Pelajari bagaimana bias muncul dalam candidate screening dan cara menguranginya dengan job-relevant evidence, structured screening, assessment, ATS, serta AI.
Bias in candidate screening tidak selalu muncul karena recruiter sengaja memperlakukan kandidat secara berbeda. Sering kali masalahnya lebih sederhana: informasi yang mudah terlihat di CV—seperti usia, foto, universitas, atau perusahaan sebelumnya—dipakai sebagai shortcut untuk menilai kompetensi yang sebenarnya belum diukur.
Misalnya, recruiter melihat lulusan universitas terkenal lalu mengasumsikan kandidat lebih analytical. Padahal yang dibutuhkan role bukan nama universitas, melainkan kemampuan menganalisis data. Screening yang lebih objektif mencoba mengganti asumsi seperti ini dengan evidence yang lebih dekat dengan pekerjaan.
Proxy meminta recruiter membuat asumsi. Evidence membantu recruiter menilai requirement pekerjaan secara lebih langsung.
Artikel ini membahas jenis bias yang paling relevan dalam candidate screening dan, yang lebih penting, bagaimana recruitment team dapat mengurangi ruang untuk bias tanpa menghilangkan human judgment dari proses hiring.
Candidate screening selalu dilakukan dengan informasi yang terbatas. CV tidak bisa menjelaskan seluruh kemampuan seseorang, sementara recruiter sering harus mengambil keputusan dari banyak aplikasi dalam waktu yang terbatas.
Masalah muncul ketika informasi yang tidak cukup berkaitan dengan pekerjaan ikut menentukan siapa yang lolos.
Universitas terkenal
Asumsi yang mungkin muncul: “Pasti lebih analytical.”
Yang sebenarnya perlu dinilai: Analytical capability.
Pernah bekerja di perusahaan besar
Asumsi yang mungkin muncul: “Pasti lebih capable.”
Yang sebenarnya perlu dinilai: Scope dan quality of work.
Usia lebih muda
Asumsi yang mungkin muncul: “Lebih adaptable.”
Yang sebenarnya perlu dinilai: Evidence adaptasi dan learning agility.
Foto profesional
Asumsi yang mungkin muncul: “Pasti bagus menghadapi customer.”
Yang sebenarnya perlu dinilai: Communication/customer-service skill.
Tidak ada career gap
Asumsi yang mungkin muncul: “Lebih reliable.”
Yang sebenarnya perlu dinilai: Work history dan evidence reliability.
Research menunjukkan bahwa signal seperti identitas dan penampilan memang dapat memengaruhi hiring outcome dalam beberapa konteks. Studi resume correspondence Bertrand & Mullainathan, misalnya, menunjukkan bahwa nama yang memberi identity signal dapat menghasilkan callback berbeda meskipun materi resume lainnya dibuat comparable. Field experiment López Bóo, Rossi, dan Urzúa juga menemukan bahwa penampilan dalam foto dapat memengaruhi employer response.
Temuan seperti ini tidak berarti efek yang sama pasti terjadi pada setiap recruiter atau di Indonesia. Pelajaran yang lebih berguna adalah bahwa informasi yang tidak mengukur kompetensi tetap dapat memengaruhi keputusan jika proses screening memberi ruang terlalu besar untuk impression.
Recruiter tidak perlu menghafal puluhan nama cognitive bias. Untuk screening CV, tujuh pola berikut sudah cukup berguna sebagai diagnostic framework.
Demographic bias
Contoh signal: nama, usia, foto, gender.
Risiko: identitas memengaruhi penilaian kompetensi.
Education pedigree bias
Contoh signal: universitas.
Risiko: prestige menggantikan actual capability.
Employer prestige bias
Contoh signal: perusahaan sebelumnya.
Risiko: employer brand dianggap bukti performa.
Affinity/similarity bias
Contoh signal: kampus, network, background yang sama.
Risiko: familiarity dianggap suitability.
Halo/horns effect
Contoh signal: satu signal sangat positif atau negatif.
Risiko: satu atribut memengaruhi seluruh penilaian.
Contrast bias
Contoh signal: kandidat yang baru direview.
Risiko: kandidat dibandingkan dengan orang lain, bukan role.
Confirmation bias
Contoh signal: first impression.
Risiko: recruiter lebih memperhatikan informasi yang mendukung kesan awal.
Tidak semua bias di atas memiliki evidence screening-specific yang sama kuat. Confirmation bias, misalnya, sering dibahas seolah selalu terjadi dalam recruitment, padahal research terhadap interviewer menunjukkan hasil yang lebih mixed. Karena itu, tabel ini sebaiknya digunakan untuk mengenali risiko dalam proses, bukan untuk mendiagnosis setiap keputusan recruiter sebagai “bias”.
Beberapa pola berikut paling relevan untuk CV screening sehari-hari.
Universitas dan perusahaan sebelumnya adalah signal yang sangat mudah diproses. Masalahnya muncul ketika prestige berubah menjadi scoring rule.
Contoh yang terlalu sederhana:
UI / ITB / UGM: Score 5
PTN lain: Score 3
PTS: Score 1
Jika tujuan sebenarnya adalah mengukur analytical capability, recruiter belum menilai analytical capability sama sekali. Recruiter sedang menilai prestige institution dan menggunakannya sebagai proxy.
Alternatif yang lebih dekat dengan pekerjaan:
Analytical capability: Analytical project atau work evidence.
Technical knowledge: Evidence menggunakan skill dalam pekerjaan.
Problem-solving: Work sample atau assessment.
Communication: Structured evaluation.
Learning ability: Evidence mempelajari tool atau domain baru.
Research tentang education pedigree sendiri tidak memberikan kesimpulan sesederhana “universitas tidak penting”. Penelitian Rivera menunjukkan bahwa elite professional-service firms memang menggunakan university prestige sebagai screening signal. Namun field experiment Mihut pada lowongan IT dan accounting menemukan skills match lebih berhubungan dengan callback, sementara university prestige tidak menunjukkan efek signifikan dalam setting tersebut.
Artinya, pendidikan tetap bisa relevan. Tetapi jika kemampuan dapat dinilai melalui evidence yang lebih langsung, recruiter sebaiknya tidak otomatis menjadikan prestige sebagai penggantinya.
Hal yang sama berlaku untuk employer brand. Kandidat dari perusahaan terkenal belum tentu memiliki scope yang lebih besar daripada kandidat dari organisasi yang lebih kecil.
Bandingkan:
“Worked at Company X.”
dengan:
“Managed onboarding untuk 40 enterprise accounts dan memperbaiki activation process.”
Kalimat kedua memberi recruiter jauh lebih banyak informasi tentang actual responsibility kandidat.
Nama, foto, usia, gender, status perkawinan, dan informasi personal lain dapat muncul di CV. Tidak semuanya relevan untuk keputusan awal.
Foto adalah contoh yang mudah dipahami. Untuk sebagian besar role, foto tidak memberi evidence tentang technical skill, analytical ability, reliability, atau sales performance. Tetapi visual information tetap dapat memunculkan impression tentang professionalism, usia, gender, atau attractiveness.
Research melalui field experiments menunjukkan bahwa appearance memang dapat memengaruhi callback, meskipun arah dan besar efek berbeda menurut gender, occupation, dan labor market.
Pertanyaan yang lebih aman adalah:
Kompetensi apa yang sebenarnya ingin kita ukur?
Jika sebuah customer-facing role membutuhkan standard grooming tertentu, definisikan standard tersebut secara operasional. Jangan menggunakan “berpenampilan menarik” sebagai pengganti kemampuan berkomunikasi atau melayani customer.
Prinsip yang sama berlaku untuk usia. Daripada menganggap usia tertentu berarti lebih adaptable, cari evidence kandidat pernah mempelajari teknologi, process, atau domain baru.
Research pack juga mengidentifikasi SE Menaker Nomor 6 Tahun 2025, tertanggal 28 Mei 2025, yang pada sumber resmi JDIH Kemnaker membahas nondiskriminasi dalam proses recruitment dan penggunaan persyaratan usia. Untuk penerapan pada policy atau lowongan tertentu, wording dan implikasi hukumnya tetap perlu ditinjau oleh legal/HR compliance.
Halo effect terjadi ketika satu karakteristik positif ikut menaikkan penilaian pada kompetensi lain yang belum terbukti. Horns effect bekerja sebaliknya.
Misalnya recruiter melihat kandidat dari perusahaan ternama lalu ikut mengasumsikan communication dan leadership-nya kuat. Atau recruiter melihat employment gap sepuluh bulan lalu tanpa sadar menilai technical competency kandidat lebih rendah.
Cara sederhananya adalah menilai setiap criterion secara terpisah:
Technical competency: Strong
Domain experience: Strong
Communication evidence: Moderate
Career gap: Verify
Career gap boleh menjadi hal yang perlu diverifikasi. Tetapi gap tersebut tidak otomatis mengubah technical competency dari Strong menjadi Weak.
Urutan kandidat juga bisa memengaruhi reference point. Kandidat yang cukup memenuhi requirement dapat terlihat biasa saja setelah recruiter baru saja melihat kandidat exceptional. Karena itu, benchmark utama sebaiknya tetap candidate versus role requirements, bukan candidate versus previous candidate.
Daripada mencoba “menghilangkan unconscious bias” secara abstrak, recruitment team bisa memeriksa desain screening dengan empat pertanyaan.
1. Job relevance
Apakah criterion ini benar-benar berhubungan dengan kemampuan menjalankan role?
2. Evidence
Apakah kompetensi bisa dinilai melalui evidence yang lebih langsung daripada proxy?
3. Consistency
Apakah rule yang sama akan digunakan kepada kandidat lain dengan kondisi comparable?
4. Necessity
Jika criterion dihapus, apakah kemampuan tim memilih kandidat yang qualified benar-benar menurun?
Contohnya:
Usia <30
Assumption: Adaptable.
Better evidence: Evidence mempelajari tool/process baru.
Prestigious PTN
Assumption: Intelligent.
Better evidence: Analytical work atau assessment.
Big-name employer
Assumption: Highly capable.
Better evidence: Actual scope dan achievements.
Attractive photo
Assumption: Good customer service.
Better evidence: Structured communication evaluation.
Tidak ada career gap
Assumption: Reliable.
Better evidence: Work-history evidence dan verification.
English-language CV
Assumption: Fluent English.
Better evidence: Language assessment bila dibutuhkan.
Jika actual competency dapat diukur lebih langsung, jangan bergantung pada proxy yang tidak perlu.
Framework ini juga perlu disepakati dengan hiring manager. Sebelum screening dimulai, TA dan hiring manager dapat melakukan criteria alignment kick-off singkat: tentukan genuine must-have, evidence yang dicari, dan informasi apa yang seharusnya diverifikasi di tahap berikutnya. Dengan begitu, subjective preference tidak baru muncul setelah shortlist dikirim.
Unstructured screening memberi recruiter ruang untuk menggunakan standard yang berbeda pada kandidat yang berbeda. Kandidat A mungkin dinilai dari pengalaman, Kandidat B dari universitas, dan Kandidat C dari overall impression.
Structured screening mencoba membatasi perubahan standard tersebut dengan menentukan job-relevant criteria sebelum evaluasi dimulai, lalu meminta reviewer menggunakan basis keputusan yang sama.
Secara sederhana:
Unstructured screening: CV → impression → decision
Structured screening: Job requirement → evidence → consistent criteria → decision
Structured screening setidaknya berarti recruiter menentukan criteria sebelum membuka CV, memisahkan genuine requirement dari preference, mencatat evidence yang mendukung keputusan, dan menggunakan rule yang sama untuk kandidat comparable.
Detail membangun scorecard sebaiknya dibahas dalam panduan screening CV tersendiri. Untuk artikel tentang bias, poin yang paling penting adalah: structure membuat alasan keputusan lebih mudah diperiksa daripada free-form impression.
Blind atau anonymized screening dapat mengurangi exposure recruiter terhadap beberapa identity signals seperti nama, foto, usia, atau demographic field lain yang memang tidak diperlukan pada tahap awal.
Namun evidence tentang anonymous applications menunjukkan hasil yang mixed. Review field experiments oleh Bertrand dan Duflo menemukan bahwa anonymization membantu dalam beberapa setting, tetapi pada setting lain manfaatnya tidak muncul atau bahkan menimbulkan unintended outcomes.
Jadi, blind screening tidak boleh dianggap sebagai tombol “remove bias”.
Blind screening dapat membantu: Name-based judgment.
Tidak otomatis menyelesaikan: Biased job requirements.
Blind screening dapat membantu: Photo-based judgment.
Tidak otomatis menyelesaikan: University atau employer prestige.
Blind screening dapat membantu: Sebagian demographic exposure.
Tidak otomatis menyelesaikan: Bias pada assessment/interview.
Blind screening dapat membantu: Unnecessary personal fields.
Tidak otomatis menyelesaikan: Proxy yang masih ada dalam career history.
Blind screening menjadi lebih berguna ketika digabung dengan job-relevant criteria dan standardized evaluation.
Assessment juga dapat membantu ketika suatu competency tidak cukup reliable dinilai dari CV. Untuk Data Analyst, recruiter bisa menggunakan SQL task; untuk developer, coding exercise; untuk copywriter, writing sample; dan untuk sales, structured sales scenario.
