Data Pemerintah untuk AI Harus Punya Pemilik, Bukan Sekadar Tersimpan

Pemerintah punya data dalam jumlah luar biasa besar.

Penduduk. Pajak. Transportasi. Kesehatan. Pendidikan. Perizinan. Bansos. Pengadaan. Geospasial.

Secara teori, data ini bisa membuat AI pemerintah sangat powerful.

Masalahnya bukan cuma apakah data tersedia.

Pertanyaan lebih penting: siapa yang bertanggung jawab atas data itu?

Data yang hanya tersimpan di server tanpa owner adalah liability.

Kalau salah, tidak ada yang memperbaiki. Kalau outdated, tidak ada yang update. Kalau definisinya berubah, tidak ada yang koordinasi.

AI memperbesar masalah itu.

Karena model bisa menggunakan data dengan cepat dan menyebarkan error ke banyak keputusan.

Jadi setiap data pemerintah yang dipakai AI harus punya owner.

Bukan “milik orang” secara pribadi.

Owner dalam arti governance.

Ada unit yang bertanggung jawab terhadap kualitas, definisi, akses, dan lifecycle.

Indonesia sebenarnya sudah punya pondasi konsep ini

Perpres Satu Data Indonesia membedakan peran seperti Produsen Data, Walidata, dan Pembina Data.

Produsen menghasilkan data sesuai kewenangan.

Walidata mengumpulkan, memeriksa, mengelola, dan menyebarluaskan data.

Pembina memberi pembinaan terkait data.

Konsep ini sangat relevan di era AI.

Karena AI tidak boleh mengambil data dari mana saja tanpa memahami provenance.

Kalau sebuah model menggunakan data pengangguran, siapa produsen?

Kalau angka berubah, siapa update?

Kalau definisi berbeda antarinstansi, siapa harmonisasi?

Data ownership dalam konteks pemerintah lebih mirip accountability map.

Bukan property right sederhana.

Owner menjawab ketika data salah

Bayangin sistem AI pemerintah memprioritaskan layanan berdasarkan data.

Warga komplain: status pekerjaannya salah.

Siapa perbaiki?

Kalau jawaban: “coba hubungi instansi lain,” dan instansi lain bilang: “datanya dari pusat,” warga terjebak.

Data owner harus jelas.

Satu pintu accountability.

Tidak harus satu database.

Tapi harus ada unit authoritative.

Tanpa itu, koreksi menjadi ping-pong.

AI bisa membuat ping-pong lebih parah karena keputusan terjadi otomatis.

Error tersebar sebelum ada manusia sadar.

Owner perlu bertanggung jawab pada kualitas

Data quality bukan proyek sekali.

Ada beberapa dimensi.

Accuracy. Completeness. Freshness. Consistency. Uniqueness.

Untuk AI, quality sangat penting.

Model tidak tahu bahwa record tertentu outdated kecuali metadata menjelaskan.

Sistem bisa menganggap data sebagai fakta.

Padahal data punya sejarah.

Misalnya alamat.

Kapan terakhir update?

Status pekerjaan.

Dari sumber apa?

Owner harus punya quality metric.

Kalau field tidak reliable, downstream AI perlu tahu.

Mungkin tidak boleh dipakai untuk high-impact decision.

Ini lebih sehat daripada semua data diperlakukan sama.

Data lineage harus terlihat

AI pipeline bisa panjang.

Data dari instansi A. Dibersihkan B. Digabung C. Masuk model D. Output dipakai layanan E.

Kalau error muncul, tracing susah.

Lineage membantu.

Kita tahu: asal, transformasi, waktu, dan penggunaan.

Data owner memegang bagian itu.

Tanpa lineage, AI audit mentok.

Auditor melihat keputusan salah.

Tapi tidak tahu sumber awal.

Model yang disalahkan.

Padahal bug ada di preprocessing.

Governance harus bisa membedakan.

Owner juga perlu menentukan siapa boleh akses

Data pemerintah sering sensitif.

Tidak semua pegawai boleh mengakses semua.

AI membuat permission rumit karena agent bisa membaca data atas nama user.

Siapa yang memberi akses?

Data owner perlu menetapkan policy.

Role mana. Purpose apa. Environment mana.

Least privilege.

Kalau model hanya butuh data agregat, jangan kirim individual record.

Kalau hanya butuh tiga kolom, jangan buka seluruh database.

