Model Kirkpatrick: Empat Level Evaluasi Pelatihan, Mulai dari Level 4

Rono Jatmiko · 7 Oktober 2026

Model Kirkpatrick adalah kerangka evaluasi pelatihan dengan empat level: reaksi, pembelajaran, perilaku, dan hasil. Evaluasi pelatihan yang berhenti di dua level pertama hanya mengukur ruangannya, bukan hasilnya.

Donald Kirkpatrick merumuskan model ini pada 1950-an. Banyak organisasi memakainya sampai sekarang. Kebiasaan yang sering menyertainya: mulai dari formulir kepuasan, lalu berhenti begitu nilainya terlihat bagus.

Empat level, empat pertanyaan

Level Yang diukur Pertanyaan yang dijawab Contoh alat ukur
1. Reaksi Apakah peserta menilai pelatihan relevan dan bermanfaat Apakah pelatihan ini berguna untuk pekerjaan mereka? Survei setelah sesi
2. Pembelajaran Pengetahuan, keterampilan, sikap, dan keyakinan diri yang diperoleh Apakah mereka sekarang tahu dan mampu? Pre-test, post-test, simulasi
3. Perilaku Perilaku kunci yang dijalankan di tempat kerja Apakah mereka bekerja dengan cara yang berbeda? Observasi atasan, data kerja, umpan balik 360 derajat
4. Hasil Hasil organisasi yang ditargetkan Apakah KPI yang dituju bergerak? KPI sebelum dan sesudah

Ada satu pesan model ini yang sering terlewat. Kirkpatrick Partners, lembaga resmi model ini, menyarankan agar penerapannya dimulai dari Level 4: hasil apa yang ingin dicapai, dan kenapa. Level 1 bukan titik awal. Ia hanya yang paling mudah dikumpulkan.

Yang terjadi di banyak perusahaan

  1. Mengukur reaksi dan pembelajaran itu perlu. No debat. Formulir kepuasan memberi tahu kita apakah materinya jelas dan pelatihnya layak diundang lagi. Post-test memberi tahu kita apakah materinya sampai.
  2. Namun di banyak perusahaan, evaluasi berhenti di sana. Ini yang perlu kita bedakan: mengukur pelatihan tidak sama dengan mengukur dampaknya.

Saks dan Burke (2012) menanyakan hal ini kepada 150 anggota sebuah asosiasi pelatihan di Kanada. Pada skala 1 sampai 5, reaksi peserta paling sering dievaluasi (rata-rata 4,08), disusul pembelajaran (2,85), perilaku (2,59), dan hasil (2,22). Ini survei kecil di satu negara, jadi jangan membacanya sebagai angka untuk Indonesia. Tetapi polanya mudah dikenali. Anda mungkin pernah menerima salah satu dari dua laporan ini:

Salah: "Skor kepuasan pelatihan kuartal ini 4,6 dari 5. Pelatihannya berhasil."

Benar: "Tingkat penutupan proposal sebelum pelatihan 18%. Sembilan puluh hari sesudahnya 24%. Dua dari tiga perilaku baru sudah terlihat di lapangan." (contoh hipotetis)

Laporan pertama menjawab pertanyaan "apakah acaranya berjalan baik?". Laporan kedua menjawab pertanyaan "apakah KPI-nya bergerak?".

Kenapa dua level pertama tidak cukup

Alliger dan rekan-rekannya (1997) menggabungkan data dari sejumlah studi dan menghitung hubungan antarlevel. Dalam meta-analisis mereka, rata-rata korelasi antara reaksi (jenis apa pun) dan pembelajaran langsung hanya 0,08. Rata-rata korelasi antara pembelajaran dan kinerja di pekerjaan hanya 0,11.

Dalam bahasa sehari-hari: peserta yang puas belum tentu belajar, dan peserta yang lulus post-test belum tentu bekerja dengan cara yang berbeda. (Kalau skor kepuasan nyaris tidak berkaitan dengan belajar, mengapa kita melaporkannya sebagai hasil?)

