Audit kebijakan AIGEO.ID, 27 Oktober 2026. Pemerintah dapat membeli aplikasi artificial intelligence (AI), atau kecerdasan buatan, dalam hitungan bulan. Tetapi membuat aplikasi itu membaca data kementerian, provinsi, kabupaten, dan desa secara konsisten jauh lebih sulit. Hambatannya bukan semata kemampuan model bahasa. Kode wilayah bisa berbeda, definisi penerima manfaat tidak sama, metadata hilang, pembaruan tidak sinkron, dan kewenangan akses tidak jelas. Ketika masalah itu masuk ke sistem AI, hasil yang terdengar lancar dapat menyembunyikan kesalahan administrasi.
Kesimpulan audit ini: sebelum proyek AI pelayanan publik diperluas, pemerintah perlu menguji empat prinsip Satu Data Indonesia dan keterpaduan SPBE sebagai syarat operasional yang dapat diukur. Kami memeriksa Perpres 39/2019, Perpres 95/2018, Perpres 82/2023, serta penjelasan Bappenas tentang kode referensi dan pertukaran data. AIGEO.ID kemudian membangun matriks audit dan simulasi angka yang dapat digunakan pemda. Simulasi bukan pengukuran kondisi nyata sebuah instansi.
Mengapa chatbot pemerintah tidak bisa memperbaiki data yang salah
Bayangkan seorang warga menanyakan status bantuan melalui chatbot. Sistem mencari informasi dari tiga basis data: kependudukan, kesejahteraan, dan penyaluran bantuan. Bila nomor identitas sama tetapi kode kecamatan berbeda, sistem bisa menggabungkan catatan keliru atau gagal menemukan data. Model AI mungkin tetap menyusun jawaban yang meyakinkan. Itulah sebabnya kualitas bahasa keluaran tidak boleh dijadikan satu-satunya ukuran keberhasilan.
Ada tiga lapisan yang perlu dipisahkan. Lapisan sumber berisi catatan resmi, asal data, tanggal pemutakhiran, dan pihak yang bertanggung jawab. Lapisan pertukaran berisi standar, metadata, kode referensi, kontrol akses, dan pencatatan transaksi. Lapisan AI menangani pencarian, peringkasan, dan antarmuka percakapan. Kesalahan pada dua lapisan pertama tidak otomatis diperbaiki lapisan ketiga. Bahkan model dengan skor benchmark tinggi tetap dapat menyajikan jawaban salah bila data rujukan salah.
Salah satu kesalahan pengadaan yang umum secara konseptual ialah menguji chatbot hanya dengan 20 pertanyaan yang jawabannya sudah tersedia di dokumen presentasi vendor. Uji seperti itu tidak mengukur bagaimana sistem bereaksi terhadap data usang, identitas ganda, status yang saling bertentangan, atau dokumen yang tidak boleh dibuka pengguna. Artikel audit total biaya pengadaan AI pemerintah membahas dimensi finansialnya; tulisan ini menilai prasyarat data.
Tiga Perpres, tiga fungsi yang saling melengkapi
| Dokumen primer | Fokus aturan | Pertanyaan audit AI |
|---|---|---|
| Perpres 39/2019 | Satu Data Indonesia: standar, metadata, interoperabilitas, kode referensi/data induk | Apakah data yang masuk model memakai definisi dan identitas rujukan yang konsisten? |
| Perpres 95/2018 | Kerangka Sistem Pemerintahan Berbasis Elektronik | Apakah aplikasi dan proses berada dalam arsitektur layanan digital yang dikelola? |
| Perpres 82/2023 | Percepatan transformasi digital dan keterpaduan layanan digital nasional | Apakah integrasi lintas layanan benar-benar diutamakan, bukan aplikasi terpisah baru? |
Ketiga peraturan tersebut tercatat berlaku pada basis JDIH BPK saat audit ini disusun. Perpres 82/2023, misalnya, menjelaskan penyelenggaraan aplikasi SPBE prioritas yang mengutamakan integrasi dan interoperabilitas; salah satu cakupan aplikasinya adalah aplikasi dengan minimal 200.000 pengguna atau target pengguna. Angka 200.000 tersebut bukan ambang yang secara otomatis menentukan apakah setiap chatbot pemerintah legal atau ilegal. Penggunaan AI tetap harus dinilai menurut konteks layanan, mandat, dan peraturan lain.
