Zaien Aji Trahutomo

Second Order Thinking

Written by

zaien

in

Melihat Dampak di Balik Sebuah Keputusan

Kita sering menilai suatu kejadian hanya dari apa yang terlihat di depan mata. Padahal, dalam dunia nyata, setiap keputusan menciptakan rangkaian dampak yang saling terhubung. Kemampuan untuk melihat konsekuensi yang lebih jauh inilah yang disebut 2nd Order Thinking, bahkan dapat berkembang menjadi High-Order Thinking ketika kita mampu melihat rantai dampak yang panjang.

1stOrder Thinking: Melihat yang Tampak

Pada level ini, seseorang melihat sesuatu secara harfiah berdasarkan apa yang langsung terjadi.

Contoh:

Pemerintah menurunkan pajak kendaraan listrik.

1st Order Thinking:

  • Harga kendaraan listrik menjadi lebih murah.
  • Penjualan kendaraan listrik meningkat.

Analisis berhenti sampai di situ.

Kebanyakan orang menggunakan cara berpikir ini karena cepat, sederhana, dan sering kali cukup untuk kebutuhan sehari-hari.

2nd Order Thinking: Melihat Dampak dari Dampak

2nd Order Thinking mengajukan pertanyaan:

“Lalu setelah itu apa yang terjadi?”

Menggunakan contoh yang sama:

Kebijakan: Pajak kendaraan listrik diturunkan.

Dampak langsung (1st order):

  • Harga turun.
  • Penjualan naik.

Dampak lanjutan (2nd order):

  • Permintaan listrik meningkat.
  • Kebutuhan infrastruktur pengisian daya bertambah.
  • Produksi baterai meningkat.
  • Permintaan bahan baku seperti nikel meningkat.
  • Industri pertambangan berkembang.

Seorang pemikir orde kedua tidak hanya melihat keuntungan langsung, tetapi juga konsekuensi lanjutan yang muncul.

3rd Order Thinking: Melihat Dampak dari Dampak Lanjutan

Pertanyaan berikutnya:

“Apa konsekuensi dari dampak orde kedua tersebut?”

Melanjutkan contoh sebelumnya:

Dampak 2nd order: Permintaan nikel meningkat.

Dampak 3rd order:

  • Harga nikel dunia naik.
  • Investasi tambang baru bermunculan.
  • Aktivitas ekonomi daerah tambang meningkat.
  • Risiko kerusakan lingkungan bertambah.
  • Regulasi lingkungan menjadi lebih ketat.

Kini kita mulai melihat bahwa satu kebijakan kecil dapat menciptakan perubahan besar di berbagai sektor yang awalnya tidak terlihat.

High-Order Thinking: Melihat Mata Rantai Dampak

Pada titik tertentu, sulit lagi menghitung apakah suatu dampak termasuk orde ke-4, ke-5, atau ke-6.

Yang lebih penting adalah memahami bahwa:

Setiap tindakan menciptakan rantai sebab-akibat yang saling terhubung.

Inilah yang disebut High-Order Thinking.

Seorang pemikir tingkat tinggi tidak hanya bertanya:

  • Apa yang terjadi?
  • Apa akibatnya?

Tetapi juga:

  • Apa akibat dari akibat tersebut?
  • Siapa yang terkena dampaknya?
  • Bagaimana pihak lain akan bereaksi?
  • Reaksi tersebut menyebabkan apa lagi?

Mereka melihat dunia sebagai sebuah jaringan konsekuensi.

Hubungan dengan Systems Thinking

Jika High-Order Thinking berfokus pada rantai dampak, maka Systems Thinking berfokus pada hubungan antar komponen dalam suatu sistem.

Prinsip dasarnya:

Sesuatu tidak pernah berdiri sendiri.

Setiap bagian mempengaruhi bagian lainnya, bahkan membentuk loop. Tidak ada awal dan akhir yang jelas.

Systems Thinking: Mobil Listrik sebagai Sistem

Ketika pemerintah memberikan subsidi mobil listrik, kebanyakan orang berpikir:

flowchart TD
    A[Subsidi EV] --> B[Penjualan EV naik]
    B --> C[Emisi turun]
mermaid source 
flowchart TD
    A[Subsidi EV] --> B[Penjualan EV naik]
    B --> C[Emisi turun]

Ini masih linear.

