Modul 02 · 20 menit

Kesiapan Data

Bandingkan aturan sederhana, AI prediktif, dan AI generatif. Tentukan juga kapan perlu membangun sendiri atau memakai layanan yang tersedia.

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

Kapan pemahaman tentang konsep “Kesiapan Data” paling dibutuhkan?

Di bagian ini, Anda akan memeriksa kesiapan data dari akses, kualitas, hak penggunaan, serta kemampuan memberi umpan balik. Sebelum memakai Kesiapan Data, pisahkan dulu fakta dari asumsi. Langkah sederhana ini membantu Anda memahami masalahnya sebelum memberi nama yang terdengar canggih. Bagian ini membantu Anda menentukan kapan Kesiapan Data layak digunakan dan kapan cara yang lebih sederhana sudah cukup.

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

Setelah lesson ini

Memeriksa kesiapan data dari akses, kualitas, hak penggunaan, serta kemampuan memberi umpan balik.
Menggunakan konsep “Kesiapan 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.

Pemeriksaan format nomor faktur cukup memakai aturan sederhana. Mengambil informasi dari teks bebas mungkin memerlukan model AI. Di bagian ini, Anda akan melihat situasi tersebut melalui konsep “Kesiapan Data”. Tujuannya bukan mencari satu istilah yang menjawab semua masalah, melainkan memahami pilihan yang tersedia dengan lebih jernih.

Di bagian ini, Anda akan memeriksa kesiapan data dari akses, kualitas, hak penggunaan, serta kemampuan memberi umpan balik. Bandingkan aturan sederhana, AI prediktif, dan AI generatif. Tentukan juga kapan perlu membangun sendiri atau memakai layanan yang tersedia. Hubungkan konsep ini dengan keputusan yang benar-benar perlu Anda buat.

Model visual

Petakan setiap bagiannya sebelum menentukan langkah.

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

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

Mari lihat cara kerjanya

Cara membacanya dalam situasi nyata

Sebelum memakai Kesiapan Data, pisahkan dulu fakta dari asumsi. Langkah sederhana ini membantu Anda memahami masalahnya sebelum memberi nama yang terdengar canggih. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.

Pemeriksaan format nomor faktur cukup memakai aturan sederhana. Mengambil informasi dari teks bebas mungkin memerlukan model AI. Perhatikan siapa yang harus memeriksa hasil dan apa yang terjadi bila asumsi tentang konsep “Kesiapan Data” keliru. Contoh ini membantu Anda berpikir, tetapi bukan bukti bahwa satu solusi akan cocok untuk semua situasi.

Definisi kerja

Apa artinya, dan kapan kita perlu berhati-hati.

Kesiapan Data: Di bagian ini, Anda akan memeriksa kesiapan data dari akses, kualitas, hak penggunaan, serta kemampuan memberi umpan balik. Sebelum memakai Kesiapan Data, pisahkan dulu fakta dari asumsi. Langkah sederhana ini membantu Anda memahami masalahnya sebelum memberi nama yang terdengar canggih. Bagian ini membantu Anda menentukan kapan Kesiapan Data layak digunakan dan kapan cara yang lebih sederhana sudah cukup.
Batas yang perlu diperiksa: Model terbesar belum tentu menjadi pilihan yang paling murah, cepat, atau aman. 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.

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 Kesiapan 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 “Kesiapan Data”. Catat alasan, batas, dan sinyal yang akan membuat Anda mengubah keputusan itu. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Gunakan pohon keputusan untuk memilih pendekatan bagi tiga kasus berbeda. Buat versi pertama cukup kecil agar orang lain dapat memeriksanya dalam beberapa menit.

Jalan pintas yang menggoda

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

Mengapa ini terasa masuk akal

Model terbesar belum tentu menjadi pilihan yang paling murah, cepat, atau aman. 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

Latihan singkat

Ringkasan

Memeriksa kesiapan data dari akses, kualitas, hak penggunaan, serta kemampuan memberi umpan balik.
Gunakan contoh dan bukti untuk menguji pemahaman.
Catat batas, risiko, dan kondisi ketika keputusan harus ditinjau ulang.

Lanjutkan dari sini

Bangun, Beli, atau Gabungkan: Lanjutkan gagasan dari Memilih Pendekatan melalui contoh yang masih berkaitan.
Pertukaran Nilai: Hubungkan pelajaran ini dengan Product Thinking, lalu uji idenya dalam konteks lain.
Pemecahan Tugas: Lihat bagaimana keputusan yang sama berubah ketika dibahas melalui Prompting.

Sumber dan bacaan lanjut

Rules of Machine Learning: Google for Developers · official-guidance. Rujukan utama untuk definisi, bukti, atau batas yang dibahas dalam “Kesiapan Data”.
Data on the Web Best Practices: W3C · web-standard. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Kesiapan Data”.
Artificial Intelligence Risk Management Framework: NIST · official-framework. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Kesiapan Data”.