Satu Data Indonesia bukan perintah agar seluruh informasi warga disatukan menjadi satu basis data raksasa tanpa batas. Ia adalah tata kelola agar data dapat dibandingkan dan dipertukarkan secara bertanggung jawab. Pengelolaan akses, perlindungan data pribadi, keamanan siber, dan kewenangan pemrosesan tetap berlaku. Prinsip ini penting agar slogan interoperabilitas tidak menjadi alasan menyalin data sensitif ke semua vendor.
Empat prinsip Satu Data yang menjadi gerbang kualitas
1. Standar data: satu indikator, satu definisi yang dapat ditelusuri
Sebuah kolom bernama ‘jumlah keluarga miskin’ belum cukup jelas tanpa definisi unit, sumber, tahun, periode pembaruan, wilayah, serta metode pengukuran. Apakah yang dihitung keluarga, rumah tangga, individu, atau penerima program? Apakah definisinya mengikuti satu survei atau daftar administrasi? Sistem AI dapat menyamakan dua angka yang sebenarnya memiliki penyebut berbeda. Audit standar harus memeriksa kamus variabel dan satuan, bukan hanya kesamaan nama kolom.
2. Metadata: jawaban harus mempunyai asal dan masa berlaku
Metadata menjawab kapan dataset dikumpulkan, siapa produsennya, bagaimana metodologinya, siapa wali datanya, apa batas penggunaannya, dan kapan terakhir diverifikasi. Tanpa metadata, chatbot sulit menjawab pertanyaan paling sederhana: ‘Angka ini berlaku untuk tahun berapa?’ Dalam evaluasi, setiap jawaban numerik harus dapat ditautkan ke versi sumber dan waktu observasi. Jika tidak, jawaban perlu menampilkan ketidakpastian atau menolak memberikan angka pasti.
3. Interoperabilitas: bukan sekadar API dapat dihubungi
Dua aplikasi mungkin saling mengirim berkas JSON tetapi tetap tidak interoperabel secara semantik. Sebuah sistem menyebut ‘kecamatan’ menggunakan kode lama, sistem lain memakai pemekaran terbaru. Sebuah layanan menyimpan tanggal sebagai waktu lokal, layanan lain memakai UTC. Pengujian harus mencakup pemetaan kode, versi skema, semantik, pengelolaan error, identitas, audit log, dan hak akses. Keberhasilan HTTP 200 hanya membuktikan permintaan diproses oleh server, bukan kebenaran data.
4. Kode referensi dan data induk: hindari banyak versi identitas
Portal Kode Referensi Satu Data Indonesia menyediakan kategori referensi, termasuk wilayah administrasi hingga desa/kelurahan, indikator pembangunan, serta sektor lain. Portal itu juga memberi catatan bahwa integrasi kode referensi masih berlangsung dan membuka jalur koreksi. Karena itu, desain sistem harus mengelola versi kode dan riwayat perubahan, bukan mengasumsikan daftar kode yang diunduh hari ini berlaku selamanya. Dalam layanan publik, kode wilayah yang berubah perlu dipadankan melalui tabel historis yang sah.
Temuan dokumen: masalah pertukaran data masih menjadi agenda kebijakan
Pada Juli 2026, Sekretariat Satu Data Indonesia mempublikasikan pembahasan pedoman pertukaran data antarinstansi. Diskusi menyoroti peran penyedia, pengguna dan wali data; kebutuhan audit, metadata, serta pelindungan data pribadi. Contoh dari sektor kesehatan menggarisbawahi pemakaian standar internasional untuk interoperabilitas dan pembatasan variabel yang dipertukarkan. Ini bukti adanya pekerjaan tata kelola yang sedang dibahas, bukan bukti bahwa seluruh sistem pemerintah sudah interoperabel atau bahwa pedoman yang didiskusikan telah otomatis menjadi aturan mengikat.
