tirto.id - Kesuksesan Putri Ariani di ajang America’s Got Talent lewat penampilannya yang memikat membuat namanya terus diperbincangkan di berbagai negara. Seturut data dari Google Trends pada 13 Juni 2023, namanya diketik dalam mesin pencari oleh warganet dari Denmark, Slovakia, Srilanka, dan Norwegia dalam 24 jam terakhir.
Setibanya di tanah air, ia diapresiasi lewat beasiswa dari Kemendikbud Ristek untuk melanjutkan sekolahnya di The Julliard School New York sebagaimana impiannya.
Di era media sosial, kita sering menyaksikan foto-foto dan cerita-cerita kehidupan yang tampak sempurna dari orang lain. Kita cenderung membandingkan diri dengan citra yang dibangun oleh orang lain dan merasa tidak puas dengan kehidupan sendiri.
Namun, kita tidak melihat sisi lain dari kehidupan mereka yang mungkin tidak sempurna atau masalah yang sedang dihadapi.
Keberhasilan Putri Ariani dengan bakatnya yang luar biasa di tengah keterbatasannya, tentu saja sangat menginspirasi banyak orang. Pun dengan foto-foto mereka di media sosial yang dipandang sempurna bisa dijadikan pelecut untuk mendapatkan pencapaian yang sama bagi sebagian yang lain.
Sementara di luar keduanya, terdapat mereka yang berjuang, ikhtiar dengan caranya sendiri, dan mewujudkan mimpi-mimpi dengan berbagai kekurangannya. Pengabaian akan keberadaan mereka ini dikenal dengan survivorship bias atau bias kebertahanan, di mana kita hanya melihat highlight reel kehidupan orang lain yang sukses dan mengabaikan kenyataan adanya ribuan kegagalan yang lebih kompleks.
Diilhami dari Analisis Pesawat Tempur
Survivorship bias atau bias kebertahanan merupakan kesalahan kognitif yang terjadi ketika kita fokus pada keberhasilan atau penyintas situasi tertentu sambil mengabaikan kegagalan atau ketidakselamatan.
Konsep bias kebertahanan dilatarbelakangi oleh peristiwa militer ketika Amerika Serikat mengalami banyak kerugian oleh para pengebom udara Nazi yang menyingkirkan skuadron mereka dalam pertempuran udara selama Perang Dunia II.
Mereka lantas melakukan evaluasi dan menganalisis kekuatan udara, termasuk mengidentifikasi bagian pesawat yang dinyatakan selamat dari serangan. Didatangkanlah Abraham Wald, seorang ahli matematika dari Columbia University untuk menganalisis data pesawat militer dan menentukan bagian mana dari pesawat yang mengalami kerusakan paling parah serta membutuhkan lapisan baja dalam peningkatan pertahanan berikutnya.
Wald mulai menghitung berbagai kemungkinan pesawat yang selamat dari serangan Jerman. Ia menyederhanakan perhitungan lewat rumus-rumus matematika dan berbagai persamaan dampak dari serangan ke tubuh pesawat.
Namun, dia melihat ada masalah dengan data karena didasarkan pada pesawat yang kembali dari pertempuran. Ini berarti data mengalami bias sebab tidak memperhitungkan pesawat yang telah ditembak jatuh yang akhirnya tidak disertakan dalam analisis.
Ia berargumen bahwa data yang hilang pada pesawat yang jatuh, atau yang tidak kembali, sangat penting untuk analisis yang komprehensif.
Umumnya pesawat yang selamat didata berdasarkan lokasi tembakan pada badan pesawat. Area tersebut dijadikan acuan militer AS untuk diperbaiki dan ditingkatkan pengamanannya. Tetapi Wald menunjukkan bahwa ini bukanlah informasi yang paling membantu, karena pesawat yang tertembak di luar area tersebut tidak pernah kembali.
Dalam laporannya berjudul A Method of Estimating Plane Vulnerability Based on Damage of Survivors by Arthur Wald 1943 (PDF) yang dicetak ulang warsa 1980, ia menyarankan untuk memperkuat pertahanan pada bagian mesin dan kokpit pesawat karena ini adalah area yang kemungkinan besar akan berakibat fatal jika terkena serangan. Selain pada area serangan, Wald juga menganalisa tipe peluru yang digunakan.
