People Analytics dan AI: Dari Laporan SDM ke Prediksi

Oleh Kevin Kim · Diperbarui 11 Oktober 2026

People analytics dengan AI adalah penggunaan model statistik dan pembelajaran mesin pada data tenaga kerja untuk membawa SDM dari melaporkan apa yang terjadi menjadi memperkirakan apa yang kemungkinan terjadi dan menyarankan apa yang perlu dilakukan. Dasbor headcount memberi tahu Anda bahwa attrition kuartal lalu 14%. Model prediktif memberi tahu tim mana yang kemungkinan kehilangan orang kuartal depan dan faktor apa yang mendorongnya. Lapisan preskriptif mengusulkan tindakan, seperti penyesuaian gaji atau percakapan dengan atasan, dan memperkirakan dampaknya.

Panduan ini ditujukan bagi CHRO, direktur SDM, dan manajer SDM yang sudah memiliki dasbor dan ingin tahu apa sebenarnya langkah berikutnya: tahapannya, keterampilannya, tiga kasus penggunaan konkret, dan batasan yang menentukan apakah suatu prediksi aman untuk ditindaklanjuti. Untuk gambaran lebih luas tentang AI di seluruh SDM, mulailah dari panduan utama, AI di bidang SDM.

Fakta Utama

• Model kematangan people analytics yang paling dikenal, dari Bersin di Deloitte Consulting (2017), memiliki empat tingkat. Sebaran organisasi yang disurvei dilaporkan 14% di Tingkat 1, 69% di Tingkat 2, sekitar 15% di Tingkat 3, dan 2% di Tingkat 4 (Lumen Learning, mengutip People Analytics Maturity Model dari Bersin/Deloitte).
• Tingkat 4 dalam model itu ditandai oleh alat real-time berbantuan AI, tempat people analytics menjadi bagian integral dari keputusan bisnis, SDM, dan manajemen (sumber yang sama).
• Menurut pedoman seleksi federal AS, tingkat seleksi untuk kelompok ras, jenis kelamin, atau etnis mana pun yang berada di bawah empat perlima (80%) dari tingkat kelompok tertinggi umumnya dianggap sebagai bukti adverse impact, dan data dengan jumlah kecil bisa tidak andal (29 CFR 1607.4).
• Di Kota New York, pemberi kerja yang memakai alat keputusan ketenagakerjaan otomatis memerlukan audit bias dalam satu tahun sejak penggunaan, ringkasan hasil yang dipublikasikan, dan pemberitahuan di muka kepada kandidat dan karyawan (NYC DCWP).
• EU Pay Transparency Directive mewajibkan penilaian gaji bersama ketika pelaporan menunjukkan kesenjangan gaji rata-rata setidaknya 5% antara perempuan dan laki-laki dalam suatu kategori pekerja yang tidak dapat dibenarkan pemberi kerja berdasarkan kriteria objektif dan netral gender serta tidak diperbaiki dalam enam bulan (Directive (EU) 2023/970, Article 10).

Empat Pertanyaan yang Dapat Dijawab Analitik

Setiap alat people analytics menjawab salah satu dari empat pertanyaan, dan AI mengubah pertanyaan mana yang mampu Anda ajukan.

Sebagian besar tim SDM kuat pada baris pertama dan tipis pada baris ketiga dan keempat. Itu bukan kegagalan bakat. Pekerjaan prediktif membutuhkan riwayat bersih lintas sistem, dan pekerjaan preskriptif membutuhkan bukti tentang intervensi mana yang benar-benar mengubah hasil, yang tidak pernah dicatat sebagian besar organisasi. Entri glosarium tentang analitik prediktif membahas tekniknya; di sini kita berfokus pada penerapannya pada data orang.

Apa yang Ditambahkan AI pada Perangkat Analitik Lama

Analis SDM telah menjalankan regresi selama puluhan tahun. AI tidak menggantikan pekerjaan itu. AI memperluasnya dengan empat cara.

Lebih banyak jenis data. Analisis klasik hidup dari kolom terstruktur: masa kerja, golongan, gaji, penilaian. Model modern juga dapat memakai teks, seperti komentar survei engagement, catatan wawancara keluar, dan deskripsi pekerjaan, lalu mengubahnya menjadi fitur yang dapat dipakai. Itu membuat umpan balik tak terstruktur bisa dihitung.

Lebih banyak variabel sekaligus. Regresi logistik dengan sepuluh masukan mudah dijelaskan. Model gradient boosted dapat menimbang ratusan sinyal yang saling berinteraksi dan sering memperkirakan lebih baik, dengan harga lebih sulit ditafsirkan.

