Awal tahun 2023 lalu, Saya mendapatkan kesempatan untuk mengikuti pelatihan Pengarusutamaan Gender (PUG) yang diadakan oleh instansi tempat saya bekerja. Dalam pelatihan tersebut, kami diajarkan bagaimana mendorong penerimaan dan pengakuan yang lebih besar atas hak-hak serta kepentingan lima kelompok masyarakat yang dibidik dalam PUG, yaitu: kaum perempuan, kaum disabilitas, lansia, ibu hamil atau menyusui, dan juga anak-anak.
Dalam mengimplementasikan PUG, kami diajarkan bahwa terdapat tujuh aspek penting yang harus dipenuhi, salah satunya adalah ketersediaan dan penggunaan data yang akurat. Data yang dimaksudkan di sini adalah data yang menggambarkan secara rinci tentang kondisi dan permasalahan yang dialami oleh subjek dalam PUG.
Namun, narasumber dalam pelatihan tersebut juga mengatakan pengumpulan data yang berkualitas tinggi dan relevan dengan tujuan PUG bukanlah hal yang mudah. Saya tidak sempat menyelami secara mendalam mengapa data sulit didapat?. Karena pelatihannya dilakukan dalam waktu pendek, saat itu saya masih kebingungan, seperti apakah data dan kebutuhan data yang diperlukan dalam membuat kebijakan yang berkeadilan gender.
Gambaran yang lebih jelas mengenai bagaimana pentingnya data muncul dalam “Invisible Women” yang ditulis oleh Caroline Criado Perez. Perez dengan cerdas mengungkap bagaimana data dan informasi penting tentang kehidupan perempuan seringkali diabaikan atau tidak tercatat secara sistematis.
“Invisible Women” berfokus terhadap pengabaian data yang terkait pada perempuan (gender data gap) dan bagaimana hal tersebut merugikan Perempuan dalam berbagai aspek kehidupan. Perez memaparkan beragam studi kasus untuk mendemonstrasikan diskriminasi gender yang terjadi akibat dari bias data tersebut. Menurutnya, hal ini bukanlah fenomena baru dan khusus yang terjadi di negara tertentu saja, tetapi ini adalah masalah global yang sudah berlangsung sejak lama.
Male Default
Istilah “male default” merujuk pada asumsi dasar dalam berbagai penelitian dan desain yang menyatakan bahwa pengalaman Laki-laki adalah norma atau standar, sedangkan Perempuan adalah penyimpangan dari norma tersebut(outlayer). ‘Male default’ seringkali membuat pengalaman dan kebutuhan perempuan tidak terlihat atau terabaikan. Contoh dari kecenderungan ‘male default‘ dapat ditemukan dalam desain produk dan infrastruktur. Misalnya, perlengkapan keselamatan di tempat kerja sering kali didasarkan pada ukuran rata-rata tubuh Laki-laki dan bukan Perempuan.
“Men go without saying, and Women don’t get said at all”
-Caroline Criado Perez
Pada bab awal penulis menyoroti betapa sistem yang kita gunakan setiap hari, seperti mesin translasi dan mesin pencari, juga dapat dipengaruhi oleh bias gender. Google Translate, cenderung menerjemahkan kata-kata netral gender dari bahasa yang memiliki kata kerja netral gender seperti bahasa Finlandia atau Turki, menjadi bahasa yang ber-gender seperti bahasa Inggris dan hampir selalu mentranslasikan ke dalam bentuk maskulin. Misalnya, ketika menerjemahkan kata “dia adalah seorang dokter” dari bahasa Finlandia ke bahasa Inggris, mesin terjemahan akan menerjemahkannya menjadi “he is a doctor”, bukan “she is a doctor” atau tampil dengan netral gender seperti “they are a doctor.”
Dalam konteks mesin pencari, Perez juga menunjukkan bagaimana algoritma mesin pencari menampilkan hasil yang bias berdasarkan gender. Misalnya, ketika mencari frasa seperti “pegawai kantor”, mesin pencari dapat menampilkan lebih banyak gambar laki-laki daripada perempuan karena asumsi dan prasangka yang melekat pada apa yang biasanya dicari atau dipandang sebagai ‘pegawai kantor’. Upaya untuk meminimalkan bias gender ini perlu mendorong pengembangan algoritma dan mesin yang lebih peka gender.