Dalam Systems Thinking, kita melihat ekosistem yang lebih besar.

flowchart TD
    A[Subsidi EV] --> B[Penjualan EV Naik]

    B --> C[Charging Station Bertambah]
    B --> D[Konsumsi Listrik Naik]
    B --> E[Permintaan Baterai Naik]

    C --> F[EV Lebih Praktis]
    D --> G[Investasi Pembangkit Listrik]
    E --> H[Permintaan Nikel Naik]

    H --> I[Harga Nikel Naik]

    G --> J[Harga EV Naik]
    I --> J

    F --> K[Penjualan EV Turun]
    J --> K
mermaid source 
flowchart TD
    A[Subsidi EV] --> B[Penjualan EV Naik]

    B --> C[Charging Station Bertambah]
    B --> D[Konsumsi Listrik Naik]
    B --> E[Permintaan Baterai Naik]

    C --> F[EV Lebih Praktis]
    D --> G[Investasi Pembangkit Listrik]
    E --> H[Permintaan Nikel Naik]

    H --> I[Harga Nikel Naik]

    G --> J[Harga EV Naik]
    I --> J

    F --> K[Penjualan EV Turun]
    J --> K

Nah sekarang mulai terlihat hubungan silang.

Versi yang Lebih Realistis

Mari tambahkan industri BBM.

flowchart TD
    A[Penjualan EV ↑]

    A --> B[Konsumsi BBM ↓]
    A --> C[Kebutuhan Listrik ↑]

    B --> D[Pendapatan SPBU ↓]
    D --> E[Jumlah SPBU Berkurang]
    E --> F[Kendaraan BBM Makin Kurang Praktis]

    C --> G[Investasi PLN ↑]
    G --> H[Kapasitas Grid ↑]
    H --> I[EV Semakin Praktis]

    F --> J[Penjualan EV ↑]
    I --> J
mermaid source 
flowchart TD
    A[Penjualan EV ↑]

    A --> B[Konsumsi BBM ↓]
    A --> C[Kebutuhan Listrik ↑]

    B --> D[Pendapatan SPBU ↓]
    D --> E[Jumlah SPBU Berkurang]
    E --> F[Kendaraan BBM Makin Kurang Praktis]

    C --> G[Investasi PLN ↑]
    G --> H[Kapasitas Grid ↑]
    H --> I[EV Semakin Praktis]

    F --> J[Penjualan EV ↑]
    I --> J

Di sini sudah muncul cycle. Tidak ada titik akhir. Sistem berputar terus.

Contoh yang Lebih Menarik: Nikel dan Harga EV

Sekarang kita hubungkan industri tambang dan pasar kendaraan.

flowchart TD
    A["Penjualan EV ↑"]
    B["Permintaan Baterai ↑"]
    C["Permintaan Nikel ↑"]
    D["Harga Nikel ↑"]
    E["Biaya Produksi EV ↑"]
    F["Harga EV ↑"]
    G["Penjualan EV ↓"]

    A --> B
    B --> C
    C --> D
    D --> E
    E --> F
    F --> G
mermaid source 
flowchart TD
    A["Penjualan EV ↑"]
    B["Permintaan Baterai ↑"]
    C["Permintaan Nikel ↑"]
    D["Harga Nikel ↑"]
    E["Biaya Produksi EV ↑"]
    F["Harga EV ↑"]
    G["Penjualan EV ↓"]

    A --> B
    B --> C
    C --> D
    D --> E
    E --> F
    F --> G

Ini adalah balancing loop. Pertumbuhan menahan dirinya sendiri. Tetapi di saat yang sama:

flowchart TD
    A[Harga Nikel ↑] --> B[Investasi Tambang ↑]
    B --> C[Produksi Nikel ↑]
    C --> D[Pasokan Nikel ↑]
    D --> E[Harga Nikel ↓]
mermaid source 
flowchart TD
    A[Harga Nikel ↑] --> B[Investasi Tambang ↑]
    B --> C[Produksi Nikel ↑]
    C --> D[Pasokan Nikel ↑]
    D --> E[Harga Nikel ↓]

Loop kedua mempengaruhi loop pertama. Sekarang kita punya dua loop yang saling berinteraksi.

