Mengapa Mahasiswa Perlu Belajar Memecahkan Masalah, Bukan Sekadar Menguasai Tools?

Ambil contoh Raka, mahasiswa semester lima. Situasinya rekaan, tetapi mungkin terasa akrab. CV-nya penuh: Python, Figma, Excel, Tableau, dan dua framework web. Di minggu kedua magang, atasannya berkata, "Banyak pelanggan batal di halaman checkout. Coba cari tahu kenapa."

Tidak ada instruksi aplikasi mana yang harus dibuka. Raka menatap laptopnya cukup lama. Ia tidak kekurangan tools. Ia hanya belum tahu harus mulai dari mana.

Tahu cara memakai alat tidak sama dengan tahu apa yang harus dikerjakan

Menguasai software menjawab pertanyaan bagaimana: bagaimana membuat grafik, menulis query, atau menyusun wireframe. Pekerjaan nyata biasanya dimulai dari pertanyaan yang lebih kabur: sebenarnya apa masalahnya, apa yang dibutuhkan, dan alat mana yang cocok.

Definisi OECD menyoroti satu frasa yang penting: cara penyelesaiannya tidak langsung tampak. Tutorial software selalu memberi jalurnya. Masalah di tempat kerja jarang begitu. Pada survei keterampilan orang dewasa 2023, OECD mengembangkan domain baru bernama adaptive problem solving. Domain ini menilai kemampuan menyesuaikan rencana ketika situasinya berubah di tengah jalan.

Jadi problem solving bukan sekadar "soft skill" yang abstrak. Ia adalah rangkaian langkah yang bisa diamati: memahami situasi, mencari informasi yang belum terlihat, menyusun rencana, lalu mengubahnya kalau ternyata keliru.

Apa kata data dunia kerja

Future of Jobs Report 2025 dari World Economic Forum menghimpun pandangan lebih dari 1.000 pemberi kerja yang mewakili lebih dari 14 juta pekerja di 55 negara. Hasilnya, berpikir analitis tetap menjadi keterampilan inti teratas, dengan hampir 70% pemberi kerja menganggapnya esensial.

Yang menarik, daftar yang sama tidak menyingkirkan teknologi. AI dan big data, berpikir analitis, berpikir kreatif, ketangguhan dan kelenturan, serta literasi teknologi diperkirakan semakin penting menjelang 2030. Perlu dicatat, angka-angka ini adalah proyeksi pemberi kerja, bukan ramalan pasti.

Dari data itu, saya menarik satu kesimpulan sebagai analisis, bukan temuan laporan: keterampilan teknis dan kemampuan berpikir naik bersamaan. Pilihannya bukan salah satu.

Tools tetap penting

Mahasiswa yang pandai menganalisis masalah tetapi tidak bisa mengeksekusi solusinya hanya akan menghasilkan ide di atas kertas. Tools adalah sarana kerja. Kemampuan memecahkan masalah menentukan kapan sarana itu dipakai, bagaimana memakainya, dan kapan perlu diganti.

Berikut tiga contoh ilustratif:

• Informatika. Tugasnya "buat aplikasi presensi". Setelah ditelusuri, keluhan sebenarnya ternyata soal data kehadiran yang diinput dua kali di dua sistem berbeda. Bisa jadi solusi terbaik adalah mengintegrasikan data ke LMS yang sudah ada, bukan membuat aplikasi baru. Pilihan framework baru masuk akal setelah kebutuhan itu jelas.

• Manajemen. Penjualan sebuah UMKM turun dan semua orang langsung menyarankan iklan media sosial. Data transaksi bisa saja menunjukkan bahwa pelanggan baru tetap datang, tetapi pelanggan lama berhenti membeli karena pengiriman sering terlambat. Iklan tidak akan menyelesaikan masalah itu.

• Desain. Klien meminta "logo yang modern". Desainer yang terbiasa memecahkan masalah akan bertanya dulu: logo ini dilihat siapa, dan di mana? Logo untuk ikon aplikasi berukuran kecil menuntut keputusan yang berbeda dari logo untuk papan nama toko.

Di ketiga contoh itu, software tetap dipakai. Bedanya ada pada urutan kerja: masalahnya dipahami dulu, baru alatnya dipilih.