“When your big data is corrupted, the truths you get are half-truths”
-Caroline Criado Perez
“Invisible Women” menyoroti beberapa contoh “data gap” atau kesenjangan data yang cukup ekstrim. Salah satu contoh yang diangkat oleh Perez adalah mengenai data medis. Dia menunjukkan bahwa sebagian besar penelitian medis berfokus pada tubuh Laki-laki dan mengasumsikan bahwa hasilnya akan sama bagi Perempuan. Selain itu, Perempuan juga sering dikecualikan dari uji coba obat, yang berarti para dokter tidak memiliki data yang memadai tentang bagaimana obat-obat tersebut bekerja pada tubuh wanita. Alasan yang sering dikemukakan para peneliti adalah pelibatan Perempuan dalam ujicoba kadang membahayakan terutama pada Ibu Hamil, namun minimnya data juga menyebabkan Perempuan yang sakit tidak mendapatkan penanganan ataupun pengobatan yang maksimal.
Data gap dalam bidang transportasi, terungkap dalam buku ini bahwa sistem transportasi umum, dari jadwal hingga rute dan desain infrastruktur, sering didasarkan pada pola perjalanan laki-laki yang biasanya merupakan perjalanan dari rumah ke tempat kerja (linear). Model perencanaan seperti ini sering tidak memenuhi kebutuhan perjalanan Perempuan yang cenderung lebih kompleks, yang mungkin melibatkan apa yang disebut “trip chaining” seperti mengambil anak-anak dari sekolah, berbelanja, merawat anggota keluarga tua atau sakit, dan sebagainya yang dilakukan sebelum atau setelah jam kerja mereka. Rute angkutan umum biasanya tidak diatur untuk memberi dukungan pada jenis perjalanan seperti ini, perempuan sering menghadapi tantangan lebih banyak dalam menggunakan transportasi umum. Data gap lain terkait dengan transportasi membahas bagaimana kekurangan pencahayaan dan penanda jalan yang memadai dapat memperbesar risiko kejahatan bagi wanita dalam perjalanan mereka. Namun, ini sering kali tidak dianggap sebagai faktor dalam perencanaan transportasi. Mengapa hal seperti ini tidak masuk ke dalam desain dan perencanaan transportasi? Ternyata sebabnya adalah mulai dari Pejabat, Teknisi, Desainer, hingga Operator yang terkait dengan transportasi sangat di dominasi oleh Laki-laki sehingga menghasilkan luaran yang bias gender.
Penulis memberikan beberapa rekomendasi untuk mengatasi “data gap” atau bias gender dalam pengumpulan data dan implementasi kebijakan, diantaranya adalah:
- Memperbaiki Kualitas Data: Sebagai permulaan, kita perlu memastikan bahwa data yang digunakan benar-benar mencerminkan dunia secara akurat. Ini berarti mencakup terkait perempuan dalam pengambilan sampel, serta memperhitungkan perbedaan antara laki-laki dan perempuan saat mengumpulkan dan menganalisis data.
- Merancang Ulang Sistem: Perez enekankan pentingnya merancang ulang sistem yang saat ini dibuat dengan asumsi ‘laki-laki sebagai standar’. Ini berlaku untuk segala hal mulai dari produk hingga kebijakan publik.
- Menerapkan Perspektif Gender: Setiap orang perlu mempertimbangkan gender dan bagaimana hal itu dapat mempengaruhi pengalaman seseorang. Ini juga berarti mencari dan mendorong penelitian dan inovasi yang lebih gender-inclusive, dan membiasakan diri berpikir dengan lensa gender.
- Melibatkan Perempuan dalam Pengambilan Keputusan: Akhirnya, penulis menyerukan agar lebih banyak wanita dilibatkan dalam proses pengambilan keputusan, khususnya dalam menciptakan kebijakan dan pengambilan keputusan strategis, untuk memastikan perspektif dan kebutuhan perempuan diperhatikan.
