Ujian take-home dulu punya reputasi cukup enak. Tidak perlu duduk dua jam di kelas. Bisa buka buku. Bisa cari referensi. Bisa mikir lebih lama. Formatnya dianggap cocok untuk menguji analisis, bukan hafalan.
Lalu generative AI datang.
Sekarang mahasiswa bisa menerima soal jam delapan malam, upload pertanyaan ke AI, minta draft jawaban, minta referensi, merapikan bahasa, lalu submit sebelum tidur. Kalau tugasnya generik, bahkan orang yang belum benar-benar memahami materi bisa menghasilkan jawaban yang terlihat cukup matang.
Jadi apakah take-home exam sudah tidak relevan?
Masih relevan.
Tapi desainnya harus berubah.
Masalah sebenarnya bukan AI. Take-home exam sudah lama punya kelemahan. Mahasiswa bisa diskusi dengan teman, mencari jawaban di internet, melihat contoh tahun lalu, atau mendapat bantuan orang lain. AI hanya membuat bantuan itu jauh lebih cepat, murah, dan personal.
Kalau dosen berharap take-home exam bekerja seperti closed-book exam yang dibawa pulang, formatnya memang rusak.
Take-home seharusnya menguji kemampuan yang memang cocok dikerjakan dengan sumber terbuka.
Analisis.
Sintesis.
Penerapan konsep.
Evaluasi bukti.
Argumentasi.
Desain solusi.
Bukan recall sederhana.
Kalau pertanyaannya “jelaskan teori X”, AI bisa menjawab sangat cepat.
Kalau pertanyaannya “gunakan teori X untuk menganalisis dua kasus yang dibahas di kelas, bandingkan keterbatasannya, lalu pertahankan pilihan kerangka yang menurut lo paling cocok”, pekerjaan menjadi lebih sulit di-outsourcing tanpa pemahaman.
Masih bisa dibantu AI.
Tetapi mahasiswa perlu punya judgement.
Itu poinnya.
Ujian yang tahan terhadap AI bukan ujian yang mustahil dibantu AI.
Ujian yang bagus adalah ujian yang tetap membutuhkan ownership.
Dosen bisa mulai dari konteks yang spesifik.
Gunakan dataset kelas.
Kasus lokal.
Artikel yang baru dibahas.
Simulasi.
Observasi lapangan.
Catatan eksperimen.
Atau keputusan yang harus dijelaskan berdasarkan constraint tertentu.
Semakin dekat assessment ke pengalaman kelas, semakin kecil kemungkinan jawaban generik cukup.
Misalnya mahasiswa bisnis diminta menganalisis strategi retail di Blok M berdasarkan observasi area, bukan sekadar “jelaskan strategi omnichannel”.
Mahasiswa komunikasi diminta membandingkan dua kampanye lokal yang benar-benar mereka pantau.
Mahasiswa teknik mendapat data percobaan yang berbeda tiap kelompok.
Mahasiswa hukum diminta membandingkan argumentasi berdasarkan dokumen yang sudah ditentukan.
AI tetap bisa membantu.
Tapi source material dan reasoning lebih susah dipalsukan.
Take-home juga bisa dibuat multi-stage.
Tahap pertama: mahasiswa submit pemikiran awal.
Tahap kedua: dapat feedback.
Tahap ketiga: revisi.
Tahap keempat: mini defense.
Dengan begitu dosen melihat perkembangan, bukan hanya file final.
Ini lebih merepotkan daripada satu essay?
Sedikit.
Tapi assessment juga jadi lebih meaningful.
Tidak semua mata kuliah perlu multi-stage. Gunakan untuk tugas besar.
Untuk tugas kecil, format lain bisa lebih efisien.
Salah satu opsi adalah take-home plus oral check.
Mahasiswa submit jawaban.
Dosen pilih beberapa pertanyaan pendek.
“Kenapa lo memilih metode ini?”
“Bagian mana yang paling lemah?”
“Kalau satu asumsi berubah, apakah kesimpulan tetap sama?”
Mahasiswa yang benar-benar memahami pekerjaannya biasanya bisa menjawab.
Mahasiswa yang hanya copy output akan terlihat.
Oral check tidak perlu 30 menit.
Lima menit pun bisa cukup sebagai sampling.
Ini juga lebih fair daripada mengandalkan AI detector.
AI detector punya problem karena writing manusia dan AI tidak bisa selalu dibedakan secara akurat. False positive bisa menghukum mahasiswa yang sebenarnya menulis sendiri. False negative bisa memberi rasa aman palsu.
Lebih sehat menguji ownership daripada menebak siapa yang mengetik.
