Data Berkualitas Jadi Fondasi AI di Industri Keuangan Indonesia

Transformasi digital di sektor jasa keuangan Indonesia kini memasuki babak baru. Perbankan, perusahaan asuransi, pasar modal, lembaga pembiayaan, hingga perusahaan teknologi finansial (fintech) berlomba memanfaatkan kecerdasan artifisial untuk menghadirkan layanan yang lebih cepat, lebih personal, sekaligus lebih efisien.

Namun di balik antusiasme tersebut, terdapat satu aspek mendasar yang kerap terabaikan, yakni kualitas dan tata kelola data. Padahal, data merupakan fondasi utama yang menentukan keberhasilan implementasi AI di industri keuangan.

Hal tersebut disampaikan Presiden Asosiasi Manajemen Data Indonesia, Alex Budiyanto, saat menjadi pembicara dalam acara Focus Group Discussion: Data & AI in Finance: Shaping the Future of Financial Services. Menurutnya, banyak organisasi terlalu fokus mengejar implementasi AI tanpa memastikan kesiapan data yang dimiliki.

"Hampir semua perusahaan saat ini berbicara mengenai AI. Namun yang sering terlupakan adalah fondasinya. AI tidak akan menghasilkan keputusan yang tepat apabila data yang digunakan masih tidak lengkap, tidak konsisten, ataupun tidak akurat," ujar Alex.

Ia menjelaskan bahwa AI pada dasarnya bekerja dengan cara mempelajari pola dari data. Oleh karena itu, kualitas data akan sangat menentukan kualitas prediksi, rekomendasi, hingga keputusan bisnis yang dihasilkan oleh model AI.

"Banyak organisasi ingin menjadi AI-driven, tetapi belum menjadi data-driven. Padahal AI yang baik hanya bisa lahir dari data yang dikelola dengan baik," katanya.

Alex menilai, tanpa fondasi data yang kuat, implementasi AI justru berpotensi menghasilkan analisis yang bias, keputusan yang keliru, bahkan meningkatkan risiko operasional maupun kepatuhan di sektor jasa keuangan.

Menurutnya, kondisi tersebut menjadi tantangan tersendiri mengingat industri keuangan merupakan sektor yang sangat bergantung pada akurasi informasi, pengelolaan risiko, keamanan data, serta kepatuhan terhadap berbagai regulasi. Transformasi digital di sektor keuangan bukan sekadar menghadirkan teknologi terbaru, melainkan membangun ekosistem data yang mampu mendukung pengambilan keputusan secara tepat, transparan, dan dapat dipertanggungjawabkan.

Tiga Tahap Kesiapan Data untuk AI

Dalam paparannya, Alex memperkenalkan konsep tiga level kesiapan data yang perlu dipenuhi organisasi sebelum mengembangkan AI.

Tahap pertama adalah AI-Processable, yaitu kondisi ketika data sudah dapat dibaca oleh mesin melalui berbagai format seperti CSV, JSON, maupun tabel SQL. Menurutnya, sebagian besar institusi saat ini masih berada pada level tersebut. Namun, kemampuan AI tidak berhenti hanya pada membaca data.

Level berikutnya adalah AI-Understandable, yaitu ketika mesin mulai memahami makna dari data melalui metadata, definisi bisnis, serta struktur skema yang jelas. Pada tahap ini organisasi perlu membangun metadata yang baik agar AI memahami konteks setiap informasi.

Sementara level tertinggi adalah AI-Semantic, yakni ketika AI mampu memahami hubungan antar data beserta konteksnya melalui penerapan ontologi (ontology) dan knowledge graph.

"Large Language Model maupun Generative AI tidak cukup hanya diberikan angka atau tabel. AI membutuhkan definisi, konteks, dan hubungan antar data agar mampu menghasilkan analisis yang benar," jelas Alex.

Ia mencontohkan sebuah data sederhana seperti tingkat inflasi sebesar 3,2 persen dengan periode tertentu dan sumber data dari Badan Pusat Statistik (BPS). Tanpa metadata maupun ontologi, AI hanya melihat angka tersebut sebagai informasi biasa.