Temuan lain dari studi yang sama lebih berguna. Reaksi jenis rasa suka ("Apakah Anda menikmatinya?") berkorelasi nyaris nol dengan pembelajaran (0,02) dan hanya 0,07 dengan kinerja di pekerjaan. Reaksi jenis kegunaan ("Apakah ini berguna untuk pekerjaan Anda?") sedikit lebih baik: 0,26 dan 0,18. Angkanya masih kecil, tetapi arahnya jelas. Untuk kinerja di pekerjaan, reaksi jenis kegunaan bahkan lebih berkaitan daripada skor pembelajaran (0,18 dibanding 0,11).

Ada juga bukti dari arah sebaliknya. Dalam survei Saks dan Burke, hanya evaluasi perilaku dan hasil yang berhubungan dengan seberapa sering pelatihan diterapkan di tempat kerja (korelasi 0,28 sampai 0,43). Untuk evaluasi reaksi dan pembelajaran, korelasinya nyaris nol sampai kecil (0,02 sampai 0,18). Karena datanya korelasi, kita tidak tahu arah sebabnya. Mungkin mengevaluasi hasil membuat pelatihan lebih diterapkan. Mungkin organisasi yang serius pada pelatihan memang lebih rajin mengevaluasi.

Lalu soal lingkungan kerja. Meta-analisis Blume dan rekan (2010) menemukan dukungan lingkungan kerja berkorelasi 0,23 dengan penerapan pelatihan (22 studi). Para peneliti mengingatkan bahwa korelasi seperti ini cenderung terdongkrak bila datanya berasal dari sumber yang sama. Karena itu Level 3 tidak bisa dibaca dari ruang kelas. Ia hanya terlihat di tempat kerja, dan hanya bila atasan ikut melihatnya.

Satu hal lagi, supaya adil kepada pelatihan. Arthur dan rekan (2003) menemukan bahwa pelatihan, secara rata-rata, bekerja: efek sekitar d = 0,6 pada reaksi, pembelajaran, perilaku, dan hasil. Tetapi rata-rata itu bukan program Anda. Program tertentu di organisasi tertentu hanya bisa kita ketahui dengan mengukurnya.

Alternatif: mulai dari Level 4, lalu mundur ke Level 1

Empat hal ini harus benar sebelum pelatihan layak dievaluasi:

  1. Tunjuk satu KPI yang meleset, dan catat baseline-nya. Angka sebelum apa pun dilakukan. Tanpa baseline, tidak ada before-after.
  2. Tetapkan dua sampai tiga perilaku kunci (Level 3) yang harus berubah agar KPI itu bergerak. Tulis yang bisa dilihat orang lain: siapa melakukan apa, kapan. "Lebih komunikatif" bukan perilaku. "Menyampaikan umpan balik satu per satu setiap minggu" adalah perilaku.
  3. Rancang pembelajaran (Level 2) untuk perilaku itu, dan pastikan atasan peserta mendukungnya. Perilaku baru tanpa dukungan atasan sulit bertahan di tempat kerja.
  4. Ukur ulang KPI yang sama. Dalam program kami, pengukuran ulang dilakukan 60 sampai 90 hari setelah pendampingan selesai, saat perilaku baru sudah diuji di pekerjaan nyata. Angka 60 sampai 90 hari adalah aturan kerja Performa, bukan hasil riset. Bila memungkinkan, bandingkan dengan kelompok yang belum dilatih, supaya perubahan KPI tidak otomatis dikreditkan ke pelatihan.

Jika langkah 1 dan 2 tidak bisa dijawab, maka pelatihannya belum siap dievaluasi. Mundurlah ke diagnosis.

Lalu pendekkan formulir Level 1 dan ganti pertanyaannya. Dari "Puaskah Anda?" menjadi:

"Satu hal apa yang akan Anda lakukan secara berbeda minggu depan, dan siapa yang akan melihatnya?"

