Training Bukan Outcome: Mengukur Apakah Learning Benar-Benar Mengubah Kinerja Enterprise

Setiap akhir tahun, banyak tim L&D menyusun laporan yang terlihat meyakinkan di mana ratusan jam training terlaksana, completion rate di atas 90%, dan skor kepuasan peserta bisa mencapai 4,7 dari 5.

Lalu seorang business unit leader bertanya satu hal sederhana di rapat anggaran mengenai apa dampaknya ke angka bisnis perusahaan. Dan laporan yang tadinya terlihat meyakinkan itu tidak punya jawaban.

Artikel ini membahas kenapa organisasi perlu menelusuri rantai bukti sampai ke performance change dan internal mobility, bukan berhenti di completion. Simak selengkapnya.

Kenapa “95% Completion Rate” Tidak Membuktikan Apa-Apa

Training hours, biaya per peserta, dan completion rate adalah metrik yang paling mudah dikumpulkan — dan karena itu paling sering dijadikan bukti keberhasilan.

Masalahnya, ketiganya adalah metrik aktivitas yang menjawab pertanyaan apakah training terlaksana dengan baik. Mengelola biaya pelatihan secara efisien memang penting, tapi efisiensi biaya dan efektivitas hasil merupakan dua hal yang berbeda.

Bisa saja perusahaan menjalankan training dengan biaya per peserta yang sangat efisien, sementara dampaknya ke pekerjaan sehari-hari nyaris nol.

Kesalahan yang paling sering terjadi biasanya karena completion rate adalah metrik yang paling mudah dilaporkan ke atasan dalam waktu singkat. Sementara itu, metrik yang memiliki dampak butuh waktu berbulan-bulan untuk terlihat dan butuh kerja sama lintas fungsi untuk dikumpulkan.

Rantai Bukti yang Sering Putus: dari Reaction ke Result

Model Kirkpatrick (reaction, learning, behavior, result) sudah jadi bahasa umum industri L&D selama lebih dari enam dekade, dan tetap menjadi kerangka evaluasi yang paling banyak dipakai organisasi di seluruh dunia. Popularitas ini sering dibaca sebagai bukti bahwa modelnya solid. Riset akademis menunjukkan sebaliknya.

Alliger dan Janak, dalam kajian yang sudah menjadi rujukan klasik di bidang ini, menelusuri tiga asumsi inti Kirkpatrick: bahwa keempat level tersusun berjenjang, bahwa level-level itu saling terhubung secara kausal, dan bahwa mereka berkorelasi positif satu sama lain.

Ketiga asumsi ini, menurut kajian mereka, tidak konsisten didukung bukti empiris, bahkan level reaction dan learning bisa dievaluasi secara terpisah tanpa satu memengaruhi yang lain.

Kritik ini terus dikonfirmasi kajian-kajian setelahnya: Holton menyimpulkan bahwa Kirkpatrick lebih tepat dipahami sebagai taksonomi hasil training, bukan model yang teruji hubungan sebab-akibatnya, karena tidak memperhitungkan variabel penengah seperti motivasi peserta dan kondisi lingkungan kerja setelah training selesai.

Bukan berarti model Kirkpatrick tidak berguna karena kerangka ini tetap memberi kosakata bersama yang praktis untuk mendiskusikan evaluasi training.

Tapi artinya, skor kepuasan peserta yang tinggi (reaction) tidak bisa diasumsikan otomatis berarti pemahaman meningkat (learning), apalagi bahwa perilaku kerja ikut berubah (behavior). Setiap lompatan antar level butuh dibuktikan sendiri, bukan diasumsikan mengikuti secara otomatis.

Pre/Post Assessment dan Skill Proficiency: Titik di Mana Kebanyakan Program Berhenti Mengukur

Assessment sebelum dan sesudah training adalah cara paling langsung untuk membuktikan level kedua Kirkpatrick — apakah peserta benar-benar belajar sesuatu. Tapi assessment ini sering dilewati karena dianggap menambah beban administratif ke jadwal training yang sudah padat, atau berhenti di level “tahu” tanpa pernah diverifikasi lagi setelah peserta kembali bekerja.

