Image by freepik

Adopsi artificial intelligence (AI) telah menjadi prioritas strategis bagi banyak perusahaan yang ingin meningkatkan efisiensi, memperluas inovasi, dan memperoleh keunggulan kompetitif. Namun pada kenyataannya, di balik janji-janji transformatif dan revolusioner, sebagian besar AI mengalami kegagalan. Studi menunjukkan 70% – 85% proyek AI tidak berhasil, dan persentase tersebut jauh lebih tinggi dibandingkan kegagalan pada proyek IT konvensional. Lagi-lagi, bukan masalah algoritma yang ‘canggih’, melainkan pada fondasi yang menopangnya, yaitu data. Kesiapan, kualitas, dan aksesibilitas data adalah faktor krusial yang turut menentukan keberhasilan implementasi AI. 

“Kode bisa dibuat, model bisa dilatih. Tapi hanya data yang bisa mengubah asumsi menjadi keputusan.”

Urgensi Data Readiness: Mengapa Data Adalah “Bahan Bakar” dan “Peta” bagi AI

Analogi yang paling sering digunakan adalah bahwa data merupakan “bahan bakar” bagi mesin AI. Tanpa data yang berkualitas, relevan, dan terkelola dengan baik, model AI tercanggih sekalipun akan berhenti berfungsi atau, lebih buruknya dapat menghasilkan insight yang “menyesatkan”. Prinsip Garbage In, Garbage Out (GIGO) bukan hanya sekadar istilah, melainkan sebuah konsep yang sudah tervalidasi dalam banyak studi, di mana data masukan yang berkualitas rendah secara langsung menghasilkan performa model yang buruk dan kesimpulan yang tidak dapat diandalkan (Sarker, 2021). Namun, peran data lebih dari sekadar bahan bakar. Data juga berfungsi sebagai “peta” yang memandu proses pembelajaran model AI. Data yang bias, tidak lengkap, atau tidak representatif akan menciptakan peta dunia yang memiliki distorsi.. mengarahkan AI untuk membuat keputusan yang salah.

Berbagai penelitian dan laporan industri menggarisbawahi kegagalan proyek AI yang disebabkan oleh masalah data. Studi menunjukkan bahwa antara 70% hingga 85% proyek AI tidak berhasil, di mana kegagalan ini lebih tinggi dibandingkan proyek IT konvensional (RAND, 2024). Akar kegagalan ini seringkali berpusat pada data. Sebagai contoh, sebuah studi yang menganalisis faktor kegagalan proyek AI menemukan bahwa setelah kegagalan yang didorong oleh kepemimpinan, kegagalan yang didorong oleh data adalah alasan paling umum kedua mengapa proyek AI berakhir dengan kegagalan (RAND, 2024). Laporan lain menunjukkan bahwa hingga 87% proyek AI tidak pernah mencapai tahap produksi, dengan kualitas data yang buruk muncul sebagai penyebab utamanya (Akaike.ai, 2025). Ini menjadi hal yang dapat menggarisbawahi urgensi bagi perusahaan untuk tidak berinvestasi pada teknologi AI saja, tetapi juga pada persiapan data yang matang. Peningkatan kesadaran akan pentingnya kualitas data, kompleksitas pengelolaan volume data yang terus bertambah, dan kebutuhan akan platform data yang terintegrasi menjadi tantangan utama yang harus diatasi.

AI Bukan Hanya Algoritma: Prasyarat Data yang Utama

Fokus dalam adopsi AI terlalu banyak tertuju pada pemilihan algoritma atau model yang paling mutakhir. Sekali lagi, perlu ditegaskan bahwa keberhasilan AI sangat bergantung pada data yang digunakan untuk melatih dan mengoperasikannya. Data yang tidak konsisten, tidak lengkap, atau tidak akurat dapat menyebabkan insight yang tidak dapat diandalkan. Penelitian telah menunjukkan bahwa format data yang beragam dapat menyebabkan akurasi prediksi yang buruk, yang memengaruhi kemampuan pengambilan keputusan model (Inside AI News, 2024).

Sebagai contoh, dalam pengalaman Crocodic dengan face recognition, kualitas data gambar sangatlah krusial. Model face recognition membutuhkan data gambar yang jelas, akurat, dan terlabel dengan baik untuk dapat berfungsi secara optimal. Jika data pelatihan memiliki sampel yang tidak seimbang atau bias, akurasi prediksi model akan terpengaruh. Penelitian oleh Buolamwini dan Gebru (2018) dalam studi “Gender Shades“, mereka secara empiris menunjukkan bagaimana bias dalam dataset pelatihan dapat menyebabkan disparitas akurasi yang signifikan dalam sistem klasifikasi gender komersial, dengan kinerja yang jauh lebih buruk untuk individu berkulit gelap, terutama wanita. Hal ini menunjukkan bahwa bahkan dalam aplikasi AI yang spesifik, kualitas data dan representasi yang adil adalah penentu utama kinerja dan etika.

