak pilihan.

Saya masih ingat waktu sekolah di Australia pada jaman ketika telpon rumah masih dominan, dan perusahaan telco seperti Telstra dan Telkom seperti monopoli karena kompetitor hanya satu-dua yang jauh lebih kecil.

Ketika Telstra merilis kinerja keuangannya yang prima, orang-orang malah sinis. Politikus campur tangan, tekan Telstra untuk turunkan harga.

Tapi struktur industri telco di Australia pada era itu jauh berbeda dengan kondisi di tanah air sekarang.

Satu hal, industri telekomunikasi Indonesia sudah melakukan deregulasi, monopoli Telkom dihapus dan operator bebas bersaing. Hingga saat ini Indonesia merupakan salah satu negara dengan operator terbanyak.

Dari aspek strategi bisnis, ada dua cara yang bisa dilakukan oleh perusahaan untuk tetap kompetitif di tengah persaingan ketat ini, yakni penawaran produk dengan harga murah (cost leadership) atau menawarkan diffrensiasi produk yang punya value-added, seperti kualitas, tapi harga premium.

Perusahaan bisa bersaing dengan harga murah karena ongkos produksi lebih rendah. Sebaliknya perusahaan bisa menawarkan diffrensiasi produk karena manfaat yang didapatkan dengan menawarkan layanan value-added lebih besar daripada biaya yang dikeluarkan untuk menyediakan layanan tersebut.

Telkomsel sepertinya menerapkan strategi diffrensiasi, karena merasa punya nilai lebih dibanding operator lain, terutama cakupan jaringan yang paling luas hingga ke daerah-daerah terpecil. Telkomsel juga memastikan kualitas jaringannya terbaik di banyak tempat.

Namun strategi ini bisa gagal jika ongkos produksi naik untuk menyediakan layanan tapi pelanggan tak merasa ada nilai tambah yang diterima. Jadi Telkomsel harus berhati-hati jangan sampai biaya untuk menyediakan layanan yang berbeda tersebut lebih tinggi dari harga yang mau dibayarkan oleh pelanggan.

Strategi ini akan terguncang jika fokus kompetisi berubah dari ragam layanan value-added menjadi isu harga semata. Ini bisa terjadi jika pesaing Telkomsel berhasil menyamakan kedudukan dalam hal cakupan sinyal dan mampu beri layanan dan kualitas jaringan yang sama atau lebih baik dari Telkomsel [2].

Kapan Harga Turun?

Tarif akan turun jika terjadi kelebihan pada kapasitas industri, atau jika ada teknologi pengganti yang lebih murah. Ekses kapasitas terjadi jika lebih banyak jaringan yang disediakan dibanding yang bisa digunakan pelanggan. Jika harga mau turun maka operator harus membangun lebih banyak jaringan, khususnya di daerah terpencil, karena suplai akan naik.

Tapi melakukan ini berarti bunuh diri. Itulah kenapa umumnya hanya Telkomsel yang membangun di daerah terpencil. Bukan rahasia, di daerah urban Telkomsel kalah bersaing karena ada lebih banyak suplai di sana.

Strategi operator untuk melakukan infrastructure sharing juga akan mengurangi suplai dan dengan demikian harga bisa naik, khususnya jika janji penghematan biaya dari sinergi tak terwujud.

Di satu sisi, mengurangi jumlah operator dari tujuh menjadi tiga atau empat, seperti infrastructure sharing tadi, juga akan mengurangi suplai industri, yang akan menaikkan harga. Selain itu, pasar yang terkonsentrasi pada tiga atau empat operator, umumnya akan membuat harga naik karena kini operator punya pricing power dari pasar yang terkonsolidasi.

Sebaliknya, jika Telkomsel mengurangi harga, ini bisa melemahkan operator lain yang sudah berdarah-darah karena tarif yang tak sustainable. Jika Telkomsel melakukan itu, bisa jadi Telkomsel melakukan aksi predatory pricing, yakni menurunkan harga untuk mematikan persaingan.

Di satu sisi, dengan menurunkan harga, jaringan Telkomsel akan kewalahan karena pelanggan churn dari operator lain, dan kualitas akan turun drastis. Dengan demikian, dengan aksi ini, bukan saja bisa melemahkan kompetitor tapi bisa juga mengurangi kualitas jaringan Telkomsel sendiri.

Sebenarnya Telkomsel adalah jangkar bagi keberlanjutan industri. Jika jangkar itu putus, industri akan terombang-ambing dihantam gelombang dan kapal dapat tenggelam.

Keberlangsungan industri adalah tanggung jawab bersama. Pelanggan dan pelaku industri punya hubungan simbiosis mutualisme. Pelanggan tak akan ada tanpa pelaku industri. Pelaku industri tak akan ada tanpa pelanggan.

Tarif yang lebih kecil dari ongkos produksi akan membuat operator layu sebelum waktunya. Dan waktu tak berpihak pada operator. Semakin tinggi teknologi, semakin besar pipa yang harus disediakan, dan juga ongkos pemeliharaan, yang tak selaras dengan penghasilan dari pipa yang tersedia, yang dikenal dengan nama Efek Gunting: tuas atas sebagai payload pelanggan; tuas bawah adalah penghasilan yang diterima operator dari payload tersebut.

Sesuai generasi teknologi, 3G umumnya menuntut pipa tiga kali lebih besar dari 2G sedangkan 4G minta pipa tiga kali lebih besar dari 3G. Namun yang masih dominan menyumbang pendapatan adalah 2G, dengan layanan Suara dan SMS.

Ini kisah sedihnya: bisnis masa depan operator selular adalah data (3G dan 4G) tapi sampai saat ini layanan 2G masih menyubsidi layanan 3G dan 4G karena tarif data belum menyesuaikan dengan investasi dan biaya pemeliharaan jaringan. Tapi dalam waktu bersamaan layanan 2G sedang dibantai oleh layanan data 3G dan 4G melalui aplikasi OTT seperti Whatsapp dan Line.

Tapi kita tetap optimis dengan kerja sama semua pemangku kepentingan, industri kita akan berkelanjutan.

*****

Image credit: http://www.dreamstime.com

[1] http://strategimanajemen.net/2017/05/01/hacker-melawan-telkomsel-kisah-keserakahan-bisnis-bernilai-28-triliun/

[2] Rothaermel. Strategic Management: Concepts. McGraw-Hill Education.

Daftar Lampiran

Lampiran 1: Pembayaran Pajak dan Dividen Telkom 2011-2016

Lampiran 2: Margin Laba Bersih dan Rasio Pembayaran Dividen Telkom 2011-2016

Lampiran 3: Pajak dan Dividen XL 2011-2016

Lampiran 4: Pajak dan Dividen Indosat 2011-2016

Lampiran 5: Porsi Revenue dan Net Income Telkomsel dalam Telkom Group 2011-2016

*****

Peluang Sukses Meluncur ke Ruang Angkasa

telkom3s-2

Image: thalesgroup.com

Telkom akan meluncurkan satelit baru, codename Telkom 3S, pada tanggal 15 Februari 2017 antara pukul 4.39 – 6.05 WIB dari Kourou, Guyana Perancis, Karibia, menggunakan peluncur roket Ariane 5-ECA.

Jika berhasil mengorbit, ini akan merupakan satelit Telkom ke-9. Terakhir, pada bulan Agustus 2012, satelit Telkom, codename Telkom 3, gagal masuk orbit dan dinyatakan MIA (missing in action). Namun, bukan hanya Telkom yang pernah kandas antar satelit ke orbit. Pada bulan September 2016, Facebook menangis karena roket SpaceX meledak sebelum meluncurkan satelit punya dia.

Meski sebagian perusahaan telah memasarkan wisata antariksa, seperti Virgin Galactic (punya Tuan Richard Branson) dan SpaceX (punya Tuan Elon Musk) Industri Ruang Angkasa masih merupakan bisnis yang berisiko, dengan tingkat keberhasilan peluncuran pada akhir tahun 2016 masih sekitar 96% (Lampiran 1).