Menambahkan Faktor Lingkungan

Dunia nyata menjadi lebih menarik ketika regulator ikut masuk.

flowchart TD
    A["Produksi Nikel ↑"] --> B["Tambang Baru ↑"]
    B --> C["Dampak Lingkungan ↑"]
    C --> D["Tekanan Publik ↑"]
    D --> E["Regulasi Tambang ↑"]
    E -- Mengurangi --> A
mermaid source 
flowchart TD
    A["Produksi Nikel ↑"] --> B["Tambang Baru ↑"]
    B --> C["Dampak Lingkungan ↑"]
    C --> D["Tekanan Publik ↑"]
    D --> E["Regulasi Tambang ↑"]
    E -- Mengurangi --> A

Tetapi:

flowchart TD
    A["Regulasi Tambang ↑"]
    B["Harga Nikel ↑"]
    C["Daya Tarik Daur Ulang Baterai ↑"]
    D["Pasokan Material Daur Ulang ↑"]
    E["Ketergantungan Pada Tambang ↓"]

    A --> B
    B --> C
    C --> D
    D --> E
mermaid source 
flowchart TD
    A["Regulasi Tambang ↑"]
    B["Harga Nikel ↑"]
    C["Daya Tarik Daur Ulang Baterai ↑"]
    D["Pasokan Material Daur Ulang ↑"]
    E["Ketergantungan Pada Tambang ↓"]

    A --> B
    B --> C
    C --> D
    D --> E

Artinya kebijakan lingkungan tidak hanya menekan industri tambang. Ia juga mendorong industri daur ulang.

Bentuk yang Lebih Mendekati Dunia Nyata

Jika disederhanakan:

flowchart TD
    EV[Penjualan EV]

    EV --> KL[Kebutuhan Listrik]
    EV --> PB[Permintaan Baterai]
    EV --> KBBM[Konsumsi BBM]

    KL --> IG[Investasi Grid]
    IG --> EVP[EV Praktis]
    EVP --> EV

    PB --> PN[Permintaan Nikel]
    PN --> HN[Harga Nikel]
    HN --> HEV[Harga EV]
    HEV --> EV

    PN --> TB[Tambang Baru]
    TB --> KLING[Kerusakan Lingkungan]
    KLING --> RG[Regulasi Pemerintah]
    RG --> EV

    TB --> HN

    KBBM --> PSPBU[Pendapatan SPBU]
    PSPBU --> JSPBU[Jumlah SPBU]
    JSPBU --> KBBMP["Kendaraan BBM<br/>Kurang Praktis"]
mermaid source 
flowchart TD
    EV[Penjualan EV]

    EV --> KL[Kebutuhan Listrik]
    EV --> PB[Permintaan Baterai]
    EV --> KBBM[Konsumsi BBM]

    KL --> IG[Investasi Grid]
    IG --> EVP[EV Praktis]
    EVP --> EV

    PB --> PN[Permintaan Nikel]
    PN --> HN[Harga Nikel]
    HN --> HEV[Harga EV]
    HEV --> EV

    PN --> TB[Tambang Baru]
    TB --> KLING[Kerusakan Lingkungan]
    KLING --> RG[Regulasi Pemerintah]
    RG --> EV

    TB --> HN

    KBBM --> PSPBU[Pendapatan SPBU]
    PSPBU --> JSPBU[Jumlah SPBU]
    JSPBU --> KBBMP["Kendaraan BBM<br/>Kurang Praktis"]

Perhatikan bahwa:

  • Satu bagian memiliki banyak hubungan.
  • Dampak bisa kembali ke sumber awal.
  • Banyak loop berjalan bersamaan.
  • Tidak ada “akhir cerita”.

Inilah perbedaan mendasar:

Higher-Order Thinking

A → B → C → D → E

Systems Thinking

A ↔ B

↓   ↑

C ↔ D

↘ ↗ ↓

E ↔ F

Pada titik ini, kita tidak lagi bertanya:

“Apa dampaknya?”

melainkan:

“Bagaimana perubahan pada satu bagian sistem mengubah perilaku seluruh sistem?”

Itulah inti sebenarnya dari Systems Thinking. Bukan rantai sebab-akibat, bukan pohon sebab-akibat, melainkan jaringan sebab-akibat yang penuh feedback loop.

Seorang yang menggunakan Systems Thinking akan melihat bahwa subsidi mobil listrik bukan hanya green energy, tetapi dapat mempengaruhi tenaga kerja, industri, dan ekonomi nasional.