Membangun Fondasi Data yang Kokoh: Peran Crocodic sebagai Mitra

Crocodic, dengan pengalaman yang kaya dalam implementasi IoT dan face recognition, memahami betul pentingnya data yang siap AI. Proyek-proyek IoT menghasilkan volume data yang sangat besar dari berbagai sensor dan perangkat. Data mentah ini, meskipun melimpah, seringkali tidak langsung siap untuk dianalisis oleh AI. Di sinilah Crocodic dapat memposisikan diri sebagai mitra strategis yang membantu perusahaan membangun infrastruktur data yang siap AI.

Tantangan Umum dalam Pengelolaan Data Perusahaan

Perusahaan sering menghadapi berbagai tantangan dalam pengelolaan data yang menghambat keberhasilan adopsi AI, berikut adalah beberapa tantangan umum terkait pengelolaan data.

1. Kualitas Data
   Data yang tidak akurat, tidak lengkap, atau tidak konsisten adalah masalah umum. Sebuah studi oleh Qlik (2025) menemukan bahwa 81% perusahaan masih berjuang dengan kualitas data AI, sehingga menempatkan ROI investasi AI dan stabilitas bisnis masuk ke dalam risiko.
2. Bias Data
   Data pelatihan dapat mencerminkan dan memperkuat bias yang ada dalam masyarakat, menyebabkan sistem AI yang diskriminatif atau tidak adil. Mengelola bias data adalah tantangan yang kompleks namun krusial untuk AI yang etis (Chen et al., 2024).
3. Silo Data
   Data seringkali tersebar di berbagai sistem dan departemen yang terisolasi, menyulitkan integrasi dan pandangan data yang terpadu.
4. Kurangnya Standar
   Ketiadaan standar dalam format dan struktur data di seluruh organisasi menyebabkan inkonsistensi dan mempersulit pemrosesan.
5. Volume dan Kompleksitas
   Volume data yang terus bertambah, terutama dari sumber seperti IoT, menimbulkan tantangan dalam penyimpanan, pemrosesan, dan analisis yang efisien.

Strategi Membangun Fondasi Data yang Siap AI

Membangun fondasi data yang kokoh untuk AI melibatkan serangkaian langkah sistematis yang didukung oleh praktik terbaik dan penelitian. Berikut beberapa langkah dalam membangun fondasi data siap AI.

1. Penilaian Kesiapan Data (Data Readiness Assessment)
   Langkah pertama adalah menilai kondisi data yang ada. Ini mencakup audit kualitas data, identifikasi elemen data kritis untuk inisiatif AI, dan pemahaman bagaimana masalah kualitas data memengaruhi hasil bisnis. Sebuah survei komprehensif tentang kesiapan data untuk AI mengusulkan taksonomi metrik untuk dataset terstruktur dan tidak terstruktur (Hiniduma, 2024).
2. Pengumpulan Data
   Mengidentifikasi dan mengumpulkan data yang relevan dan berkualitas tinggi dari berbagai sumber, baik internal maupun eksternal. Penting untuk memastikan data yang dikumpulkan relevan dengan tujuan AI yang ingin dicapai.
3. Pembersihan Data (Data Cleaning)
   Proses menghilangkan duplikasi, mengisi nilai yang hilang, memperbaiki kesalahan, dan mengatasi inkonsistensi untuk memastikan data akurat dan konsisten. Ini adalah langkah fundamental dalam preprocessing data untuk pembelajaran mesin (Sigma AI, n.d.).
4. Transformasi Data
   Mengubah data ke format yang sesuai untuk analisis AI (normalisasi, agregasi). Langkah ini seringkali memerlukan teknik rekayasa fitur untuk menciptakan variabel baru yang lebih informatif bagi model AI (Kotsiantis et al., 2006).
5. Pelabelan Data (Data Labeling)
   Memberi tag atau anotasi pada data, terutama untuk model supervised learning. Akurasi pelabelan sangat memengaruhi kinerja model.
6. Integrasi Data
   Menggabungkan data dari berbagai sumber ke dalam satu kesatuan. Ini mengatasi masalah silo data dan menyediakan pandangan data yang holistik.
7. Pembagian Data (Training, Validation, Testing)
   Membagi dataset untuk melatih, memvalidasi, dan menguji model AI. Pembagian yang tepat memastikan model dapat menggeneralisasi dengan baik ke data yang belum terlihat.
8. Tata Kelola Data (Data Governance)
   Menerapkan kerangka kerja yang terstruktur untuk memastikan transparansi, akuntabilitas, dan aturan komprehensif untuk manajemen data. Hal ini mencakup kebijakan, standar, dan proses untuk kualitas data, keamanan, privasi, dan kepatuhan regulasi. Tata kelola data yang kuat sangat penting untuk mengurangi risiko bias, pelanggaran privasi, dan penyalahgunaan AI (AIMultiple, 2025).

