Kenapa Skor PISA Matematika Indonesia Masih Tertinggal — dan Apa yang Bisa Dilakukan Institusi Level Kelas
Tim Produk Lesan
9 September 2026
Setiap kali hasil PISA dirilis, ada dua reaksi yang biasanya muncul di ruang guru dan rapat manajemen bimbel: kelegaan singkat kalau peringkat naik, dan kegelisahan kalau skor absolut ternyata masih rendah. Hasil PISA 2022 memberi keduanya sekaligus. Menurut data OECD yang dilaporkan Tempo.co dan GoodStats, skor matematika Indonesia berada di angka 366, sementara rata-rata negara OECD ada di 472 — selisih yang cukup besar. Di sisi lain, peringkat Indonesia justru naik 5-6 posisi dibanding PISA 2018, meski skor absolutnya turun. Artinya negara-negara lain turun lebih dalam, bukan Indonesia yang benar-benar membaik secara nilai.
Bagi institusi pendidikan — sekolah, bimbel, atau lembaga pelatihan — angka nasional seperti ini penting sebagai konteks, tapi tidak banyak berguna untuk keputusan operasional harian. Kepala sekolah atau pemilik bimbel tidak bisa mengubah skor PISA nasional. Yang bisa mereka ubah adalah bagaimana kelemahan matematika siswa di kelas mereka sendiri terpetakan dan ditangani.
Skor Nasional vs Realitas di Level Kelas
PISA mengukur literasi matematika secara agregat lintas negara, dengan sampel yang representatif tapi jauh dari granular untuk kebutuhan satu institusi. Skor 366 tidak memberi tahu kepala sekolah mana yang kelas 8B-nya lemah di aljabar dasar, atau siswa mana di angkatan tertentu yang berulang kali salah di soal cerita proporsi. Kesenjangan antara data makro dan kebutuhan mikro ini adalah titik di mana banyak institusi merasa "tahu ada masalah" tapi tidak tahu harus mulai dari mana.
Ini bukan berarti data PISA tidak relevan. Justru sebaliknya — angka ini adalah pengingat bahwa kelemahan matematika bukan gejala satu sekolah atau satu daerah, melainkan pola yang cukup luas. Yang membedakan institusi yang bergerak dari institusi yang hanya mencatat angka adalah kemampuan menerjemahkan sinyal makro ini menjadi pertanyaan konkret di level kelas: di kompetensi mana siswa kami sebenarnya lemah, dan apakah kelemahan itu konsisten antar angkatan?
Dari "Skor Rendah" ke "Kompetensi Mana yang Lemah"
Langkah pertama yang realistis untuk institusi bukan menunggu hasil ujian nasional atau tryout besar, tapi memeriksa data assessment yang sudah ada — ulangan harian, kuis, atau tryout internal — dengan cara yang lebih terstruktur dari sekadar rata-rata nilai per kelas.
Di sinilah software analisis kelemahan siswa matematika berperan berbeda dari rekap nilai biasa. Alih-alih hanya mencatat skor akhir per siswa per ujian, sistem seperti Lesan menandai setiap soal ke kompetensi spesifik sejak soal itu dibuat — misalnya bukan cuma "aljabar", tapi "menyelesaikan persamaan linear satu variabel dengan variabel di kedua sisi". Begitu siswa mengerjakan soal, jawabannya langsung terhubung ke kompetensi tersebut, sehingga skor yang muncul bukan cuma angka total, tapi peta: kompetensi mana yang sudah kuat, mana yang masih perlu latihan.
Proses ini berjalan otomatis di backend begitu assessment selesai dikerjakan — guru tidak perlu menghitung manual per kompetensi untuk puluhan atau ratusan siswa. Tapi penekanannya tetap pada guru sebagai pihak yang memutuskan: sistem menyajikan peta kelemahan, guru yang menentukan apakah temuan itu masuk akal berdasarkan pengamatannya sendiri di kelas, dan apa yang perlu dilakukan selanjutnya.
Kenapa Melihat Pola Antar Angkatan Lebih Berguna dari Melihat Satu Angkatan Saja
Satu hal yang sering terlewat kalau institusi hanya melihat data per periode ujian: apakah kelemahan yang muncul tahun ini juga muncul tahun lalu, di angkatan yang berbeda? Kalau iya, itu sinyal bahwa masalahnya bukan di siswa tertentu, tapi kemungkinan di urutan materi, cara penyampaian, atau titik transisi kurikulum yang memang sulit.
Melihat pola semacam ini secara manual butuh waktu — membuka arsip nilai lama, menyandingkan dengan kurikulum, menyimpulkan sendiri. Dengan data kompetensi yang konsisten ditandai dari waktu ke waktu, perbandingan antar angkatan menjadi lebih mudah dilakukan tanpa harus membongkar arsip satu per satu.
Peran Guru Tetap Pusat dari Proses Ini
Penting untuk digarisbawahi bahwa peta kelemahan yang dihasilkan sistem semacam ini hanyalah bahan pertimbangan, bukan kesimpulan final. Guru tetap pihak yang paling memahami konteks kelasnya — apakah kelemahan yang terlihat di data memang mencerminkan pemahaman siswa, atau ada faktor lain yang tidak tertangkap dari skor saja, misalnya siswa yang sedang tidak fokus saat mengerjakan atau soal yang kurang jelas instruksinya. AI di sistem seperti Lesan berperan menyusun draf dan menyoroti pola, tapi keputusan tentang materi remedial, urutan pengajaran ulang, dan bagaimana menyampaikannya ke siswa tetap sepenuhnya berada di tangan guru.
Pendekatan human-in-the-loop semacam ini penting terutama untuk topik seperti matematika, di mana cara penyampaian ulang sebuah konsep bisa sangat menentukan apakah siswa benar-benar paham atau hanya menghafal langkah baru. Data bisa menunjukkan di mana masalahnya, tapi bagaimana menjelaskannya dengan cara yang masuk akal untuk siswa tertentu tetap membutuhkan penilaian manusia yang berpengalaman.
Institusi Tidak Bisa Mengubah Skor PISA, tapi Bisa Mengubah Cara Melihat Kelemahan Sendiri
Skor PISA matematika Indonesia kemungkinan tidak akan melonjak drastis dalam satu-dua tahun — perubahan semacam itu butuh waktu dan kebijakan lintas sektor. Tapi itu bukan alasan bagi institusi untuk menunggu pasif. Yang bisa dilakukan sekarang adalah memastikan setiap assessment yang sudah dijalankan — bukan cuma tryout besar, tapi juga ulangan harian dan kuis — menghasilkan informasi yang bisa ditindaklanjuti: kompetensi mana yang lemah, seberapa konsisten kelemahan itu antar angkatan, dan latihan seperti apa yang paling relevan untuk mengatasinya.
Angka nasional seperti PISA berguna sebagai pengingat skala masalah. Tapi keputusan yang benar-benar mengubah hasil belajar siswa selalu terjadi di level kelas — dan itu butuh data yang cukup detail untuk ditindaklanjuti, bukan sekadar angka rata-rata yang dibaca sekali lalu dilupakan.

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