Dalam pembahasan ini, AI berarti artificial intelligence atau kecerdasan buatan.
Angka yang salah selalu tampak meyakinkan
AI kini bisa membaca berkas CSV, membuat tabel, dan menulis narasi analisis dalam hitungan detik. Masalahnya, kefasihan bukan ketepatan. Laporan berisi angka keliru yang ditulis dengan nada yakin lebih berbahaya daripada kesalahan kasar yang langsung terlihat. Panduan ini tidak melarang Anda memakai AI. Ia memasang pagar supaya kecepatan tidak dibayar dengan kekeliruan.
Prinsipnya sama, apa pun alatnya: asisten yang tertanam di Excel atau Google Sheets, fitur eksekusi kode di chatbot, atau agen yang bekerja di notebook. Yang berbeda hanya seberapa besar pagar yang Anda perlukan.
Lima cara analisis berbantuan AI bisa salah
- Menghitung “di kepala”. Model bahasa memprediksi teks. Menjumlahkan ratusan baris tanpa alat hitung rawan galat, apalagi bila datanya panjang dan berantakan.
- Salah memahami definisi. Kolom status berisi kode, tanggal berformat campuran, atau metrik yang namanya mirip tetapi rumusnya berbeda (misalnya NPS dengan rata-rata skor).
- Agregasi yang menipu. Rata-rata dari rata-rata, atau paradoks Simpson, seperti dua contoh di bawah.
- Mengisi kekosongan dengan keyakinan. Nilai kosong diabaikan atau diisi diam-diam, tren diekstrapolasi tanpa dasar, dan korelasi dijelaskan seolah sebab-akibat.
- Kebocoran data. Data pelanggan atau karyawan diunggah ke layanan yang tidak sesuai kebijakan organisasi.
Dua contoh yang menipu
Contoh 1: rata-rata dari rata-rata. Skor kepuasan pelanggan (CSAT, skala 1–5) dari tiga cabang:
| Cabang | Responden | Rata-rata CSAT |
|---|---|---|
| A | 100 | 4,8 |
| B | 900 | 3,8 |
| C | 100 | 4,6 |
Rata-rata sederhana dari tiga angka itu adalah 4,40. Rata-rata tertimbang yang benar adalah (100×4,8 + 900×3,8 + 100×4,6) ÷ 1.100 = 4.360 ÷ 1.100 = 3,96. Selisihnya 0,44 poin, cukup untuk mengubah kesan “sangat baik” menjadi “cukup”. AI kerap menghitung rata-rata kolom rata-rata bila tidak diberi tahu bahwa ada bobot.
Contoh 2: paradoks Simpson. Tingkat penyelesaian keluhan (jumlah selesai ÷ jumlah keluhan) pada dua kanal:
| Kanal | Bulan 1 | Bulan 2 |
|---|---|---|
| Chat | 95 dari 100 (95,0%) | 658 dari 700 (94,0%) |
| Telepon | 490 dari 700 (70,0%) | 68 dari 100 (68,0%) |
| Gabungan | 585 dari 800 (73,1%) | 726 dari 800 (90,8%) |
Kedua kanal sama-sama memburuk (95 menjadi 94, 70 menjadi 68), tetapi angka gabungan melonjak dari 73,1% menjadi 90,8% karena bauran keluhan bergeser ke kanal yang lebih mudah. AI yang diminta “ringkas tren penyelesaian” tanpa pemecahan segmen bisa melaporkan “perbaikan besar”. (Kedua contoh memakai data ilustratif yang dihitung ulang dengan kode.)
Delapan kontrol
1. Mulai dari keputusan, bukan dari data. Tuliskan keputusan apa yang akan berubah oleh analisis ini, pada ambang angka berapa, dan siapa pemakainya. Analisis tanpa keputusan menghasilkan laporan yang cantik tetapi tidak dipakai.
2. Buat kamus data dan definisi metrik sebelum bertanya. Contoh: NPS adalah persentase promotor (skor 9–10) dikurangi persentase detraktor (skor 0–6). Pada 1.000 responden dengan 520 promotor, 280 pasif, dan 200 detraktor, NPS = (520 − 200) ÷ 1.000 = +32, bukan rata-rata skor. Tulis juga satuan, periode, filter, dan cara memperlakukan nilai kosong.
3. Wajibkan kode untuk setiap hitungan, lalu jalankan. Minta AI menulis SQL, Python, atau rumus, dan eksekusi di lingkungan yang benar-benar menjalankannya (code interpreter, notebook, Excel), bukan “mensimulasikan” hasilnya. Simpan kodenya. Kode bisa diperiksa dan diulang; hitungan di kepala tidak.
