69 Aplikasi di PDN: Sudah Siap Menopang AI Pemerintah?

Inti: Komdigi melaporkan 69 aplikasi pemerintah berstatus go live di ekosistem Pusat Data Nasional hingga September 2026. Namun jumlah aplikasi yang berjalan tidak membuktikan kesiapan data untuk kecerdasan buatan, interoperabilitas, ataupun mutu layanan warga.

Metode: menelaah siaran pers Komdigi 29 Oktober 2026 dan membedakan fakta administratif dari rekomendasi kebijakan. Tidak ada akses AIGEO ke log internal PDN atau penilaian keamanan sistem.

Apa arti 69 aplikasi go live?

Dalam siaran pers 29 Oktober 2026, Komdigi menyatakan sebanyak 69 aplikasi telah go live di Pusat Data Nasional hingga September. Ekosistem tersebut digunakan lebih dari 490 tenan dari kementerian, pemerintah daerah, dan lembaga lain. Pemerintah menyebut layanan PDN telah memasuki tahap operasional untuk aplikasi dengan tingkat risiko rendah. Sumber primer Komdigi, 29 Oktober 2026.

Angka 69 adalah aplikasi, sedangkan 490 adalah tenan; keduanya memiliki satuan berbeda. Tidak sah menyimpulkan rata-rata aplikasi per tenan dengan membagi angka tersebut tanpa mengetahui definisi dan distribusi masing-masing. Demikian pula, status go live bukan berarti 69 aplikasi telah memakai AI. Komdigi tidak menyatakan itu dalam siaran pers. Perbedaan antara layanan digital, data yang dapat dipertukarkan, dan sistem AI harus dipertahankan.

Dokumen juga mencatat 28 juta pelanggan seluler telah melakukan registrasi berbasis biometrik hingga akhir September 2026. Angka tersebut merupakan indikator lain dalam ekosistem identitas digital, bukan bukti semua aplikasi PDN sudah memakai pengenalan wajah. Menggabungkan dua program sebagai satu capaian AI akan menyesatkan.

Mengapa pusat data bukan otomatis fondasi AI?

Pusat data menyediakan infrastruktur komputasi dan penyimpanan. Agar data bermanfaat bagi AI, instansi perlu menyepakati definisi variabel, metadata, pembaruan, hak akses, kualitas, serta dasar hukum penggunaan. Dua aplikasi yang sama-sama berada di PDN masih bisa menyimpan nama kecamatan, kategori layanan, atau kode penerima manfaat dengan standar berbeda. Model bahasa yang lancar berbicara tidak dapat memperbaiki konflik data tanpa proses tata kelola.

AI pemerintah juga memerlukan jejak keputusan: data apa yang digunakan, siapa berwenang mengubahnya, bagaimana kesalahan dilaporkan, dan apakah warga dapat mengajukan koreksi. Ketika model menyarankan penolakan layanan, alasan dan jalur banding tidak boleh hilang di balik antarmuka percakapan. Pengelolaan akses harus berbasis kebutuhan, bukan asumsi bahwa semua data pemerintah boleh dicampurkan untuk melatih model.

Komdigi sendiri menekankan bahwa ketahanan digital tidak cukup diukur dari jumlah infrastruktur dan aplikasi. Kemampuan layanan tetap beroperasi ketika terjadi gangguan dan kepercayaan terhadap keamanan teknologi menjadi ukuran penting. Pernyataan ini mendukung pendekatan yang menilai hasil layanan, bukan sekadar proyek selesai dibangun.

Empat tingkat kesiapan yang perlu dipisahkan

Keempat tingkat dapat maju dengan kecepatan berbeda. Pusat data yang aman belum tentu memiliki dataset yang siap digunakan. Dataset rapi belum tentu cocok untuk model prediktif. Model akurat di laboratorium belum tentu memberi manfaat pada petugas dan warga. Karena itu laporan kemajuan harus membedakan indikator teknis, mutu data, penggunaan nyata, dan dampak publik.

Simulasi biaya kesalahan data

Ilustrasi berikut bukan data PDN. Bayangkan aplikasi pelayanan hipotetis memproses 100.000 permohonan per bulan. Bila 2% catatan memiliki kesalahan data penting, terdapat 2.000 kasus yang memerlukan koreksi. Dengan biaya penanganan asumsi Rp25.000 per kasus, biaya koreksi menjadi 2.000 × Rp25.000 = Rp50 juta per bulan. Angka ini bukan tarif resmi pemerintah, melainkan cara menunjukkan bahwa kualitas data memiliki konsekuensi ekonomi.