Ada celah penting antara skor assessment dan skill proficiency: assessment biasanya mengukur pengetahuan di ruang kelas atau saat mengerjakan soal, sementara proficiency adalah kemampuan menerapkan skill itu dalam kondisi kerja yang sesungguhnya, dengan tekanan waktu, gangguan, dan konteks yang tidak selalu ideal seperti di sesi training.

Pendekatan yang lebih jujur mengukur proficiency lewat perubahan cakupan: misalnya, berapa persen tim yang memenuhi target proficiency untuk satu skill kritis sebelum intervensi development, dibanding setelahnya — bukan sekadar berapa banyak assessment yang sudah diselesaikan.

Skill gap analysis yang baik memakai logika ini: ribuan data gap yang terkumpul tidak otomatis berarti capability organisasi membaik, kalau gap yang dianggap kritis tidak benar-benar mengecil. Proses ini idealnya juga terhubung ke training needs assessment di awal siklus, supaya assessment sesudah training punya baseline yang jelas untuk dibandingkan — bukan angka yang berdiri sendiri.

Performance Change: Bahasa yang Dipahami Business Unit Leader

Kalau labor cost/revenue adalah bahasa yang dipahami CFO, performance change adalah bahasa yang dipahami business unit leader.

Alih-alih melaporkan “500 karyawan sudah menyelesaikan training sales”, laporan yang jauh lebih meyakinkan menghubungkan langsung ke angka yang dipedulikan bisnis: closing rate naik berapa persen, error rate turun berapa besar, waktu penyelesaian tugas berkurang berapa lama — idealnya ditampilkan berdampingan dengan data di KPI dashboard tim yang sama, bukan di laporan L&D yang terpisah.

Kejujuran soal atribusi penting di sini. Performance bisa naik karena banyak faktor selain training — perubahan kepemimpinan, insentif baru, kondisi pasar yang membaik.

Klaim bahwa “performance naik X% karena training” tanpa kelompok pembanding atau tanpa mengisolasi faktor lain adalah klaim yang terlalu berani. Cara yang lebih defensif: bandingkan tren performa kelompok yang sudah dilatih dengan kelompok yang belum (atau belum lama), dan sampaikan perubahan performa sebagai indikasi yang mendukung, bukan bukti tunggal yang berdiri sendiri.

Salah satu sumber literatur klasik di bidang ini, Baldwin dan Ford, memperkenalkan istilah “transfer problem” — kajian mereka sering dikutip dengan angka bahwa hanya sekitar 10% dari pelatihan benar-benar tertransfer menjadi perubahan perilaku di pekerjaan.

Angka 10% ini sendiri, dalam kajian metodologis yang lebih baru, dianggap sering dikutip berlebihan tanpa verifikasi ke sumber aslinya — jadi sebaiknya dibaca sebagai sinyal arah (transfer training memang secara konsisten rendah di banyak studi), bukan angka presisi yang berlaku universal untuk semua jenis program.

Internal Mobility dan Promotion: Sinyal Jangka Panjang yang Paling Jarang Dilacak

Dari semua indikator dampak training, internal mobility dan promotion adalah bukti paling kuat bahwa kapabilitas benar-benar berkembang — karena keduanya adalah keputusan bisnis nyata yang mempertaruhkan sesuatu, bukan sekadar skor di sistem. Tim yang dilatih lalu lebih banyak dipromosikan atau berpindah ke peran yang lebih strategis adalah sinyal bahwa learning benar-benar membangun kapabilitas, bukan sekadar mencentang kewajiban compliance.

Masalahnya, data ini paling jarang dilacak justru karena butuh integrasi lintas sistem: data LMS ada di satu tempat, data performance di tempat lain, dan data karier/suksesi — termasuk succession planning dan individual development plan — ada di tempat ketiga.

