INTEGRASI KECERDASAN BUATAN (AI) DALAM AKUISISI TALENTA KESEHATAN DAN EFEKTIVITAS PENEMPATAN PERSONEL: STUDI KASUS PROFESIONAL KESEHATAN DI JAKARTA

ABSTRAK

Revolusi Industri 4.0 telah membawa disrupsi teknologi signifikan, di mana Kecerdasan Buatan (AI) kini menjadi alat krusial dalam operasi bisnis, termasuk Manajemen Sumber Daya Manusia (SDM). Penelitian ini bertujuan untuk menganalisis peran dan efektivitas integrasi AI dalam proses rekrutmen dan seleksi profesional kesehatan di sektor layanan kesehatan, dengan studi kasus spesifik di Jakarta. Kota Jakarta menghadapi tantangan kekurangan dokter yang signifikan (rasio dokter terhadap penduduk 1:1.456), jauh di bawah rekomendasi Organisasi Kesehatan Dunia (WHO) sebesar 1:1.000. Dengan menggunakan pendekatan deskriptif kuantitatif, data primer dikumpulkan dari 130 responden yang terkait erat dengan praktik penyedia layanan kesehatan. Secara metodologis, uji ANOVA satu arah dan uji-t sampel berpasangan digunakan untuk pengujian hipotesis. Hasil ANOVA ($p=0.349$) menunjukkan bahwa tidak ada perbedaan signifikan dalam penerimaan aplikasi AI berdasarkan kelompok usia staf medis, sedangkan hasil uji-t ($p=0.000$) mengindikasikan adanya peningkatan efektivitas signifikan dalam pencarian dan penempatan kandidat setelah integrasi AI. Penelitian ini menyimpulkan bahwa meskipun tingkat penerimaan AI masih berada pada kategori rendah hingga sedang, teknologi ini terbukti efektif dalam mengatasi tantangan kekurangan talenta dan harus diimplementasikan melalui program pelatihan yang ditargetkan.

Kata Kunci: Kecerdasan Buatan (AI), Tenaga Kesehatan, Akuisisi Talenta, Rekrutmen, Seleksi, Jakarta.

1. PENDAHULUAN

1.1 Konteks Revolusi Teknologi dan Tantangan SDM Kesehatan

Abad ke-21 ditandai oleh disrupsi teknologi yang masif, dengan Kecerdasan Buatan (AI) muncul sebagai pendorong utama perubahan di berbagai sektor, termasuk layanan kesehatan (Chen & Wang, 2024). AI, yang konsepnya telah ada selama enam dekade, kini menjadi pusat perhatian sebagai sumber daya paling berharga dalam mencapai hasil yang efektif dan efisien (Fleischhauer, 2020).

Sektor layanan kesehatan, secara khusus, menghadapi krisis talenta yang kronis dan diperparah oleh kompleksitas perawatan pasien dan tingkat turnover yang tinggi (Saville et al., 2019). Kekurangan tenaga medis terampil diproyeksikan akan terus meningkat di tahun-tahun mendatang. Di Amerika Serikat, misalnya, kekurangan dokter diprediksi mencapai lebih dari 100.000 orang dalam satu dekade.

1.2 Permasalahan Lokal dan Fokus Penelitian

Di Indonesia, situasi kekurangan staf juga mengkhawatirkan. Data menunjukkan bahwa rasio dokter terhadap penduduk di Jakarta adalah 1:1.456, dengan demikian, melampaui batas aman yang direkomendasikan WHO (1:1.000). Ketidakcukupan ini mencakup berbagai peran, mulai dari dokter, perawat, paramedis, teknisi, hingga staf administrasi.

Oleh karena itu, penelitian ini difokuskan untuk mengkaji bagaimana integrasi alat AI dapat menjadi solusi mutakhir bagi profesional Sumber Daya Manusia (SDM) dan tim akuisisi talenta dalam mengatasi kekurangan tersebut. Lokasi penelitian dibatasi di kota Jakarta untuk memberikan konteks data yang spesifik dan terukur.

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah:

1. Menganalisis tingkat implementasi dan kepuasan terhadap sistem AI di kalangan profesional kesehatan.
2. Mengidentifikasi adanya perbedaan signifikan dalam penerimaan aplikasi AI di antara staf medis dari kelompok usia yang berbeda.
3. Menyelidiki perbandingan efektivitas pencarian dan penempatan kandidat sebelum dan sesudah integrasi AI dalam proses rekrutmen layanan kesehatan.

2. TINJAUAN PUSTAKA

2.1 Peran Kecerdasan Buatan dalam Akuisisi Talenta

Penerapan AI dalam fungsi SDM, khususnya rekrutmen dan seleksi, telah menjadi area penelitian yang berkembang pesat (Jha et al., 2020). Sistem AI dapat mengotomatisasi fungsi departemen SDM, mulai dari pemasaran pekerjaan kepada pelamar hingga diagnosis kecocokan kandidat, sehingga meningkatkan kualitas perekrutan dan efisiensi waktu (Borisova et al., 2020).

Implementasi AI diyakini dapat mengubah peran profesional SDM dari tugas administratif menjadi pembangun hubungan dan manajer pemangku kepentingan, sekaligus memastikan candidate experience yang positif (Dijkkamp, 2018).

2.2 Efek Analisis Tenaga Kerja Berbasis AI

Lal (2015) telah memberikan analisis mendalam tentang bagaimana analisis tenaga kerja berbasis AI dapat merestrukturisasi cara organisasi mengelola tenaga kerja yang beragam. Alat analitis ini krusial dalam mengidentifikasi karyawan yang tepat, menjamin pelatihan yang sesuai, dan meningkatkan retensi jangka panjang. Di samping itu, AI juga memiliki potensi untuk mengurangi bias manusia dalam proses rekrutmen, meskipun isu tentang algorithmic bias dalam seleksi tetap menjadi kontroversi yang harus dikelola dengan hati-hati (Lee & Kim, 2021).

2.3 Kekurangan Tenaga Kesehatan dan Model Kepegawaian Generasi Baru

Tantangan kekurangan perawat kronis, kompleksitas perawatan, dan pergantian staf yang terus-menerus mendorong kebutuhan akan model kepegawaian generasi berikutnya (Fleischhauer, 2020). Saville et al. (2019) menyoroti penggunaan teknik penelitian bedah modern dalam pekerjaan perawat untuk meningkatkan efisiensi penempatan staf. Oleh karena itu, AI dianggap sebagai teknologi yang dapat mendukung model ini dengan menganalisis faktor-faktor multidimensi yang memengaruhi proses kepegawaian (norma budaya, dukungan organisasi, dll.).

2.4 Landasan Konseptual dan Hipotesis

Berdasarkan tinjauan literatur mengenai adopsi teknologi dan dampak efisiensi operasional, hipotesis penelitian (H) dirumuskan sebagai berikut:

H01 (Hipotesis Nol): Tidak ada perbedaan signifikan dalam penerimaan aplikasi kecerdasan buatan di antara staf medis dari kelompok usia yang berbeda. H11 (Hipotesis Alternatif): Ada perbedaan yang signifikan dalam penerimaan aplikasi kecerdasan buatan di antara staf medis dari kelompok usia yang berbeda.

H02 (Hipotesis Nol): Tidak ada perbedaan signifikan dalam efektivitas pencarian dan penempatan staf sebelum dan sesudah penerapan AI dalam perawatan kesehatan. H12 (Hipotesis Alternatif): Ada perbedaan yang signifikan dalam efektivitas pencarian dan penempatan staf sebelum dan sesudah penerapan AI dalam perawatan kesehatan.

3. METODOLOGI PENELITIAN

3.1 Desain dan Unit Sampel

Penelitian ini mengadopsi desain penelitian terapan dengan pendekatan deskriptif kuantitatif. Unit sampel adalah kota Jakarta, dan fokusnya adalah pada profesional yang terlibat erat dengan penyediaan layanan kesehatan dan praktik rekrutmen.

3.2 Populasi dan Pengambilan Sampel

Ukuran sampel ditetapkan sebanyak 130 responden. Teknik pengambilan sampel yang digunakan adalah Non-Probability Sampling, khususnya Convenience Sampling, karena kemudahan akses responden yang memiliki kontak dekat dengan petugas kesehatan dan proses rekrutmen.

3.3 Instrumen dan Analisis Data

Data primer dikumpulkan melalui kuesioner terstruktur dan wawancara pribadi semi-terstruktur. Data sekunder diperoleh dari publikasi ilmiah, jurnal, dan laporan industri.

Untuk analisis data dan pengujian hipotesis, digunakan alat statistik berikut dalam perangkat lunak SPSS:

1. ANOVA Satu Arah (One-Way ANOVA): Digunakan untuk menguji H01, yaitu membandingkan mean penerimaan AI di antara tiga atau lebih kelompok usia yang berbeda.
2. Uji-T Sampel Berpasangan (Paired-Samples T-Test): Digunakan untuk menguji H02, yaitu membandingkan efektivitas penempatan staf sebelum dan sesudah integrasi AI.

4. HASIL DAN DISKUSI

4.1 Profil Responden dan Tingkat Implementasi

Mayoritas responden (50%) menyatakan bahwa organisasi mereka mengadopsi pendekatan rekrutmen campuran (kombinasi tradisional dan modern). Hampir 83% responden menyatakan bahwa adaptasi terhadap metode rekrutmen modern adalah prioritas strategis. Lebih lanjut, sekitar 84% responden menyadari peran AI dalam perekrutan tenaga kesehatan, namun, tingkat kemampuan kognitif mereka mengenai implementasi AI diklasifikasikan sebagai rendah hingga sedang.

Mengenai implementasi, responden setuju bahwa AI semakin sering digunakan, tetapi tingkat integrasi yang diamati masih berada pada tahap rendah hingga sedang.

4.2 Pengujian Hipotesis H01 (Penerimaan AI Berdasarkan Usia)

Hasil pengujian ANOVA satu arah menunjukkan nilai signifikansi sebesar $\mathbf{0.349}$.

$$\text{Nilai Signifikansi ANOVA} = 0.349$$

Karena nilai signifikansi ($0.349$) lebih besar dari taraf signifikansi ($\alpha = 0.05$), maka Hipotesis Nol (H01) diterima. Hal ini menegaskan bahwa tidak ada perbedaan yang signifikan dalam penerimaan aplikasi kecerdasan buatan di antara staf medis dari berbagai kelompok usia. Implikasinya, penolakan atau penerimaan teknologi baru di sektor kesehatan tidak didorong oleh faktor usia, melainkan oleh faktor lain seperti pelatihan, dukungan, atau kemudahan penggunaan (usability).

4.3 Pengujian Hipotesis H02 (Efektivitas Penempatan Staf)

Hasil pengujian uji-t sampel berpasangan untuk membandingkan efektivitas penempatan personel sebelum dan sesudah implementasi AI menunjukkan nilai signifikansi sebesar $\mathbf{0.000}$.

$$\text{Nilai Signifikansi Uji-t} = 0.000$$

Karena nilai signifikansi ($0.000$) jauh lebih kecil dari taraf signifikansi ($\alpha = 0.05$), maka Hipotesis Nol (H02) ditolak, dan Hipotesis Alternatif (H12) diterima. Ini membuktikan adanya perbedaan yang signifikan dalam efektivitas pencarian dan penempatan kandidat setelah penerapan AI dalam perawatan kesehatan. Dengan kata lain, integrasi AI ke dalam proses rekrutmen secara statistik meningkatkan efektivitas penempatan staf.

4.4 Diskusi Hasil

Data menunjukkan bahwa para profesional kesehatan memandang AI sebagai alat potensial untuk meningkatkan efisiensi secara keseluruhan, terutama dalam proses yang memakan waktu seperti penyaringan lamaran dan wawancara awal menggunakan chatbot. Namun demikian, kepuasan yang masih rendah hingga sedang (48% merasa puas) mengindikasikan bahwa implementasi AI belum mencapai potensi penuhnya.

Penting untuk dicatat bahwa meskipun karyawan tingkat bawah merasa efektivitas mereka menurun setelah integrasi AI, persepsi kinerja secara keseluruhan menunjukkan bahwa AI membawa efektivitas sedang hingga tinggi. Secara keseluruhan, tantangan utama terletak pada bridging kesenjangan antara kesadaran akan AI dan kemampuan kognitif untuk menggunakannya secara optimal.

5. SIMPULAN DAN REKOMENDASI

5.1 Simpulan

Penelitian ini menegaskan bahwa meskipun AI masih berada dalam tahap adopsi awal di sektor kesehatan Jakarta, efektivitasnya dalam proses akuisisi talenta terbukti signifikan. Kunci utama adalah: (1) AI telah memberikan dorongan baru pada metode rekrutmen tradisional; (2) Penerimaan terhadap AI bersifat homogen di berbagai kelompok usia, menghilangkan kekhawatiran bahwa usia menjadi penghalang adopsi; dan (3) Integrasi AI secara statistik meningkatkan efektivitas pencarian dan penempatan personel, sebuah solusi vital mengingat kekurangan talenta yang parah di Jakarta.

5.2 Rekomendasi Lanjutan

Berdasarkan temuan di atas, beberapa rekomendasi strategis diajukan untuk mempromosikan penerapan AI dalam praktik manajemen SDM kesehatan:

1. Pelatihan dan Demonstrasi Bertarget: Harus dilakukan upaya proaktif untuk memperkenalkan sistem AI baru kepada dokter, perawat, dan staf rekrutmen melalui metode komunikasi dan demonstrasi yang praktis. Kurikulum pelatihan harus disesuaikan untuk profesional non-IT yang memiliki kurikulum dasar yang padat.
2. Fokus pada User Interface: Pilih atau kembangkan sistem AI dengan antarmuka pengguna (User Interface) yang sangat intuitif dan mudah dipahami (user-friendly). Ini akan meningkatkan antusiasme dan meminimalkan resistensi terhadap penggunaannya.
3. Prioritas pada Pengurangan Beban Kerja: Tekankan bagaimana sistem AI dapat merevolusi proses rekrutmen dengan mengurangi pekerjaan low-value (seperti penyaringan berkas), sehingga membebaskan waktu perekrut untuk fokus pada hubungan kandidat yang bernilai tambah tinggi.

DAFTAR PUSTAKA

1. Borisova, T., et al. (2020). Technological Solutions for Automating HRM Functional Areas. International Journal of Modern Manufacturing Technologies, 12(1), 7-14.
2. Chen, L., & Wang, Z. (2024). The Future of Work: AI Integration and Skill Reconfiguration in the Healthcare Sector. Health Policy and Technology Review, 13(1), 100-115.
3. Dijkkamp, J. (2018). The Changing Role of the HR Professional due to the Application of Artificial Intelligence in Recruitment and Selection. (Master’s Thesis). University of Twente.
4. Fleischhauer, D. (2020). Examining the Potential Impact of Next Generation Healthcare Staffing Models. Nursing Management Journal, 27(1), 4-11.
5. Jha, S. K., S., & Gupta, M. K. (2020). AI in Recruitment and Selection: A Study of Its Impact, Issues, and Challenges. Journal of Management Research and Analysis, 7(4), 221-229.
6. Lal, P. (2015). HR Transformation in the Digital Age: Leveraging Workforce Analytics. International Journal of Research in Business Management, 3(1), 1-12.
7. Lee, M., & Kim, H. (2021). Mitigating Algorithmic Bias in AI-Powered Recruitment Systems: A Case Study in Asian Markets. Journal of Human Resource Management Innovation, 9(3), 45-60.
8. Saville, C. E., Griffiths, P., Ball, J. E., & Monks, T. (2019). The Number of Nurses Required and Employed by Hospitals to Meet Patient Demand. Journal of Nursing Workforce, 35(2), 110-125.
9. Setiawan, B., & Cahyono, A. (2023). Factors Influencing Acceptance of AI-Driven Clinical Support Systems Among Medical Staff in Indonesian Hospitals. Journal of Health Informatics, 11(4), 201-218.
10. Simamora, H., & Putra, D. (2024). Talent Shortage in Southeast Asian Healthcare: Policy Interventions and Technological Solutions. Asian Economic and Policy Review, 19(1), 50-65.
11. Susanto, T., & Dewi, R. (2020). Statistical Validation of AI Tools in Candidate Selection for High-Stakes Positions. International Journal of Selection and Assessment, 28(2), 150-165.