Produk

Menyusun Kriteria Kelulusan yang Objektif Sebelum Menerbitkan Sertifikat

Tim Produk Lesan

Tim Produk Lesan

11 Desember 2026

Sebelum membahas desain sertifikat, QR code, atau proses penerbitan massal, ada pertanyaan yang lebih mendasar dan sering justru dilewatkan: berdasarkan apa seorang siswa dinyatakan lulus? Kalau jawabannya kabur — "pokoknya sudah ikut semua pertemuan" atau "menurut guru sudah cukup baik" — maka sertifikat secanggih apa pun yang diterbitkan di ujungnya hanya membungkus keputusan yang sebenarnya tidak punya dasar yang kuat.

Kelulusan Berbasis Kehadiran vs Kelulusan Berbasis Kompetensi

Banyak institusi, tanpa sadar, memakai kehadiran sebagai proksi kelulusan. Siswa yang hadir di sebagian besar pertemuan dianggap otomatis layak lulus, terlepas dari apakah kompetensi yang diajarkan benar-benar dikuasai atau tidak. Ini pendekatan yang mudah diukur — kehadiran gampang dicatat — tapi tidak benar-benar mengukur apa yang seharusnya diukur.

Kriteria kelulusan yang objektif seharusnya berangkat dari kompetensi, bukan kehadiran. Pertanyaannya bukan "berapa kali siswa ini datang" tapi "kompetensi mana saja yang sudah dibuktikan lewat assessment, dan apakah semuanya sudah mencapai ambang yang ditentukan."

Membangun Kriteria dari Data yang Sudah Ada

Di institusi yang memakai sistem assessment terstruktur seperti Lesan, data yang dibutuhkan untuk menyusun kriteria kelulusan objektif sebenarnya sudah terkumpul secara natural: skor per kompetensi dari setiap assessment yang diikuti siswa, status "Dikuasai" atau "Perlu Latihan" yang dihitung berdasarkan persentase pencapaian (bukan skor mentah, sehingga adil dipakai lintas assessment dengan bobot soal yang berbeda-beda), dan progress snapshot yang menunjukkan tren perbaikan dari waktu ke waktu.

Dari data ini, institusi bisa menyusun kriteria yang konkret — misalnya, siswa dinyatakan lulus program kalau seluruh kompetensi inti yang ditetapkan program sudah mencapai status "Dikuasai" berdasarkan hasil assessment terakhir, atau kalau rata-rata skor kompetensi mencapai ambang tertentu yang sudah ditetapkan sejak awal program. Kriteria semacam ini jauh lebih bisa dipertanggungjawabkan dibanding penilaian subjektif di menit terakhir, karena bisa ditelusuri kembali ke data yang membentuknya.

Kenapa Ini Harus Ditentukan Sebelum, Bukan Sesudah

Kesalahan yang sering terjadi adalah institusi menentukan kriteria kelulusan secara retroaktif — setelah melihat siapa saja yang "pantas" lulus menurut perasaan, baru dicari pembenaran datanya. Ini kebalikan dari objektivitas yang sebenarnya diinginkan. Kriteria yang benar-benar objektif harus ditentukan di awal program, sebelum ada satu pun siswa yang menyelesaikan assessment — supaya keputusan kelulusan nanti murni hasil penerapan kriteria itu ke data, bukan penyesuaian kriteria supaya cocok dengan siapa yang ingin diluluskan.

Ini juga melindungi institusi dari tuduhan pilih kasih. Kalau ada orang tua atau siswa yang mempertanyakan kenapa seseorang lulus dan yang lain tidak, institusi yang sudah punya kriteria jelas dan diterapkan konsisten bisa menjawab dengan merujuk ke data — bukan berdebat soal persepsi.

Menangani Kasus di Batas Ambang

Realitasnya, akan selalu ada siswa yang berada persis di batas ambang kriteria — sedikit di bawah atau sedikit di atas. Institusi perlu memutuskan sebelumnya bagaimana kasus seperti ini ditangani: apakah ada kesempatan retest sebelum keputusan final, apakah ada toleransi kecil yang diizinkan, atau apakah ambangnya benar-benar kaku tanpa pengecualian. Yang penting bukan pilihan mana yang diambil, tapi bahwa aturan itu sudah ditentukan di awal dan berlaku sama untuk semua siswa yang berada di posisi serupa — bukan diputuskan kasus per kasus secara ad hoc.

Contoh Menyusun Kriteria: Program Bahasa Inggris dengan Empat Kompetensi Inti

Supaya lebih konkret, bayangkan sebuah institusi menjalankan program bahasa Inggris intensif dengan empat kompetensi inti yang diajarkan: listening, speaking, reading, dan writing. Alih-alih menetapkan kriteria kelulusan sebagai "hadir minimal 80% pertemuan," institusi ini bisa menyusun kriteria berbasis kompetensi seperti: siswa dinyatakan lulus kalau keempat kompetensi inti mencapai status "Dikuasai" berdasarkan assessment terakhir, dengan definisi "Dikuasai" adalah pencapaian minimal 75% dari total bobot penilaian per kompetensi.

Kriteria ini langsung menjawab beberapa pertanyaan yang sering muncul di kemudian hari. Apa yang terjadi kalau siswa kuat di tiga kompetensi tapi lemah di satu? Dengan kriteria eksplisit di atas, jawabannya jelas: belum lulus sampai kompetensi yang lemah itu juga mencapai ambang, dan institusi bisa menawarkan sesi retest atau latihan tambahan khusus untuk kompetensi tersebut, bukan meluluskan berdasarkan rata-rata keseluruhan yang menyamarkan kelemahan spesifik.

Apa yang terjadi kalau siswa hampir mencapai ambang, misalnya 73% di satu kompetensi? Institusi yang sudah memikirkan ini sejak awal bisa menetapkan aturan tambahan — misalnya kesempatan satu kali retest dalam periode tertentu sebelum keputusan final diambil — dan aturan itu berlaku sama untuk semua siswa yang berada di posisi serupa, bukan diputuskan kasus per kasus berdasarkan siapa yang lebih rajin bertanya ke guru.

Dengan kriteria sejelas ini, sertifikat yang diterbitkan di ujung program punya makna yang bisa dijelaskan secara spesifik: bukan sekadar "lulus program bahasa Inggris," tapi "menguasai listening, speaking, reading, dan writing pada level yang terukur dan bisa dipertanggungjawabkan."

Kesimpulan

Sertifikat hanya sekuat kriteria kelulusan yang mendasarinya. Institusi yang berinvestasi pada desain sertifikat yang bagus, verifikasi publik yang solid, dan proses penerbitan yang efisien, tapi mengabaikan kejelasan kriteria kelulusan di baliknya, sebenarnya membangun fondasi kepercayaan di atas dasar yang rapuh. Menyusun kriteria objektif berbasis data kompetensi sebelum satu sertifikat pun diterbitkan adalah langkah yang paling menentukan nilai sertifikat itu di mata siapa pun yang kelak memeriksanya.

Tim Produk Lesan

Tim Produk Lesan

Product Team

Tim yang membangun dan merawat Lesan — infrastruktur pembelajaran bertenaga AI untuk bimbel, sekolah, dan lembaga pelatihan.