Industri Ruang Angkasa masih merupakan bisnis yang berisiko.

Gambar 1 menerangkan pergerakan jumlah peluncuran roket militer dan sipil, dan jumlah kegagalan, termasuk gagal orbit, dari tahun 1957 sampai tahun 2016. Terlihat bahwa jumlah peluncuran memuncak pada dekade tahun 1960-an dan 1970-an (puncak 141 peluncuran (100%)) pada tahun 1967 kemudian menurun hingga pertengahan dekade tahun 2000-an, baru kemudian naik lagi hingga saat ini, meskipun jumlahnya masih jauh di bawah puncaknya tahun 1967 (Juli 1969 pendaratan manusia pertama di bulan).

Benar, seperti terlihat pada Gambar 1, jumlah kegagalan peluncuran turun jauh lebih dalam dibanding penurunan jumlah peluncuran (puncak 22 kecelakaan (100%) pada tahun 1958 dan tahun 1961). Bahkan, meskipun ada tren peningkatan peluncuran sejak tahun 2003, jumlah gagal-luncur tetap ditahan rendah.

Namun, perhatikan tak ada tahun yang lewat tanpa gagal-luncur, padahal wahana peluncur dan payload sangat mahal. Satelit Telkom 3S misalnya menelan biaya investasi total sekitar $200 juta dolar AS, atau sekitar 2,5 triliun rupiah.

gambar1

Gambar 1: Jumlah Peluncuran vs Jumlah Kegagalan

Jika kita bandingkan dengan industri Penerbangan, dengan tolok ukur Six Sigma Process Level maka jelas tingkat keselamatan industri Ruang Angkasa masih sangat tertinggal. Industri Penerbangan merupakan salah satu dari sedikit industri yang harus menerapkan, dan berhasil mencapai, tingkat keselamatan setingkat enam sigma (paling banyak 3,4 kecelakaan pesawat per satu juta penerbangan).

Pada Gambar 2, tingkat tertinggi keberhasilan peluncuran yang baru bisa dicapai pada tahun 1989 adalah 3.83 sigma. Bahkan secara kumulatif jika kita satukan jumlah peluncuran dan jumlah kegagalan tahun-per-tahun hingga akhir tahun 2016, level 3 sigma pun belum tercapai.

gambar2

Gambar 2: Tingkat keberhasilan peluncuran dengan Six sigma Process

Untungnya, tingkat kegagalan pda 15 tahun terakhir sudah ditekan rendah di bawah rata-rata, seperti ditunjukkan oleh Gambar 3. Pada Gambar 3, jumlah gagal luncur di-plot menggunakan c-Chart dari Statistical Process Control (SPC). Terlihat tren gagal-luncur sudah menurun sejak tahun 1970, mungkin seiring dengan membaiknya teknologi dan learning curve.

gambar3

Gambar 3: Jumlah gagal luncur dipetakan pada c-Chart

 

Kinerja Peluncuran Wahana Ruang Angkasa 1957-2016

Berdasarkan data dari SpaceLaunchReport.com kita petakan kinerja peluncuran melalui matriks nilai standar (Z-Score) Jumlah Peluncuran versus Jumlah Kegagalan pada Gambar 4, 5, 6 dan 7 berikut.

Matriks terbagi atas empat kotak yakni, Quadrant 1: Low-Launches/High-Fails, Quadrant 2: High-Launches/High-Fails, Quadrant 3: Low-Launches/Low-Fails dan Quadrant 4: High-Launches/Low-Fails.

Sengaja penomoran dirancang demikian sehingga nomor yang lebih tinggi (Quadrant 4) adalah kotak terbaik karena meskipun pada tahun tersebut jumlah peluncuran di atas rata-rata, jumlah gagal-luncur berhasil ditahan di bawah rata-rata.

Pada Gambar  4, misalnya, terlihat tahun 1983, di Quadrant 4, jumlah gagal-luncurnya kira-kira hampir sama dengan tahun 1957 (di Quadrant 3) tapi jumlah peluncuran secara signifikan lebih banyak dari tahun 1957.

gambar4

Gambar 4: Kinerja peluncuran 1957-2016

Matriks pada Gambar 4 di atas telah ditransformasikan ke grafik area di Gambar 5 berikut. Puncak Grafik menunjukkan kinerja terbaik (Quadrant 4) sedangkan dataran terendah merupakan kinerja terburuk (Quadrant 1). Menarik, sejak tahun 2001, kinerja dipertahankan pada Quadrant 3 (peluncuran dan kegagalan rendah, lihat juga Gambar 6).

gambar5

Gambar 5: Matriks kinerja peluncuran

 

gambar6

Gambar 6: Matriks kinerja peluncuran dekade terakhir (2000-2016)

Gambar 7 di bawah menunjukkan kinerja peluncuran pada dekade awal industri (tahun 1957 sampai tahun 1966). Terlihat mayoritas tahun berada pada Quadrant 1 yang ditandai dengan banyaknya insiden.

gambar7

Gambar 7: Matriks kinerja peluncuran dekade awal (1957-1966)

Yah, industri ini terus berbenah, sigap melakukan perbaikan yang berkesinambungan. Secara keseluruhan jika kita lakukan analisa korelasi antara Tahun versus Jumlah Gagal-Luncur terlihat bahwa mereka memiliki korelasi negatif (-0.70), yakni semakin tinggi tahunnya, semakin rendah jumlah Gagal-Luncur, seperti Tabel 1 di bawah tunjukkan.

tabel1

Tabel 1: Analisa korelasi Tahun vs Jumlah Peluncuran

 

Kinerja Wahana Peluncur yang Masih Aktif

Sekarang, bagaimana peluang keberhasilan wahana peluncur yang akan menerbangkan satelit Telkom 3S, yakni Ariane 5-ECA? Berdasarkan data yang tersedia dari SpaceLaunchReport.com tingkat keberhasilan peluncuran Telkom 3S telah disesuaikan dengan estimasi Bayes menjadi 96.7%. Jika kita lihat pada Gambar 8, wahana ini menempati urutan ke-5, dari total 49 wahana yang aktif saat ini, dalam hal tingkat peluang keberhasilan luncur (nomor perdana disandang wahana Delta 2 dari AS dengan tingkat peluang 98.1%).

gambar8

Gambar 8: Prediksi tingkat keberhasilan wahana peluncur

Jika kita buat matriks seperti pada Gambar 4-7 di atas untuk wahana-wahana ini, hasilnya seperti Gambar 9 dan 10 di bawah. Terlihat kinerjanya mengumpul di sekitar pusaran matriks. Pada Gambar 10 terlihat jelas hanya tiga wahana yang masuk pada Quadrant 4 (kinerja terbaik). Satu di antaranya adalah Ariane 5-ECA yang akan membawa Telkom 3S.

Sejak tahun 2002, Ariane 5-ECA telah melakukan misi peluncuran sebanyak 69 kali dan gagal satu kali, yakni pada misi pertama. Jadi sudah 68 kali sang wahana sukses meluncur ke ruang angkasa tak terputus. Tak heran peluang keberhasilannya tinggi sekali, 96.7%.

gambar9

Gambar 9: Matriks kinerja wahana peluncur yang masih aktif

 

gambar10

Gambar 10: Kuadran kinerja wahana peluncur yang masih aktif

Berharap yang Terbaik untuk Peluncuran Satelit Telkom 3S

Berdasarkan data kinerja wahana di atas, jelas bahwa Ariane 5-ECA merupakan salah satu wahana peluncur yang terbaik yang ada saat ini, dan Telkom dengan benar memilihnya. Meskipun peluang keberhasilannya sangat tinggi, karena kinerja di masa lalu menunjukan akan hal tersebut, tetap saja ada peluang sebesar 2.3% untuk gagal.