Tetapi assessment pun tidak otomatis objektif. Task tetap harus relevan terhadap pekerjaan, menggunakan scoring criteria yang jelas, dan diterapkan secara konsisten. Tujuannya bukan mengganti subjective resume judgment dengan subjective assessment judgment.
Tidak tepat membuat hierarchy sederhana seperti:
Manual < ATS < AI
Teknologi dan kualitas decision process adalah dua hal yang berbeda. Spreadsheet dengan well-defined criteria dapat menghasilkan screening yang lebih defensible daripada AI canggih yang menggunakan requirement buruk.
Unstructured manual
Kekuatan: Fleksibel.
Risiko utama: Intuition dan standard mudah berubah.
Structured manual
Kekuatan: Criteria lebih konsisten.
Risiko utama: Bergantung pada reviewer discipline.
ATS-supported
Kekuatan: Workflow dan rules lebih scalable.
Risiko utama: Bad rules ikut terotomasi.
AI-assisted structured
Kekuatan: Comparison dapat dilakukan dalam skala lebih besar.
Risiko utama: Proxy, opaque scoring, atau overreliance jika governance lemah.
ATS dapat membantu standardisasi melalui structured fields, workflow rules, filtering, dan rejection-reason tracking. Namun ATS yang dikonfigurasi untuk hanya menerima lulusan universitas tertentu akan menerapkan rule tersebut secara konsisten tanpa menjawab apakah rule itu memang job-relevant.
AI menghadirkan prinsip yang sama dalam skala yang lebih besar. Research dan governance literature tidak mendukung anggapan bahwa automation secara otomatis menghilangkan bias. Sistem dapat ikut membawa bad criteria, historical patterns, proxy variables, atau error dari input dan model.
Karena itu, pertanyaan yang lebih berguna bukan “Apakah AI lebih objektif daripada manusia?”, melainkan:
Mimo, misalnya, dapat digunakan untuk membantu recruiter menerapkan structured screening pada lebih banyak kandidat. Tetapi technology tetap sebaiknya memperbesar proses yang sudah memiliki criteria yang baik—bukan menggantikan pekerjaan menentukan apa yang sebenarnya dibutuhkan role.
Good criteria first. Technology second.
Sebelum memutuskan Reject, gunakan pertanyaan berikut sebagai decision guardrail:
Checklist ini bukan psychological test dan bukan alat untuk menyimpulkan bahwa seorang recruiter melakukan diskriminasi. Gunakan sebagai quality control untuk mencari bagian proses yang terlalu bergantung pada assumption.
Tidak. Cognitive bias membahas pola dalam judgment atau decision-making, sementara diskriminasi berkaitan dengan differential treatment atau outcome dan juga memiliki dimensi hukum. Proses yang bias dapat berkontribusi pada discriminatory outcomes, tetapi kedua istilah tersebut tidak sebaiknya dipakai seolah memiliki arti yang sama.
Tidak sepenuhnya. Blind screening dapat mengurangi exposure pada nama, foto, dan beberapa personal signal, tetapi proxy masih dapat masuk melalui job criteria, university, employer history, assessment, atau interview berikutnya. Evidence anonymous hiring sendiri juga menunjukkan hasil yang berbeda antar-setting.
Tidak otomatis. ATS dan AI dapat membantu consistency dan scalability, tetapi rule yang buruk juga bisa diterapkan lebih konsisten dan dalam skala yang lebih besar. Recruiter tetap perlu memeriksa criteria, evidence, output, dan hasil screening.
Bias in candidate screening tidak hanya berasal dari unconscious bias seorang recruiter. Sering kali sumber masalahnya ada pada process design: universitas dipakai untuk menebak intelligence, employer brand untuk menebak capability, atau foto untuk menebak professionalism.
Screening yang lebih objektif dimulai dengan satu perubahan sederhana: ukur hal yang memang ingin Anda nilai. Tentukan job-relevant criteria, cari evidence yang lebih langsung, gunakan standard yang sama pada kandidat comparable, lalu audit apakah rule tersebut menghasilkan keputusan yang masuk akal.
Structured screening, blind screening, assessment, ATS, dan AI dapat membantu setelah fondasi itu jelas. Teknologi dapat membuat proses lebih scalable, tetapi tidak bisa memperbaiki criterion yang salah hanya dengan mengotomasinya.
Jika tim mulai kesulitan menerapkan screening criteria secara konsisten pada banyak kandidat, Mimo dapat membantu menjalankan AI-assisted resume screening, initial interview, dan test dalam satu workflow. Recruiter tetap menentukan criteria, memeriksa evidence, dan mengambil keputusan kandidat.