Penyegaran lebih cepat. Alih-alih studi tahunan, model dapat menilai ulang tenaga kerja setiap bulan atau minggu, sehingga atasan melihat risiko yang berubah sebelum surat pengunduran diri datang.

Akses bahasa alami. Atasan dapat mengajukan pertanyaan dengan kata-kata biasa dan mendapat grafik, yang memperluas siapa saja yang memakai data. Ini adalah lapisan generatif di atas lapisan prediktif, dan membawa risikonya sendiri berupa jawaban yang meyakinkan tetapi keliru.

Dalam istilah ACE Framework, people analytics bergerak dari Analyze (dasbor dan diagnostik) ke Predict (perkiraan dan skor), dengan pola scoring-and-routing yang mengirim kasus yang tepat kepada orang yang tepat.

Model Kematangan yang Dapat Anda Kutip

Kerangka yang paling banyak dikutip adalah model kematangan people analytics dari Josh Bersin dan Deloitte Consulting, diterbitkan pada 2017. Empat tingkatnya, beserta porsi organisasi yang disurvei yang dilaporkan Bersin pada setiap tingkat, dirangkum di Lumen Learning. Populasi dan ukuran sampelnya tidak dicantumkan di sana, jadi perlakukan persentase itu sebagai gambaran kasar sebaran, bukan benchmark terkini.

Ada dua hal berguna dari model ini. Pertama, model ini membingkai kematangan sebagai integrasi bisnis, bukan sekadar kecanggihan teknis. Tim Tingkat 4 bukanlah tim dengan algoritma tercanggih. Ia adalah tim yang analisisnya mengubah keputusan di luar SDM. Kedua, model ini secara eksplisit menempatkan AI di anak tangga teratas, yang berarti fondasinya (Tingkat 2 dan 3) adalah prasyarat, bukan pemanasan opsional.

Cara praktis untuk menempatkan diri Anda:

• Jika pimpinan Anda masih meminta laporan yang sama setiap bulan dan tidak ada yang bertindak berdasarkannya, Anda berada di Tingkat 2 apa pun perangkat lunak yang Anda miliki.
• Jika Anda dapat menggabungkan data SDM dengan data pendapatan, pelanggan, atau operasional tanpa proyek manual, Anda sedang bergerak ke Tingkat 3.
• Jika keluaran sebuah model mengubah apa yang dilakukan atasan minggu ini, dan Anda melacak apakah itu berhasil, Anda mendekati Tingkat 4.

Kualitas data di bawahnya menentukan seberapa jauh Anda bisa naik, itulah sebabnya panduan pendamping tentang fondasi data SDM untuk AI penting sebelum pekerjaan model apa pun.

Tiga Contoh Kerja

Ini adalah skenario ilustratif. Angkanya dikarang untuk menunjukkan logikanya, bukan diambil dari perusahaan nyata.

Contoh 1: Risiko attrition

Tujuannya. Menemukan di mana turnover yang disayangkan kemungkinan terjadi dalam enam bulan ke depan, cukup dini untuk bertindak.

Datanya. Masa kerja, waktu sejak promosi terakhir, posisi gaji terhadap pita gaji, pergantian atasan, skor survei engagement, riwayat mobilitas internal, dan untuk beberapa tim, indikator beban kerja.

Modelnya. Sebuah classifier yang dilatih dengan data mantan karyawan dan karyawan yang bertahan menghasilkan probabilitas risiko per orang atau, yang lebih aman, per tim. Keluaran pertama yang berguna jarang berupa skor itu sendiri. Melainkan daftar pendorongnya, misalnya "tim dengan pergantian atasan dalam setahun terakhir dan tanpa promosi selama 30 bulan menunjukkan tingkat keluar tertinggi."

Yang dilakukan dengannya. Gunakan risiko tingkat tim untuk memprioritaskan percakapan dan anggaran, bukan untuk melabeli individu. Jika risiko hasil model suatu tim tinggi, pertemuan skip-level dan tinjauan gaji bagi orang di bawah titik tengah pita adalah langkah awal yang masuk akal. Lalu ukur: apakah risiko atau keluarnya karyawan yang sebenarnya turun dibandingkan tim sebanding yang tidak mendapat intervensi? Langkah terakhir itulah yang mengubah prediksi menjadi preskripsi.

Perlu diwaspadai. Skor yang dibagikan kepada atasan dapat menjadi ramalan yang terpenuhi dengan sendirinya. Jika atasan mendengar "flight risk tinggi," ia mungkin berhenti berinvestasi pada orang itu, yang membuat pengunduran diri lebih mungkin. Simpan skor individu di dalam SDM, atau agregasikan.

Contoh 2: Corong rekrutmen

Tujuannya. Memahami di mana corong kehilangan kandidat yang bagus dan memperkirakan waktu pengisian posisi (time to fill).