Mirip pernyataan yang sering diberikan oleh para analis kepada investor: “Kinerja masa lalu tidak menjamin hasil di masa depan” demikian juga kita baru akan menarik nafas lega ketika Telkom 3S sudah mengorbit 35 ribu kilo meter di angkasa pada 118 derajat bujur timur.

Tentunya kita berharap yang terbaik, yakni misi peluncuran ini akan sukses.

*****

Lampiran 1: Space Launch Success Rate

lampiran1

*****

Yang Lebih Berbahaya dari Hoax dan Berita Palsu

logicAda yang lebih berbahaya dari hoax dan berita palsu. Ini adalah logical fallacy: pernyataan-pernyataan cacat pikir yang berhasil menembus benteng logika orang-orang.

Hoax dan berita palsu, meski mengandung logical error, sebagian besar melibatkan aspek fakta, yang dengan bantuan internet, saat ini, dengan cepat dapat terbantahkan. Sebaliknya, menangkal logical fallacy lebih sulit karena melibatkan keterampilan dan alur berpikir.

Mereka yang pekerjaannya memrogram komputer sering menjumpai logical error pada program mereka dan tahu masalah ini lebih sulit diatasi (debugging) dibanding dengan factual error.

Syntax error, kode-kode yang tak sesuai grammar bahasa pemograman, halnya factual error, relatif gampang terdeteksi; bahkan secara internal komputer telah dirancang untuk menyaring syntax error sebelum program dijalankan.

Namun logical error berbeda. Komputer bisa saja dengan lancar mengeksekusi kode yang telah ditulis, karena sintaks tak bermasalah, tapi hasilnya salah. Output tak sesuai perhitungan atau rancangan. Tapi di mana masalahnya? Good luck mencari kode yang menyebabkan logical error ini!

Jika tak terdeteksi, logical error pada program komputer bisa berbahaya sehingga perlu metode tertentu untuk pendeteksian, dan membuat program kokoh saat logical error terjadi, khususnya pada sistem yang sensitif karena berkaitan dengan nyawa banyak orang.

Kita juga bisa menjadi korban logical error. Iklan-iklan yang gagal logika, investasi bodong dan tawaran cepat kaya, para fanatik yang sampai membunuh orang lain demi ideologi tertentu, perang yang tak perlu, kegiatan politik untuk memanipulasi opini publik, teori konspirasi dan urban legend.

Karena berpikir kritis tak alamiah, seperti bernafas dan berpikir intuitif, kita perlu belajar metode dan prosedur baku untuk mendeteksi cacat logika. Jika tidak, kita bisa menjadi korban mereka yang menyalahgunakan fallacy ini sebagai alat pamungkas untuk memanipulasi psikologi, emosi dan logika massa.

Mari kita lihat tiga fallacy berikut (empat fallacy akan dibahas pada artikel selanjutnya).

Logical fallacy yang paling sering kita temui tapi kita tak sadari adalah iklan.

Penasaran kenapa mobil-mobil di stan pameran selalu dijaga perempuan jelita nan seksi tapi produk iklan rokok dan kopi instan ditampilkan dengan aura kejantanan? Kenapa para pesohor laris manis jadi bintang iklan produk tertentu meskipun mereka tak punya kompetensi pada barang yang mereka tawarkan? Produk-produk yang mungkin mereka tak pakai?

Sadar tak sadar kelemahan kognitif kita sedang dimanipulasi (Weak Analogy Fallacy untuk contoh pertama dan Argementum Ad Verecundiam Fallacy, Liking Bias, Halo Effect untuk contoh kedua).

Karena kita punya bias kepada orang yang secara fisik menarik maka mereka yang ganteng dan cantik terpilih memasarkan produk yang tak berkaitan dengan penampilan fisik mereka. Dan  karena kita cenderung percaya pada para pesohor dipakailah para kampiun olahraga dan artis untuk mengiklankan produk walau mereka tak punya kompetensi untuk menilai bagus tidaknya produk yang mereka endorse.

Dan oh, jika menggunakan produk tersebut kita pikir –atau dimanipulasi untuk berpikir- kita bisa menjadi seperti mereka.

Fakta bahwa ada korelasi positif antara tingkat penjualan produk dengan tingkat ketenaran pesohor, dan fakta bahwa iklan-iklan yang gagal pikir seperti ini masih ada, walau tak murah untuk bayar para pesohor, bukti bahwa iklan-iklan ini berhasil.

Black-and-White Fallacy

Fallacy jenis ini muncul dari oversimplikasi masalah dan lawan bicara hanya diberikan pilihan hitam-putih.

Sembilan hari pasca serangan teroris 9/11, Amerika Serikat yang terluka dan marah secara blak-blakan memberi pilihan kepada negara negara lain untuk membantunya atau tidak, katanya: “Either you with us, or you are with the terrorists.” Apa yang salah dengan pernyataan-pernyataan seperti ini?

Nama keren dari cacat logika ini adalah Bifurcation atau –sesuai opsi pilihannya- Black-and-White Fallacy. Perhatikan pihak pertama menyodorkan kepada lawan bicara hanya dua opsi, padahal ada banyak alternatif pilihan, dari satu masalah yang kompleks.

Contoh lain, seorang karyawan, yang tak ikut demo “bela buruh”, dicap tak mendukung perjuangan hanya karena sebagian besar karyawan ada di sana. Cacat pikir tentu saja ada pada lawan bicara yang dengan sempit mengaitkan dukungan dengan ikut atau tak ikut aksi: kalau pun tujuannya memang tulus untuk memperjuangkan nasib buruh, bukan karena agenda politis dari pengurus serikat buruh, atau pihak luar yang menungganggi gerakan tersebut.

Argumen untuk demo di atas juga masuk kategori Argumentum Ad Populum Fallacy atau Fallacy Argumen Rakyat. Argumen ini menyatakan karena mayoritas memiliki pandangan tertentu maka pandangan ini benar. Tak heran fallacy jenis ini juga sering disebut sebagai Democratic Fallacy. Meskipun sebagian besar karyawan memiliki satu pandangan tertentu bukan berarti pandangan ini benar, dan semua karyawan harus berpandangan yang sama.

Argumentum Ad Hominem Fallacy

Fallacy ini terjadi ketika saat lawan bicara bukannya mementahkan argumen tapi menyerang pribadi yang menyampaikan argumen tersebut. Ini sering kita dengar pada debat politik.

Seorang ayah menasihati putranya yang beranjak dewasa untuk menghindari rokok karena merokok menyebabkan kanker paru. Sang anak tak terima, bilang: “Bagaimana Ayah melarang saya merokok padahal Ayah sendiri seorang perokok?” Jadi bukannya berargumen kenapa rokok tak menyebabkan kanker paru, atau aspek negatif lainnya, sang putra menyerang posisi sang bapak yang tak konsisten antara ucapan dan perbuatan. (Contoh ini juga masuk kategori Tu Quoque Fallacy).

Ada bagian yang saya ingat benar dari debat cagub DKI putaran pertama, tanggal 13 Januari 2017, karena tiba-tiba debat menyinggung topik yang menjadi “kontroversi batin” saya: peran teori dan praktek.

Paslon Nomor 3 berargumen bahwa pembangunan infrastruktur oleh Paslon Nomor 2, paslon petahana, abai terhadap pembangunan manusia. Paslon Nomor 2 tak sepakat: “Bagaimana orang mau sekolah, mau beribadah jika banjir sampai tiga minggu?” kata gubernur petahana dan seterusnya, seterusnya, dengan argumen-argumen cerdas. Sampai di sini sebenarnya cukup. Tapi, beliau melanjutkan: “Kalau kita hanya membangun…membangun manusia, membangun manusia, tapi tidak ada bangun benda matinya, itu tau apa namanya enggak? Itu namanya teori, ngajar jadi dosen di kampus! Cuman ngomong mau bangun ini, bangun itu tapi tidak ada action-nya!”

Ooops, dalam 17 detik yang tak perlu, tiga logical error meluncur.