Data minimization adalah security control.

Semakin sedikit data, semakin kecil risk.

“Untuk training AI” bukan tujuan yang cukup

Ini penting.

Organisasi sering mengatakan: “kita mau pakai data untuk AI.”

Terlalu vague.

AI untuk apa?

Fraud detection? Chatbot? Prediction? Research?

Purpose harus spesifik.

Karena legal basis dan risk bisa berbeda.

Data yang boleh dipakai untuk statistik belum tentu boleh dipakai untuk profiling individual.

Owner harus bisa menolak.

Tidak semua data yang tersedia harus dipakai.

AI punya appetite besar.

Governance tugasnya memberi diet.

Bukan buffet.

Owner berbeda dengan controller legal

Istilah perlu hati-hati.

Dalam UU Pelindungan Data Pribadi ada konsep Pengendali Data Pribadi dan Prosesor Data Pribadi.

Jangan campur dengan istilah data owner secara internal.

Owner yang dibahas di sini adalah fungsi governance organisasi.

Bisa saja unit owner bukan pengendali secara legal.

Makanya kebijakan internal harus menyelaraskan role.

Siapa menentukan tujuan pemrosesan? Siapa menjaga dataset? Siapa approve access?

Clear RACI membantu.

Responsible. Accountable. Consulted. Informed.

Tanpa itu, semua menganggap orang lain yang bertanggung jawab.

Metadata adalah bagian ownership

Data tanpa metadata setengah jadi.

Apa definisinya? Unit? Format? Update frequency? Source?

Misalnya field: “pendapatan.”

Gross? Net? Bulanan? Tahunan? Per keluarga? Per individu?

Kalau AI salah interpretasi, output salah.

Metadata seharusnya mandatory untuk dataset penting.

Owner menjaga definisi.

Kalau definisi berubah, downstream user diberi tahu.

Ini membuat AI lebih reliable.

Bukan masalah sexy.

Tapi data dictionary mungkin lebih penting daripada model baru.

Data pemerintah juga punya lifecycle

Tidak semua data disimpan selamanya.

Ada retention.

Ada archive.

Ada deletion.

AI menambah problem: model mungkin belajar dari data lama.

Kalau dataset dihapus, apakah model masih memuat pattern?

Untuk retrieval system, lebih mudah.

Hapus source.

Untuk trained model, jauh lebih kompleks.

Karena itu owner harus terlibat sebelum data dipakai training.

Training adalah keputusan berbeda dari inference.

Jangan anggap sama.

Sekali data masuk training, reversal susah.

Governance harus lebih ketat.

Satu Data Indonesia masih perlu diperkuat

Bappenas pada 2026 terus mendorong penguatan tata kelola Satu Data Indonesia dan bahkan membahas RUU Satu Data Indonesia sebagai fondasi reformasi tata kelola pembangunan.

Ini menunjukkan masalah data belum selesai.

AI jangan dipakai sebagai shortcut.

Kalau data antarinstansi belum konsisten, model tidak memperbaiki struktur.

Malah membuat hasil terlihat lebih sophisticated.

Dashboard AI dengan sumber data kacau tetap kacau.

Data reform harus berjalan paralel.

Standard. Metadata. Interoperability. Reference code.

Ini kerja dasar.

AI berdiri di atasnya.

Owner harus tahu siapa yang memakai data

Governance bukan satu arah.

Tidak cukup tahu sumber.

Harus tahu consumers.

Dataset A dipakai sistem apa saja?

Kalau ada perubahan, siapa terdampak?

Data catalog perlu usage mapping.

Misalnya definisi “aktif” berubah.

Tanpa mapping, tiga model downstream tiba-tiba menghasilkan output berbeda.

Owner harus bisa mengirim notification.

Ini change management.

Sama seperti API versioning.

Data adalah dependency.

Perlu contract.

Data contract bisa membantu

Konsep ini semakin useful.

Produsen dan pengguna data menyepakati: schema, quality, freshness, availability, change notice.

Kalau dataset dipakai AI production, contract mengurangi ambiguity.

Tidak harus kontrak legal.

Bisa technical agreement.

Misalnya: field X update setiap 24 jam. null rate maksimal 2 persen. perubahan schema diumumkan 30 hari.

AI team tahu expectations.

Data team tahu responsibility.

Tanpa contract, pipeline diam-diam rusak.