Dokumen Satu Data pada 2024 juga menyoroti Platform Data Model untuk mengidentifikasi data induk dan produsen data. Di sana disebut kebutuhan referensi administrasi kewilayahan, kode fasilitas kesehatan, serta integrasi peta. Ketiganya berkaitan langsung dengan sistem AI karena menjadi fondasi pencocokan entitas. Namun siaran kegiatan pemerintah bukan hasil audit independen atas semua layanan, sehingga tidak layak digunakan untuk mengklaim persentase keberhasilan integrasi nasional.
Matriks AIGEO.ID: delapan bukti sebelum chatbot diluncurkan
| Bukti minimum | Contoh artefak yang harus ada | Risiko bila tidak tersedia |
|---|---|---|
| Kamus variabel | Nama, definisi, satuan, format, pemilik, versi | Jawaban menggabungkan angka tidak sebanding |
| Metadata sumber | Produsen, tanggal, metode, lisensi, klasifikasi akses | Data usang diklaim sebagai data terkini |
| Kode referensi | Kode wilayah/entitas dan riwayat pemetaan | Duplikasi atau salah alamat layanan |
| Kontrak pertukaran | API schema, hak akses, retensi, perubahan versi | Pertukaran data tidak dapat diaudit |
| Pengendalian identitas | Otorisasi per peran dan tujuan | Warga melihat data orang lain |
| Log sumber jawaban | Dokumen, waktu pengambilan, versi model | Kesalahan sulit ditelusuri |
| Uji pengecualian | Pertanyaan di luar mandat, data tak tersedia, data sensitif | AI mengarang jawaban atau membocorkan informasi |
| Rencana koreksi | PIC, SLA perbaikan, mekanisme keberatan | Kesalahan administratif menjadi keputusan permanen |
Tabel tersebut merupakan checklist editorial, bukan daftar kewajiban baru yang dikutip kata demi kata dari Perpres. Ia menerjemahkan prinsip data dan tata kelola AI menjadi bukti yang bisa diminta oleh auditor internal, kepala dinas, pengembang, dan pejabat pengadaan. Standar NIST AI Risk Management Framework dapat membantu menyusun pengukuran, tetapi bukan peraturan yang otomatis berlaku di Indonesia.
Simulasi pertama: 10.000 data penerima dan jebakan penjumlahan
Misalkan sebuah kabupaten memiliki 10.000 baris data layanan dalam satu periode. Audit menemukan 3% baris berpotensi duplikat dan 2% tidak cocok dengan kode referensi. Perhitungannya: 10.000 × 0,03 = 300 baris berpotensi duplikat; 10.000 × 0,02 = 200 baris gagal pemadanan kode. Ini angka ilustratif, bukan hasil audit kabupaten tertentu.
Apakah berarti tepat 500 baris bermasalah? Tidak. Sebagian baris yang duplikat mungkin sekaligus gagal pemadanan. Dengan dua himpunan berukuran 300 dan 200, jumlah baris unik yang terkena sedikitnya 300 dan sebanyak-banyaknya 500, bergantung irisan. Rumus himpunannya: |A ∪ B| = |A| + |B| − |A ∩ B|. Bila irisan 120 baris, jumlah unik = 300 + 200 − 120 = 380 baris, atau 3,8% dataset. Tanpa memeriksa irisan, melaporkan 5% sebagai tingkat kesalahan pasti merupakan kekeliruan statistik.
Ada persoalan lanjutan: 300 baris duplikat bukan otomatis 300 warga ganda. Bisa jadi beberapa baris milik satu individu, bisa pula ada dua entitas berbeda dengan atribut mirip. Investigasi memerlukan identitas rujukan yang sah dan kebijakan koreksi. Bila hasil chatbot dipakai untuk menentukan hak bantuan, perbedaan unit analisis ini bukan soal teknis kecil; ia dapat memengaruhi warga.