Tim L&D sendirian jarang punya akses atau mandat untuk menyatukan ketiganya. Laporan LinkedIn Workplace Learning Report 2025 mencatat bahwa organisasi dengan program career development yang matang menjalankan sepertiga lebih banyak praktik pengembangan karier (mentoring, mobilitas internal, leadership training) dibanding organisasi yang kurang matang — dan learning tetap menjadi strategi retensi nomor satu di banyak organisasi. Ini menunjukkan bahwa learning yang benar-benar berdampak jarang berdiri sendiri sebagai inisiatif L&D semata; ia selalu terhubung ke keputusan talent yang lebih besar.

Kenapa Banyak Organisasi Berhenti di Level 1-2 (dan Bagaimana Cara Naik)

Data industri mengonfirmasi apa yang banyak praktisi L&D sudah rasakan: pengukuran dampak nyata masih jadi pengecualian, bukan kebiasaan. Riset ATD (Association for Talent Development) State of the Industry terbaru mencatat bahwa kurang dari seperempat organisasi benar-benar mengukur apakah program training mereka mencapai tujuan organisasi yang dicanangkan di awal — dan porsi yang mengukur ROI finansialnya lebih kecil lagi.

Alasannya bukan karena tim L&D tidak tahu caranya, melainkan karena Level 3 dan 4 butuh perencanaan sejak sebelum training dimulai, bukan ditambahkan setelahnya. Pendekatan “plan backward” — menentukan dulu hasil bisnis yang ingin dicapai, baru menurunkannya ke desain training dan indikator apa yang perlu dipantau — jauh lebih mungkin menghasilkan bukti Level 3-4 dibanding menambahkan pengukuran di akhir setelah training sudah selesai dijalankan.

Ini juga soal trade-off yang jujur: presisi pengukuran Level 3-4 makan biaya dan waktu, dan tidak semua program layak mendapat investasi pengukuran sebesar itu. Untuk program compliance rutin, completion dan assessment sederhana mungkin cukup. Untuk program mahal dan strategis — leadership development, transformasi kapabilitas digital — investasi mengukur sampai behavior dan result jauh lebih masuk akal. Untuk program yang secara inheren sulit diberi angka ROI finansial (leadership, budaya kerja), Return on Expectation (ROE) — kesepakatan definisi sukses dengan stakeholder sebelum program dimulai — adalah alternatif yang lebih jujur dibanding memaksakan perhitungan ROTI ke semua jenis program tanpa pandang bulu.

Kerangka Praktis: Menyatukan Data Training, Performance, dan Talent dalam Satu Siklus

Akar masalah dari semua bagian di atas sebenarnya satu: data completion, assessment, performance, dan mobility biasanya tersebar di sistem yang berbeda, dikelola tim yang berbeda, dan jarang dibaca bersamaan.

L&D melihat data LMS-nya sendiri, manajer lini melihat data performance timnya sendiri, dan tim talent melihat data suksesi terpisah dari keduanya. Padahal cerita yang paling meyakinkan — training selesai, proficiency naik, performa membaik, lalu orangnya dipromosikan — hanya terlihat kalau keempat data itu bisa ditelusuri sebagai satu rantai untuk orang dan program yang sama.

Fitur LMS yang matang untuk organisasi besar seharusnya tidak berdiri sendiri: integrasi dua arah dengan sistem HR lain memungkinkan data learning memperkaya profil karyawan untuk talent review atau succession planning, dan sebaliknya perubahan struktur organisasi atau promosi bisa otomatis memicu learning path yang relevan — tanpa proses manual berulang antar tim.

Menghubungkan data siapa yang sudah dilatih, seberapa besar peningkatan kompetensinya, apakah performanya berubah, dan apakah ia akhirnya naik jabatan — adalah pekerjaan yang mustahil dilakukan manual lintas spreadsheet dan sistem yang terpisah. Learning Management System Mekari Talenta dibangun dalam satu ekosistem HCM yang sama dengan Performance Management dan Talent Management, sehingga data training, kompetensi, performa, dan pengembangan karier bisa ditelusuri sebagai satu rantai bukti.