ISSN 2477-1686  

 Vol. 12 No. 64 Agustus 2026

Integrasi Sains Data dan Psikologi dalam Praktik Assessment Center

Oleh:

Denny Jean Cross Sihombing dan Christiany Suwartono
Fakultas Psikologi, Universitas Katolik Indonesia Atma Jaya, Jakarta

Pengantar

Di era people analytics dan kecerdasan artifisial (artificial intelligence/AI), organisasi berlomba-lomba mengumpulkan dan menganalisis data untuk mendukung pengambilan keputusan yang lebih akurat. Mulai dari data produktivitas, keterlibatan karyawan, hingga prediksi turnover, hampir setiap aspek pengelolaan sumber daya manusia kini semakin bergantung pada data. Namun, di tengah derasnya arus transformasi digital tersebut, terdapat satu sumber data yang sesungguhnya sangat kaya tetapi belum dimanfaatkan secara optimal, yaitu data perilaku yang dihasilkan dalam Assessment Center (AC).

Selama puluhan tahun, AC dikenal sebagai salah satu metode paling andal untuk mengevaluasi kompetensi melalui simulasi yang menyerupai situasi kerja nyata. Ketika seorang kandidat menghadapi simulasi dalam AC, ia sejatinya tidak hanya sedang diuji, melainkan sedang memproyeksikan seluruh kapasitas kepemimpinannya ke dalam ruang observasi. Setiap urutan tugas yang dikerjakan, durasi jeda saat mengambil keputusan, hingga gaya bahasa saat mendelegasikan instruksi, merupakan untaian data perilaku (behavioral data) yang sangat berharga. Sebagai standar dalam evaluasi Sumber Daya Manusia (SDM), AC dirancang untuk memotret realita kompetensi manajerial secara utuh. Namun sering sekali detail-detail krusial dari jejak interaksi tersebut lolos dari pengamatan penilai (asesor), menguap begitu saja, dan hanya bermuara pada selembar laporan akhir yang mereduksi dinamika kompleks manusia menjadi sekadar label "memenuhi" atau "tidak memenuhi" kriteria.

Data dan olahan data observasi asesorlah yang akan kita bincangkan dalam artikel ini. Jika hanya dianggap sebagai instrumen seleksi di akhir fase, maka lembar observasi tersebut hanya menjadi gunungan berkas saja, sama dengan masa lalu, bedanya sekarang menjadi tumpukan digital. Pertanyaan strategisnya adalah: bisakah rekam jejak ini diupayakan menjadi modal pembangunan arsitektur talenta institusi? Dengan demikian, bagaimana rentetan perilaku kandidat dapat digunakan institusi untuk memetakan kekuatan kompetensi, gaya kepemimpinan, dan kebutuhan pengembangan SDM secara presisi?

Asesmen sebagai Apa?

Laporan AC setidaknya dapat kita lihat dalam kategori fungsi praktis dan fungsi strategis. Bagi institusi, AC tidak hanya berfungsi sebagai instrumen evaluasi administratif, tetapi juga sebagai sumber data strategis dalam tata kelola arsitektur talenta berbasis bukti. Dalam domain SDM, instrumen psikometri secara fundamental digunakan untuk memetakan tiga pilar utama kandidat: "Can do" (kapasitas), "Will do" (motivasi), dan "Will fit in" (kesesuaian budaya) (Bailey, 2017). AC merekam secara sistematis dimensi-dimensi ini melalui simulasi manajerial yang kompleks (seperti In-Basket Test), yang mencerminkan kompetensi analitis dan orientasi pengambilan keputusan mereka secara nyata.

Namun, dalam praktiknya, ruang observasi tradisional menyimpan tantangan kognitif yang besar. Asesor dituntut untuk menjalankan metodologi ORCE (Observe, Record, Classify, Evaluate) secara bersamaan. Mengamati perilaku di bawah tekanan waktu, mencatat setiap detail, lalu mengklasifikasikannya ke dalam dimensi kompetensi sering kali memicu beban kognitif (cognitive overload) yang berujung pada inkonsistensi penilaian (Gingerich et al., 2014). Ketika kelelahan melanda, manusia cenderung mengambil jalan pintas mental (heuristics), yang secara signifikan dapat menurunkan kualitas objektivitas dan membuka ruang bagi bias seperti Halo Effect (Soper, 2014; Tavares & Eva, 2013).

Membangun Budaya Kolegialitas Manusia dan Mesin

Menghadapi keterbatasan kognitif tersebut, disiplin Computational Psychometrics (Psikometri Komputasional) hadir. Pendekatan ini secara revolusioner menggabungkan teori psikometri klasik dengan metode berbasis data seperti Machine Learning, Kecerdasan Buatan (AI), dan Natural Language Processing (NLP) untuk menganalisis data multimodal yang sangat kompleks (Liao et al., 2022; von Davier & Hao, 2026). Sayangnya, adopsi teknologi cerdas ini sering disalahpahami sebagai ancaman bagi profesi psikolog.

Padahal, sistem algoritma dan asesor manusia adalah aset institusi yang saling melengkapi. Hubungan ini lebih tepat dipandang sebagai mitra yang saling menopang. Melalui integrasi Sains Data, mesin dapat memproses jutaan titik jejak digital (digital traces), seperti pola interaksi, latensi waktu respons, dan analisis struktur bahasa melalui instrumen NLP (Geranpayeh, 2023), secara real-time. Jejak perilaku komputasional ini telah terbukti secara ilmiah mampu memprediksi kelincahan kognitif dan sifat psikologis dengan tingkat presisi tinggi (Latynov & Shepeleva, 2020).

