<![CDATA[Pelatihan teknis di lingkungan korporat semakin banyak memanfaatkan kecerdasan buatan generatif (generative AI/GenAI) sebagai alat bantu peserta, namun institusi penyelenggara jarang memiliki cara sistematis untuk memastikan bahwa nilai akhir yang diperoleh peserta benar-benar mencerminkan kompetensi yang didapat, bukan sekadar keluaran AI yang disalin. Artikel ini menyajikan analisis retrospektif (ex post facto) terhadap data penilaian yang telah tersedia dari dua pelatihan teknis yang diselenggarakan Pusat Pendidikan dan Pelatihan Sumber Daya Manusia Meteorologi Klimatologi dan Geofisika (PPSDM MKG) bagi pegawai Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), tanpa memerlukan pengumpulan data primer baru. Pada Inhouse Training Security Operation Center (n=39), analisis korelasi menunjukkan bahwa skor posttest tertulis tidak berhubungan signifikan dengan skor praktik cyberdrill (r=0,09; p=0,57) dan berhubungan negatif signifikan dengan skor paparan (r=−0,36; p=0,03); klasifikasi kuadran berbasis median split menunjukkan 30,8% peserta berada pada pola “kompetensi semu” (skor tulis tinggi, kinerja praktik dan paparan rendah). Pada Pelatihan Pemrograman Python dan Analisis Data Python (n≈40), tinjauan pengajar terhadap laporan project dan pemaparan menunjukkan bahwa pemahaman konseptual peserta (90%) secara konsisten lebih tinggi dibanding pemahaman teknis-prosedural/coding (75%), mengindikasikan bahwa penggunaan AI untuk pembangkitan kode terkonsentrasi pada lapisan kompetensi teknis, bukan lapisan pemahaman domain. Kedua temuan digunakan untuk mengusulkan kerangka evaluasi dua-lapis (domain/analitis vs teknis-prosedural) sebagai pelengkap penilaian skor tunggal dalam pelatihan teknis berbasis AI, serta agenda verifikasi lanjutan berupa unplugged retention test dan survei pola penggunaan AI pada siklus pelatihan berikutnya.]]>
Copyrights © 2025