Sebaliknya, apabila data tersebut dilengkapi metadata, definisi bisnis, serta knowledge graph, AI akan mampu memahami bahwa angka tersebut merupakan indikator ekonomi, berasal dari institusi resmi, memiliki hubungan dengan kondisi makroekonomi, hingga dapat dikaitkan dengan berbagai indikator lainnya. Proses tersebut menjadi jembatan untuk mengatasi semantic gap, yaitu kesenjangan antara data mentah dengan pemahaman yang sebenarnya dibutuhkan AI.

Metadata Menjadi Kunci AI Berkualitas

Alex juga menekankan pentingnya membangun metadata secara menyeluruh agar organisasi benar-benar siap mengimplementasikan AI. Ia menjelaskan terdapat empat lapisan metadata yang perlu dipenuhi.

Lapisan pertama adalah metadata teknis, meliputi skema database, tipe data, hingga format penyimpanan. Komponen ini umumnya sudah dimiliki sebagian besar organisasi. Lapisan kedua merupakan metadata bisnis, yang mencakup definisi data, pemilik data, serta aturan bisnis yang berlaku. Menurutnya, lapisan ini masih perlu banyak diperkuat di berbagai institusi.

Selanjutnya adalah metadata operasional, yang berisi informasi mengenai asal-usul data (data lineage), kualitas data, hingga tingkat kebaruan data atau freshness. Adapun lapisan tertinggi adalah metadata semantik, yakni informasi mengenai tipe entitas, hubungan antar data, serta anotasi ontologis yang menjadi target utama agar organisasi benar-benar siap memanfaatkan AI.

"Investasi pada AI seharusnya berjalan beriringan dengan investasi pada tata kelola data. Tanpa data management yang matang, AI hanya akan mempercepat penyebaran kesalahan dalam pengambilan keputusan," tegas Alex.

Data Management Jadi Pondasi Transformasi AI

Lebih lanjut, Alex memperkenalkan konsep Data Management yang menjadi fondasi utama bagi implementasi AI di berbagai organisasi.

Ia menjelaskan bahwa praktik data management secara global telah dikembangkan oleh Data Management Association International (DAMA International) sejak tahun 1980. Organisasi tersebut berperan besar dalam menyusun standar internasional pengelolaan data melalui Data Management Body of Knowledge (DAMA-DMBOK).

Pedoman tersebut menjadi acuan berbagai organisasi di dunia dalam mengelola data secara terstruktur, mulai dari arsitektur data, keamanan data, kualitas data, data governance, pemodelan data, hingga data science.

Dalam perkembangannya, DAMA juga memperkenalkan konsep DAMA Wheel, yang mencakup sebelas area pengetahuan pengelolaan data. Kesebelas area tersebut saling mendukung seluruh siklus hidup data, mulai dari penciptaan, penyimpanan, integrasi, pemeliharaan, hingga pemanfaatan data sebagai aset strategis organisasi.

Menurut Alex, keberhasilan AI di industri keuangan tidak hanya bergantung pada kecanggihan algoritma, tetapi lebih banyak ditentukan oleh kualitas data yang menjadi sumber pembelajaran AI.

"Ke depan, keunggulan kompetitif lembaga keuangan tidak hanya ditentukan oleh siapa yang memiliki AI paling canggih, tetapi siapa yang memiliki kualitas data terbaik," ujarnya.

Karena itu, ia mengingatkan agar organisasi memberikan perhatian serius terhadap kualitas data, penyediaan metadata yang lengkap, integrasi lintas sistem, interoperabilitas, serta keamanan dan privasi data sesuai ketentuan Undang-Undang Perlindungan Data Pribadi (UU PDP).

"Transformasi digital di sektor keuangan bukan hanya tentang menghadirkan teknologi terbaru, tetapi juga memastikan kualitas, keamanan, dan makna dari setiap data yang dimiliki organisasi. Ketika fondasi data sudah kuat, AI akan menjadi pengungkit inovasi yang mampu menciptakan layanan keuangan yang lebih cerdas, lebih aman, dan lebih dipercaya masyarakat," pungkas Alex.