Modul 03 · 20 menit

Kualitas Data

Pelajari bagaimana data dipilih, diberi label, digunakan untuk melatih model, lalu dipakai untuk menghasilkan prediksi.

Ditulis dan disunting oleh Cahyanto Arie Wibowo. Terakhir ditinjau 2026-08-24 · versi 1.2.

Kapan pemahaman tentang konsep “Kualitas Data” paling dibutuhkan?

Di bagian ini, Anda akan menilai kualitas data dari representasi, kelengkapan, legalitas, dan relevansinya terhadap kondisi sekarang. Lihat Kualitas Data dari sudut pandang orang yang akan terkena dampaknya. Sesuatu yang terlihat efisien bagi sistem belum tentu terasa jelas atau adil bagi mereka. Pada akhirnya, Anda dapat melihat manfaat Kualitas Data tanpa melupakan orang-orang yang akan terkena dampaknya.

Model visual untuk “Kualitas Data” dalam AI untuk Semua: hubungan antarbagiannya sama penting dengan setiap bagian secara terpisah.

Setelah lesson ini

Menilai kualitas data dari representasi, kelengkapan, legalitas, dan relevansinya terhadap kondisi sekarang.
Menggunakan konsep “Kualitas Data” untuk membaca satu situasi nyata.
Menjelaskan batas konsep dan informasi yang masih perlu diperiksa.

Mulai dari situasi

Pahami situasinya lebih dulu. Istilahnya bisa menyusul.

Model layanan pelanggan belajar dari tiket lama. Jika data lama tidak mewakili masalah baru, prediksinya dapat terlihat meyakinkan tetapi tetap salah. Di bagian ini, Anda akan melihat situasi tersebut melalui konsep “Kualitas Data”. Tujuannya bukan mencari satu istilah yang menjawab semua masalah, melainkan memahami pilihan yang tersedia dengan lebih jernih.

Di bagian ini, Anda akan menilai kualitas data dari representasi, kelengkapan, legalitas, dan relevansinya terhadap kondisi sekarang. Pelajari bagaimana data dipilih, diberi label, digunakan untuk melatih model, lalu dipakai untuk menghasilkan prediksi. Hubungkan konsep ini dengan keputusan yang benar-benar perlu Anda buat.

Model visual

Petakan setiap bagiannya sebelum menentukan langkah.

Model visual untuk “Kualitas Data” dalam AI untuk Semua: hubungan antarbagiannya sama penting dengan setiap bagian secara terpisah.

Baca diagram sebagai peta Kualitas Data: mulai dari konteksnya, ikuti hubungan antarbagiannya, lalu periksa titik yang disorot sebelum mengambil keputusan.

Definisi kerja

Apa artinya, dan kapan kita perlu berhati-hati.

Kualitas Data: Di bagian ini, Anda akan menilai kualitas data dari representasi, kelengkapan, legalitas, dan relevansinya terhadap kondisi sekarang. Lihat Kualitas Data dari sudut pandang orang yang akan terkena dampaknya. Sesuatu yang terlihat efisien bagi sistem belum tentu terasa jelas atau adil bagi mereka. Pada akhirnya, Anda dapat melihat manfaat Kualitas Data tanpa melupakan orang-orang yang akan terkena dampaknya.
Batas yang perlu diperiksa: Data yang banyak belum tentu tepat, mewakili pengguna, atau boleh digunakan. Jika dampaknya besar atau sulit dibalik, hentikan proses sampai penanggung jawab dan cara pemeriksaannya jelas. Tuliskan asumsi yang Anda pakai agar orang lain dapat memeriksanya.

Mari lihat cara kerjanya

Cara membacanya dalam situasi nyata

Lihat Kualitas Data dari sudut pandang orang yang akan terkena dampaknya. Sesuatu yang terlihat efisien bagi sistem belum tentu terasa jelas atau adil bagi mereka. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.

Model layanan pelanggan belajar dari tiket lama. Jika data lama tidak mewakili masalah baru, prediksinya dapat terlihat meyakinkan tetapi tetap salah. Perhatikan siapa yang harus memeriksa hasil dan apa yang terjadi bila asumsi tentang konsep “Kualitas Data” keliru. Contoh ini membantu Anda berpikir, tetapi bukan bukti bahwa satu solusi akan cocok untuk semua situasi.

Jalan pintas yang menggoda

Istilah yang terdengar familiar belum tentu membantu Anda mengambil keputusan yang tepat.

Mengapa ini terasa masuk akal

Data yang banyak belum tentu tepat, mewakili pengguna, atau boleh digunakan. Jika dampaknya besar atau sulit dibalik, hentikan proses sampai penanggung jawab dan cara pemeriksaannya jelas. Tuliskan asumsi yang Anda pakai agar orang lain dapat memeriksanya.

Cara memeriksanya

Berhenti sejenak

Bukti apa yang bisa mengubah keputusan ini?

Jawab sebelum membuka pembahasan. Sebutkan satu fakta dan satu asumsi.

Buka pembahasan

Coba sendiri

Cobalah pada satu bagian kecil dari pekerjaan Anda.

Pilih satu situasi nyata yang berkaitan dengan Kualitas Data.
Pisahkan hal yang dapat Anda amati dari hal yang masih berupa asumsi.
Tulis satu keputusan, penanggung jawab, dan bukti untuk memeriksanya.
Sebutkan sinyal yang membuat Anda berhenti atau mengubah arah.

Buat keputusan kecil menggunakan konsep “Kualitas Data”. Catat alasan, batas, dan sinyal yang akan membuat Anda mengubah keputusan itu. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Susun aliran data untuk sistem yang membantu menyortir permintaan pelanggan. Buat versi pertama cukup kecil agar orang lain dapat memeriksanya dalam beberapa menit.

Latihan singkat

Ringkasan

Menilai kualitas data dari representasi, kelengkapan, legalitas, dan relevansinya terhadap kondisi sekarang.
Gunakan contoh dan bukti untuk menguji pemahaman.
Catat batas, risiko, dan kondisi ketika keputusan harus ditinjau ulang.

Lanjutkan dari sini

Pelatihan dan Inferensi: Lanjutkan gagasan dari Belajar dari Data melalui contoh yang masih berkaitan.
Alat dan Serah Terima: Hubungkan pelajaran ini dengan Applied AI, lalu uji idenya dalam konteks lain.
Rubrik dan Set Pengujian: Lihat bagaimana keputusan yang sama berubah ketika dibahas melalui Prompting.

Sumber dan bacaan lanjut

Machine Learning Crash Course: Google for Developers · official-course. Rujukan utama untuk definisi, bukti, atau batas yang dibahas dalam “Kualitas Data”.
Data on the Web Best Practices: W3C · web-standard. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Kualitas Data”.
Machine Learning Glossary: Google for Developers · official-documentation. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Kualitas Data”.