‹ Daftar slide
Pertemuan 10: Manajemen Proyek AI
Manajemen Proyek AI
Siklus hidup proyek AI, teknik agile, pembentukan tim, dan perencanaan proyek AI yang efektif
Kecerdasan Buatan
Pertemuan 10 dari 14
CPL2 · CPL4 · CPL6
Agenda Pertemuan 10
Teori & Konsep
- Siklus hidup proyek AI: 6 fase
- Perbedaan manajemen proyek AI vs. proyek konvensional
- Teknik Agile yang disesuaikan untuk AI
- Peran dan komposisi tim AI yang efektif
Aplikasi & Praktik
- Kasus: Gojek, BRImo, Tokopedia — bagaimana mereka jalankan proyek AI
- Framework rencana proyek AI sederhana
- Common pitfalls dan cara menghindarinya
- Latihan: susun rencana proyek AI mini
Fokus Utama: Menerapkan prinsip-prinsip dasar manajemen proyek AI, termasuk pendekatan agile dan pembentukan tim (Sub-CPMK 10, C3).
Tujuan Pembelajaran
Setelah pertemuan ini, mahasiswa mampu:
Kognitif (C3 — Menerapkan)
- Menerapkan kerangka siklus hidup proyek AI pada konteks bisnis nyata
- Menggunakan teknik agile yang tepat untuk proyek AI
- Merancang komposisi tim AI yang sesuai dengan skala dan tujuan proyek
Aplikatif
- Menyusun rencana proyek AI sederhana yang terstruktur
- Mengidentifikasi risiko dan mitigasi dalam proyek AI
- Membedakan sprint AI dari sprint software konvensional
Sub-CPMK 10
CPMK-4
CPL2 · CPL4 · CPL6
Topik 1
Siklus Hidup Proyek AI
Dari masalah bisnis ke solusi AI yang berjalan
Siklus Hidup Proyek AI: 6 Fase
1
Problem Framing
Definisi masalah bisnis & metrik sukses
→
2
Data Readiness
Audit, akuisisi, pembersihan data
→
3
Modelling & Experimentation
Eksplorasi, training, evaluasi model
→
4
Deployment
Integrasi ke sistem produksi
→
5
Monitoring & Operations
Model drift, performa, retraining
→
6
Iteration & Scaling
Perbaikan berkelanjutan & ekspansi
Kunci Pembeda: Proyek AI tidak pernah benar-benar selesai. Setelah deployment, model harus terus dipantau dan di-retrain — karena dunia nyata berubah, dan data berubah. Ini berbeda dari proyek software konvensional.
Proyek AI vs. Proyek Software Konvensional
| Dimensi | Proyek Software Konvensional | Proyek AI |
|---|---|---|
| Kepastian output | Tinggi — spesifikasi jelas, output deterministik | Rendah — model probabilistik, output tidak selalu dapat diprediksi |
| Ketergantungan data | Rendah — logika dikoding manual | Sangat tinggi — kualitas data menentukan kualitas model |
| Ukuran "selesai" | Fitur terdeploy dan berjalan | Model mencapai metrik performa & terdeploy ke produksi |
| Fase terbesar | Development (coding) | Data preparation (~50-80% waktu proyek) |
| Risiko kegagalan | Bug logic, missing requirements | Data bias, overfitting, model drift, ethical issues |
| Umur proyek | Selesai saat diluncurkan | Terus berjalan: monitoring, retraining, perbaikan berkelanjutan |
Implikasi Manajerial: Jangan terapkan manajemen proyek waterfall konvensional ke proyek AI. Ketidakpastian tinggi butuh pendekatan iteratif dan fleksibel — agile yang disesuaikan.