Datanya. Sumber, cap waktu tahap, perekrut, jeda penjadwalan wawancara, hasil penawaran, dan umpan balik manajer perekrut.

Modelnya. Analisis deskriptif sering kali sudah menemukan kemenangan besar sendirian: tahap tempat kandidat menunggu sembilan hari untuk slot penjadwalan. Model prediktif lalu memperkirakan time to fill menurut peran dan lokasi, atau memperkirakan requisition mana yang kemungkinan macet. Itu memungkinkan Anda memajukan sourcing pada yang lambat.

Yang dilakukan dengannya. Perbaiki tahap yang macet, seimbangkan ulang beban perekrut, dan rencanakan waktu penambahan headcount bersama keuangan memakai rentang perkiraan, bukan satu tanggal.

Perlu diwaspadai. Jika Anda memakai model untuk memeringkat atau menilai kandidat, Anda sudah memasuki wilayah yang diatur. Jadikan pedoman empat perlima AS sebagai pemeriksaan dasar: bandingkan tingkat seleksi antarkelompok pada setiap tahap. Misalkan 40% satu kelompok maju dan 25% kelompok lain. Rasionya 0,625, jauh di bawah 0,8, yang merupakan sinyal untuk diselidiki, meskipun pedoman federal juga mencatat bahwa hasil berdasarkan jumlah kecil mungkin tidak andal (29 CFR 1607.4). Di Kota New York, alat otomatis yang dipakai untuk keputusan perekrutan atau promosi memerlukan audit bias, ringkasan publik, dan pemberitahuan di muka (NYC DCWP).

Contoh 3: Kesetaraan gaji

Tujuannya. Menemukan perbedaan gaji yang tidak dijelaskan oleh peran, level, lokasi, kinerja, atau masa kerja.

Datanya. Gaji pokok, bonus, golongan, rumpun jabatan, lokasi, masa kerja, nilai kinerja, dan kolom demografis jika dimiliki secara sah.

Modelnya. Regresi memprediksi gaji dari faktor-faktor yang sah, lalu melihat residunya menurut kelompok. Jika perempuan dalam rumpun jabatan, level, dan lokasi yang sama rata-rata dibayar beberapa persen di bawah prediksi model, residu itulah kesenjangan yang tidak terjelaskan. Pembelajaran mesin dapat menambah nilai dengan menemukan interaksi yang terlewat oleh model sederhana, seperti kesenjangan yang hanya muncul di satu wilayah setelah reorganisasi.

Yang dilakukan dengannya. Analisis preskriptif adalah langkah berikutnya yang wajar: modelkan biaya menutup kesenjangan yang ditandai di bawah aturan berbeda (ke titik tengah pita, ke prediksi model, selama dua siklus) dan pilih satu bersama keuangan.

Perlu diwaspadai. Regulasi sedang menggeser ini dari praktik yang baik menjadi kewajiban. Di UE, pemberi kerja harus melaporkan kesenjangan gaji gender sesuai jadwal yang ditentukan ukuran perusahaan, dan kesenjangan setidaknya 5% dalam suatu kategori pekerja yang tidak dapat dibenarkan dan tidak diperbaiki dalam enam bulan memicu penilaian gaji bersama (Directive (EU) 2023/970). Kategori pekerja harus didefinisikan dengan cermat. Model yang diam-diam memakai masukan yang bias, seperti gaji sebelumnya, akan mereproduksi kesenjangan yang justru hendak ditemukannya.

Batasan yang Paling Penting

Prediksi di SDM membawa risiko lebih besar daripada prediksi tentang mesin atau persediaan, karena unit yang dinilai adalah manusia.

Sampel kecil. Perusahaan dengan 400 karyawan mungkin memiliki 40 orang keluar setahun. Pecah menurut departemen, level, dan alasan, dan Anda hanya punya segelintir kasus per sel. Model yang dilatih pada sampel mungil mengalami overfitting dan menghasilkan derau yang meyakinkan. Pedoman seleksi federal menyampaikan hal yang sama tentang uji adverse impact: selisih berdasarkan jumlah kecil mungkin tidak bermakna secara statistik (29 CFR 1607.4). Perbaikan praktisnya adalah menggabungkan beberapa tahun, memprediksi di tingkat tim atau segmen, melaporkan rentang, dan bersedia mengatakan "data belum cukup."

Proksi untuk karakteristik yang dilindungi. Menghapus gender, ras, atau usia dari data tidak menghapusnya dari model. Kode pos dapat mewakili etnis, jeda karier mewakili gender atau pengasuhan, tahun kelulusan mewakili usia. Uji keluaran menurut kelompok meskipun kolom itu dikecualikan dari pelatihan, dan simpan catatan apa yang Anda uji. Konsepnya dibahas dalam bias dalam AI.