Pertanyaan pertama mengukur suasana. Pertanyaan kedua mengukur niat, dan sekaligus menunjuk siapa yang bisa memeriksanya di Level 3.

Ilustrasi (hipotetis, bukan kasus klien)

Kita kembali ke direktur penjualan di artikel TNA. Tingkat penutupan proposalnya turun dari 30% ke 18%. Diagnosisnya menunjuk ke alur persetujuan yang lambat, bukan ke kemampuan negosiasi.

Evaluasinya tetap mengikuti empat langkah di atas, meskipun tidak ada pelatihan yang dibeli. Baseline-nya 18%. Perilaku kuncinya: setiap proposal diputuskan dalam satu hari kerja. Pengukuran ulangnya 90 hari setelah alur baru berjalan. Yang dibaca direktur adalah tingkat penutupan, bukan skor kepuasan siapa pun.

Apa yang tidak ditunjukkan bukti

  • Tidak ada eksperimen yang membuktikan bahwa mengevaluasi perilaku dan hasil membuat pelatihan lebih berhasil. Temuan Saks dan Burke berupa korelasi dari satu survei terhadap responden.
  • Angka Alliger dan rekan berasal dari studi yang terbit sebelum 1997, dan tidak semua hubungan antarlevel didukung oleh banyak studi.
  • Menghubungkan perubahan KPI dengan satu pelatihan tidak pernah bersih. Faktor lain ikut bergerak.
  • Urutan empat langkah dan waktu ukur ulang 60 sampai 90 hari adalah cara kerja kami, bukan standar yang terbukti.

Mulai dari sini

Ambil satu pelatihan yang sudah berjalan di organisasi Anda. Cari KPI yang dituju dan baseline-nya. Jika angka itu tidak ada, itulah temuan pertama Anda. Jangan buang waktu menambah pertanyaan di formulir kepuasan. Libatkan atasan peserta dan HRD untuk menetapkan dua perilaku kunci, agar hasilnya bisa dilihat dalam 90 hari.

Belum punya baseline atau belum yakin masalahnya soal kompetensi? Mulailah dari Training Need Analysis (TNA): Mulai dari KPI yang Meleset, Bukan dari Daftar Topik dan Diagnosis Kinerja Organisasi: Empat Lapisan Tempat Kinerja Macet. Untuk menyusun KPI-nya, baca KPI Adalah: Pengertian, Contoh KPI, dan Cara Menyusunnya. Cara kami mengukur keempat level ada di halaman metode.

Evaluate the KPI, not the room.

Sumber

  • Kirkpatrick Partners. The Kirkpatrick Model. Definisi empat level dan saran memulai dari Level 4 diparafrasekan dari halaman resmi.
  • Alliger, G. M., Tannenbaum, S. I., Bennett, W., Traver, H., dan Shotland, A. (1997). A Meta-Analysis of the Relations among Training Criteria. Personnel Psychology. Angka dibaca dari versi laporan teknis (1998): DTIC.
  • Saks, A. M. dan Burke, L. A. (2012). An investigation into the relationship between training evaluation and the transfer of training. International Journal of Training and Development. Angka dikutip dari ringkasan NeoAcademic, bukan dari artikel aslinya.
  • Blume, B. D., Ford, J. K., Baldwin, T. T., dan Huang, J. L. (2010). Transfer of Training: A Meta-Analytic Review. Journal of Management, 36, 1065-1105.
  • Arthur, W., Bennett, W., Edens, P. S., dan Bell, S. T. (2003). Effectiveness of Training in Organizations: A Meta-Analysis of Design and Evaluation Features. Journal of Applied Psychology, 88, 234-245.

Semoga bermanfaat.

Rono Jatmiko adalah Managing Director PT Performa International Indonesia, konsultan manajemen dengan spesialisasi di sistem kinerja organisasi dan pengembangan kepemimpinan. Ingin tahu apakah pelatihan di organisasi Anda benar-benar menggerakkan KPI? Hubungi kami.