4. Rekonsiliasi. Jumlah baris masuk harus sama dengan baris yang diproses. Total per kategori harus sama dengan total keseluruhan. Hitung nilai kosong, duplikat, dan pencilan. Cocokkan minimal satu total dengan sumber resmi di luar berkas (misalnya sistem keuangan atau sistem operasional).
5. Uji dengan jawaban yang sudah Anda ketahui. Sisipkan 10–20 baris yang hasilnya Anda hitung sendiri. Bila alur AI tidak menghasilkan angka yang sama, jangan lanjutkan.
6. Hitung lewat dua jalur. Misalnya tabel pivot melawan kode, atau minta model kedua mengaudit kodenya (bukan hasilnya). Selisih di atas batas toleransi yang Anda tetapkan, misalnya 0,1%, wajib dijelaskan.
7. Pecah per segmen dan periksa bauran. Untuk setiap tren agregat, tanyakan: apakah arah yang sama muncul di tiap segmen? Bila tidak, curigai paradoks Simpson.
8. Catat jejak dan lindungi data. Catat versi data, prompt, kode, tanggal, dan tingkat keyakinan. Anonimkan atau minimalkan data pribadi, patuhi kebijakan organisasi dan UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi, dan pakai layanan yang berkontrak untuk data internal, atau jalankan di lingkungan lokal.
Lima tanda bahaya dalam jawaban AI
- Angka muncul tanpa jumlah observasi (n) dan tanpa rumus.
- Tidak ada kode, atau kodenya tidak dijalankan.
- Kata “sekitar” dan “kira-kira” menggantikan angka yang seharusnya bisa dihitung persis.
- Narasi kausal (“karena promosi X”) tanpa desain yang mendukung sebab-akibat.
- Kesimpulan yang terlalu rapi: semua segmen naik, semua tren searah, tidak ada pengecualian.
Templat prompt yang bisa disalin
Peran: analis data senior yang teliti.
Tujuan keputusan: [tulis keputusan dan ambang angkanya].
Data: [nama berkas]; kamus data terlampir.
Aturan:
1. Jangan menghitung tanpa kode. Tampilkan kode, lalu jalankan.
2. Sebelum analisis, laporkan jumlah baris, kolom, nilai kosong per kolom, dan duplikat.
3. Untuk setiap metrik, tulis rumusnya dan jumlah observasi (n).
4. Pecah hasil per [segmen]; tandai bila arah tren agregat berbeda dari arah tren segmen.
5. Pisahkan: (a) fakta dari data, (b) dugaan, (c) hal yang tidak dapat disimpulkan.
6. Akhiri dengan daftar hal yang perlu saya verifikasi manual.Prompt audit untuk sesi atau model kedua:
Periksa kode berikut seolah Anda reviewer yang skeptis. Cari bug agregasi, filter yang salah, join yang menggandakan baris, dan asumsi tersembunyi. Jangan menghitung ulang hasilnya; kritik kodenya.Alur kerja 30 menit
| Menit | Langkah |
|---|---|
| 0–5 | Tulis keputusan, ambang angka, dan kamus data. |
| 5–10 | Profil data: baris, nilai kosong, duplikat, rentang tanggal. |
| 10–20 | Analisis lewat kode yang dijalankan; simpan kodenya. |
| 20–25 | Kontrol 4–7: rekonsiliasi, jawaban diketahui, dua jalur, pecah segmen. |
| 25–30 | Narasi dengan label fakta, dugaan, dan batas kesimpulan; simpan jejak. |
Apa yang cocok dan apa yang perlu hati-hati
| Cocok diserahkan ke AI | Perlu hati-hati |
|---|---|
| Merapikan format tanggal dan teks; menulis query dan rumus; mengusulkan hipotesis tentang anomali; menyusun draf narasi dan visual; menjelaskan kode dengan bahasa awam | Kesimpulan sebab-akibat; prakiraan tanpa validasi; keputusan bernilai besar tanpa pemeriksa kedua; data pribadi atau rahasia pada layanan tanpa izin |
Penutup
Bayangkan AI sebagai analis junior yang luar biasa cepat, tidak pernah lelah, dan sesekali terlalu percaya diri. Anda tidak perlu mencurigai semua yang ia kerjakan; Anda cukup menyiapkan sistem yang menangkap kesalahan sebelum sampai ke pengambil keputusan. Dengan delapan kontrol ini, pekerjaan yang dulu memakan sehari bisa selesai dalam satu jam, dan yang lebih penting, Anda bisa mempertanggungjawabkannya. Tantangan minggu ini: terapkan alur 30 menit di satu laporan rutin, lalu bandingkan hasilnya dengan cara lama.
Rujukan
- UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.
- NIST AI Risk Management Framework: pengelolaan dan evaluasi risiko sistem AI.
- Seluruh angka contoh dalam artikel ini bersifat ilustratif. Untuk penggunaan nyata, jalankan ulang kode dan verifikasi terhadap data asli.
Leave a Reply