Korelasi antara Data yang Baik dan Performa AI

Kualitas data secara langsung berkorelasi dengan kinerja model AI. Data yang akurat, lengkap, konsisten, dan tepat waktu memungkinkan model AI untuk membuat prediksi yang lebih baik dan menghasilkan insight yang lebih andal. Penelitian telah menunjukkan hubungan empiris antara enam dimensi kualitas data dan kinerja 19 algoritma pembelajaran mesin populer (Mohammed et al., 2025). Data yang berkualitas tinggi juga membantu model AI untuk menggeneralisasi dengan baik ke berbagai situasi dan input, memastikan relevansi dan kinerja di berbagai konteks.

Pengalaman Crocodic dalam proyek IoT menunjukkan bagaimana data dari perangkat yang terhubung dapat diubah menjadi insight yang dapat ditindaklanjuti melalui analisis AI. Misalnya, data dari sensor IoT dapat digunakan untuk pemeliharaan prediktif, mengoptimalkan operasi, atau meningkatkan pengalaman pelanggan. Namun, efektivitas aplikasi ini sangat bergantung pada kualitas data yang dikumpulkan dari perangkat IoT. Integrasi AI dengan IoT, yang dikenal sebagai AIoT, sangat bergantung pada data yang akurat dan relevan yang dikumpulkan dari perangkat IoT untuk memungkinkan pengambilan keputusan yang cerdas dan otomatisasi (Stanko et al., 2024).

Kesimpulan

Keberhasilan adopsi AI tidak hanya bergantung pada kecanggihan algoritma, tetapi secara fundamental ditentukan oleh kesiapan, kualitas, dan aksesibilitas data. Perusahaan yang mengabaikan aspek persiapan data berisiko tinggi mengalami kegagalan proyek AI yang mahal. Dengan pengalaman dalam IoT dan face recognition, Crocodic memiliki pemahaman mendalam tentang tantangan data dan dapat menjadi mitra strategis bagi perusahaan yang ingin membangun fondasi data yang kokoh untuk implementasi AI yang sukses. Kami siap membantu dalam menilai kesiapan data, membangun infrastruktur data yang terintegrasi, dan menerapkan praktik tata kelola data terbaik untuk memaksimalkan potensi AI Anda.

Referensi

Akaike.ai. (2025, February 12). The Hidden Cost of Poor Data Quality: Why Your AI Initiative Might Be Set Up for Failure. Retrieved from https://www.akaike.ai/resources/the-hidden-cost-of-poor-data-quality-why-your-ai-initiative-might-be-set-up-for-failure

AIMultiple. (2025, April 2). AI Data Governance for Ethical Use in 2025. Retrieved from https://research.aimultiple.com/ai-data-governance/ 

Al-Ruithe, M., Benkhelifa, E., & Hameed, K. (2019). A Systematic Literature Review of Data Governance and AI. IEEE Access, 7, 128631-128648.

Hiniduma, K., Byna, S., & Bez, J. L. (2024). Data Readiness for AI: A 360-Degree Survey. Retrieved from https://arxiv.org/html/2404.05779v1

Buolamwini, J., & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of the 1st Conference on Fairness, Accountability and Transparency, 81, 77-91.

Chen, F., Wang, L., Hong, J., Jiang, J., & Zhou, L. (2024). Unmasking bias in artificial intelligence: a systematic review of bias detection and mitigation strategies in electronic health record-based models. Advance online publication https://doi.org/10.1093/jamia/ocae060

Inside AI News. (2024, November 1). Why Data Quality is the Secret Ingredient to AI Success. Retrieved from https://insideainews.com/2024/11/01/why-data-quality-is-the-secret-ingredient-to-ai-success/

Kotsiantis, S. B., Kanellopoulos, D., & Pintelas, P. E. (2006). Data Preprocessing for Supervised Leaning. International Journal of Computer Science, 1(2), 111-117.

Mohammed, S., Budach, L., Feuerpfeil, M., Ihde, N., Nathansen, A., Noack, N., Patzlaff, H., Naumann, F., & Harmouch, H. (2025). The effects of data quality on machine learning performance on tabular data. Information Systems. Advance online publication https://doi.org/10.1016/j.is.2025.102549 

Qlik. (2025, March 12). Data Quality is Not Being Prioritized on AI Projects, a Trend that 96% of Companies Say is Concerning. Retrieved from https://www.qlik.com/us/news/company/press-room/press-releases/data-quality-is-not-being-prioritized-on-ai-projects

RAND. (2024, August 13). The Root Causes of Failure for Artificial Intelligence Projects and What to Do About Them. Retrieved from https://www.rand.org/pubs/research_reports/RRA2680-1.html

Sarker, I. H. (2021). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science, 2(3), 160.

Sigma AI. (n.d.). Data Preparation 101. Retrieved from https://sigma.ai/es/data-preparation-machine-learning/#
Stanko, A., Duda. O, Mykytyshyn, A., Totosko, O., & Koroliuk, R. (2024). Artificial Intelligence of Things (AIoT): Integration Challenges, and Security Issues. Retrieved from https://ceur-ws.org/Vol-3842/paper6.pdf