Yang pertama sangat jelas adalah serangan pribadi (Argumentum Ad Hominem, Abusive). Kenapa menyerang profesi, padahal tak ada relevansinya terhadap argumen yang disampaikan?

Kedua, terlalu jauh untuk membangun opini seorang dosen sebagai jago teori yang tumpul di lapangan. Selip pikir macam ini disebut Genetic Fallacy yakni meragukan pernyataan atau gagasan seseorang berdasarkan asal muasal orang tersebut (dalam hal ini dari kalangan dosen). Ingat mantan presiden Obama walau seorang seorang dosen hukum konstitusi (teori banget) dianggap berhasil membangun ekonomi AS pasca krisis ekonomi tahun 2008 dan melenyapkan dalang serangan 9/11. Sebaliknya berdasarkan kekacauan yang terjadi pada sepuluh hari pertama pemerintahan Tuan Trump -seorang eksekutif dari dunia bisnis yang identik dengan praktek atau kerja, kerja dan kerja- para pakar manajemen bisnis memberikan rapor merah (baca di sini).

Terakhir, apakah praktek selalu lebih baik dari teori? Ini debat terpisah karena masing-masing punya kelebihan dan kekurangan, punya tempat sendiri-sendiri pada alur waktu suatu program baik aspek strategis, operasional dan taktis. Fakta bahwa topik ini dimunculkan adalah sebuah penyimpang perhatian dari argumen utama dan merupakan logical error yang disebut Red Herring Fallacy.

(Bersambung).

*****

Image: http://bookboon.com/blog/2012/02/logical-thinking-how-to-use-your-brain-to-your-advantage/

Trump Menang Pemilu, Ilmu Statistika Kalah Telak?

coverDengan kemenangan  Trump apakah Ilmu Statistika kalah telak?

Hasil jajak pendapat terakhir sebelum pemilu mengunggulkan Clinton, dengan suara populer 3% di atas Trump.

Namun di AS seorang kandidat presiden menang bukan dari perolehan suara populer tapi melalui suara electoral college, yakni jumlah anggota kongres (senat dan DPR) dari tiap negara bagian. Kandidat dengan suara populer tertinggi di satu negara bagian akan mengantongi semua suara electoral college dari negara bagian tersebut –winner takes all.

Sumber populer dan andal dalam hal tebak-menebak hasil pemilu The Upshot dari koran The New York Times dan situs Fivethirtyeight mengeluarkan prediksi suara electoral college terakhir mereka: peluang Clinton menjadi presiden adalah 85% (The Upshot) dan 70% (Fivethirtyeight).

The Upshot dan Fivethirtyeight bukan lembaga polling. Mereka mengembangkan dan mengolah data hasil jajak pendapat poll-poll dari seluruh negara bagian dengan metodologi masing-masing, sehingga hasilnya berbeda. Fivethirtyeight selalu akurat melakukan prediksi pemilu sejak tahun 2008. Nate Silver, pendiri Fivethirtyeight, kala masih di The New York Times, adalah satu-satunya orang yang dengan benar memprediksi hasil pemilu tahun 2008 (pemilihan presiden, senat dan DPR) sampai pada tingkat negara bagian.

Entah prediksi peluangnya 85% atau 70%, sang Madam Secretary tetap memiliki kans besar jadi Madam President.

Lantas, kenapa  Trump justru jadi jawara?

Apakah  Clinton tumbang karena sebelas hari sebelum pemilu direktur FBI kirim surat kepada pimpinan DPR, soal investigasi terkait kasus email, yang dengan drastis menurunkan popularitasnya? Tidak, mayoritas opini menyatakan bahwa hasil jajak pendapat terakhir telah mencerminkan dampak surat tersebut, dan  Clinton masih jadi favorit.

Banyak peluang dimana kesimpulan Ilmu Statistika bisa salah. Bukan hanya kali ini jajak pendapat gagal total dalam memprediksi hasil aktual. Kita masih ingat akhir bulan Juni lalu sebelum Britania Raya memilih cerai dari Uni Eropah dimana jajak pendapat sebelum hari-H jelas bilang ada lebih banyak rakyat negara itu tak mau pisah.

Karena pengolahan data hasil jajak pendapat dan perhitungan peluang kemenangan kandidat ini didasarkan atas Ilmu Statistika, dapat dimaklumi jika muncul keraguan berkenaan keilmiahan Ilmu Statistika.

Ilmu Statistika mencoba menyatakan kebenaran umum berdasarkan kebenaran khusus: sampel diukur untuk menarik kesimpulan mengenai populasi secara keseluruhan. Dengan cara ini, Ilmu Statistika membantu menghemat waktu dan tenaga karena tak mungkin, dan tak perlu, tanya warga satu per satu siapa yang akan mereka pilih.

Banyak peluang memungkinkan kesimpulan statistika bisa keliru seperti kesalahan prosedur pemilihan sampel/responden, responden tidak jujur dalam menyatakan pilihannya, responden berubah pikiran saat menyoblos dan sebagainya.

Agar kesimpulan bisa dengan benar diambil, seleksi responden harus mengikuti prosedur metode Ilmu Statistika. Misalnya, pemilihan sampel harus acak dan mereka yang terpilih mesti mewakili karakteristik populasi dan persentase kelompok etnis di Amerika. Jika prosedur ini tidak diikuti maka sampel tak lagi valid mewakili populasi sehingga hasil akhir akan berbeda dengan survei.

Juga ada kelompok demografis tertentu yang enggan disurvei yang mengakibatkan bias terhadap komposisi kelompok demografis responden. Selain itu, ada fenomena dimana responden risih mengakui pilihan mereka yang sebenarnya karena punya efek sosial negatif (Bradley Effect). Dan tentu saja orang bisa berganti pikiran saat nyoblos.

Meskipun potensi kesalahan-kesalahan ini ada, peluangnya kecil karena semua jajak pendapat terakhir konsisten Clinton akan berjaya.

Lantas kenapa hasil jajak pendapat meleset? Yang pasti, Ilmu Statistika tak keliru dalam hal ini. Sebenarnya ia telah mengakomodasi kemungkinan hasil yang berbeda melalui konsep margin of error, dan keunggulan Clinton masih dalam rentang kesalahan margin tersebut. Selain itu, ada asumsi dasar dari perhitungan ini bahwa semua pemilih akan menggunakan hak pilihnya yang kenyataanya tak demikian, dan hal ini berpengaruh terhadap hasil pemilu.

Keunggulan Clinton sebesar 3% masih dalam batas margin of error. Untuk mengakomodasi kesalahan sampel dalam memprediksi nilai rata-rata populasi maka ketika nilai rata-rata sampel dihitung disertakan juga margin of error, yaitu persentase plus-atau-minus dari nilai rata-rata yang didapatkan tadi. Misalnya ada 51% pemilih Amerika condong kepada Clinton plus-minus 3%; sehingga rentang persentase voters yang akan memilih Clinton sebesar 48%-54%.

Nilai margin yang biasa dipakai ada pada kisaran 1%-5%. Pemilihan margin of error akan menentukan jumlah responden yang harus masuk survei. Semakin rendah margin of error yang diinginkan, karena makin akurat, semakin banyak responden yang harus disurvei.

Untuk tujuan pembahasan, kandidat selain Clinton dan  Trump diabaikan. Jika hasil polling terakhir menunjukkan Clinton unggul 3%, maka porsi suara untuk Clinton adalah 51.5% dan porsi Trump 48.5%.

Semisal kita gunakan margin of error 3% maka rentang sokongan untuk Clinton adalah 48.5% – 54.5%, Trump 45.5% – 51.5%. Dengan rentang persentase seperti ini, Trump jelas punya peluang untuk menjungkal Clinton. Contohnya Clinton 49% dan Trump 51%.

Faktanya Trump memang menang tipis di beberapa swing states seperti Florida (1.3%),  Pennsylvania (1.2%) dan Wisconsin (1%).