Mengapa Berpikir Tingkat Tinggi Sulit?

Karena dunia nyata sangat kompleks.

Satu perubahan dapat menciptakan puluhan bahkan ratusan efek lanjutan.

Tidak semua efek dapat diprediksi dengan mudah.

Contoh:

  • Perubahan suku bunga.
  • Kebijakan impor.
  • Penggunaan AI di perusahaan.
  • Perubahan regulasi pemerintah.

Semua memiliki dampak yang menyebar ke banyak sektor sekaligus.

Bagaimana Cara Melakukannya?

Ada dua pendekatan utama.

1. Simulasi Komputer

Komputer dapat digunakan untuk memodelkan hubungan antar variabel dalam suatu sistem.

Contohnya:

  • Simulasi rantai pasok (Supply Chain Simulation)
  • System Dynamics
  • Agent-Based Modeling
  • Digital Twin

Dengan simulasi, kita dapat menguji:

“Apa yang terjadi jika variabel ini berubah?”

tanpa harus mengambil risiko di dunia nyata.

2. Intuisi yang Terlatih

Banyak pemimpin bisnis, ekonom, dan insinyur berpengalaman mampu memperkirakan dampak berantai tanpa simulasi formal.

Mereka membangun intuisi melalui:

  • Pengalaman bertahun-tahun
  • Belajar dari kegagalan
  • Mempelajari pola sejarah
  • Memahami hubungan antar sistem

Intuisi sebenarnya adalah “simulasi mental” yang dibangun dari pengalaman.

Studi Kasus: AI Menggantikan Pekerjaan Administrasi

1st Order Thinking

AI menggantikan staf administrasi.

2nd Order Thinking

Perusahaan menghemat biaya operasional.

3rd Order Thinking

Lebih banyak perusahaan mengadopsi AI karena melihat efisiensi.

4th Order Thinking

Permintaan tenaga kerja administratif menurun.

5th Order Thinking

Pekerja mulai meningkatkan keterampilan ke bidang analisis, otomasi, dan AI.

6th Order Thinking

Kebutuhan pelatihan dan pendidikan teknologi meningkat.

Systems Thinking

Selain itu terdapat efek lain:

  • Vendor software AI berkembang.
  • Konsumsi komputasi cloud meningkat.
  • Regulasi perlindungan data menjadi lebih penting.
  • Muncul profesi baru yang sebelumnya tidak ada.

Satu teknologi ternyata mengubah banyak bagian dalam sistem ekonomi.

Kesimpulan

1st Order Thinking melihat apa yang terjadi.

2nd Order Thinking melihat konsekuensi dari apa yang terjadi.

3rd Order Thinking melihat konsekuensi dari konsekuensi tersebut.

High-Order Thinking melihat seluruh rantai sebab-akibat yang terbentuk.

Sementara itu, Systems Thinking membantu kita memahami bahwa setiap rantai dampak tidak berdiri sendiri, melainkan saling terhubung dengan bagian lain dalam sebuah sistem yang lebih besar.

Bagi pengambil keputusan, insinyur, manajer, maupun entrepreneur, kemampuan menggabungkan Systems Thinking dan High-Order Thinking merupakan salah satu keterampilan terpenting untuk menghindari solusi yang terlihat baik dalam jangka pendek tetapi menimbulkan masalah yang lebih besar di masa depan.

“Pemikir biasa melihat peristiwa. Pemikir tingkat tinggi melihat konsekuensi. Pemikir sistem melihat jaringan konsekuensi.”

Contoh lain untuk menerapkan high-order thinking dan system thinking

  • Belajar Ekonomi Makro: Kurs

    Struktur perdagangan Indonesia yang didominasi ekspor bernilai tambah rendah dan impor bernilai tambah tinggi menciptakan kerentanan terhadap guncangan eksternal. Ketergantungan pada komoditas membuat pendapatan ekspor sangat fluktuatif mengikuti harga global, sementara kebutuhan impor barang teknologi dan industri tetap tinggi dan relatif mahal. Akibatnya, ketika harga komoditas turun atau nilai tukar melemah, tekanan terhadap neraca perdagangan,…

Comments

One response to “Second Order Thinking”

  1. Membangun Dasar Pendidikan – Zaien Aji Trahutomo

    […] Baca: 2nd order thinking […]

    Reply

Leave a Reply

Your email address will not be published. Required fields are marked *

More posts