Mengapa Proyek AI Gagal? Pelajaran dari Lapangan
Statistik Kegagalan Proyek AI
- ~50% proyek AI tidak mencapai production (Gartner, 2022)
- Alasan utama: bukan teknologi, tapi manajemen
- Masalah paling umum: masalah bisnis tidak terdefinisi jelas
- Masalah kedua: data tidak siap saat proyek dimulai
- Masalah ketiga: ekspektasi stakeholder tidak realistis
Akar Masalah per Fase
- Fase 1: "Kita mau pakai AI" tanpa tahu masalah apa yang dipecahkan
- Fase 2: Data tidak tersedia, tidak bersih, atau tidak cukup
- Fase 3: Model di lab bagus, tapi di produksi buruk
- Fase 4: Tim IT tidak siap integrasikan model ke sistem lama
- Fase 5: Tidak ada yang memantau — model drifts tanpa disadari
Konteks Indonesia: Banyak perusahaan mulai proyek AI karena "FOMO" (Fear of Missing Out) — kompetitor pakai AI, jadi kita juga harus. Tanpa problem framing yang jelas, proyek ini sering berakhir sebagai proof-of-concept yang tidak pernah masuk produksi.
Topik 2
Teknik Agile untuk Proyek AI
Iterasi cepat untuk mengelola ketidakpastian AI
Mengapa Agile Cocok untuk Proyek AI?
Prinsip Agile yang Relevan untuk AI
- Iterasi pendek: sprint 2 minggu → cepat test hipotesis model
- Feedback loop cepat: validasi awal sebelum terlalu jauh
- Adaptive planning: rencana berubah seiring temuan baru
- Cross-functional team: data scientist + engineer + domain expert + PM
- Working software: di AI = model yang berjalan, bukan presentasi
Adaptasi Agile untuk AI: Apa yang Berbeda?
- Sprint goal AI = "validasi hipotesis model", bukan "deliver fitur"
- Definition of Done: model mencapai threshold akurasi, bukan kode selesai
- Spike: eksplorasi teknis untuk kurangi uncertainty sebelum sprint resmi
- Backlog AI: campuran user stories + eksperimen data + model hypothesis
- Retrospektif khusus: apa yang dipelajari dari eksperimen, bukan hanya apa yang selesai
Framework Populer: MLOps + Scrum — Scrum untuk ritme kerja tim, MLOps untuk pipeline teknis (data versioning, model registry, deployment automation, monitoring).
Struktur Sprint AI: Praktik Terbaik
Minggu 1
Eksplorasi & Hipotesis
- Review data yang tersedia
- Formulasi hipotesis model
- Eksperimen baseline
- Identifikasi gap data
Minggu 2
Iterasi & Validasi
- Refine model berdasarkan temuan
- Evaluasi metrik performa
- Validasi dengan domain expert
- Dokumentasi eksperimen
Review Sprint
Demo & Retrospektif
- Demo model ke stakeholder
- Review metrik vs. target
- Learning retrospektif
- Update backlog berikutnya
Contoh Sprint Goal AI: "Di akhir sprint ini, kami akan memiliki model fraud detection baseline dengan AUC ≥ 0.80 pada data validasi BRImo Januari–Maret 2024, sehingga kami dapat memutuskan apakah pendekatan ini layak dilanjutkan."
Rapat & Ritual Agile yang Disesuaikan untuk AI
| Ritual | Tujuan Umum Agile | Adaptasi untuk AI | Durasi Ideal |
|---|---|---|---|
| Sprint Planning | Pilih backlog item untuk sprint | Pilih hipotesis model + data experiment yang akan diuji; estimasi uncertainty | 2–3 jam |
| Daily Standup | Sinkronisasi harian tim | Tambahkan: "Apa yang dipelajari hari ini dari eksperimen?" — bukan hanya "apa yang dikerjakan?" | 15 menit |
| Sprint Review | Demo ke stakeholder | Demo model berjalan; jelaskan metrik performa dalam bahasa bisnis | 1–2 jam |
| Retrospektif | Perbaikan proses tim | Tambahkan: review eksperimen — hipotesis mana yang terbukti, mana yang gagal, dan mengapa? | 1 jam |
| Model Review | (Baru — khusus AI) | Evaluasi model oleh domain expert dan ethics reviewer sebelum deployment | 1–2 jam |
Topik 3
Membangun Tim AI yang Efektif
Komposisi, peran, dan budaya tim yang mendukung inovasi AI
Peran Kunci dalam Tim AI
Peran Teknis
| Peran | Tanggung Jawab Utama |
|---|---|
| Data Scientist | Bangun & evaluasi model; eksplorasi data |
| ML Engineer | Productionize model; pipeline MLOps |
| Data Engineer | Pipeline data; data warehouse; ETL |
| AI/ML Architect | Desain infrastruktur AI; scalability |
| Backend/Platform Eng. | Integrasi model ke sistem produksi |
Peran Non-Teknis (Sama Pentingnya)
| Peran | Tanggung Jawab Utama |
|---|---|
| AI Product Manager | Roadmap, prioritas, stakeholder management |
| Domain Expert | Validasi relevansi bisnis; knowledge transfer |
| AI Ethics Reviewer | Bias audit; fairness; compliance |
| Change Manager | Adopsi pengguna; training; komunikasi |
| Legal/Compliance | Regulasi data; UU PDP; kontrak vendor |
Kesalahan Umum: Tim AI terdiri hanya dari data scientist dan engineer. Tanpa domain expert, model tidak relevan untuk bisnis. Tanpa AI PM, proyek kehilangan arah. Tanpa change manager, model bagus tapi pengguna tidak mau pakai.