Selain itu jika memang ada pendukung Trump yang malu-malu, dan angkanya di atas 3% (3 dari 100 orang), keunggulan 3%  Clinton dapat terkejar.

Hasil jajak pendapat berasumsi bahwa semua responden nantinya akan pergi ke tempat pemungutan suara. Jika pun ada pemahaman bahwa tak semua pemilih yang terdaftar akan nyoblos, asumsinya adalah persentase golput akan merata di semua kelompok demografis, jadi tidak masalah. Jika meleset, asumsi dasar ini akan berdampak drastis terhadap hasil akhir.

Kenyataannya, tidak semua pemilih akan pergi nyoblos. Misalnya pada pemilu tahun 2012, tingkat partisipasi pemilu masyarakat hanya 57.5%. Dibanding negara maju lainnya, tingkat partisipasi di AS ini jauh lebih rendah. Di Swedia dan Denmark, misalnya, tingkat partisipasinya sekitar 86%. Bahkan di negara yang mewajibkan penduduk untuk nyoblos seperti di Australia jumlah golput masih lumayan banyak (9%) [1].

Selain itu, tingkat partisipasi golput pada masing-masing kelompok demografis ternyata rentan fluktuasi, tergantung kandidat yang tampil. Pada era Obama, partisipasi kelompok pemilih kulit hitam naik drastis. Pada pemilu kali ini orang-orang meremehkan kemampuan Trump untuk memobilisasi pria kulit putih, khususnya mereka yang non-sarjana. Pada saat yang sama, pemilih kaum hawa dan kulit hitam (basis pendukung partai Demokrat) ternyata tidak begitu antusias untuk Clinton.

Dampak dari tingkat partisipasi pemilu pendukung masing-masing kandidat terlihat pada bagian berikut.

Skenario kemenangan Trump melalui tingkat partisipasi pemilih masing-masing kandidat. Gambar 1 memberikan skenario kemenangan Trump berdasarkan tingkat partisipasi pemilih dari masing-masing kandidat, dihitung mulai tingkat partisipasi 55%. Jangkar dari skenario ini adalah hasil polling terakhir yakni Clinton 51.5% dan Trump 48.5%.

table.jpg

Gambar 1: Skenario kemenangan Trump melalui voter turnout masing-masing kandidat

Seperti yang terlihat, dengan persentase pada Gambar 1, tidak ada cara lain bagi Trump untuk menang jika tingkat partisipasi pendukungnya di bawah 60%, atau jika tingkat partisipasi pendukung Clinton di atas 90%.

Namun terdapat banyak skenario dimana Trump bisa menang; misalnya jika tingkat partisipasi pendukungnya sekurang-kurangnya 60% tapi pendukung Clinton maksimum 55%.

Trump hanya akan menang jika tingkat partisipasi pendukungnya lebih tinggi dari tingkat partisipasi pendukung Clinton. Berapa persen sekurang-kurangnya gap tingkat partisipasi antara pendukung Clinton dan pendukung Trump sehingga Trump bisa mengatasi defisit 3% suara populer dari Clinton? Gambar 2 menunjukkan skenario tersebut.

Terlihat bahwa semakin tinggi tingkat partisipasi pendukung Clinton, semakin tinggi minimal gap tingkat partisipasi pendukung Trump. Misalnya, ketika tingkat partisipasi pendukung Clinton 55%, minimal gap dari pihak Trump adalah 3.4% atau tingkat partisipasi 58.4% agar bisa menang. Sebaliknya jika tingkat partisipasi pendukung Clinton 94.07%, minimal gap dari pihak Trump adalah 5.82% atau tingkat partisipasi 99.89% agar bisa menang.

Ini mungkin alasan tim kampanye Clinton lebih menekankan strategi ground game, pergi door-to-door, agar pemilih nyoblos. Jangan heran laporan situs web Politico dari exit polls menyatakan bahwa ada lebih banyak pemilih yang dikontak oleh pihak Clinton dibanding Trump [2].

graph

Gambar 2: Persentase minimal gap tingkat voters turnout dari pendukung Trump agar Trump menang

Seperti disebutkan sebelumnya, kemenangan Trump terbantu oleh antusiasme pemilih kulit putih non-sarjana yang turnout-nya naik signifikan. Sebaliknya Clinton tidak berhasil memobilisasi pemilih perempuan meskipun pemilu kali ini bersifat historis karena inilah kali pertama Amerika punya peluang memiliki presiden perempuan.

Juga, menarik, menurut laporan Pew Research Center, pemilih dari partai Republikan cenderung memiliki tingkat partisipasi yang lebih tinggi. Hasil survei terakhir menunjukkan bahwa tingkat partisipasi pemilih dari partai Republikan adalah 73% dibanding voters dari partai Demokrat 61% [3]. Memakai angka ini pada skenario  di atas, maka Trump akan unggul 3.99%.

Bijak menyikapi kelemahan Ilmu Statistika. Jadi meskipun menurut poll, pada saat-saat terakhir sebelum pemilu, Clinton unggul  3% dengan suara populer tapi ternyata Trump keluar sebagai pemenang, Ilmu Statistika tidak-lah keliru. Pertama, angka 3% tadi masih dalam batas margin of error, kurang lebih hasil lempar koin. Selain itu dari skenario voters turnout jelas bahwa tak dibutuhkan celah yang signifikan bagi Trump untuk unggul.

Tak dipungkiri ada kelemahan pada teknik dan prosedur Ilmu Statistika. Tapi ia masih merupakan pilihan terbaik dalam mencari kebenaran melalui suatu proses ilmiah, dan selama 70 tahun terakhir telah membantu banyak orang untuk mengambil kesimpulan yang benar berdasarkan data.

Tentu naif secara membabi buta percaya pada kesimpulan statistika. Oleh karena itu hendaklah bijak menyikapi kekurangan-kekurangan ini.

****

Rujukan:

[1] http://www.pewresearch.org/fact-tank/2016/08/02/u-s-voter-turnout-trails-most-developed-countries/

[2] http://www.politico.com/story/2016/11/early-exit-poll-clinton-ground-game-230943

[3] http://www.pewresearch.org/2016/01/07/polls-and-votes-the-2014-elections-by-the-numbers/pm_15-01-07_votermodels_intentionturnout640px/

*****

 

Kenapa Harus Cakap Mengolah Data

analyticsThe sexy job in the next ten years will be statisticians,” kata Hal Varian, sang Kepala Ekonom Google, pada tahun 2009 kepada koran populer The New York Times [1]. Tiga tahun kemudian, satu artikel di Harvard Business Review mengklaim bahwa Data Science adalah “the sexiest job” pada abad ini [2]. Seksi memaksudkan pekerjaan dengan permintaan tinggi. Ilmu statistika maupun Data Science keduanya bergelut dengan pengolahan data, mencari sinar terang bagi pembuat keputusan.

Data adalah the new gold dan para analis data –statisticians dan data scientists– adalah mereka yang mengolah dan memroses mineral tersebut sehingga menjadi emas dengan nilai jual tinggi. Perangkat yang mereka butuhkan adalah analytics, yaitu penerapan teknik-teknik ilmu statistika dan matematika dalam pengolahan data.

Di perusahaan, mereka yang tangkas menggodok data akan diuntungkan dengan dengan lima hal berikut: trend manajemen bisnis yang menekankan data sehingga proses pengambilan keputusan menjadi lebih demokratis,  diversifikasi karier, analytics sebagai managerial skill, citra para ilmuwan yang pintar mengolah data, dan yang terakhir, trend Big Data dan Internet of Things (IoT).

Analytics membuat proses pengambilan keputusan menjadi demokratis. Menurut firma konsultan Accenture, 40 persen pengambilan keputusan dalam jagat bisnis dibuat atas dasar intuisi [3]. Sebagai contoh, Richard Branson, bos Virgin Group dari Britania Raya, akui ia tak peduli dengan statistika saat ambil keputusan [4].