Pendekatan ini akhirnya mengarah pada pengembangan penguatan lapis baja di area yang paling rentan. Kesimpulan yang keliru dari militer AS tersebut kemudian dikenal dengan survivorship bias atau bias kebertahanan.
Dianggap Kesalahan Logika
Selain Abraham Wald, pakar lain yang mengemukakan bias kebertahanan antara lain Nassim Nicholas Taleb, penulis esai Lebanon-Amerika, ahli statistik matematika, dan analis risiko. Dia terkenal karena karyanya tentang probabilitas, ketidakpastian, dan keacakan, yang telah dia jelajahi dalam beberapa buku, termasuk The Black Swan (2007) dan Antifragile (2012).
Dalam The Black Swan, ia mengulas keseringan individu meremehkan peran keacakan dalam hidup, dan ini dapat menyebabkan seseorang membuat keputusan yang buruk.
Ia juga berpendapat bahwa manusia perlu lebih waspada terhadap kemungkinan peristiwa black swan, sebuah metafora yang ia gunakan untuk memahami peristiwa yang tidak dapat diprediksi dan berdampak besar pada kehidupan.
Sementara dalam Antifragile (2012), Taleb menyajikan perspektif baru tentang bagaimana individu harus mendekati ketidakpastian dan risiko. Menurutnya, banyak sistem dan manusia tidak hanya rapuh, tetapi juga antirapuh. Sistem atau orang yang antirapuh tumbuh subur dalam kekacauan dan ketidakpastian, alih-alih hanya bertahan atau hancur.
Ia mencoba merangkul kegagalan dan kemunduran kecil sebagai peluang untuk tumbuh dan berkembang. Dengan melakukan itu, seseorang bisa menjadi lebih tangguh dan mudah beradaptasi dengan kejadian yang tidak terduga.
Karya-karyanya menantang gagasan tradisional tentang manajemen risiko, dengan alasan bahwa banyak peristiwa penting dalam sejarah tidak dapat diprediksi dan siapa pun harus bersiap untuk beradaptasi dengan ketidakpastian daripada mencoba mengendalikannya.
Dia juga kritis terhadap industri keuangan, dengan alasan bahwa ketergantungannya pada model dan algoritma yang kompleks telah membuat dunia lebih rapuh dan rentan terhadap peristiwa dan bencana.
Dalam jurnal terbarunya mengenai pandemi Covid-19 yang ditulis bareng Pasqualle Cirillo berjudul Tail risk of contagious diseases (2020. PDF), Taleb menyusun dan menjabarkan statistik berupa distribusi kematian akibat pandemi.
Ia menyoroti implikasi kebijakan yang penting, karena tidak tepat untuk membandingkan kematian akibat pandemi dengan kematian akibat kejadian yang tidak terduga. Menurutnya model epidemiologis tidak boleh digunakan untuk manajemen risiko pencegahan, yang harus berfokus pada paparan maksimum.
Bias kebertahanan sebagaimana dikemukakan Abraham Wald maupun Nassim Nicholas Taleb merupakan kesalahan logika karena melibatkan seleksi data yang tidak adil atau tidak lengkap dalam pengambilan keputusan.
Ketika seseorang atau kelompok hanya melihat contoh-contoh yang berhasil, mereka cenderung mengabaikan fakta bahwa ada banyak contoh yang tidak berhasil atau gagal yang mungkin memiliki suasana yang sama.
Dalam banyak kasus, contoh-contoh yang gagal dapat memberikan informasi yang berharga tentang kesalahan yang harus dihindari, faktor risiko yang perlu diperhatikan, atau ketidakpastian yang harus dihadapi. Tetapi dengan mengabaikan contoh-contoh ini, siapa pun akan kehilangan gambaran yang utuh sehingga dapat menggeneralisasi keputusan yang keliru.
Selain itu, bias kebertahanan juga dapat menyebabkan pengulangan pola yang tidak akurat. Ketika hanya melihat contoh-contoh yang berhasil, maka cenderung mempercayai bahwa mereka adalah representasi yang paling umum atau dapat diandalkan.