Simulasi kedua: skor kesiapan data 0–100 yang bisa diuji
Untuk menilai prioritas perbaikan, AIGEO.ID mengusulkan indeks internal hipotetis dengan lima dimensi: standar data bobot 25%, metadata 20%, interoperabilitas 20%, kode referensi 15%, dan keamanan/otorisasi 20%. Setiap dimensi dinilai 0–100 berdasarkan bukti uji. Bobot ini bukan skor resmi pemerintah dan dapat diubah sesuai tingkat risiko layanan.
| Dimensi | Bobot | Skor contoh | Kontribusi tertimbang |
|---|---|---|---|
| Standar data | 25% | 80 | 20,0 |
| Metadata | 20% | 60 | 12,0 |
| Interoperabilitas | 20% | 70 | 14,0 |
| Kode referensi | 15% | 90 | 13,5 |
| Keamanan/otorisasi | 20% | 40 | 8,0 |
| Jumlah | 100% | — | 67,5/100 |
Rumus: skor akhir = Σ (bobot dimensi × skor dimensi). Contoh 0,25×80 + 0,20×60 + 0,20×70 + 0,15×90 + 0,20×40 = 67,5. Hasil itu tidak berarti layanan otomatis boleh diluncurkan. Skor keamanan 40 dapat menjadi alasan penghentian proyek meskipun skor total terlihat sedang. Karena itu, gunakan gerbang minimum per dimensi—misalnya tidak ada akses data sensitif sebelum kontrol otorisasi lulus pengujian—dan jangan mengubah risiko kritis menjadi rata-rata yang menenangkan.
Dalam praktik, setiap skor harus didukung sampel bukti. Nilai metadata 60 misalnya dapat berarti 60 dari 100 dataset yang diuji memiliki metadata wajib lengkap, jika definisi pengukuran disepakati di awal. Nilai interoperabilitas 70 dapat berarti 70 dari 100 skenario pertukaran lulus seluruh uji semantik, autentikasi, dan validasi. Tanpa definisi denominator, skor 67,5 hanyalah opini yang diberi angka.
Mengapa daerah perlu pendekatan bertahap, bukan proyek serentak
Kondisi instansi berbeda. Ada yang telah memiliki katalog data dan API, ada yang masih mengandalkan berkas spreadsheet dari banyak unit. Jika semua diminta memasang model besar sekaligus, proyek akan menghabiskan sumber daya pada antarmuka sementara masalah definisi data tertinggal. Tahap pertama sebaiknya memilih satu layanan dengan manfaat nyata, satu penanggung jawab data, dan alur rujukan yang jelas. Tahap kedua menguji integrasi dengan dua atau tiga sumber yang sah. Tahap ketiga menguji pertanyaan sulit, pembaruan data, dan eskalasi manusia.
Pilihan pilot yang masuk akal bukan layanan paling viral, melainkan layanan yang memiliki data bersih, kebutuhan warga tinggi, dan dampak kesalahan dapat dikendalikan. FAQ perizinan dengan dokumen publik yang terverifikasi lebih mudah diuji daripada keputusan otomatis penerima bantuan. Layanan berisiko tinggi memerlukan penilaian dampak, prosedur keberatan, serta penanggung jawab manusia. Lihat juga audit UU Pelindungan Data Pribadi dan penggunaan AI.
Dua jalur arsitektur: retrieval terkontrol atau akses transaksi langsung
Jalur pertama adalah retrieval-augmented generation (RAG), yakni AI mengambil potongan dokumen yang diizinkan lalu menyusun jawaban dengan rujukan. Ia cocok untuk informasi prosedur, kebijakan, dan panduan publik yang dapat diperiksa. Namun RAG tidak menjamin kebenaran: dokumen bisa usang, pencarian bisa salah, dan model dapat salah mengutip. Pengujian harus mengukur apakah sumber yang benar ditemukan, apakah kalimat jawaban didukung sumber, dan apakah sistem menolak ketika bukti tidak ada.
Jalur kedua adalah koneksi ke sistem transaksi, misalnya membaca status permohonan warga. Risiko lebih tinggi karena menyangkut identitas dan perubahan status. Di sini, autentikasi pengguna, otorisasi per entitas, pembatasan tindakan, log, dan konfirmasi manusia harus ditempatkan sebelum model dapat mengakses atau mengubah catatan. Pengembang tidak boleh membiarkan model bahasa memutuskan sendiri bahwa seorang pengguna berhak melihat data tetangga hanya karena pertanyaannya terdengar wajar.