Dengan proses keputusan seperti ini, suara direktur utama, atau eksekutif paling senior, punya takaran paling besar, jika bukan porsi yang absolut. Mereka adalah Hippo: Highest paid person opinion. Peluang seorang staf biasa untuk berpartisipasi dalam proses pengambilan keputusan nol besar. Tentu saja, kualitas opini, gagasan dan keputusan tidak berbanding lurus dengan tinggi jabatan dan gaji seseorang. Ini jebakannya.

Menyadari kelemahan intuisi dalam pengambilan keputusan, semakin banyak perusahaan menerapkan data-driven atau evidence-based management, dimana data dan analytics akan melengkapi intuisi dan pengalaman bisnis para pengambil keputusan. Sebabnya data dan analytics berintegrasi dalam proses bisnis suatu perusahaan.

Dengan proses bisnis seperti ini, pengambilan keputusan menjadi lebih demokratis. Bagaimana? Kini saatnya masukan dan opini karyawan dari semua tingkatan akan dipertimbangkan sepanjang itu berdasar pada data dan hasil analisa data. Eksekutif senior tentu saja tetap menjadi pembuat keputusan terakhir; tetapi analytics telah mencegah ia menjadi “diktator” bisnis dengan suara mutlak. Kepada staf biasa, analytics telah memberikan suara, akses dan kesempatan itu.

Ketika raja-raja jaman dulu yang doyan takhayul dan ngebet ingin meneropong masa depan, para pembesar ini berpaling kepada astrolog, dukun dan peramal sehingga mereka para rakyat biasa memiliki akses dan menjadi penasihat istana yang berpengaruh. Pada era Big Data sekarang, analytics menyediakan insight yang dibutuhkan para pengambil keputusan, sehingga karyawan biasa yang terampil mengolah data akan punya akses dan bisa memberikan masukan kepada eksekutif senior. Ini membuat proses pengambilan keputusan menjadi lebih demokratis.

Mereka yang terampil mengolah data bisa bekerja di bagian mana saja dalam satu perusahaan atau bekerja di industri mana saja. Teknologi informasi sudah jadi infrastruktur dasar setiap perusahaan, dan konsisten dengan itu, mempermudah pencatatan dan ketersediaan data –atau informasi- seperti record operasional dan prestasi perusahaan.

Namun hanya menghimpun data saja tak cukup. Data yang tak terolah menghamburkan biaya dan memboroskan waktu perusahaan. Agar menciptakan nilai yang maksimal, data harus ditransformasi menjadi insight -oleh analis data- bagi pembuat keputusan pada tiap divisi dan tingkat manajemen perusahaan.

Karena setiap bagian perusahaan menghasilkan datanya masing-masing, mereka yang piawai mengolah data bisa bekerja di bagian mana saja di perusahaan itu. Dalam konteks ini seorang analis data melakukan diversifikasi peluang karier karena bisa kerja di divisi apa pun di perusahaan.

Ia mungkin tak paham keuangan tapi dengan kemahiran analytics ia bisa, misalnya, menggarap data keuangan tadi –historical data– menjadi forecast kinerja bulan-bulan berikutnya. Ia dapat melakukan simulasi data mengenai apa yang akan terjadi di masa depan, memperlihatkan potensi tantangan dan kesempatan sehingga perusahaan sanggup ambil kesimpulan terbaik.

Juga, mereka yang paham analisa data dapat menggunakan kecakapannya untuk memperkaya basis ilmu mereka, sebagai jembatan dan jendela untuk memperluas wawasan. Agar dapat mengolah data dengan benar, seorang analis data harus paham data yang ia proses. Ia harus bekerja sama dengan subject-matter expert yang menyediakan data. Dengan data sebagai jembatan, ia bisa memulai proses understanding tersebut, mengidentifikasi dan mengklarifikasi hal-hal yang ia tak familiar sehingga dapat belajar hal-hal anyar yang buka wawasan dan memperbanyak gudang ilmunya.

Hal yang sama berlaku lintas perusahaan dan lintas industri. Dengan demikian seorang analis data melakukan diversifikasi peluang kerja karena boleh bekerja di industri apa saja. Ketika perusahaan sekarang bangkrut seorang analis data bisa dapat pekerjaan baru di perusahaan lain, di industri yang sama atau perusahaan lintas industri.

Analytics sebagai managerial skill. Makin tinggi posisi karyawan di perusahaan, porsi keterampilan manajerial harus naik berbanding keahlian teknis.  Maksudnya pada tingkatan yang lebih tinggi, kemampuan teknis seseorang, meski dibutuhkan, jadi kurang relevan. Seorang eksekutif perusahaan harus memiliki kemahiran yang “agnostik”, yakni keahlian yang bisa diamalkan di mana saja ia pergi. Kepintaran dalam hal Kepemimpinan, Komunikasi (lisan dan tulisan), Strategic/Critical Thinking, Problem-Solving dan Decision-Making adalah kecakapan yang mutlak dimiliki seorang eksekutif agar efektif  pimpin perusahaan.

Kecakapan mengolah data bisa dikelompokkan sebagai keahlian “agnostik” karena dapat diterapkan di bagian mana saja di perusahaan sehingga cocok menjadi keterampilan dasar bagi para eksekutif perusahaan.

Trend manajemen bisnis kedepan semakin evidence-based/data-driven, sehingga para eksekutif moderen harus melek ilmu statistika dan analytics. Kemampuan mengolah data cocok untuk melengkapi intuisi dan pengalaman para eksekutif, dan juga sebagai masukan pada proses strategic/critical thinking dalam membuat keputusan.

Kecakapan mengolah data identik dengan ilmuwan. Ilmu statistika adalah cangkulnya para ilmuwan. Penelitian (experimental design/survey) -kerjaan para ilmuwan- menggunakan metode-metode ilmu statistika, mulai dari pemilihan sampel (sampling methods)  dan mengolah data (inferential statistics) sampai mengambil kesimpulan berdasarkan hipotesa (hypothsesis testing). Itu alasan banyak quant, ahli olah data di Wall Street, justru adalah PhD-PhD jebolan ilmu pasti seperti astrofisika, fisika nuklir, geologi dan biokimia, bukan dari finance. Meskipun mereka kurang mahir bidang keuangan dan investasi, mereka paham data, ilmu statistika dan analytics.

Mungkin terlalu jauh untuk menyamakan analis data dengan para ilmuwan yang super jenius. Benar bahwa semua ilmuwan adalah analis data tapi tidak semua analis data adalah ilmuwan. Tapi paling tidak, mereka yang cakap mengutak-atik data melalui ilmu statistika dan analytics punya proses berpikir seperti para ilmuwan dalam hal menyingkapkan kebenaran data, yakni cara berpikir ilmiah untuk membuat keputusan dan mencari solusi dari suatu masalah.

Kabar baiknya, di Indonesia, untuk mendapatkan gelar Strata-1 (S1) seorang mahasiswa harus melakukan penelitian dengan metode dan teknik-teknik pengolahan data menggunakan ilmu statistika. Dengan demikian, seorang sarjana Indonesia, by default, mahir mengolah data. I hope so.

Prospek cerah bagi analis data karena trend Big Data dan Internet of Things (IoT). Ini peluang emas bagi para analis data yang dikutip di awal artikel. Kini data tumbuh secara ekponensial baik dari sisi volume (jumlah data), velocity (kecepatan pertambahan data) dan veracity (ragam data). Lebih banyak data tersedia dalam dua tahun terakhir dibanding semua data sejak awal peradaban. Kabarnya pada tahn 2020 nanti, setiap orang di muka planet akan menghasilkan kira-kira 1,7 Mbyte informasi baru setiap detik [5].

Akselerasi pertumbuhan data akan makin menggila seiring bangkitnya teknologi IoT, terutama perangkat-perangkat yang memiliki sensor. Sensor-sensor ini melaporkan data mentah yang harus diolah sehingga bernilai. Ini tanggung jawab para analis data.