Data owner juga menjaga nilai ekonomi

Komdigi pada Maret 2026 menekankan bahwa data Indonesia punya nilai ekonomi dalam pengembangan AI global.

Untuk data pemerintah, value bukan selalu komersial.

Bisa public value.

Research. Policy. Innovation.

Owner perlu menentukan mekanisme sharing yang aman.

Open data bila memang boleh. Restricted access jika sensitif.

Jangan dua ekstrem.

Semua ditutup karena takut. Atau semua dibuka demi inovasi.

Risk-based access lebih tepat.

Data publik yang berkualitas bisa membantu startup dan riset.

Data sensitif perlu safeguard.

Owner menyeimbangkan.

Kalau tidak ada owner, semua keputusan jadi ad hoc

Tim A boleh. Tim B tidak. Vendor C dapat export. Vendor D tidak.

Tidak konsisten.

Ownership memberi rule.

Siapa approve. Apa criteria. Apa agreement.

Ini membuat procurement lebih cepat.

Vendor tidak perlu negosiasi dari nol.

Data governance juga jadi scalable.

Owner seharusnya punya authority

Kalau owner hanya title tanpa power, tidak berguna.

Mereka harus bisa: menolak access, meminta correction, menghentikan penggunaan, mengubah metadata, memaksa remediation.

Tentu sesuai governance organisasi.

Data steward yang tidak punya authority hanya librarian.

Untuk high-impact AI, owner perlu posisi kuat.

Bisa bekerja dengan legal, security, dan AI governance.

Multidisciplinary.

Data bukan hanya IT asset.

Ia policy asset.

Setiap dataset kritis harus punya nama unit

Kalau ditanya: “siapa owner data ini?”

Jawaban jangan: “server pusat.”

Server bukan owner.

Database bukan owner.

Vendor bukan owner otomatis.

Harus ada unit.

Orang bisa berganti.

Unit tetap.

Ini membuat accountability sustainable.

Kalau kepala unit berubah, responsibility tidak hilang.

AI membutuhkan institutional memory.

Bukan knowledge individu.

Pada akhirnya, kemampuan AI pemerintah tidak akan ditentukan hanya oleh model.

Bisa punya model paling canggih.

Kalau data stale, output salah.

Bisa punya compute besar.

Kalau provenance nggak jelas, audit gagal.

Bisa punya chatbot pintar.

Kalau warga tidak bisa koreksi data, layanan tetap buruk.

Jadi sebelum pemerintah bertanya: “AI apa yang harus kita pakai?”

Tanya dulu: “data apa yang akan dipakai, dan siapa yang bertanggung jawab atas kebenarannya?”

Data stewardship juga perlu dibedakan dari data ownership. Owner memegang accountability, sementara steward bisa menangani pekerjaan harian seperti quality check, metadata, access request, dan koordinasi perubahan. Untuk dataset besar, satu owner tanpa steward akan kewalahan.

Satu praktik yang useful adalah data quality scorecard. Dataset kritis dinilai secara periodik. Berapa persen missing? Seberapa fresh? Apakah duplicate naik? Apakah definisi konsisten? Scorecard tidak harus dipublikasikan semua, tetapi AI team perlu tahu kualitas sumber yang mereka pakai.

Kalau score turun di bawah threshold, downstream AI bisa masuk mode caution. Misalnya rekomendasi tetap dibuat tetapi wajib human review. Ini menghubungkan data governance dengan AI governance secara nyata.

Owner juga harus tahu apakah dataset digunakan untuk training atau hanya retrieval. Dua penggunaan ini punya konsekuensi berbeda. Retrieval lebih mudah dikoreksi karena sumber bisa diperbarui. Model yang sudah dilatih dari data lama jauh lebih sulit dibersihkan. Karena itu approval untuk training seharusnya lebih ketat.

Kemudian ada pertanyaan data derivative. AI bisa menghasilkan embedding, feature, summary, atau synthetic dataset dari data pemerintah. Siapa yang bertanggung jawab atas hasil turunan ini? Apakah boleh disimpan lebih lama daripada sumber? Apakah vendor boleh menggunakannya setelah kontrak selesai?

Kalau hal ini tidak diatur, organisasi bisa menghapus data asli tetapi meninggalkan representasi turunannya.

Ownership di era AI berarti memahami seluruh lifecycle, bukan hanya file asli yang duduk di database.

Kalau tidak ada jawaban, jangan buru-buru training model.

Cari owner dulu.