‹ Daftar slidePertemuan 4: Data sebagai Aset Strategis & Kualitas Data
Data sebagai Aset Strategis & Kualitas Data
Memahami peran data sebagai fondasi AI dan menilai kualitas data untuk keputusan bisnis yang bertanggung jawab
Kecerdasan BuatanPertemuan 4 dari 14CPL2 · CPL4 · CPL6
Agenda Pertemuan 4
Teori & Konsep
Data sebagai aset strategis: konsep dan nilai bisnis
Dimensi kualitas data: 6 atribut utama
Dampak kualitas data terhadap performa AI
Prinsip tata kelola data (data governance) dasar
Aplikasi & Praktik
Kasus nyata: data di perusahaan teknologi Indonesia
KYC perbankan & data transaksi e-commerce
Latihan audit kualitas data sederhana
Framework pengambilan keputusan berbasis data
Fokus Utama: Mahasiswa mampu menjelaskan peran data sebagai fondasi AI dan menilai kualitas data untuk keputusan bisnis — bukan sekadar mendefinisikan, tetapi mengevaluasi.
Tujuan Pembelajaran
Setelah pertemuan ini, Anda mampu:
Kognitif (C2–C3)
Menjelaskan mengapa data disebut aset strategis dalam konteks AI
Mengidentifikasi enam dimensi kualitas data dan contoh nyatanya
Mendeskripsikan komponen dasar tata kelola data
Aplikatif (C4–C5)
Menilai kualitas dataset sederhana menggunakan 6 dimensi
Menghubungkan masalah kualitas data dengan risiko model AI
Merumuskan rekomendasi perbaikan data readiness untuk skenario bisnis
Sub-CPMK 4CPMK-1 · CPMK-3CPL2 · CPL4 · CPL6
Topik 1
Data sebagai Aset Strategis
Nilai, karakteristik, dan posisi data dalam strategi bisnis berbasis AI
Mengapa Data Disebut Aset Strategis?
Aset Tradisional vs. Data
Dimensi
Aset Fisik
Data
Habis dipakai?
Ya (mesin aus)
Tidak
Bisa disalin?
Sulit & mahal
Mudah & murah
Nilainya saat dipakai?
Menyusut
Bisa meningkat
Network effect?
Tidak
Ya (data moat)
Compounding?
Tidak
Ya (flywheel)
Tiga Sumber Nilai Data untuk AI
1. Training signal
Data historis melatih model untuk mengenali pola. Semakin relevan dan bersih, semakin akurat model.
2. Feedback loop
Setiap prediksi AI menghasilkan data baru (klik, konversi, koreksi) yang meningkatkan model berikutnya.
3. Competitive moat
Data unik yang hanya dimiliki satu perusahaan menciptakan keunggulan yang sulit direplika kompetitor.
Data Flywheel: Keunggulan yang Mengkompound
Contoh: BRImo (BRI)
Transaksi pengguna → data perilaku keuangan bertambah
Data → model credit scoring lebih akurat
Skor akurat → lebih banyak nasabah layak kredit → lebih banyak transaksi
Hasilnya: kompetitor baru sulit menyamai dalam waktu singkat
Contoh: Tokopedia / TikTok Shop
Klik, scroll, cart → data preferensi produk
Algoritma rekomendasi lebih personal
Konversi naik → lebih banyak penjual masuk → lebih banyak data
Konteks Indonesia: ~80% data bisnis Indonesia masih tidak terstruktur — tersebar di WhatsApp, email, dokumen PDF, dan percakapan lisan. Mengubahnya menjadi data AI-ready adalah peluang besar sekaligus tantangan utama.
Topik 2
Dimensi Kualitas Data
Framework 6 dimensi untuk menilai apakah data siap mendukung AI
Enam Dimensi Kualitas Data
✓
Akurasi
Data mencerminkan realitas yang sebenarnya. Contoh: nama nasabah tidak typo, nomor rekening valid.
Dampak AI: Kritis
■
Kelengkapan
Tidak ada nilai penting yang hilang. Contoh: semua transaksi punya timestamp dan nominal.
Dampak AI: Kritis
⇄
Konsistensi
Format seragam di seluruh sistem. Contoh: tanggal ditulis YYYY-MM-DD, bukan 21/6/26 di sebagian data.
Dampak AI: Tinggi
⏳
Aktualitas
Data cukup baru untuk mendukung keputusan. Contoh: harga saham untuk robo-advisor harus real-time, bukan T+1.
Dampak AI: Kritis
→
Relevansi
Data relevan untuk masalah yang dipecahkan. Contoh: usia dan riwayat kredit relevan untuk credit scoring, warna favorit tidak.
Dampak AI: Tinggi
◆
Keunikan
Tidak ada duplikat yang mengaburkan pola. Contoh: satu nasabah = satu ID, bukan muncul tiga kali dengan ejaan nama berbeda.
Dampak AI: Sedang
Kualitas Data Buruk: Risiko Nyata untuk AI
"Garbage In, Garbage Out" — Contoh Nyata
Masalah Data
Dampak pada Model AI
Data KYC tidak akurat (nama salah)
Fraud detection miss target, false positive tinggi
Missing value di data transaksi
Credit scoring bias terhadap kelompok tertentu
Format tanggal tidak konsisten
Time-series model salah urutan — prediksi terbalik
Predictive maintenance salah waktu — mesin rusak mendadak
Prinsip Penting
Model AI yang lebih canggih tidak bisa memperbaiki data yang buruk. Sebaliknya, model yang lebih kuat cenderung mengamplifikasi bias yang ada dalam data training.
Implikasi Manajerial
Investasi di kualitas data = investasi pada performa AI
~60–80% waktu proyek AI habis untuk data preparation
Data quality harus jadi KPI tim data, bukan hanya volume data
Latihan: Audit Kualitas Data — KYC BRImo
Skenario: Dataset KYC BRImo (Fiktif tapi Realistis)
Anda adalah data analyst di BRI Digital. Berikut sampel data KYC dari 1.000 nasabah baru:
Temuan
Jumlah
% dari Total
Nama nasabah mengandung angka/karakter aneh
47
4,7%
Nomor telepon duplikat (1 nomor, 2+ akun)
23
2,3%
Kolom "pekerjaan" kosong (NULL)
198
19,8%
Tanggal lahir format tidak konsisten (DD/MM vs YYYY-MM-DD)
312
31,2%
Alamat di luar jangkauan layanan (luar negeri)
8
0,8%
Tugas Kelompok (10 menit): Untuk setiap temuan, tentukan: (1) dimensi kualitas data yang dilanggar, (2) risiko terhadap model credit scoring BRImo, (3) prioritas perbaikan (Tinggi / Sedang / Rendah) beserta alasannya.
Coba Sendiri: Skor Kualitas Data KYC BRImo
Isi bobot dan nilai tiap dimensi kualitas data pada kalkulator, lalu amati bagaimana skor akhir berubah saat satu dimensi kritis (mis. kelengkapan) diturunkan.
Topik 3
Tata Kelola Data Dasar
Siapa bertanggung jawab atas data? Bagaimana menjaganya tetap berkualitas?
Empat Pilar Tata Kelola Data
1. Kepemilikan Data (Data Ownership)
Data Owner: Eksekutif bisnis yang bertanggung jawab atas nilai dan kebijakan data (mis. VP Marketing memiliki data pelanggan)
Data Steward: Staf operasional yang menjaga kualitas data sehari-hari
Data Custodian: Tim IT yang mengelola infrastruktur penyimpanan data
2. Standar & Definisi Data
Data dictionary: Dokumen yang mendefinisikan setiap field — apa artinya, formatnya, siapa yang boleh mengisinya
Master data: Sumber kebenaran tunggal untuk entitas kunci (nasabah, produk, cabang)
Metadata: Data tentang data — kapan dibuat, oleh siapa, dari mana
3. Kebijakan Akses & Privasi
Role-based access: Siapa boleh melihat/edit data apa?