Semua ini menyebabkan permintaan akan analis data melejit, tapi persediaan masih kurang. Itulah sebabnya universitas-universitas, terutama di Amerika Serikat, berlomba mencetak para analis data. Jelas butuh waktu untuk membangun suatu keahlian. Jangan heran pada tahun 2016 Data Scientist terpilih sebagai “The Best Job in America” menurut glassdoor.com [6].

Jadi dengan terampil mengolah data terbuka lebih besar peluang. Perusahaan-perusahaan, sadar akan banyak manfaat analytics, sekarang mulai membangun kemampuan itu. Tentu saja suatu kemampuan tak bisa dibangun secara instan. Jika berminat, bagi kita waktu untuk mulai membangun kecakapan analytics adalah sekarang.

*****

Rujukan:

[1] http://www.nytimes.com/2009/08/06/technology/06stats.html

[2] https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century

[3]http://www.cio.com/article/2373576/enterprise-software/to-hell-with-business-intelligence–40-percent-of-execs-trust-gut.html

[4] http://www.thestrategydistillery.com/news/innovators-trust-intuition/

[5] http://www.forbes.com/sites/bernardmarr/2015/09/30/big-data-20-mind-boggling-facts-everyone-must-read/#5cc223b56c1d

[6] https://www.glassdoor.com/List/Best-Jobs-in-America-LST_KQ0,20.htm

Nilai Rata-Rata dan Kualitas Jaringan Selular

qualityNilai rata-rata (arithmetic mean) merupakan cara cepat untuk merepresentasikan satu data set. Kaidahnya gampang: hitung total nilai pada dataset tersebut lalu bagi dengan jumlah observasi, selesai. Namun waspadalah: mengonsumsi nilai rata-rata jika bukan untuk hitung-hitungan statistik menyesatkan dan sangat berbahaya!

Alkisah, ada ahli statistik tewas tenggelam saat menyeberang sungai [1]. Meski tak pintar berenang, sang ahli dengan percaya diri melintas sebab papan pengumuman bilang rata-rata kedalaman hanya 1 meter, lebih tinggi dia. Tak dinyana, di paruh sungai tersua sebuah jurang menjulang yang dobel tinggi badannya. Terjebak, mayatnya ditemukan mengapung di hilir sungai.

Tiang maklumat tadi tak eror melaporkan rata-rata kedalaman sungai 1 m. Tapi itulah masalah pokok nilai rata-rata, dan bagi mereka yang buru-buru percaya padanya.

Operator selular yang pakai nilai rata-rata untuk menakar KPI (Key Performance Indicator) -seperti kualitas jaringan- bisa terkecoh dengan muka manis digit kompromi ini.  Mereka tanya apa pasal KPI bagus namun masih banyak komplen pelanggan? Selidik punya selidik data KPI memang akurat, tapi kenapa nyaring jeritan pelanggan?

Kekurangan Nilai Rata-Rata

Pertama, nilai rata-rata adalah mediator yang suka kompromi, garis demarkasi dari posisi yang berseberangan: bagus/jelek, atas/bawah, kanan/kiri dan sebagainya. Proporsi mereka bisa fifty-fifty. Andai nilai rata-rata KPI lebih tinggi dari ambang batas (threshold) kualitas, yang mana makin tinggi makin cakap, maka nilai KPI tersebut dipandang lulus uji kualitas. Namun jangan riang dulu karena ada juga nilai di bawah threshold.

Sebagai ilustrasi, perhatikan frequency distribution KPI di Lampiran 1 yang merupakan histogram simulasi 10,000 elemen dengan nilai rata-rata (arithmetic mean) KPI 96.5 persen. Jika ambang batas kualitas serendah-rendahnya adalah 95 persen maka KPI 96.5 persen dianggap bagus dan secara kesisteman proses dipandang berjalan lancar. Benarkah?

Jika distribusi frekuensi elemen-elemen tadi dicermati secara saksama, maka di sebelah kanan threshold memang adalah elemen-elemen yang kualitasnya “bagus”; tapi perhatikan bahwa jumlah elemen di sebelah kiri ambang batas (kualitas “buruk”) itu ada 2,130 atau 21.30% dari total elemen. Inilah elemen-elemen yang gagal memenuhi standar kualitas. Jumlahnya lumayan besar sehingga tak heran jika banyak komplen, meskipun KPI apik.

Kedua, dalam perhitungan nilai rata-rata, angka besar merupakan “predator” bagi angka-angka kecil. Maksudnya begini: Jika Anda telah menghitung nilai rata-rata KPI dari, katakanlah,  sepuluh ribu elemen seperti contoh di atas dengan hasil bagus maka jika ada tambahan 100 elemen (satu persen) dengan kualitas jelek, pertambahan ini hanya akan berpengaruh sedikit terhadap nilai rata-rata tadi. Ini karena 100 kalah jauh dengan 10,000. Akan tetapi, di lapangan jika 100 elemen ini adalah BTS maka akan ada banyak pelanggan yang teriak, semakin nyaring jika mereka pelanggan VIP. Kita boleh bilang 100 elemen tadi “tertelan” oleh total jumlah elemen yang jauh lebih besar.

Ketiga, arithmetic mean rentan terhadap para ekstremis. Misal: untuk dataset {1,1,1,10}, arithmetic mean dataset tersebut adalah 3.25 (13/4). Padahal jika kita pakai tolok ukur nilai tengah lain seperti median dan mode, maka nilai tengah dari dataset tersebut adalah adalah 1. Oleh karena itu, lebih tepat representatif dataset tersebut adalah 1 bukan 3.25. Angka ekstrem 10 di antara tiga angka 1 menyebabkan penyimpangan ini. Hal yang sama berlaku untuk nilai ekstrem rendah. Oleh karena arithmetic mean rentan terhadap outlier (nilai ekstrem tinggi atau rendah) hal ini akan membuat nilai rata-rata naik/turun secara tak wajar pula.

Dengan kondisi seperti ini bisa jadi elemen-elemen dengan KPI super bagus akan mendongkrak keseluruhan KPI meskipun proporsinya tak sebanding elemen-elemen dengan KPI jelek. Menyesatkan, karena seperti contoh yang diberikan di atas, nilai satu orang (nilai 10) bisa menaikkan angka tiga orang lain (nilai 1) menjadi lebih dari tiga kali lipat angka wajar.

Bagaimana melenyapkannya?

Satu solusi adalah dengan menerapkan konsep “defects” (cacat) dari Six Sigma Process yang menghubungkan jumlah unit rusak dengan perhitungan sigma atau deviasi standar dari kurva lonceng/distribusi normal. Berapa jumlah maksimum unit cacat per masing-masing level sigma proses bisa dilihat pada Lampiran 2. Misal untuk suatu proses dengan standar enam sigma maka jumlah unit cacat maksimum pada sistem adalah 3.4 per satu juta unit. Ini berarti jika operator selular punya satu juta BTS maka untuk proses enam sigma jumlah BTS yang tidak lolos KPI harus paling banyak 3.4. Jika ada empat BTS atau lebih yang bermasalah maka akan segera mendegradasi proses tersebut ke lima sigma. Cacat unit tidak mesti BTS. Pada contoh sebelumnya tiap BTS hanya punya satu KPI. Jika tiap BTS punya sepuluh KPI maka untuk 100,000 BTS (total satu juta KPI) hanya diijinkan 3.4 KPI –bukan BTS- yang bermasalah.

Dengan konsep terakhir, elemen-elemen yang bermasalah akan terhitung secara individual dan tidak tenggelam dalam fenomena “big/large number”. Misalnya, proses pada histogram di atas memiliki sigma 2.3 [2], atau berada pada level “non-competitive” yakni di bawah standar; padahal jika menggunakan rata-rata KPI proses tersebut bagus (KPI 96.5%) karena di atas threshold 95%.