Keduanya dapat digabungkan, tetapi desain hibrida menambah permukaan serangan dan kompleksitas audit. Pemisahan sumber publik, data internal, dan data pribadi harus ditegakkan pada lapisan sistem, bukan hanya dalam instruksi teks kepada model. Kesalahan instruksi atau serangan prompt injection tidak boleh menjadi jalan untuk melompati pemeriksaan hak akses.
Siapa yang harus menandatangani kelulusan uji?
Pemilik layanan menetapkan tujuan, risiko, dan prosedur koreksi. Wali data atau pejabat data memastikan definisi, kualitas, dan akses sumber. Tim keamanan menilai identitas, log, penyimpanan, dan respons insiden. Tim hukum menilai dasar pemrosesan serta kontrak. Pengembang bertanggung jawab pada pengujian teknis, sedangkan petugas layanan menguji apakah jawaban membantu warga tanpa menimbulkan kebingungan. Pemisahan tanggung jawab ini mencegah satu vendor menjadi penilai tunggal atas sistem yang dijualnya sendiri.
Keberhasilan juga harus diukur dari pengalaman warga, bukan jumlah pertanyaan yang dijawab mesin. Metrik yang lebih berguna meliputi tingkat penyelesaian kasus yang benar, persentase jawaban dengan sumber valid, waktu koreksi kesalahan, frekuensi eskalasi manusia, tingkat keberatan, dan biaya per kasus selesai. Jika AI menjawab cepat tetapi petugas harus memperbaiki banyak kasus, produktivitas bersih bisa negatif.
FAQ: tiga pertanyaan yang paling sering salah dipahami
Apakah semua data pemerintah boleh dipakai melatih AI?
Tidak. Status data pemerintah tidak otomatis menjadikannya data terbuka untuk semua tujuan. Perlu klasifikasi akses, mandat penggunaan, hak pemilik data, perlindungan data pribadi, keamanan, dan kontrak. Data publik pun memerlukan pemeriksaan sumber dan ketentuan pemanfaatan.
Apakah satu API berarti telah memenuhi Satu Data Indonesia?
Tidak. API hanyalah antarmuka pertukaran. Prinsip Satu Data mencakup standar data, metadata, interoperabilitas, dan kode referensi atau data induk. Kesamaan format belum membuktikan kesamaan makna atau ketepatan akses.
Apakah indeks 67,5 berarti pemda tersebut gagal?
Tidak ada pemda tertentu yang dinilai dalam artikel ini. Skor 67,5 adalah hasil simulasi dengan input yang sengaja dibuat untuk menjelaskan metode. Audit nyata membutuhkan data sampel, bukti, dan ambang kelulusan yang ditetapkan sebelum pengujian.
Metodologi dan sumber primer
AIGEO.ID menelaah metadata dan abstrak resmi Perpres 39/2019, Perpres 95/2018, dan Perpres 82/2023 pada JDIH BPK, serta sumber kebijakan kode referensi dan pedoman pertukaran data di Portal Satu Data Indonesia. Artikel ini adalah analisis implementasi, bukan pendapat hukum resmi, dan tidak mengklaim memeriksa basis data instansi tertentu.
Perhitungan 10.000 baris dan indeks lima dimensi merupakan simulasi transparan AIGEO.ID. Tidak ada persentase kesalahan nasional yang diestimasi dari simulasi. Untuk dimensi akses digital masyarakat, lihat audit BPS–IMDI tentang kesiapan AI Indonesia. Mengukur kualitas sumber dan kemampuan warga menggunakan layanan sama-sama diperlukan sebelum menyatakan proyek berhasil.
Kesimpulan. Kedaulatan AI Indonesia tidak hanya ditentukan oleh lokasi server atau ukuran model. Ia ditentukan juga oleh kemampuan negara mengetahui data mana yang benar, siapa yang berhak memakainya, bagaimana perubahan direkam, dan bagaimana kesalahan diperbaiki. Perpres Satu Data, SPBE, dan keterpaduan layanan menyediakan landasan yang dapat diterjemahkan menjadi gerbang audit nyata. Proyek yang lolos uji data dan akses lebih berharga daripada demonstrasi chatbot yang tampak cerdas tetapi tidak bisa mempertanggungjawabkan satu angka.
Leave a Reply