Jika perbaikan tata kelola menurunkan tingkat kesalahan menjadi 0,5%, jumlah kasus turun ke 500 dan biaya ilustratif menjadi Rp12,5 juta. Selisih Rp37,5 juta belum boleh dianggap penghematan nyata tanpa mengukur biaya proyek perbaikan, kompleksitas kasus, serta dampak pada hak warga. Kesalahan administratif juga dapat merugikan warga jauh melampaui ongkos koreksi petugas.

Apa yang harus dilakukan pemerintah?

Langkah pertama ialah mengumumkan definisi indikator operasional yang tidak membocorkan informasi sensitif: jumlah aplikasi aktif, kelas risiko, tingkat ketersediaan, waktu pemulihan, hasil uji keamanan dan status interoperabilitas. Angka perlu dilaporkan dengan periode, penyebut, serta metode pengukuran yang jelas.

Kedua, buat katalog dataset berizin dan pemilik data yang bertanggung jawab, kemudian uji pertukaran antarsistem dengan contoh kasus nyata. Ketiga, setiap pilot AI harus menetapkan baseline layanan sebelum dipasang, membatasi penggunaan data, melibatkan petugas dan warga, serta memiliki prosedur menghentikan sistem ketika kesalahan berisiko tinggi.

Keempat, libatkan pengawas independen sesuai kewenangan dan buka mekanisme pengaduan. Pelatihan pegawai harus mengajarkan pengujian hasil, bukan hanya cara menulis prompt. Untuk data biometrik, perlindungan identitas dan pengendalian akses memerlukan pengujian terpisah karena konsekuensi kebocorannya dapat berlangsung lama.

Indikator operasional yang layak dipublikasikan

Alih-alih hanya menyebut jumlah aplikasi, laporan kinerja dapat menampilkan persentase layanan yang memenuhi target ketersediaan, waktu pemulihan median dan persentil tinggi, jumlah insiden yang memengaruhi warga, serta proporsi data yang lolos pemeriksaan kualitas. Data harus disajikan dalam agregat yang aman. Publik tidak memerlukan rincian konfigurasi keamanan yang dapat membantu penyerang, tetapi berhak mengetahui apakah layanan publik dapat diandalkan.

Untuk interoperabilitas, ukuran yang relevan adalah jumlah pertukaran data berhasil dengan skema yang disepakati, tingkat penolakan karena data tidak valid, serta waktu koreksi kesalahan. Ukuran tersebut perlu mempunyai penyebut dan periode. Persentase ‘sukses’ tanpa definisi transaksi yang diuji dapat menyesatkan. Untuk AI, tambah indikator akurasi per kelompok pengguna, keputusan yang ditinjau manusia, dan jumlah pengaduan yang diselesaikan.

Uji sebelum AI dipasang pada data pemerintah

Misalkan sebuah instansi hendak memakai AI untuk membantu menemukan dokumen perizinan. Sebelum model dipasang, lakukan audit katalog dokumen, status kerahasiaan, masa berlaku, dan hak akses. Buat 100 pertanyaan uji dari kasus riil yang telah disamarkan secara sah, dengan jawaban rujukan dan kriteria kelulusan. Sistem harus mampu menyatakan tidak menemukan dasar ketika dokumen tidak ada, bukan mengarang nomor keputusan.

Selanjutnya lakukan uji penyalahgunaan: apakah pengguna tanpa kewenangan dapat meminta data instansi lain, apakah sistem membocorkan isi dokumen terbatas, dan apakah prompt berbahaya dapat mengubah aturan akses. Hasil uji perlu ditindaklanjuti sebelum pilot dibuka untuk warga. Sumber daya komputasi besar tidak dapat menggantikan desain kontrol hak akses yang benar.

Risiko mengukur semua layanan dengan satu angka

Aplikasi risiko rendah yang menampilkan informasi publik berbeda dari sistem yang memproses data kesehatan atau keputusan bantuan sosial. Kategori risiko, kewajiban hukum, dan dampak kesalahan harus menentukan kedalaman pengujian. Tidak adil menuntut standar yang sama untuk semua sistem, tetapi juga tidak aman menganggap label ‘uji coba’ membolehkan penggunaan data sensitif tanpa kontrol. Pendekatan bertahap membantu pemerintah mengembangkan kemampuan tanpa menjadikan warga objek eksperimen.

Kesimpulan

69 aplikasi go live merupakan perkembangan infrastruktur yang dilaporkan Komdigi, tetapi bukan angka adopsi AI. Kesiapan AI pemerintah baru dapat dibuktikan ketika data sah, berkualitas, dapat dipertukarkan, sistem tahan gangguan, dan keputusan dapat diperiksa serta diperbaiki. Indonesia membutuhkan pengukuran manfaat publik, bukan perlombaan jumlah aplikasi.

Bacaan terkait

Satu Data dan AI pemerintah; Outlook kedaulatan komputasi 2027; Lima ukuran kesiapan AI Indonesia.