Komposisi Tim Berdasarkan Skala Proyek
Tim Kecil
3–5 orang · startup atau PoC
- 1 AI PM (rangkap domain expert)
- 1-2 Data Scientist
- 1 Data/ML Engineer
- Domain expert sebagai advisor
Tim Menengah
8–15 orang · perusahaan berkembang
- 1 AI PM + 1 AI Architect
- 2-3 Data Scientist
- 2 ML Engineer + 1 Data Engineer
- 1 Domain Expert full-time
- 1 Ethics Reviewer (part-time)
🏢
Tim Besar
20+ orang · enterprise seperti BRI, Telkom
- AI Center of Excellence (CoE) terpusat
- Squad per use case (fraud, credit, UX)
- Shared platform team (MLOps, data)
- Dedicated ethics & compliance team
- Change management team
Topik 4
Rencana Proyek AI Sederhana
Dari ide ke dokumen rencana yang actionable
Template Rencana Proyek AI: 7 Komponen
1. Problem Statement
Masalah bisnis apa yang dipecahkan? Apa dampaknya jika tidak diselesaikan? Siapa yang terdampak?
2. Success Metrics
Metrik teknis AI (akurasi, AUC, F1) DAN metrik bisnis (penghematan biaya, konversi, NPS). Keduanya wajib ada.
3. Data Assessment
Data apa yang tersedia? Kualitasnya? Gap apa yang perlu diisi? Berapa lama akuisisi data memakan waktu?
4. Approach & Milestones
Pendekatan teknis apa yang akan dicoba? Milestone per sprint? Go/No-go criteria di setiap milestone?
5. Tim & Peran
Siapa yang terlibat? Peran dan tanggung jawab masing-masing? Siapa decision-maker untuk go/no-go?
6. Risiko & Mitigasi
Risiko teknis (data tidak cukup, model tidak konvergen) dan risiko bisnis (adopsi rendah, regulasi). Rencana mitigasi per risiko.
7. Timeline & Anggaran
Timeline realistis per fase. Anggaran: compute, data, lisensi tools, sumber daya manusia. Buffer untuk eksperimen yang gagal (~20-30%).
