💡 Fokus Utama: Menganalisis data sebagai aset strategis dan menjelaskan implikasi manajemen data untuk inisiatif AI (Sub-CPMK 2, C4).
Tujuan Pembelajaran
Setelah pertemuan ini, mahasiswa mampu:
Kognitif (C4)
Menganalisis data sebagai aset strategis dalam konteks AI
Menjelaskan hubungan antara kualitas data dan performa AI
Mengidentifikasi tantangan manajemen data untuk inisiatif AI
Aplikatif
Mengevaluasi readiness data perusahaan untuk adopsi AI
Merumuskan strategi manajemen data sederhana
Membedakan big data dan smart data dalam konteks bisnis
Sub-CPMK 2CPMK-2CPL2 · CPL4
Topik 1
Data: Bahan Bakar Revolusi AI
Data: Bahan Bakar Revolusi AI
🛢️ "Data is the New Oil" — Tapi Lebih Berharga
Minyak: habis dipakai, harga naik karena langka
Data: semakin dipakai, semakin berharga (network effect)
Minyak: satu pemakai tidak memengaruhi pemakai lain
Data: setiap prediksi → data baru → model lebih baik → prediksi lebih baik (flywheel effect)
🔄 Flywheel Effect AI
1. Data → Training model
2. Model → Prediksi/keputusan
3. Prediksi → Interaksi pengguna
4. Interaksi → Data baru
5. Data baru → Retrain model (loop)
💡 Insight: Perusahaan AI-native seperti Google, Netflix, dan TikTok membangun data moat—keunggulan kompetitif yang semakin dalam seiring bertambahnya data dan pengguna.
Piramida DIKW: Dari Data ke Keputusan
Wisdom
Knowledge
Information
Data
📊 Data
Fakta mentah: angka, teks, gambar, suara. Tanpa konteks. Contoh: 1.000.000.
ℹ️ Information
Data dengan konteks: 1 juta transaksi per hari di BRI.
🧠 Knowledge
Pola dan insight: transaksi meningkat 20% tiap akhir bulan.
✨ Wisdom
Keputusan strategis: alokasikan lebih banyak server di akhir bulan.
🔑 Kunci: AI beroperasi di level Knowledge—mengenali pola dari data. Tapi manajer harus naik ke Wisdom—mengubah insight AI menjadi keputusan strategis dengan mempertimbangkan konteks bisnis, etika, dan risk.
Studi Kasus: Data di Perusahaan Indonesia
🏦 BRI — Data Moat Perbankan
Data: 30+ juta nasabah, transaksi harian, lokasi, demografi, perilaku.
Challenge: Sensor calibration, connectivity di rural area, data sparsity.
Data quality: ⭐⭐⭐☆☆ | Data volume: ⭐⭐⭐☆☆
Topik 2
Kualitas vs. Kuantitas Data
Dimensi Kualitas Data untuk AI
✅
Accuracy
Data mencerminkan realitas. Contoh: alamat nasabah benar, tidak typo.
Impact AI: High
🧩
Completeness
Tidak ada missing value yang kritis. Contoh: semua trans punya timestamp.
Impact AI: High
🔄
Consistency
Format seragam di seluruh sistem. Contoh: tanggal format ISO 8601.
Impact AI: Medium
⏱️
Timeliness
Data up-to-date untuk keputusan real-time. Contoh: stock price real-time.
Impact AI: High
🎯
Relevance
Data relevan untuk masalah yang dipecahkan. Contoh: data umur untuk credit scoring.
Impact AI: High
👤
Uniqueness
Tidak ada duplikat yang mengaburkan pola. Contoh: satu nasabah = satu ID.
Impact AI: Medium
⚠️ Prinsip:"Garbage In, Garbage Out" — AI hanya sebaik data yang melatihnya. Data berkualitas rendah menghasilkan model yang bias, tidak akurat, dan tidak dapat dipercaya.
Curated: data yang sudah dibersihkan dan divalidasi
Contextual: data dengan metadata yang jelas
Actionable: langsung bisa jadi insight
Timely: data yang dibutuhkan saat dibutuhkan
Focus: collect with purpose, analyze now
Goal: Quality over quantity
💡 Insight: Perusahaan AI yang sukses tidak selalu punya data terbanyak, tapi punya data terbaik untuk masalah spesifik yang mereka pecahkan. Google Search tidak punya semua data internet—tapi punya data klik yang paling relevan untuk ranking.
Coba Sendiri: Jelajahi 4V Big Data
Geser parameter Volume/Velocity/Variety/Veracity dan amati bagaimana kombinasinya menentukan apakah data Anda "big" tapi tidak "smart".
Latihan: Audit Data Readiness
🎯 Soal: Evaluasi Data Readiness Perusahaan
Gunakan framework 6 dimensi untuk menilai data readiness perusahaan fiktif berikut:
🏢 PT. Retail Nusantara
Perusahaan retail dengan 200 toko di Indonesia. Punya sistem POS terpusat, tapi:
30% transaksi tidak punya customer ID (cash payment, no membership)
Data produk tidak standard: nama "Indomie" vs "Mi Instan Indomie" vs "Mie Goreng Indomie"
Data dari toko di Papua sering delay 3-5 hari karena koneksi
Stok data real-time hanya di 50% toko (big cities only)
Data demografi pelanggan: hanya 40% yang lengkap
Tidak ada data perilaku online (perusahaan belum punya e-commerce)
Dimensi
Skor (1-5)
Alasan
Accuracy
?
?
Completeness
?
?
Consistency
?
?
Timeliness
?
?
Relevance
?
?
Uniqueness
?
?
⏱️ Waktu: 10 menit. Diskusi berkelompok (3-4 orang). Setelah itu presentasikan skor dan rekomendasi perbaikan.
Topik 3
Strategi Manajemen Data untuk AI
Framework Manajemen Data untuk AI
1. Data Governance
Data owner: Siapa yang bertanggung jawab atas data apa?
Compliance: Sesuai UU PDP, GDPR (jika ada EU user)
Data Pipeline: Dari Source ke AI
📥
Sources
POS, CRM, IoT, Web, Mobile
→
🧹
Ingestion
ETL/ELT, Streaming, Batch
→
🏊
Data Lake
Raw, Structured, Unstructured
→
✨
Processing
Clean, Transform, Feature Eng.
→
🏛️
Warehouse
Curated, Modeled, Analytics
→
🧠
AI Models
Training, Inference, Deploy
🔑 Kunci: Bukan cuma punya data, tapi mengalirkan data dari source ke AI dengan kualitas terjaga. 80% waktu proyek AI dihabiskan untuk data preparation, bukan model training.
Kolaborasi dengan startup/peneliti untuk data sharing
Access to unique data, shared risk
Complex negotiation, data privacy concerns
Research, niche domains
🎯 Keputusan Manajerial: Perusahaan tidak harus memilih satu. Hybrid strategy sering optimal: build core data infrastructure, buy specific tools, partner untuk data augmentation.
Contoh Hybrid di Indonesia
BRI: Build data warehouse sendiri + Buy AWS untuk cloud + Partner dengan fintech untuk data scoring
Gojek: Build data platform internal + Buy Google Maps API + Partner dengan merchant untuk data behavior
Tokopedia: Build recommendation engine + Buy Ads platform + Partner dengan brand untuk co-marketing data
IoT standardization, digital twin, predictive maintenance
Kesehatan
Data privacy (PDP), interoperability, quality
Model tidak bisa generalize, regulatory risk
Federated learning, de-identification, FHIR standard
Pertanian
Connectivity rural, sensor calibration, weather
Data gap, model tidak akurat untuk lokasi
Offline-first apps, satellite data, weather APIs
Urgensi: Data Moat sebagai Competitive Advantage
🏆 Data Moat = Sustainable Advantage
Algoritma AI bisa di-copy. Data unik tidak bisa di-copy. Perusahaan dengan data moat yang kuat—data yang hanya mereka punya, yang terus tumbuh—memiliki keunggulan kompetitif yang sustainable.
⏰ First-Mover Advantage di Data
Perusahaan yang mulai mengumpulkan data sekarang akan punya 3-5 tahun keunggulan. Data compound: semakin banyak data, semakin baik model, semakin banyak pengguna, semakin banyak data.
💡 Data Strategy ≠ IT Strategy
Data strategy adalah business strategy. Bukan masalah server atau database, tapi masalah: data apa yang kita butuhkan untuk competitive advantage? Bagaimana kita mengumpulkannya? Bagaimana kita menjaga kualitasnya? Bagaimana kita monetize-nya?
🎯 Tiga Pertanyaan untuk Manajer tentang Data
Data apa yang hanya kita punya, yang kompetitor tidak bisa replicate?
Bagaimana kita mengubah data raw menjadi data actionable dengan kualitas terjaga?
Apa data governance yang perlu dibangun supaya AI kita tidak bias, tidak melanggar privasi, dan sustainable?
Rangkuman Pertemuan 2
📚 Konsep Utama
Data = bahan bakar AI; flywheel effect: data → model → prediksi → data baru
Piramida DIKW: data → information → knowledge → wisdom