Mencapai dan mempertahankan suatu proses dengan level enam sigma sangat menantang. Satu industri yang bisa mencapai tingkatan ini adalah industri penerbangan, jika kita lihat jumlah kecelakaan pesawat dan total penerbangan. Selaras dengan ini, operator selular harus menetapkan tingkat sigma yang berterima oleh pelanggan. Jelas itu bukan sigma 2.3 seperti proses di Lampiran 1 meskipun secara KPI bagus. Namun tolok ukurnya terang: semakin tinggi sigma yang bisa dicapai, semakin bagus.

Memastikan kualitas jaringan selular dengan proses sigma merupakan jalan keluar yang bagus untuk menyediakan parameter yang lebih sensitif menakar permasalahan di lapangan sehingga ada korelasi positif antara kualitas jaringan dan tingkat kepuasan pelanggan.

*****

Catatan Kaki:

[1] https://hbr.org/2002/11/the-flaw-of-averages

[2] Perhitungan tingkat sigma ala Six Sigma Process dengan Microsoft Excel sebagai berikut: Tingkat sigma = NORM.S.INV(1-(TOTAL CACAT/TOTAL KESEMPATAN))+1.5. Angka 1.5 pada perhitungan ini adalah angka penyesuaian yang direkomendasikan oleh Motorola dan General Electric, yang mana sama dengan posisi sigma pada distribusi normal plus 1.5.

Lampiran:

histoLampiran 1: Meskipun KPI rata-rata distribusi ini (mean 96.5%) di atas threshold 95%, perhitungan sigma proses ini hanyalah 2.3, masih jauh dari industry average tingkat sigma 3 atau 4.

table

Lampiran 2: Jumlah unit maksimum yang rusak per tiap tingkatan proses sigma. Agar kompetitif satu proses sekurang-kurangnya harus berada pada tingkat sigma 3.

*****

Interkoneksi, Inflasi dan Kurs Rupiah

 

connected

image:dreamstime.com

Satu alasan yang disebutkan kenapa biaya interkoneksi selular harus turun adalah karena sejak tahun 2008 biaya tersebut tetap bertengger pada angka 250 rupiah.

Apakah karena tarifnya flat delapan tahun terakhir maka sekarang harus turun?

Argumen ini tidak laras dengan kondisi ekonomi Indonesia yang sejak tahun 2008 mengalami inflasi dan kurs rupiah yang mengalami depresiasi terhadap valuta asing, khususnya dollar.

Rata-rata (geometric mean) laju inflasi kita antara tahun 2008 – 2015 adalah 6.15%. Sampai akhir bulan Juli 2016 menurut data BPS, inflasi bulanan telah teragregrasi sebesar 1.76%. Lihat Lampiran 1 untuk tingkat inflasi tahunan sejak 2008 sampai Juli 2016.

Jika kita terapkan dampak tingkat inflasi tahun-per-tahun dari Lampiran 1 terhadap nilai rupiah maka tarif interkoneksi 250 rupiah pada tahun 2008 telah mengalami penurunan nilai menjadi 147 rupiah, atau berkurang sebesar 41.31%, pada akhir Juli 2016. Lihat Lampiran 2 untuk penyusutan nilai tarif interkoneksi tahun demi tahun sejak tahun 2008 karena tingkat inflasi ini.

Jadi karena inflasi, secara teknis tarif interkoneksi telah mengalami penurunan nilai.

Faktor lain yang harus dipertimbangkan adalah nilai tukar rupiah terhadap valuta asing, terutama dollar Amerika. Kenapa faktor ini layak diperhitungkan karena sebagian besar perangkat baru dan biaya pemeliharaan jaringan dilakukan dalam dollar. Ini bukan perangkat dan biaya pemeliharaan Askitel, clearing house-nya biaya interkoneksi telekomunikasi di Indonesia. Ini adalah biaya Capex dan Opex dari tiap operator yang menyediakan jaringan saat pelanggan melakukan panggilan lintas provider.

Sesuai data di Lampiran 3, nilai tukar rupiah terhadap dollar pada awal 2008 telah mengalami depresiasi sebesar kurang lebih 40% pada pertengahan Agustus 2016 (dari +/- 9,500 rupiah menjadi 13,500 rupiah). Khususnya sejak tahun 2012, rupiah terus mengalami pelemahan terhadap dollar. Itu berarti biaya investasi dan pemeliharaan jaringan yang terus naik, padahal kompensasi dari interkoneksi diberikan dalam rupiah.

Faktor ketiga yang bisa dipertimbangkan, meskipun agak over-reaching, adalah konsep net present value. Yang mana nilai 100 rupiah tahun ini (saat sekarang) akan selalu lebih tinggi dari nilai 100 rupiah tahun depan karena faktor suku bunga.

Jadi karena dampak inflasi maka nilai uang mengalami penurunan: daya beli dengan uang yang sama menurun. Selain itu karena rupiah mengalami depresiasi terhadap dollar maka biaya investasi dan pemeliharaan jaringan -yang akan digunakan pelanggan untuk percakapan lintas operator- juga mengalami kenaikan. Dengan demikian, jika dilihat dari faktor-faktor ini, biaya interkoneksi harusnya naik bukan malah turun.

Namun demikian, Pemerintah menganjurkan agar tarif telpon turun sebagai kompensasi penurunan biaya interkoneksi. Apakah ini bisa dilakukan?

Tarif Selular Akan Turun?

Kedua faktor yang dibahas di atas, terutama inflasi, juga bisa kita gunakan untuk memperkirakan peluang penurunan tarif telpon lintas operator sebagai akibat penurunan biaya interkoneksi.

Biaya interkoneksi baru, jika diberlakukan, akan mengalami penurunan sebesar 18%, dari sebelumnya 250 rupiah menjadi 204 rupiah. Komponen biaya maksimum yang disumbangkan oleh interkoneksi terhadap tarif percakapan lintas operator adalah 15%. Sehingga penurunan tarif maksimum karena faktor penurunan biaya interkoneksi adalah sebesar -2.7% (-18%*15%).

Namun demikian, rata-rata inflasi sejak tahun 2008, seperti disebutkan sebelumnya adalah 6.15%, atau jika kita gunakan angka inflasi tahun 2015 adalah 3.35%. Jika kita pakai angka 3.35% maka angka ini pun masih lebih tinggi dari penurunan biaya tarif percakapan sebesar 2.7%. Dengan kata lain, jika operator memperhitungkan penurunan biaya interkoneksi pun, karena faktor inflasi, tarif tetap akan naik sebesar 0.65% (3.35-2.7) agar tidak rugi.

Maka dengan perhitungan ini peluang tarif telpon akan mengalami penurunan adalah kecil.

Saya pikir biaya interkoneksi bisa saja turun atau bahkan ditiadakan sama sekali terutama jika coverage, bukan jumlah BTS, para operator telah seimbang. Memakai argumen bahwa biaya interkoneksi harus turun sekarang karena sudah delapan tahun tidak turun-turun tidaklah sesuai dengan kondisi makroekonomi Indonesia saat ini.

*****

Lampiran 1: Tingkat Inflasi Indonesia 2008-2016

inflasiDiolah dari data Badan Pusat Statistik Indonesia, http://www.bps.go.id

Lampiran 2: Dampak Inflasi Terhadap Biaya Interkoneksi

effect

Diolah dari data Badan Pusat Statistik Indonesia, http://www.bps.go.id

Lampiran 3: Nilai Tukar Rupiah Terhadap Dollar 2008-2016

 forex

Sumber: http://www.tradingeconomics.com/indonesia/currency

 *****

 

 

 

 

 

 


Author

Julitra Anaada:

Born and grew up in Talaud Islands, the northernmost, and one of the remotest, parts of Indonesia.

He earns living in Jakarta, the capital.

All posts are his own work, unless stated otherwise. For non-fictional piece, the opinions are strictly personal views.

He can be reached at julitra dot anaada at gmail.com.

Tweets

Enter your email address to subscribe to this blog and receive notifications of new posts by email.

Join 24 other followers


%d bloggers like this: