8 mins read

Data Quality untuk AI: 6 Dimensi dan Cara Mengauditnya

data-quality-untuk-ai
Data Quality untuk AI: 6 Dimensi dan Cara Mengauditnya

Mekari ERP Highlights

  • Data quality untuk AI diukur lewat enam dimensi: akurasi, kelengkapan, konsistensi, keunikan, ketepatan waktu, dan validitas.
  • Gabungkan keenamnya menjadi satu Data Quality Index dan jadikan angka itu gerbang kelayakan sebelum proyek AI disetujui.
  • Fitur Deteksi Anomali AI Mekari ERP membantu menandai transaksi tidak wajar sejak awal.

Data quality untuk AI adalah tingkat kelayakan data untuk dipakai melatih, memvalidasi, dan menjalankan model, diukur dari akurasi, kelengkapan, konsistensi, keunikan, ketepatan waktu, dan validitasnya. 

Masalahnya jarang ada di algoritma. Studi IBM Institute for Business Value menemukan hanya 16% inisiatif AI yang berhasil naik skala ke seluruh perusahaan. 

Artikel ini membahas cara mengukurnya dengan rumus, cara memberi skor kesiapan, dan langkah perbaikan yang bisa dijalankan tim Anda sendiri.

Apa Itu Data Quality untuk AI dan Bedanya dengan Data Quality Biasa

Data quality tradisional bertanya apakah angka di laporan sudah benar hari ini. Data quality untuk AI bertanya lebih jauh: apakah kumpulan data ini cukup mewakili kenyataan sehingga model yang belajar darinya tidak salah menyimpulkan.

Perbedaannya terasa saat model mulai berjalan. Kesalahan pada satu faktur hanya merusak satu laporan. Kesalahan pada pola data merusak setiap rekomendasi yang keluar dari model.

AI juga menambah dimensi yang tidak dikenal penilaian tradisional, yaitu keterwakilan data terhadap kasus langka, akurasi label pada data latih, serta bias sistematis yang ikut dipelajari dan diperbesar oleh model.

AspekData quality tradisionalData quality untuk AI
Tujuan penilaianLaporan dan transaksi benar saat iniData layak dipakai melatih dan menjalankan model
Unit yang dinilaiField dan record per transaksiDataset dan distribusinya, termasuk kasus langka
Dimensi tambahanTidak adaKeterwakilan, akurasi label, bias, dan noise
Frekuensi pemeriksaanPeriodik, biasanya saat tutup bukuBerkelanjutan, setiap data masuk ke pipeline
Dampak kesalahanTerbatas pada laporan terkaitMenyebar ke setiap keputusan yang memakai model

6 Dimensi Data Quality untuk AI dan Cara Mengukurnya

Enam dimensi berikut adalah bahasa kerja yang dipakai baik oleh standar internasional seperti ISO 8000-61 maupun oleh prinsip Satu Data Indonesia dalam Perpres 39/2019. 

Ambang di bawah ini adalah titik awal yang wajar untuk data operasional perusahaan, lalu dinaikkan atau diturunkan sesuai risiko prosesnya.

tabel-6-dimensi-data-quality-ai

Akurasi

Akurasi menguji apakah nilai di sistem sama dengan kenyataan di lapangan. Cara paling murah mengukurnya adalah membandingkan sampel saldo stok dengan hasil cycle count, atau saldo utang dengan konfirmasi vendor. 

Untuk AI, akurasi juga mencakup label: jika status “barang rusak” dipakai asal-asalan oleh tim gudang, model akan belajar definisi yang salah.

Kelengkapan

Kelengkapan mengukur berapa persen field wajib benar-benar terisi. Di ERP, tersangkanya selalu sama: satuan ukur, lead time, kode pajak, dan kategori biaya pada master item. Untuk AI, kelengkapan juga berarti cakupan kejadian. 

Jika data dua tahun terakhir tidak memuat satu pun periode lonjakan permintaan, model tidak punya bahan untuk mengenalinya.

Konsistensi

Konsistensi menguji apakah entitas yang sama dicatat dengan cara yang sama di seluruh cabang, pabrik, dan sistem. 

Satu pelanggan yang muncul dengan tiga kode berbeda di tiga entitas akan membuat analisis profitabilitas pelanggan menjadi tidak berarti, sekalipun setiap kodenya sendiri akurat.

Keunikan

Keunikan memastikan satu objek fisik hanya punya satu identitas di sistem. Duplikasi master item adalah penyebab paling sering dari peramalan permintaan yang meleset.

Karena permintaan satu material terpecah ke beberapa kode dan tidak ada satu pun yang menunjukkan angka sebenarnya.

Ketepatan Waktu

Ketepatan waktu mengukur jarak antara kejadian di lapangan dan pencatatannya di sistem. Penerimaan barang yang baru diposting tiga hari kemudian membuat master data latih tertinggal dari kenyataan.

Dalam bahasa AI, inilah pemicu drift: pola yang dipelajari model perlahan tidak lagi mewakili kondisi sekarang.

Validitas

Validitas memeriksa apakah nilai mengikuti aturan format dan daftar referensi yang berlaku, misalnya format NPWP vendor, kode akun yang ada di bagan akun, atau kode wilayah. 

Dimensi ini paling mudah diotomatiskan karena aturannya tegas dan bisa dipasang langsung di form input.

Cara Menghitung Data Quality Index sebagai Gerbang Proyek AI

Enam angka terpisah sulit dipakai mengambil keputusan. Gabungkan menjadi satu indeks dengan rumus sederhana:

Data Quality Index (DQI) = Σ (bobot dimensi × skor dimensi)

Bobot ditentukan sesuai risiko. Berikut contoh pada PT Sentosa Baja Nusantara, perusahaan manufaktur baja dengan tiga pabrik dan dua gudang pusat, yang mengaudit 48.500 SKU dan transaksi 12 bulan terakhir sebelum memulai proyek peramalan permintaan.

DimensiBobotSkor hasil auditKontribusi
Akurasi25%9122,75
Kelengkapan20%8717,40
Konsistensi20%7815,60
Keunikan15%9213,80
Ketepatan waktu10%838,30
Validitas10%949,40
Total DQI100%87,25
Rentang DQIArtiPenggunaan AI yang masuk akal
90 sampai 100Data layak dipakai lintas prosesPeramalan permintaan, rekomendasi otomatis, deteksi anomali
80 sampai 89Layak terbatas, masih ada celahRingkasan laporan dan asisten analisis dengan review manusia
70 sampai 79Belum layak dipakai modelHanya pelaporan historis biasa
Di bawah 70Berisiko menyesatkanTidak ada

Dengan DQI 87,25, PT Sentosa masuk kategori layak terbatas. Artinya perusahaan boleh memakai AI untuk meringkas dan menganalisis laporan dengan pengawasan manusia, tetapi belum untuk peramalan permintaan otomatis. 

Konsistensi di angka 78 harus dibereskan lebih dulu karena bobotnya besar dan jaraknya ke ambang paling lebar.

Studi Kasus: Berapa Biaya Data Buruk pada Proyek AI

Angka DQI baru berarti bila diterjemahkan ke Rupiah. Berikut dampak setahun dari tiga masalah data di PT Sentosa Baja Nusantara.

Masalah dataAkibat pada output AIDampak setahun
3.880 SKU duplikat dari 48.500 itemPermintaan satu material terpecah ke beberapa kodeRp 432.000.000
Akurasi stok 91% terhadap cycle countRekomendasi pembelian memakai saldo yang keliruRp 310.000.000
Posting penerimaan barang terlambatData latih tertinggal dari kondisi lapanganRp 63.000.000
Total dampakRp 805.000.000

Selisih stok Rp 310 juta itu akhirnya tetap harus diakui dalam pembukuan setelah stock opname akhir tahun.

TanggalAkunDebit (Rp)Kredit (Rp)
31 Des 2026Beban Selisih Persediaan310.000.000
31 Des 2026Persediaan Bahan Baku190.000.000
31 Des 2026Persediaan Barang Jadi120.000.000
Total310.000.000310.000.000

Perhatikan urutannya: data stok yang keliru sepanjang tahun itulah yang sebelumnya dipakai model sebagai data latih. 

Memperbaiki model tidak akan menolong, karena sumber kesalahannya ada di proses pencatatan.

5 Langkah Audit dan Remediasi Data Sebelum Proyek AI

diagram-5-langkah-audit-data-quality

1. Tentukan Data Kritis

Jangan audit semua data sekaligus. Daftar objek data yang benar-benar akan dipakai model, misalnya master item, master vendor, dan transaksi persediaan 24 bulan terakhir. Lingkup yang sempit membuat audit selesai dalam hitungan minggu, bukan kuartal.

2. Profiling dan Ukur Baseline

Jalankan pengukuran enam dimensi pada sampel yang mewakili setiap entitas dan lokasi. Catat skor awal per dimensi dan per entitas, karena biasanya satu pabrik atau satu cabang yang menarik rata-rata ke bawah.

3. Tetapkan Ambang dan Hitung DQI

Sepakati ambang bersama pemilik proses, bukan ditentukan sepihak oleh tim IT. Setelah itu hitung DQI dan tetapkan sebagai gerbang kelayakan: proyek AI baru berjalan bila skornya melewati batas yang disepakati.

4. Remediasi dan Perbaiki Titik Input

Deduplikasi master, lengkapi field wajib, dan selaraskan kode referensi antar entitas. Yang paling menentukan adalah langkah terakhir: pasang aturan validasi dan persetujuan di form input, supaya masalah yang sama tidak kembali tiga bulan kemudian.

5. Pantau dan Pasang Kontrak Data

Tetapkan pemilik tiap domain data, jadwal pemantauan, dan aturan perubahan data yang disepakati antar departemen. Tanpa ini, skor yang sudah susah payah dinaikkan akan turun lagi seiring pergantian staf dan penambahan cabang.

Siapa yang Bertanggung Jawab atas Data Quality

Prinsip Satu Data Indonesia memisahkan peran produsen data dan walidata justru karena mutu data runtuh ketika tidak ada yang merasa memilikinya. Logika yang sama berlaku di perusahaan.

PeranTanggung jawab utamaKeputusan yang dipegang
Finance ControllerMemastikan data keuangan dan persediaan dapat diauditMenyetujui ambang dan hasil koreksi
Pemilik data masterMenjaga master item, vendor, dan pelanggan tetap tunggalMenyetujui pembuatan dan penggabungan kode
Pemilik proses operasionalMenjaga mutu input di gudang, produksi, dan pembelianMenetapkan SLA posting transaksi
Tim IT atau admin ERPMenjalankan aturan validasi, hak akses, dan audit trailKonfigurasi aturan sistem
Audit internalMenguji kepatuhan proses terhadap ambangStatus layak atau tidak layak

Kesalahan Umum Saat Menyiapkan Data untuk AI

KesalahanPerbaikan
Mulai dari model, bukan dari dataJadikan DQI sebagai gerbang sebelum proyek disetujui
Membersihkan data sekali sajaPasang pemantauan rutin dan aturan validasi di titik input
Memakai satu ambang untuk semua dataBedakan ambang menurut risiko proses
Validasi hanya di laporan akhirGeser pemeriksaan ke form input dan workflow persetujuan
Tidak ada pemilik dataTetapkan pemilik per domain data beserta ritme kerjanya

Bagaimana Mekari ERP Mendukung Data Quality untuk AI

Enam dimensi di atas sulit dijaga bila data perusahaan masih tersebar di beberapa sistem yang tidak saling bicara. Mekari ERP dirancang sebagai sumber kebenaran tunggal sekaligus lapisan pemeriksaan, sehingga mutu data dijaga di tempat data itu dibuat.

  • Deteksi anomali berbasis AI: sistem membantu menandai transaksi yang tidak wajar sebelum ikut masuk ke laporan dan ke data latih model.
  • Satu basis data lintas modul: akuntansi, persediaan, produksi, procurement, dan pajak memakai master yang sama, sehingga konsistensi dan keunikan lebih mudah dijaga.
  • Multi-entity dan multi-currency: konsolidasi antar entitas berjalan di atas kode referensi yang seragam, bukan hasil penyelarasan manual di spreadsheet.
  • Workflow persetujuan dan audit trail: setiap perubahan data punya jejak dan pemiliknya, sesuai kebutuhan audit internal.
  • Keamanan tersertifikasi: ISO/IEC 27001 dan ISO 27701, serta terdaftar sebagai PSE di Komdigi.

Dengan data yang dijaga sejak titik input, lapisan AI Mekari Airene bekerja di atas angka yang sudah tervalidasi, bukan di atas tebakan. Hasilnya, tim finance dan operasional bisa menilai sendiri kapan perusahaan benar-benar siap menyalakan AI untuk keputusan yang lebih berisiko.

Mulai dari data yang bisa dipercaya sebelum menambah lapisan AI. Jadwalkan demo Mekari ERP

FAQ Seputar Data Quality untuk AI

Apa itu data quality untuk AI?

Apa itu data quality untuk AI?

Tingkat kelayakan data untuk dipakai melatih, memvalidasi, dan menjalankan model AI, dinilai dari akurasi, kelengkapan, konsistensi, keunikan, ketepatan waktu, dan validitas, ditambah keterwakilan data terhadap kasus yang akan dihadapi model.

Berapa skor data quality yang dianggap cukup untuk memulai proyek AI?

Berapa skor data quality yang dianggap cukup untuk memulai proyek AI?

Tidak ada angka mutlak, tetapi DQI 90 ke atas umumnya memadai untuk kasus prediktif, 80 sampai 89 hanya untuk AI yang masih diawasi manusia, dan di bawah 80 sebaiknya dipakai untuk remediasi lebih dulu.

Apa beda data quality dengan data governance?

Apa beda data quality dengan data governance?

Data quality adalah mutu datanya, data governance adalah aturan main yang menjaga mutu itu: siapa pemiliknya, siapa yang boleh mengubah, dan bagaimana perubahan disetujui.

Dimensi mana yang paling sering bermasalah di perusahaan Indonesia?

Dimensi mana yang paling sering bermasalah di perusahaan Indonesia?

Konsistensi dan keunikan, terutama pada perusahaan dengan banyak entitas atau cabang yang dulu memakai sistem berbeda sebelum konsolidasi ke satu ERP.

Apakah AI bisa dipakai untuk memperbaiki kualitas data itu sendiri?

Apakah AI bisa dipakai untuk memperbaiki kualitas data itu sendiri?

Bisa, misalnya untuk mendeteksi anomali, menemukan duplikat yang tidak persis sama, dan menandai nilai di luar kewajaran. AI tetap perlu dilengkapi aturan validasi dan pemilik data agar perbaikannya bertahan.

Seberapa sering audit data quality perlu diulang?

Seberapa sering audit data quality perlu diulang?

Pengukuran penuh minimal sekali setahun atau setiap ada perubahan besar seperti akuisisi dan penambahan pabrik, dengan pemantauan indikator utama secara bulanan saat tutup buku.

WhatsApp Icon WhatsApp sales