Budaya Kerja & Di Balik Layar

Cara Google SRE Menangani Insiden: Peran IC, CL, OL dan Postmortem Tanpa Menyalahkan

Panduan manajemen insiden dari tim Google SRE menjelaskan alur lengkap menghadapi gangguan layanan, dari alert dan on-call, pembagian peran saat krisis, hingga postmortem tanpa menyalahkan.

Oleh Redaksi Oemah Solution 4 menit baca

Artikel ini disusun dengan bantuan AI berdasarkan sumber resmi yang tercantum di bawah, dan diperiksa secara otomatis sebelum terbit.

Gangguan layanan pasti terjadi pada sistem yang cukup kompleks. Hal ini berlaku untuk aplikasi e-commerce maupun layanan publik digital milik instansi pemerintah. Masalahnya, banyak organisasi masih menangani gangguan secara spontan. Semua orang panik, tidak jelas siapa yang memimpin, dan setelah layanan pulih, yang dicari adalah siapa yang salah. Tim Site Reliability Engineering (SRE) Google menerbitkan Incident Management Guide yang membahas alur lengkap untuk mencegah kekacauan semacam itu. Panduan ini ditulis oleh Adam Crume, Alex Cepoi, Chelsea Granados, Roxana Loza, Steve McGhee, Svetlana Gites, Trevor Mattson-Hamilton, dan Vrai Stacey.

Apa Itu Manajemen Insiden ala Google SRE

Menurut panduan tersebut, rencana yang terdefinisi dengan baik membantu tim dalam tiga hal: menekan dampak gangguan bagi pengguna, mengoordinasikan respons agar mitigasi lebih cepat, dan belajar dari kejadian supaya tidak terulang. Prosesnya terbagi ke dalam tiga tahap besar:

  • Persiapan: mekanisme alert yang andal, rotasi on-call, dan playbook.
  • Respons: peran yang jelas selama insiden berlangsung.
  • Pemulihan dan pembelajaran: postmortem tanpa menyalahkan (blameless).

Bagaimana Praktik Ini Berjalan

1. Alert yang tepat. Google SRE menyebut beberapa ciri alert yang baik:

  • muncul tepat waktu, sebelum dampak ke pengguna membesar;
  • mencakup semua fungsi penting yang dipakai pengguna;
  • berbasis gejala yang dialami pengguna, bukan perilaku internal sistem;
  • dapat ditindaklanjuti, karena alert yang tidak bisa ditindaklanjuti hanya menjadi kebisingan.

Panduan itu menyarankan alert berbasis SLO (Service Level Objective) sebagai cara yang baik untuk memenuhi tiga ciri pertama. Alert preventif berbasis metrik internal tetap diperlukan dalam kasus tertentu, misalnya ketika kuota sumber daya hampir habis. Namun aturan umumnya adalah menghindari alert yang terikat pada detail implementasi.

2. Playbook dan latihan. Playbook yang mutakhir berisi cara men-debug dan memitigasi masalah, sehingga respons bisa jauh lebih cepat. Playbook hanya berguna kalau petugas on-call tahu isinya. Karena itu Google menjalankan latihan rutin bernama "Wheel of Misfortune". Latihan ini menjaga pengetahuan tim tetap segar dan memberi ruang aman bagi petugas yang belum berpengalaman untuk mengasah keterampilan.

3. Peran saat insiden. Sistem respons insiden Google, IMAG, mengacu pada Incident Command System (ICS), standar penanganan darurat di Amerika Serikat untuk kejadian seperti kebakaran hutan atau gempa. Fokusnya ada pada "3C", yaitu coordinate, communicate, dan control. Ada tiga peran utama:

  • Incident Commander (IC) mengoordinasikan respons secara keseluruhan.
  • Communications Lead (CL) memberi kabar rutin kepada pemangku kepentingan dan menjadi titik kontak komunikasi yang masuk.
  • Operations Lead (OL) berfokus memitigasi dan menyelesaikan masalah teknis.

Peran-peran ini tidak mengikuti struktur jabatan. Penugasannya didasarkan pada pengetahuan dan konteks insiden.

4. Postmortem tanpa menyalahkan. Setelah insiden, tim menulis postmortem yang berfokus pada perbaikan sistem, prosedur, dan pelatihan, bukan pada kesalahan individu. Target penyelesaian tindak lanjutnya disepakati dengan pemangku kepentingan dalam bentuk SLO. Setelah itu, tindak lanjut tersebut masuk ke backlog tim dan diprioritaskan bersama pekerjaan fitur.

Jebakan yang Sering Terjadi

  • Hanya fokus pada perbaikan teknis. Google SRE menegaskan bahwa memberi kabar kepada pengguna dan pimpinan sama pentingnya dengan mitigasi teknis. Kabar itu mencakup apa yang terdampak, seberapa parah, solusi sementara yang tersedia, dan perkiraan pemulihan.
  • Alert berbasis metrik internal. Alert seperti ini tidak mencerminkan dampak nyata ke pengguna dan mudah rusak ketika implementasi sistem berubah.
  • Playbook yang tidak pernah dilatih. Dokumen yang tidak dikenal oleh petugas on-call tidak akan membantu saat krisis.
  • Membiarkan respons berjalan sendiri. Panduan itu mengingatkan bahwa kekacauan akan mengambil alih jika tidak dikelola secara aktif. Respons insiden perlu diperlakukan sebagai proyek tersendiri, lengkap dengan perencanaan, penentuan siapa yang terlibat, dan dokumentasi tindakan.

Cara Tim dan Klien Menerapkannya

Pola ini tidak hanya relevan bagi perusahaan raksasa. Tim kecil dan instansi pemerintah pun bisa memulainya dengan langkah sederhana:

  1. Tentukan beberapa fungsi utama yang dipakai pengguna, lalu pasang alert berdasarkan gejala yang mereka alami.
  2. Tulis playbook singkat untuk gangguan yang paling sering terjadi, kemudian latih secara berkala lewat simulasi.
  3. Sepakati sejak awal siapa yang bisa menjadi IC, CL, dan OL. Dalam tim kecil, satu orang mungkin memegang lebih dari satu peran, tetapi pemisahan tugasnya tetap jelas.
  4. Bagi pemilik layanan atau klien, minta kabar rutin selama insiden alih-alih menekan tim teknis secara langsung, karena saluran komunikasi itulah fungsi CL.
  5. Biasakan postmortem tanpa menyalahkan, dan pastikan tindak lanjutnya benar-benar masuk backlog serta diberi prioritas, bukan sekadar dicatat.

Dengan peran yang jelas, alert yang mencerminkan pengalaman pengguna, dan budaya belajar tanpa mencari kambing hitam, setiap gangguan bisa menjadi bahan perbaikan, bukan sumber saling tuding.

#incident management#sre#postmortem#on-call#slo

Sumber & referensi

Artikel ini merupakan ringkasan dan interpretasi tim Oemah Solution atas sumber-sumber di bawah. Untuk detail dan konteks lengkap, rujuk sumber aslinya.

  1. Google SRE - Learn sre incident management and response Google Site Reliability Engineering (sre.google) · sre.google