Sistem mengambil alih tugas Observe dan Record yang melelahkan, sehingga mesin dapat memberi umpan balik berupa visualisasi rekam jejak yang objektif kepada asesor. Psikolog kemudian dapat memfokuskan energi kognitif mereka pada tahap Classify dan Evaluate, menarik kesimpulan profesional yang esensial. Ini yang dapat kita kategorikan sebagai semangat kolegialitas di era digital

Pemetaan Kepakaran dan Kompetensi

Pemetaan kompetensi yang bersumber dari jejak data digital berperan penting dalam pengembangan profesional dan karier. Pengelolaan log aktivitas kandidat menyediakan dasar berbasis data untuk perencanaan karier, pengembangan kompetensi, dan penyelarasan kebutuhan institusi dengan potensi SDM.

Sebagai contoh, ketika sistem komputasi menemukenali ada kandidat-kandidat tertentu yang selalu merespons krisis operasional lebih cepat namun dengan sentimen teks yang terburu-buru, maka anomali sentimen teks ini dapat disajikan sebagai peringatan dini (red flag) bagi asesor untuk melakukan penggalian lebih dalam saat fase wawancara (Behavioral Event Interview). Sebaliknya, jika data menunjukkan rekam jejak kandidat yang selalu terstruktur dan analitis dalam mendelegasikan tugas, sistem menyediakan landasan empiris yang kuat untuk merekomendasikan mereka ke posisi strategis masa depan. Hal ini mengukuhkan kembali prinsip fundamental asesmen modern: algoritma bertugas menyajikan data presisi, sementara psikologlah yang memberikan makna.

Terwujudnya peta kompetensi yang tervisualisasi secara komputasional dapat membantu pengelola SDM mengerahkan daya upayanya secara maksimal. Pengelola menjalankan fungsi arsitektur talentanya layaknya konduktor orkestra, bukan pemadam kebakaran yang hanya bereaksi saat ada krisis regenerasi kepemimpinan.

Penutup

Pengolahan laporan interaksi digital menjadi data pemetaan kompetensi merupakan strategi kunci dalam memperkuat sinergi antara akuntabilitas evaluasi individu dan perencanaan institusional. Institusi dapat memanfaatkan arsitektur algoritma ini untuk menyusun kebijakan SDM berbasis bukti, sekaligus memastikan validitas, reliabilitas, dan keadilan (fairness) dalam setiap instrumen simulasi asesmen (Mislevy, 2021; von Davier et al., 2021). Pendekatan ini selaras dengan praktik global yang menempatkan analisis data perilaku komputasional sebagai fondasi peningkatan objektivitas dan keberlanjutan talenta perusahaan.

Referensi:

Bailey, R. (2017). HR Applications of Psychometrics. In Psychometric Testing, B. Cripps (Ed.). https://doi.org/10.1002/9781119183020.ch7

Geranpayeh, A. (2023). Leveraging computational psychometrics for language testing. Language Teaching Research Quarterly.

Gingerich, A., Kogan, J., Yeates, P., Govaerts, M., & Holmboe, E. (2014). Seeing the ’black box’ differently: Assessor cognition from three research perspectives. Medical Education, 48(11), 1055–1068.

Latynov, V. V., & Shepeleva, E. A. (2020). Applied aspects of the use of algorithms of digital psychometrics. Psikhologicheskii Zhurnal, 41(4), 66-77.

Liao, M., Attali, Y., von Davier, A.A., Lockwood, J.R. (2022). Quality Assurance in Digital-First Assessments. In: Wiberg, M., Molenaar, D., González, J., Kim, JS., Hwang, H. (eds) Quantitative Psychology. IMPS 2021. Springer Proceedings in Mathematics & Statistics, vol 393. Springer, Cham. https://doi.org/10.1007/978-3-031-04572-1_20

Mislevy, R.J. (2021). Next Generation Learning and Assessment: What, Why and How. In: von Davier, A.A., Mislevy, R.J., Hao, J. (eds) Computational Psychometrics: New Methodologies for a New Generation of Digital Learning and Assessment. Methodology of Educational Measurement and Assessment. Springer, Cham. https://doi.org/10.1007/978-3-030-74394-9_2

Soper, D. S. (2014). User interface design and the halo effect: Some preliminary evidence. 20th Americas Conference on Information Systems, AMCIS 2014.

Tavares, W., & Eva, K. W. (2013). Exploring the impact of mental workload on rater-based assessments. Advances in Health Sciences Education, 18(2), 291–303.

von Davier, A.A., DiCerbo, K., Verhagen, J. (2021). Computational Psychometrics: A Framework for Estimating Learners’ Knowledge, Skills and Abilities from Learning and Assessments Systems. In: von Davier, A.A., Mislevy, R.J., Hao, J. (eds) Computational Psychometrics: New Methodologies for a New Generation of Digital Learning and Assessment. Methodology of Educational Measurement and Assessment. Springer, Cham. https://doi.org/10.1007/978-3-030-74394-9_3 

von Davier, A.A. and Hao, J. (2026), Robert J. Mislevy and Computational Psychometrics. Educational Measurement: Issues and Practice, 45: e70024. https://doi.org/10.1111/emip.70024