RPS minggu 13 · 2x50 menit

DEI Analytics

Pertemuan 12 — Memimpin Keberagaman dalam Organisasi · Magister Manajemen FEB UNDIP

Selamat datang di pertemuan dua belas, Anda sudah membahas meritokrasi, bias sistemik, dan implicit association test pada pertemuan sebelumnya — hari ini kita bergerak dari mendiagnosis bias secara kualitatif ke mengukurnya secara kuantitatif lewat DEI analytics. Bayangkan Anda sebagai Chief Human Capital Officer di sebuah bank BUKU IV atau perusahaan tambang besar yang harus mempertanggungjawabkan program keberagaman dengan angka ke direksi dan pemegang saham, bukan sekadar testimoni. Sesi ini akan membekali Anda dengan metrik inti DEI, teknik statistik dasar seperti pay equity regression dan four-fifths rule, serta cara merancang dashboard yang benar-benar mengubah data menjadi keputusan komite. Dorong mahasiswa membawa pengalaman dari fungsi HR atau data analytics di perusahaan masing-masing, karena diskusi kasus hari ini menuntut aplikasi manajerial nyata, bukan hafalan definisi.

Bagian 1 dari 3

Dari Kepatuhan ke Keunggulan: Mengapa DEI Perlu Diukur

Diskusi kelas: di perusahaan tempat Anda bekerja, apakah data keberagaman hari ini dipakai untuk lapor kepatuhan saja, atau benar-benar menggerakkan keputusan alokasi sumber daya?

Peta Sesi: Dari Metrik ke Keputusan Direksi

Bagian 1

Mengapa DEI Analytics dibutuhkan
Empat pilar metrik DEI
Pay equity gap & four-fifths rule

Bagian 2

Pipeline people analytics untuk DEI
Prediksi attrisi & promotion velocity
Rancang dashboard & tata kelola data

Bagian 3

Studi kasus: komite DEI perusahaan tambang
Dari dashboard ke ruang rapat direksi
Arah masa depan DEI analytics

Mengapa DEI Analytics? Dari Kepatuhan ke Keunggulan Kompetitif

Business case DEI analytics (McKinsey Diversity Wins, 2020; Catalyst, 2022) bergeser dari narasi moral semata ke argumen keputusan berbasis risiko dan kinerja.

Argumen Lama: Kepatuhan

Laporan tahunan untuk regulator/investor ESG
Kuota representasi sebagai target administratif
Reaktif — data dikumpulkan setelah insiden atau audit

Argumen Baru: Keputusan Strategis

Risk-adjusted talent pipeline — attrisi tersembunyi pada segmen tertentu = biaya turnover riil
Pay equity sebagai mitigasi risiko litigasi & reputasi
Prediktif — dashboard memicu intervensi sebelum masalah membesar

Keputusan manajerial nyata: perusahaan yang hanya melapor angka representasi ke laporan tahunan tanpa analitik prediktif kehilangan kesempatan mencegah attrisi talenta kunci — biaya rekrutmen pengganti manajer madya bisa mencapai 1,5–2x gaji tahunan (ilustrasi, benchmark industri SDM).

Empat Pilar Metrik DEI

Representasi (Representation)

Komposisi demografis per level jabatan, fungsi, unit bisnis
Bandingkan dengan pipeline eksternal (talent market benchmark)

Ekuitas (Equity)

Pay equity gap, akses pelatihan, alokasi proyek strategis
Diukur adjusted (dikontrol variabel legit) — bukan raw gap

Inklusi (Inclusion)

Survei iklim keberagaman, sense of belonging, voice/psychological safety
Sering leading indicator sebelum attrisi terjadi

Retensi (Retention)

Attrition rate per segmen, promotion velocity, exit interview coding
Segmentasi wajib — angka agregat menyembunyikan kesenjangan

Hitung dari Nol #1: Pay Equity Gap Adjusted

Ilustrasi: level jabatan manajer madya, perusahaan jasa keuangan nasional (angka ilustratif untuk latihan hitung).

Langkah	Perhitungan	Nilai
1. Kumpulkan rata-rata gaji per gender pada level jabatan sama	Pria Rp25.000.000 vs Wanita Rp21.500.000	Selisih Rp3.500.000
2. Hitung raw pay gap (%)	(25.000.000 − 21.500.000) ÷ 25.000.000 x 100	14%
3. Kontrol variabel legit (tenure, pendidikan, kinerja) via regresi	Gap turun dari 14% setelah kontrol confounding	4,5%
4. Konversi adjusted gap ke rupiah	4,5% x Rp25.000.000	Rp1.125.000
5. Bandingkan dengan ambang material (>5% = remediasi wajib)	4,5% < ambang 5%	Di bawah ambang — tetap dipantau

Adjusted Pay Gap

4,5%

Rp1.125.000/orang/bulan (ilustrasi)

Representasi & Benchmarking: Dashboard Level Jabatan

Pola "leaky pipeline" — persentase perempuan menurun tajam seiring naiknya level jabatan (ilustrasi, benchmark sektor jasa keuangan Indonesia).

Benchmarking sendirian tidak cukup — dashboard harus menautkan tiap titik penurunan ke titik keputusan: rekrutmen entry-level, kriteria promosi supervisor→manajer, atau succession planning direksi.

Hitung dari Nol #2: Four-Fifths Rule / Adverse Impact Ratio

Ilustrasi: seleksi promosi ke jenjang manajer, periode evaluasi tahunan (angka ilustratif untuk latihan hitung).

Langkah	Perhitungan	Nilai
1. Hitung selection rate kelompok mayoritas (pria)	60 dipromosikan ÷ 200 kandidat x 100	30%
2. Hitung selection rate kelompok minoritas (wanita)	27 dipromosikan ÷ 150 kandidat x 100	18%
3. Hitung rasio dampak (adverse impact ratio)	18% ÷ 30%	0,60 (60%)
4. Bandingkan dengan ambang four-fifths rule (EEOC, 80%)	60% < 80%	Indikasi adverse impact
5. Tentukan tindak lanjut manajerial	Rasio di bawah 80% → audit proses wajib	Eskalasi ke komite DEI

Adverse Impact Ratio

60%

Di bawah ambang 80% — audit proses promosi wajib (ilustrasi)

Bagian 2 dari 3

Dari Data ke Model: Infrastruktur People Analytics untuk DEI

Diskusi kelas: seberapa matang infrastruktur HRIS di organisasi Anda untuk mendukung analitik prediktif — apakah data cukup bersih, terhubung, dan terkelola secara etis?

People Analytics Pipeline untuk DEI: Dari Data ke Keputusan

Kualitas Data

Field demografis lengkap & konsisten (bukan opsional sepihak)
Integrasi HRIS-payroll-survei — bukan silo terpisah

Tata Kelola

Akses berjenjang — data individu vs agregat
k-anonymity minimal (sel <5 orang disembunyikan)

Prediksi Attrisi per Segmen: Mini-Kasus Bank Nasional

Keputusan manajerial: sebuah bank BUKU IV (ilustrasi) menemukan attrition rate agregat 12% terlihat sehat — tapi model prediktif tersegmentasi mengungkap pola berbeda.

Temuan Model Prediktif (Ilustrasi)

Attrisi agregat perusahaan: 12% — tampak wajar dibanding benchmark industri
Attrisi karyawan disabilitas pada tahun kedua: 27% — jauh di atas rata-rata
Faktor prediktif dominan: minimnya akomodasi kerja fleksibel & jalur promosi buram

Keputusan Direksi

Tanpa segmentasi, sinyal ini tersembunyi di balik angka agregat sehat
Intervensi ditargetkan: kebijakan akomodasi kerja + mentoring, bukan program umum
ROI intervensi dihitung terhadap biaya penggantian talenta (retention cost avoidance)

Kesalahan strategis paling umum: melaporkan attrition rate hanya secara agregat ke direksi — pola risiko tinggi pada segmen minoritas tertutup rata-rata perusahaan yang tampak baik.

Promotion Velocity & Glass Ceiling: Mengukur Kecepatan Karier

Promotion velocity = rata-rata waktu (bulan) dari satu level jabatan ke level berikutnya, disegmentasi per kelompok demografis.

Cara Mengukur

Time-to-promotion rata-rata per gender/kelompok, per level jabatan
Bandingkan dengan kandidat performa setara (dikontrol rating kinerja)
"Glass ceiling index" — rasio representasi teramati vs representasi harapan di level senior

Interpretasi Manajerial

Kesenjangan waktu promosi >6 bulan pada rating kinerja setara → sinyal bias sistemik proses
Bedakan "pipeline gap" (kurang kandidat) dari "process gap" (kandidat ada, tidak dipromosikan)
Kebijakan berbeda untuk tiap penyebab — pipeline butuh rekrutmen, process butuh audit kriteria

Ilustrasi: PT Tambang Nusantara (ilustrasi) menemukan waktu promosi rata-rata staf perempuan ke supervisor 34 bulan vs staf pria 26 bulan pada rating kinerja setara — sinyal process gap, bukan pipeline gap, karena jumlah kandidat perempuan memadai.

Rancang Dashboard DEI: Rubrik Analisis 5 Langkah

Topik non-numerik — kerangka analisis kasus untuk merancang dashboard DEI yang benar-benar dipakai direksi, bukan sekadar tampilan.

Langkah	Fokus Analisis	Output
1. Definisikan pertanyaan keputusan	Apa keputusan konkret yang harus dijawab dashboard ini?	Rumusan pertanyaan keputusan direksi
2. Pilih metrik inti selaras strategi	Dari empat pilar DEI, mana yang paling relevan untuk keputusan tsb?	3–5 metrik prioritas
3. Tentukan granularitas & batas privasi	Level agregasi yang berguna vs risiko identifikasi individu	Aturan k-anonymity per segmen
4. Rancang alert & ambang eskalasi	Threshold otomatis (mis. gap >5%, rasio <80%)	Jalur eskalasi ke komite DEI
5. Uji dengan skenario keputusan nyata	Simulasikan dashboard menjawab kasus historis sebelum rilis	Validasi kegunaan sebelum go-live

Dashboard efektif = mengubah data menjadi keputusan yang dapat ditindaklanjuti, bukan sekadar visualisasi yang indah dipandang.

Coba Sendiri: Rakit Indeks Komposit DEI untuk Dashboard Anda

Atur bobot tiap pilar metrik DEI dan skor sub-indikatornya, amati bagaimana indeks komposit akhir berubah.

Governance & Etika Data DEI: Privasi, Bias Algoritmik, Risiko Backlash

Risiko Privasi

Data demografis sensitif (agama, disabilitas, orientasi) — persetujuan eksplisit & opsional
Re-identifikasi dari kombinasi variabel (mis. "1 direktur perempuan disabilitas") — wajib agregasi lebih tinggi

Bias Algoritmik

Model prediktif attrisi/kinerja bisa mewarisi bias historis data pelatihan
Audit fairness model secara berkala — bukan sekali saat peluncuran

Risiko backlash: transparansi angka DEI yang tidak dikelola dengan narasi jelas berisiko memicu persepsi "kuota" atau politisasi internal — komunikasi hasil analitik ke karyawan sama pentingnya dengan akurasi model itu sendiri.

Bagian 3 dari 3

Dari Insight ke Keputusan Direksi

Diskusi kelas: pernahkah Anda melihat data DEI yang bagus tapi gagal mengubah keputusan direksi — apa yang menyebabkan insight itu berhenti di slide, tidak sampai ke aksi?

Mini-Kasus Indonesia: Komite DEI Perusahaan Tambang (Ilustrasi)

PT Bara Nusantara (ilustrasi, sektor pertambangan) — komite DEI menerima dashboard triwulanan dan harus memutuskan alokasi anggaran intervensi tahun depan.

Data yang Disajikan

Representasi perempuan di posisi operasional tambang: 8% (benchmark industri ~11%)
Adjusted pay gap fungsi engineering: 6,2% — di atas ambang material
Adverse impact ratio promosi ke supervisor lapangan: 71%

Keputusan yang Harus Diambil

Anggaran terbatas — pilih 1 dari 3 intervensi: remediasi pay gap, program pipeline rekrutmen, atau audit kriteria promosi
Setiap opsi punya trade-off biaya, kecepatan dampak, dan risiko reputasi bila diabaikan

Pertanyaan untuk kelas: berdasarkan tiga sinyal data ini, intervensi mana yang paling mendesak dan mengapa — gunakan kerangka ambang material (pay gap) dan four-fifths rule (adverse impact) untuk mendukung argumen Anda.

Minta mahasiswa bekerja dalam kelompok kecil untuk memutuskan prioritas intervensi berdasarkan tiga sinyal data yang disajikan — dorong mereka memakai ambang material dari pay equity gap dan four-fifths rule dari adverse impact ratio sebagai justifikasi kuantitatif, bukan intuisi semata. Tanyakan: jika anggaran hanya cukup untuk satu intervensi tahun ini, argumen mana yang paling kuat untuk direksi yang berorientasi risiko litigasi versus direksi yang berorientasi reputasi ESG? Dorong kelompok mempertimbangkan bahwa adverse impact ratio 71% masih di bawah ambang 80%, sementara pay gap 6,2% sudah di atas ambang material — dua sinyal ini punya urgensi berbeda. Minta setiap kelompok mempresentasikan rekomendasi dalam bentuk yang bisa langsung dibawa ke rapat komite, lengkap dengan angka pendukung.

Dari Dashboard ke Ruang Rapat Direksi: Framing Data untuk Keputusan

Framing yang Gagal

Menyajikan seluruh metrik tanpa prioritas — direksi kebanjiran angka
Bahasa teknis statistik tanpa terjemahan ke implikasi bisnis
Tidak ada rekomendasi eksplisit — hanya "berikut datanya"

Framing yang Efektif

Satu halaman, tiga sinyal utama dengan ambang jelas (merah/kuning/hijau)
Terjemahkan ke bahasa risiko & ROI — biaya diam vs biaya intervensi
Rekomendasi eksplisit dengan 2–3 opsi bertingkat, bukan daftar tak terbatas

Prinsip inti: direksi mengambil keputusan lebih cepat dan lebih baik saat data DEI disajikan dalam bahasa risiko dan ROI yang sama dengan laporan keuangan dan operasional — bukan sebagai laporan terpisah yang "berbeda dunia".

Latihan Kelas: Rancang Satu Slide Dashboard DEI Anda

Kerjakan dalam kelompok (10 menit), gunakan rubrik 5 langkah yang sudah dipelajari.

Instruksi

Pilih satu keputusan manajerial nyata dari organisasi Anda (rekrutmen, promosi, retensi, atau kompensasi)
Tentukan 3 metrik inti yang relevan dari empat pilar DEI, sertakan ambang eskalasi angka (mis. gap >5%, rasio <80%)
Sketsakan satu slide dashboard di kertas/papan — sertakan judul, angka kunci, dan rekomendasi eksplisit
Siapkan 1 kalimat pitch untuk direksi (bahasa risiko/ROI, bukan bahasa teknis statistik)

Setiap kelompok mempresentasikan dalam 2 menit — kelas menilai apakah slide tersebut siap dibawa ke rapat direksi sungguhan atau masih perlu penyederhanaan.

Arah Masa Depan: AI, Regulasi ESG, dan Dinamika Sosial-Politik

Akselerasi Teknologi

AI generatif untuk analisis sentimen survei iklim keberagaman skala besar
Model prediktif attrisi/promosi makin akurat — tapi risiko bias algoritmik ikut meningkat

Tekanan Regulasi & Pelaporan

Standar pelaporan ESG (mis. keterbukaan OJK terkait keberlanjutan emiten) makin menuntut metrik DEI terverifikasi
Investor institusional makin memakai data DEI dalam skrining ESG

Dinamika sosial-politik global terhadap agenda DEI berubah cepat dan tidak seragam antarnegara — organisasi lintas negara perlu strategi analitik yang tetap berbasis data & risiko bisnis, tangguh terhadap pergeseran wacana politik jangka pendek.

Ringkasan & Sintesis: Dari Kepatuhan ke Keunggulan Berbasis Data

Yang Sudah Dipelajari

Empat pilar metrik DEI: representasi, ekuitas, inklusi, retensi
Pay equity gap adjusted & four-fifths rule sebagai alat hitung inti
Pipeline people analytics & rubrik rancang dashboard 5 langkah
Governance data, etika algoritmik, dan framing keputusan direksi

Bekal untuk Peran Anda

Jangan berhenti di angka agregat — segmentasi mengungkap risiko tersembunyi
Setiap dashboard harus lahir dari pertanyaan keputusan, bukan daftar metrik tersedia
Bahasa risiko & ROI adalah jembatan data DEI ke ruang rapat direksi

Prinsip Penutup

Data → Keputusan

DEI analytics bernilai bukan karena kecanggihan modelnya, tapi karena kemampuannya mengubah insight menjadi tindakan manajerial yang terukur dan dapat dipertanggungjawabkan.