Anonymization: Data PII (nama, NIK, NPWP) harus di-mask sebelum dipakai untuk training AI
UU PDP 2022: Perusahaan wajib tahu di mana data pribadi disimpan dan siapa yang mengaksesnya
4. Siklus Hidup Data
Retensi: Berapa lama data disimpan? (Regulasi perbankan: umumnya 5–10 tahun)
Archiving: Data lama dipindah ke cold storage untuk hemat biaya
Penghapusan: Data yang sudah melewati masa retensi wajib dihapus — termasuk salinan backup
Praktik Data Governance di Indonesia
Perusahaan
Tantangan Governance
Respons / Inisiatif
Relevansi AI
BCA
Data nasabah tersebar di 18 sistem legacy berbeda
Program MDM (Master Data Management) terpusat; single customer view
Fraud detection lebih akurat lintas channel
Telkom
Data dari Telkomsel, IndiHome, Telin tidak terintegrasi
Pembentukan unit data analytics terpadu; data lakehouse
Prediksi churn pelanggan lintas produk
Gojek
Data driver, merchant, dan konsumen di silo berbeda
Internal data marketplace; data access request process
Dynamic pricing yang mempertimbangkan semua faktor
BRI
~5.300 unit BRI Links tersebar di pelosok, data tidak terstandar
BRIsat + core banking modernisasi; BRI AI Center
Credit scoring untuk segmen unbankable
Pola yang terlihat: Semua perusahaan besar Indonesia menghadapi masalah data silo — data tersebar di sistem yang berbeda dan tidak bicara satu sama lain. Solusi umum: bangun "single source of truth" melalui data lakehouse atau master data management sebelum melatih model AI.
UU PDP 2022: Regulasi Data yang Wajib Diketahui Manajer
Apa itu UU PDP?
Undang-Undang No. 27 Tahun 2022 tentang Pelindungan Data Pribadi — berlaku penuh sejak Oktober 2024. Mengatur bagaimana data pribadi warga Indonesia dikumpulkan, diproses, disimpan, dan dihapus.
Kewajiban utama:
Persetujuan eksplisit dari pemilik data (opt-in)
Transparansi penggunaan data
Hak akses dan hak hapus bagi pemilik data
Notifikasi pelanggaran data dalam 14 hari
Implikasi untuk Proyek AI
Data training AI: Data PII yang digunakan untuk melatih model harus mendapat consent atau di-anonymize terlebih dahulu
Automated decision: Model AI yang mengambil keputusan yang berdampak signifikan (kredit, asuransi) wajib bisa dijelaskan (explainability)
Data retention: Model yang dilatih dengan data lama yang seharusnya sudah dihapus = pelanggaran
Sanksi: Denda hingga 2% dari pendapatan tahunan perusahaan
Catatan: UU PDP adalah regulasi minimum. Sektor tertentu (perbankan, kesehatan) memiliki regulasi tambahan dari OJK atau Kemenkes.
Coba Sendiri: Estimasi Denda Pelanggaran UU PDP
Masukkan estimasi pendapatan tahunan sebuah perusahaan fiktif dan amati berapa besar denda maksimum (hingga 2%) yang bisa dikenakan saat terjadi pelanggaran.
Alur Data: Dari Sumber ke Keputusan AI
Sumber
POS, CRM, IoT, Web, Mobile
→
Ingesti
ETL/ELT, Streaming, Batch
→
Data Lake
Raw, belum dikurasi
→
Pemrosesan
Cleaning, transformasi
→
Warehouse
Dikurasi, siap analitik
→
Model AI
Training, inferensi
Implikasi kualitas data pada tiap tahap: Masalah yang tidak ditangkap di tahap awal akan semakin mahal untuk diperbaiki di tahap berikutnya. Memperbaiki data di tahap Model AI bisa 10–100x lebih mahal daripada memperbaikinya di tahap Sumber.
Prinsip "Shift-Left" dalam Kualitas Data
Validasi kualitas data harus dilakukan sesegera mungkin dalam pipeline — idealnya di sumber data, bukan setelah masuk data lake. Seperti QC di manufaktur: lebih murah menolak bahan baku buruk di pintu masuk daripada menarik produk dari pasaran.