Kampus juga perlu menentukan apakah AI boleh dipakai.
Kalau boleh, bilang jelas.
Kalau tidak boleh, jelaskan alasan.
Kalau hanya boleh untuk brainstorming atau proofreading, define boundary.
Mahasiswa tidak bisa mengikuti aturan yang ambigu.
Satu dosen bilang AI haram.
Dosen lain bilang bebas.
Mata kuliah ketiga tidak pernah membahas.
Mahasiswa akhirnya membuat rule sendiri.
Take-home exam 2026 perlu disclosure sederhana.
Mahasiswa bisa diminta menyebutkan penggunaan AI secara singkat.
Misalnya AI dipakai untuk mencari counterargument, memperbaiki grammar, atau membuat latihan.
Kalau AI dipakai untuk analisis substantif, jelaskan bagian yang lebih besar.
Tujuannya bukan mempermalukan.
Tujuannya membuat proses visible.
Kampus juga perlu hati-hati agar disclosure tidak berubah menjadi birokrasi.
Tidak perlu menulis satu halaman hanya untuk bilang spell-check dipakai.
Proporsional saja.
Ada juga format open-AI exam.
Ini menarik.
Dosen justru mengatakan: silakan gunakan AI.
Tapi mahasiswa harus mengevaluasi output-nya.
Contohnya, AI diminta menjawab satu problem.
Mahasiswa kemudian mencari kelemahan, memverifikasi sumber, memperbaiki asumsi, dan menulis versi final.
Ini sangat relevan dengan dunia kerja.
Di perusahaan, orang memang akan menggunakan AI.
Skill yang dibutuhkan bukan “bisa bertahan tanpa tool sama sekali”, tetapi “bisa mengendalikan tool”.
Open-AI exam bisa menguji hal itu.
Namun jangan semua assessment diubah menjadi open-AI.
Ada kemampuan yang perlu dikuasai tanpa bantuan.
Basic numeracy.
Fundamental coding.
Core vocabulary.
Konsep utama.
Kemampuan menulis atau berbicara spontan.
Kalau semua foundation selalu dibantu, mahasiswa bisa kehilangan baseline.
Jadi assessment portfolio perlu campuran.
Closed-book untuk beberapa fundamental.
Open-book untuk analisis.
Take-home untuk project.
Oral untuk ownership.
Practical untuk skill.
AI-integrated untuk workflow modern.
Tidak satu format menang semua.
Ini lebih dewasa daripada debat “ujian tradisional vs AI”.
Ada satu masalah lain: waktu.
Take-home sering memberi deadline 24 atau 48 jam. Itu membuat mahasiswa dengan jadwal padat lebih rentan.
Mahasiswa yang kerja part-time atau commute jauh punya kondisi berbeda dari mahasiswa yang punya seluruh hari kosong.
AI bisa mengurangi gap waktu, tapi juga bisa memperbesar gap jika tool premium memberi capability lebih kuat.
Kampus harus memikirkan fairness akses.
Kalau penggunaan AI diizinkan, jangan membuat fitur berbayar menjadi requirement terselubung.
Gunakan tool yang tersedia luas atau sediakan akses institusi.
Kemendikdasmen pada 2026 juga mendorong implementasi Koding dan Kecerdasan Artifisial yang disesuaikan dengan sumber daya satuan pendidikan. Prinsip adaptasi terhadap akses ini relevan sampai perguruan tinggi.
Assessment harus menilai kemampuan, bukan kemampuan membeli software.
Take-home juga perlu source discipline.
Kalau AI boleh dipakai, mahasiswa tetap harus cite sumber asli.
Jangan cite chatbot sebagai pengganti paper.
Kalau AI menyebut riset, buka risetnya.
Kalau AI memberi angka, cek sumber.
Kalau AI memberi regulasi, cari dokumen resmi.
Dosen bisa menilai source trail.
Ini membuat verification menjadi bagian learning outcome.
Salah satu format yang kuat adalah evidence memo.
Mahasiswa tidak hanya memberi jawaban.
Mereka juga memberi tiga atau lima bukti utama.
Untuk tiap bukti, jelaskan kenapa dipercaya dan apa keterbatasannya.
AI bisa membantu menemukan sumber.
Tetapi mahasiswa tetap harus menilai.
Ini skill kerja yang sangat nyata.
Di perusahaan, orang tidak dibayar karena bisa menghasilkan paragraf panjang.
Orang dibayar karena rekomendasi mereka punya dasar.
Take-home juga bisa menguji decision-making.
Berikan situasi dengan data tidak lengkap.