Ketika AI ikut mengerjakan

AI generatif kini bisa menulis kode, menyusun laporan, dan membuat desain. UNESCO, dalam panduannya tentang AI generatif di pendidikan, mencatat bahwa kemampuan alat ini berimplikasi besar bagi pendidikan karena ia meniru pemikiran tingkat tinggi yang menjadi fondasi belajar manusia.

Riset Microsoft Research dan Carnegie Mellon University memberi gambaran dari sisi pekerja. Mereka menyurvei 319 pekerja pengetahuan yang berbagi 936 contoh penggunaan AI dalam pekerjaan. Hasilnya, kepercayaan tinggi pada AI berkaitan dengan berkurangnya berpikir kritis, sedangkan kepercayaan diri yang tinggi pada kemampuan sendiri berkaitan dengan lebih banyak berpikir kritis. Studi yang sama juga menemukan bahwa AI menggeser bentuk berpikir kritis ke arah verifikasi informasi, pengintegrasian jawaban, dan pengawasan tugas.

Studi ini berbasis laporan diri dan bersifat korelasional, jadi belum membuktikan bahwa AI menyebabkan orang berhenti berpikir. Pola yang ditemukannya tetap patut diperhatikan mahasiswa. AI mempercepat proses menghasilkan sesuatu, tetapi tidak menggantikan pekerjaan menilai hasilnya. Seseorang tetap harus menentukan pertanyaan yang tepat, memeriksa apakah jawabannya benar, dan memutuskan apakah hasil itu layak dipakai.

Melatihnya lewat tugas kuliah

Banyak tugas kuliah bisa dikerjakan dengan alur berikut:

1. Masalah: Apa sebenarnya yang tidak berjalan, dan bagi siapa?

2. Investigasi: Data, wawancara, atau observasi apa yang mendukung dugaan saya?

3. Kebutuhan: Seperti apa ukuran "berhasil"?

4. Alternatif: Adakah minimal dua cara lain untuk menyelesaikannya?

5. Solusi: Mengapa saya memilih yang ini, termasuk tools-nya?

6. Pengujian: Apakah solusinya bekerja pada kondisi nyata?

7. Evaluasi: Apa yang akan saya ubah kalau mengulanginya?

Penelitian mendukung pendekatan semacam ini, walaupun dengan catatan. Meta-analisis Dochy dan rekan terhadap 43 studi pembelajaran berbasis masalah di pendidikan tinggi menemukan efek positif yang kuat pada keterampilan mahasiswa, tetapi ada kecenderungan hasil negatif pada aspek pengetahuan. Artinya, teori dan konsep tetap perlu dipelajari dengan serius. Meta-analisis Chen dan Yang tentang project-based learning, yang mencakup 12.585 siswa di sembilan negara, mencatat efek positif sedang hingga besar terhadap prestasi akademik dibandingkan pengajaran tradisional. Studi ini mencakup berbagai jenjang pendidikan, bukan hanya perguruan tinggi.

Di Indonesia, kebijakan juga bergerak ke arah yang sama. Sejak Keputusan Mendikbud Nomor 3/M/2021, salah satu indikator kinerja utama perguruan tinggi adalah kelas yang kolaboratif dan partisipatif, yang kriterianya adalah metode pemecahan kasus (case method) dan/atau team-based project. Jadi kemungkinan besar kamu sudah menemui format ini di beberapa mata kuliah. Kesempatan latihannya sudah ada. Tinggal bagaimana kamu memanfaatkannya.

Di luar kelas, kesempatannya juga banyak. Acara organisasi yang sepi peminat, data penelitian yang hasilnya janggal, atau proses kerja yang lambat saat magang bisa diperlakukan dengan alur yang sama.

Mulai dari tugas berikutnya

Saat menerima tugas berikutnya, tahan dulu keinginan untuk langsung membuka software. Tulis tiga kalimat lebih dulu: apa masalahnya, untuk siapa solusinya, dan bagaimana kamu tahu solusinya berhasil. Setelah itu baru pilih alatnya.

Daftar tools di CV-mu akan terus berganti, karena versi baru dan aplikasi baru selalu muncul. Kebiasaan bertanya sebelum bertindak tetap berguna, apa pun alat yang sedang populer.