Studi Kasus: Data IoT untuk AI Pertanian
Konteks: Sensor IoT di Lahan Pertanian
Perusahaan agritech Indonesia memasang sensor IoT di lahan sawah untuk mengoptimalkan irigasi dan pupuk menggunakan AI. Data yang dikumpulkan tiap 15 menit:
Kelembaban tanah (%) — 120 sensor per hektar
Suhu udara dan tanah (°C)
pH tanah
Intensitas cahaya (lux)
Curah hujan (mm/jam) dari stasiun terdekat
Tantangan Kualitas Data di Lapangan
Masalah
Dimensi Kualitas
Sensor tidak dikalibrasi → baca pH 9.2 padahal 6.8
Akurasi
Koneksi terputus 4 jam → data hilang
Kelengkapan & Aktualitas
Sebagian sensor kirim data tiap menit, sebagian tiap jam
Konsistensi
Data curah hujan dari stasiun 50 km jauhnya
Relevansi
Dampak: AI merekomendasikan irigasi berlebih karena sensor mendeteksi "kekeringan" yang tidak nyata → pemborosan air + kerusakan akar tanaman.
Rangkuman Pertemuan 4
Konsep Utama
Data sebagai aset strategis: tidak habis dipakai, mengkompound melalui flywheel effect, menciptakan competitive moat
Enam dimensi kualitas: akurasi, kelengkapan, konsistensi, aktualitas, relevansi, keunikan
GIGO: kualitas data menentukan kualitas AI — model canggih tidak bisa memperbaiki data buruk
Data governance: ownership, standar, akses, siklus hidup — sistem untuk menjaga kualitas secara berkelanjutan
Implikasi Manajerial
Sebelum investasi AI, audit kualitas data terlebih dahulu
Tetapkan data owner yang jelas — bukan hanya tanggung jawab IT
Data PDP: periksa kepatuhan UU PDP 2022 untuk setiap dataset training AI
Prinsip shift-left: validasi kualitas data di sumber, bukan di akhir pipeline
Data quality adalah KPI bisnis, bukan hanya KPI teknis
"Without data, you're just another person with an opinion." — W. Edwards Deming, Bapak Total Quality Management
Tugas & Referensi
Tugas Individu (Deadline: Pertemuan 5)
Data Quality Audit Report:
Pilih satu perusahaan Indonesia yang menggunakan AI (boleh dari yang sudah dibahas di kelas atau perusahaan lain)
Identifikasi minimal 2 jenis dataset yang perusahaan tersebut kemungkinan miliki
Nilai kualitas data menggunakan 6 dimensi — berikan skor 1–5 per dimensi beserta alasannya
Identifikasi 1 risiko AI yang bisa timbul dari masalah kualitas data yang Anda temukan
Rumuskan rekomendasi perbaikan yang realistis (1–2 paragraf)
Format: 1–2 halaman A4, PDF, font 11–12pt
Bobot: 5% dari nilai akhir | Rubrik: Analitik
Referensi Wajib
Almeida, I. (2024). AI Fundamentals for Business Leaders. Ch. 3–4. Now Next Later.
Provost, F., & Fawcett, T. (2013). Data Science for Business. Ch. 1–2. O'Reilly.
Marr, B. (2025). AI Strategy. Ch. 5–6. Wiley.
Referensi Pendukung
Davenport, T. H. (2018). The AI Advantage. Ch. 3. MIT Press.
DAMA International. (2017). DAMA-DMBOK: Data Management Body of Knowledge. 2nd ed.
UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi.
Pertanyaan & Preview Pertemuan 5
Sesi Tanya Jawab
Pertanyaan tentang materi, tugas, atau kasus data di Indonesia?
Pertemuan 5: AI dalam Pengambilan Keputusan Bisnis
Decision intelligence: menggabungkan AI dan judgment manusia
Jenis keputusan bisnis yang dapat diotomasi vs. yang tidak
Kasus: AI untuk keputusan kredit, pricing, supply chain
Sub-CPMK 5: Mahasiswa mampu mengklasifikasikan jenis keputusan bisnis berdasarkan kesesuaiannya dengan otomasi AI