Ini dapat mengakibatkan pandangan yang tidak sesuai dengan realitas sebenarnya. Dengan tidak mempertimbangkan contoh-contoh yang gagal atau lenyap, maka akan terperangkap dalam pola pikir yang sempit dan tidak mampu beradaptasi dengan perubahan serta tantangan yang muncul di kemudian hari.
Pengaruh dan Cara Menghindarinya
Hingga kini, konsep bias kebertahanan memiliki dampak yang besar di berbagai bidang, termasuk bisnis, kesehatan, dan kebijakan sosial.
Dalam bisnis, bias kebertahanan dapat mengarah pada keyakinan salah bahwa strategi atau taktik tertentu selalu berhasil. Akhirnya membuat keputusan yang buruk, seperti berinvestasi dalam skema menjebak atau investasi bodong.
Sebuah perusahaan mungkin melihat kinerja keuangan para pesaingnya yang paling sukses dan menyimpulkan bahwa mereka pasti melakukan sesuatu yang benar. Namun, jika perusahaan tidak juga mempertimbangkan kinerja keuangan para pesaing yang telah gagal, bisa jadi itu adalah sebuah kesalahan. Perusahaan yang sukses mungkin berhasil karena alasan yang tidak ada hubungannya dengan praktik bisnis mereka.
Orang-orang misalnya, hanya melihat kesuksesan Apple dalam menciptakan produk revolusioner seperti iPhone, iPad, atau MacBook. Mereka melihat Steve Jobs sebagai seorang visioner yang brilian dan menganggapnya sebagai bukti bahwa inovasi yang menakjubkan selalu terjadi.
Namun, banyak orang tidak menyadari bahwa ada banyak produk Apple yang tidak berhasil di pasaran dan tidak mendapatkan kesuksesan yang sama. Survivorship bias membuat kita mengabaikan produk-produk yang tidak berhasil dan fokus hanya pada kesuksesan, sehingga terciptalah persepsi yang tidak akurat tentang kemampuan perusahaan tersebut.
Dalam bidang kesehatan, bias kebertahanan biasanya menghasilkan keyakinan bahwa perawatan tertentu lebih efektif daripada yang sebenarnya, karena pasien yang tidak mendapat manfaat dari perawatan tersebut tidak dimasukkan dalam penelitian.
Contohnya seorang nenek di China sudah berusia 102 tahun masih bisa mengonsumsi junk food, alkohol, dan rokok. Dikatakan bahwa semua dokter yang pernah menasihatinya untuk tidak minum dan merokok malah sudah meninggal lebih dulu.
Si nenek bisa saja memiliki daya tahan yang kuat pada tubuhnya, alih-alih dokter yang menasihatinya sudah meninggal, itu tidak ada sangkut pautnya dengan referensi usia. Pasien yang lain akibat mengonsumsi makanan yang sama dengan nenek tersebut banyak divonis dokter dengan ragam penyakit.
Sebaliknya, seorang dokter mungkin melihat hasil uji klinis dan menyimpulkan bahwa obatnya dianggap efektif menyembuhkan berbagai penyakit. Namun, jika dokter juga tidak mempertimbangkan hasil uji coba untuk pasien yang tidak merespons obat tersebut, mereka bisa saja melakukan kesalahan. Obat tersebut mungkin hanya efektif untuk sebagian pasien.
Dengan menyadari bias kebertahanan, kita dapat menghindari kesalahan semacam ini. Kita dapat melakukannya dengan melihat potensi diri, lalu mempertimbangkan semua data yang relevan, bukan hanya data yang mendukung praduga.
Kita juga dapat berhati-hati untuk tidak menarik kesimpulan tentang suatu populasi hanya berdasarkan sebagian dari populasi itu. Saat mengevaluasi kelompok atau situasi tertentu, penting untuk mempertimbangkan semua kemungkinan hasil, bukan hanya keberhasilan. Penting juga untuk melihat data dari berbagai perspektif, dan mempertimbangkan kemungkinan adanya faktor lain yang berkontribusi terhadap hasil yang diamati.
Dengan mempertimbangkan semua hasil, melihat data dari berbagai perspektif, individu atau kelompok dapat membuat keputusan yang lebih baik dan tentu saja, bijaksana.
Penulis: Ali Zaenal
Editor: Irfan Teguh Pribadi
