TENTANG KAMI

Kisah TalentFinder: Dari Ide ke Dampak Nyata

TalentFinder lahir dari kebutuhan sederhana: membantu orang memahami kekuatan diri secara adil dan dapat ditindaklanjuti. Kami memadukan keilmuan psikologi dengan teknologi machine learning agar pemetaan talenta terasa akurat, ramah, dan bermanfaat.

25K+
Pengguna
50+
Instrumen
98%
Kepuasan
Terakhir diperbarui: 30 Aug 2025

Sejarah TalentFinder

Tonggak perjalanan yang membentuk cara kami memahami dan menumbuhkan talenta.

2019 — Riset Awal
Validasi kebutuhan & studi instrumen

Tim memetakan celah antara asesmen tradisional dan pengalaman pengguna modern—menemukan peluang untuk pendekatan yang lebih adil dan praktis.

User interviews Prototype v0.1
2020 — Pilot Digital
Versi web perdana & uji keterandalan

Mengintegrasikan skoring terstruktur dan menguji konsistensi hasil lintas kelompok sampel.

Reliability checks Early adopters
2022 — Pembelajaran Mesin
Model ML & pemetaan graf

Mulai memanfaatkan machine learning untuk mengenali pola respons dan memetakan keterhubungan antar-talenta.

Graph modeling Data-driven
2024 — PageRank Booster
Perankingan berbasis graf (560 entri)

Memperkenalkan pendekatan PageRank Booster pada matriks 560 entri untuk memberi bobot relasional yang lebih adil.

560-entry matrix Fair weighting
2025 — Skala & Kolaborasi
Integrasi institusi & peningkatan pengalaman

Berkolaborasi dengan praktisi dan institusi untuk memperluas dampak dan memperkaya rekomendasi tindak lanjut.

Institutions User experience

Pengembangan & Metodologi

Mengapa hasil TalentFinder terasa relevan, adil, dan mudah ditindaklanjuti.

Algoritma Machine Learning

Model mempelajari pola ko-terjadinya preferensi dan perilaku dari respons pengguna. Tujuannya: konsistensi lintas profil dan pengurangan bias.

  • Representasi vektor untuk pemetaan talenta
  • Kalibrasi berulang dengan data terbaru
  • Audit sederhana untuk interpretabilitas

PageRank Booster (560 Entri)

Perankingan memanfaatkan graf keterkaitan talenta–indikator pada matriks 560 entri. Talenta yang saling menguatkan akan memperoleh bobot relevansi lebih tinggi.

  • Bobot relasional, bukan sekadar jumlah skor
  • Iterasi hingga konvergen untuk kestabilan
  • Skor mudah dipetakan ke rekomendasi

Tanpa Skala Likert

Kami menghindari bias pilihan tengah/ekstrem dengan format respons non-Likert yang terstruktur sehingga tiap jawaban lebih informatif secara diagnostik.

  • Mengurangi response style
  • Mendorong pilihan yang jujur terhadap preferensi
  • Meningkatkan ketajaman interpretasi

Etika & Privasi

Data pengguna bersifat rahasia dan diproses untuk tujuan peningkatan layanan. Rekomendasi difokuskan pada pengembangan, bukan pelabelan statis.

  • Prinsip minimasi data
  • Transparansi pemakaian hasil
  • Hak pengguna atas datanya
“Kami tidak mencari siapa yang paling ‘benar’. Kami membantu setiap orang menemukan pola kekuatannya—dan langkah kecil untuk menumbuhkannya.”

Prinsip & Nilai

Tiga landasan yang mengarahkan setiap keputusan desain kami.

Berpusat pada Pengguna

Hasil harus dapat dimengerti dan berguna—menuntun pada tindakan, bukan sekadar angka.

Clarity Actionable

Adil & Transparan

Metode dijelaskan secukupnya: apa yang dihitung dan mengapa—untuk menghindari label yang menyederhanakan.

Fair Explainable

Pertumbuhan Berkelanjutan

Fokus pada kebiasaan kecil, penguatan bertahap, dan dukungan komunitas/organisasi.

Habits Community

Siap Mengenal Diri Lebih Dalam?

Mulai asesmen dan dapatkan rekomendasi pengembangan yang relevan dengan kekuatan Anda.

Mulai Asesmen Jelajahi Domain