Keterjelasan. Pemimpin SDM mungkin harus menjelaskan kepada karyawan, dewan pekerja, atau regulator mengapa seseorang ditandai. "Modelnya yang bilang begitu" tidak akan bertahan. Pilih model dan perangkat yang dapat menunjukkan faktor mana yang mendorong suatu skor, dan dokumentasikan untuk apa skor itu boleh dan tidak boleh dipakai. Glosarium tentang explainable AI menjelaskan pilihan-pilihannya.

Klasifikasi regulasi. Berdasarkan EU AI Act, sistem AI yang dimaksudkan untuk rekrutmen atau seleksi, dan untuk mengelola hubungan terkait pekerjaan, terdaftar di Annex III sebagai berisiko tinggi. AI Act Service Desk milik Commission memberi alat pencocokan dan pemeringkatan pekerjaan sebagai contoh dan mencatat bahwa sistem yang melakukan profiling tidak dapat bersandar pada pengecualian Article 6(3) (EU AI Act Service Desk). Dasbor yang hanya menghitung orang keluar berbeda dari model yang memeringkat orang untuk promosi. Ketahui yang mana yang Anda jalankan.

Lingkaran umpan balik. Jika model belajar dari promosi masa lalu yang sendirinya bias, ia akan merekomendasikan lebih banyak hal yang sama. Tinjau label pelatihan, bukan hanya kode model.

Keputusan yang memerlukan manusia. Skor adalah masukan. Tetapkan manusia yang bertanggung jawab atas keputusan apa pun yang memengaruhi gaji, peran, atau pekerjaan seseorang, dan catat penalarannya. Polanya dijelaskan dalam human-in-the-loop, dan AI Risk Management Framework dari NIST, dirilis 26 Januari 2023, menawarkan struktur sukarela (Govern, Map, Measure, Manage) untuk mengelola risiko ini (NIST AI RMF). Kepemilikan kebijakan berada di bawah tata kelola AI.

Keterampilan yang Dibutuhkan Tim People Analytics

Anda tidak memerlukan laboratorium data science untuk memulai, tetapi Anda memerlukan perpaduan.

Baris terakhir adalah yang dilewatkan organisasi. Atasan yang tidak bisa membedakan probabilitas dari prediksi akan menyalahgunakan keduanya. Membangun literasi AI bagi HR business partner dan manajer orang sama pentingnya dengan merekrut seorang analis.

Jalur yang Masuk Akal dari Laporan ke Prediksi

1. Benahi lapisan deskriptif lebih dulu. Satu definisi headcount, attrition, dan time to fill yang disepakati lintas SDM, keuangan, dan bisnis. Prediksi yang dibangun di atas definisi yang tidak konsisten akan memperbesar ketidakkonsistenan itu.
2. Pilih satu pertanyaan bernilai tinggi dan berisiko rendah. Pendorong attrition tingkat tim dan waktu corong rekrutmen adalah awal yang baik. Hindari keputusan tingkat individu yang berakibat hukum sampai tata kelola tersedia.
3. Mulai dari yang sederhana. Model transparan yang dipahami atasan mengalahkan kotak hitam yang mereka abaikan. Tambahkan kerumitan hanya jika menghasilkan peningkatan yang terukur.
4. Uji keadilan sebelum peluncuran. Bandingkan hasil antarkelompok, periksa proksi, dan catat hasilnya.
5. Tentukan tindakannya sebelum membangun skornya. Jika tidak ada yang akan bertindak berbeda saat skor berubah, jangan membangunnya.
6. Ukur dampaknya. Bandingkan kelompok yang diberi intervensi dan yang tidak, dan lacak hasil bisnis, bukan hanya akurasi model.
7. Tinjau secara terjadwal. Model bergeser ketika tenaga kerja, pasar tenaga kerja, atau kebijakan Anda berubah.

Kesalahan Umum

• Membeli alat prediksi sebelum membersihkan data. Modelnya akan fasih dan keliru.
• Menilai individu padahal tim sudah cukup. Agregasi lebih akurat pada sampel kecil sekaligus lebih aman.
• Memperlakukan korelasi sebagai tuas. Jika pekerja jarak jauh lebih jarang keluar, itu tidak berarti memaksakan kerja jarak jauh menurunkan angka keluar.
• Melewatkan mitra bisnis. Analisis yang disukai SDM dan diabaikan bisnis adalah pekerjaan Level 2 yang berkostum Level 4.
• Lupa bahwa karyawan adalah subjeknya. Jelaskan data apa yang Anda pakai, mengapa, dan berapa lama Anda menyimpannya.