Mahasiswa harus menyebutkan apa yang diketahui, apa yang belum diketahui, asumsi apa yang dipakai, dan keputusan sementara.
AI sering sangat lancar mengisi gap.
Mahasiswa yang baik justru harus berani bilang: data belum cukup.
Kemampuan menahan kesimpulan itu penting.
Ujian juga sebaiknya tidak mengejar kompleksitas palsu.
Jangan membuat soal super rumit hanya supaya AI kesulitan.
Kalau manusia juga bingung apa yang sebenarnya diminta, assessment gagal.
Tujuannya bukan mengalahkan model.
Tujuannya mengukur kompetensi mahasiswa.
Kalimat ini perlu diingat dosen: jangan mendesain ujian sebagai CAPTCHA manusia.
AI akan terus membaik.
Kalau strategi assessment hanya berdasarkan “model saat ini belum bisa”, strategi itu punya umur pendek.
Desain berdasarkan kemampuan manusia yang ingin dibangun.
Argumentasi.
Judgement.
Practical skill.
Interpretasi.
Komunikasi.
Kolaborasi.
Ethics.
Responsibility.
Itu lebih tahan lama.
Ada juga kemungkinan take-home menjadi lebih relevan justru karena AI.
Dunia kerja modern penuh tool.
Karyawan boleh buka internet.
Boleh pakai spreadsheet.
Boleh pakai AI.
Yang dinilai hasil dan reasoning.
Take-home bisa mensimulasikan lingkungan itu lebih realistis daripada ujian hafalan dua jam.
Asalkan rubric-nya berubah.
Nilai tidak hanya final answer.
Nilai proses.
Source quality.
Assumption.
Trade-off.
Revision.
Explanation.
Kalau semua itu masuk, AI tidak otomatis merusak assessment.
Ia menjadi bagian kondisi kerja.
Jadi take-home exam masih relevan.
Yang tidak relevan adalah take-home exam generik yang berharap mahasiswa pura-pura hidup di dunia tanpa AI.
Kampus tidak perlu menghapus formatnya.
Kampus perlu membuatnya lebih jujur terhadap realitas 2026.
Buka sumber.
Boleh pakai tool sesuai aturan.
Tapi ketika diminta menjelaskan keputusan, mahasiswa tetap harus bisa berdiri sendiri.
Kalau tidak, yang lulus sebenarnya bukan mahasiswa.
Yang lulus cuma dokumennya.
Ada satu keuntungan lain dari take-home yang jangan dibuang hanya karena AI: mahasiswa punya waktu untuk bekerja lebih dekat dengan cara profesional. Di kantor, orang jarang diminta menjawab masalah kompleks tanpa membuka dokumen. Mereka justru diharapkan mencari evidence, membandingkan opsi, dan menghasilkan keputusan yang bisa dipertanggungjawabkan.
Karena itu take-home bisa menjadi tempat melatih workflow tersebut. Mahasiswa boleh menggunakan sumber, spreadsheet, software statistik, bahkan AI jika aturan mengizinkan. Yang dinilai adalah kualitas proses.
Rubric juga perlu memberi nilai pada uncertainty. Jawaban yang mengatakan “data belum cukup untuk menyimpulkan X” bisa lebih matang daripada jawaban panjang yang memaksakan certainty. AI cenderung membantu mengisi ruang kosong dengan bahasa yang lancar. Mahasiswa perlu belajar bahwa professional judgement kadang berarti menahan diri.
Dosen juga bisa menambahkan reflection setelah submit. Dua atau tiga pertanyaan cukup: bagian mana yang paling banyak berubah selama pengerjaan, bantuan tool apa yang paling berguna, dan apa yang masih diragukan. Reflection seperti ini membuat mahasiswa memikirkan proses tanpa menambah essay baru.
Untuk mata kuliah kuantitatif, dosen bisa memberi dataset berbeda tetapi struktur problem sama. Untuk humanities, objek atau sumber bisa dipilih mahasiswa dengan persetujuan awal. Untuk design, constraint bisa dibuat nyata. Untuk pendidikan, mahasiswa bisa diminta menjelaskan bagaimana solusi akan diterapkan di kelas tertentu.
Prinsipnya sama: semakin autentik problem, semakin penting judgement.
Dan kalau kampus benar-benar ingin tahu apakah take-home masih efektif, jangan hanya lihat jumlah pelanggaran. Lihat apakah mahasiswa bisa mempertahankan jawabannya, apakah kualitas reasoning naik, dan apakah mereka bisa menggunakan konsep di task baru. Itu ukuran yang lebih dekat dengan belajar daripada skor detector.
Bacaan terkait
Artikel ini berada dalam EdTech dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.