Studi Kasus: Proyek AI di Perusahaan Indonesia
Gojek: Sistem Rekomendasi GoPay
| Problem | Pengguna tidak tahu promo yang relevan → konversi rendah |
| Success Metric | CTR promo naik 25%; redemption rate naik 15% |
| Data | Histori transaksi, lokasi, merchant category, waktu |
| Approach | Collaborative filtering + contextual bandit |
| Tim | 3 DS + 2 MLE + 1 PM + 1 Domain Expert (marketing) |
| Timeline | 12 minggu: 4 minggu data, 6 minggu model, 2 minggu deploy |
| Risiko | Cold start untuk pengguna baru; mitigasi: rule-based fallback |
BCA: Chatbot Halo BCA
| Problem | Volume call center tinggi; wait time 8+ menit |
| Success Metric | 40% query dihandle chatbot; wait time < 1 menit |
| Data | Log call center 2 tahun; FAQ; transkrip agen |
| Approach | NLU (intent classification) + dialogue management |
| Tim | 2 DS (NLP) + 2 MLE + 1 PM + tim customer service (domain) |
| Timeline | 16 minggu: iterasi 4 sprint × 4 minggu |
| Risiko | Halusinasi chatbot; mitigasi: human escalation mandatory |
Jebakan Umum Proyek AI & Cara Menghindarinya
| Jebakan | Tanda Peringatan | Cara Menghindari |
|---|---|---|
| AI untuk AI | "Kita harus pakai AI" tanpa problem yang jelas | Mulai dengan problem statement, bukan dengan pilihan teknologi |
| Data Optimism | "Data pasti ada, nanti kita cari" | Data assessment di fase pertama — sebelum commit ke proyek |
| Perfeksionisme Model | Tim terus iterasi tanpa pernah deploy | Tetapkan threshold performa minimum dan jadwal deploy |
| Shadow IT AI | Tim pakai AI tools tanpa sepengetahuan IT/legal | Governance AI yang jelas; register semua tools dan model |
| Lupa Change Management | Model bagus tapi tidak ada yang pakai | Libatkan pengguna akhir dari sprint pertama; training intensif |
| Model Drift Diabaikan | Model diluncurkan lalu ditinggalkan | Monitoring dashboard + SLA retraining yang jelas |
Latihan: Susun Rencana Proyek AI Mini
Skenario: PT Retail Nusantara Digital
PT Retail Nusantara Digital adalah perusahaan retail dengan 200 toko dan platform e-commerce yang baru diluncurkan. CFO meminta Anda — sebagai AI Project Manager — merancang proyek AI untuk meningkatkan penjualan melalui rekomendasi produk yang lebih personal. Anggaran tersedia: Rp 2 miliar. Batas waktu proyek: 6 bulan.
Data yang tersedia:
- Histori transaksi offline 3 tahun (200 toko)
- Data transaksi online 3 bulan (baru diluncurkan)
- Katalog produk: 15.000 SKU
- Data demografi anggota loyalty: 500 ribu member
Tugas kelompok (15 menit):
- Rumuskan Problem Statement yang spesifik
- Tentukan 2 success metrics (1 teknis, 1 bisnis)
- Identifikasi 2 risiko utama & mitigasinya
- Rancang komposisi tim (5–8 orang)
- Buat timeline kasar: 4 milestone dalam 6 bulan
Presentasi: Setiap kelompok presentasikan rencana dalam 3 menit. Kelompok lain berperan sebagai CFO yang skeptis — ajukan pertanyaan kritis.
Rangkuman & Preview Pertemuan 11
Poin Kunci Pertemuan 10
- Siklus hidup proyek AI: 6 fase dari problem framing hingga scaling — dan tidak pernah benar-benar "selesai"
- AI berbeda dari proyek konvensional: ketidakpastian tinggi, data-centric, butuh iterasi
- Agile disesuaikan: sprint goal = validasi hipotesis; DOD = threshold performa model
- Tim AI butuh keahlian teknis DAN non-teknis: PM, domain expert, ethics reviewer, change manager
- Rencana proyek AI wajib punya 7 komponen: problem, metrik bisnis+teknis, data, approach, tim, risiko, timeline
Pertemuan 11: Strategi AI Tingkat Perusahaan
- Dari proyek AI ke strategi AI korporat
- AI Maturity Model: di mana posisi perusahaan Anda?
- Membangun AI Center of Excellence (CoE)
- Build vs. Buy vs. Partner untuk strategi AI jangka panjang
- Sub-CPMK 11: (C4) Merumuskan komponen kunci strategi AI tingkat perusahaan
Baca: Iansiti & Lakhani (2020) Ch. 7–8 · Marr (2025) Ch. 9
Kecerdasan Buatan · PEBD6026 · Program Studi S1 Bisnis Digital
Fakultas Ekonomika dan Bisnis · Universitas Diponegoro
Fakultas Ekonomika dan Bisnis · Universitas Diponegoro