Akselerasi AI Indonesia Terkendala Data Silo, Ini Solusinya

Bayangkan skenario ini: seorang pasien rujukan harus mengisi ulang seluruh riwayat kesehatannya dari nol karena rumah sakit tujuan tidak bisa mengakses rekam medis dari fasilitas kesehatan sebelumnya. Atau seorang pelaku usaha yang harus menyerahkan dokumen yang sama berkali-kali ke instansi berbeda. Inilah wajah nyata dari masalah yang kini menjadi batu sandungan terbesar pengembangan kecerdasan buatan di Tanah Air: data silo. Padahal, akselerasi AI (Artificial Intelligence/kecerdasan buatan) disebut-sebut sebagai kunci daya saing ekonomi digital Indonesia dalam satu dekade ke depan.

Mengapa ini penting bagi Anda? Karena kualitas layanan publik, kecepatan diagnosis medis, hingga akurasi rekomendasi di platform digital yang Anda gunakan setiap hari, semuanya bergantung pada satu hal: seberapa mudah data mengalir antarsistem. Ibarat seorang koki andal, AI hanya bisa memasak hidangan lezat jika bahan bakunya tersedia lengkap. Data silo membuat bahan-bahan itu terkunci di gudang yang berbeda-beda, masing-masing dengan kuncinya sendiri.

Apa Itu Data Silo dan Mengapa Menjadi Penghambat

Secara sederhana, data silo adalah kondisi ketika data disimpan secara terpisah oleh unit, instansi, atau perusahaan yang berbeda dan tidak dapat diakses atau dipertukarkan satu sama lain. Di Indonesia, persoalan ini muncul karena selama bertahun-tahun setiap kementerian, lembaga, rumah sakit, hingga perusahaan swasta membangun sistem informasinya sendiri-sendiri, dengan format, standar, dan infrastruktur yang berbeda pula.

Akibatnya, algoritma machine learning (pembelajaran mesin) — teknologi inti di balik AI modern — kesulitan mendapatkan bahan latih yang lengkap. Model AI yang dilatih dengan data terbatas dan terfragmentasi berisiko menghasilkan prediksi yang bias atau tidak akurat. Dalam konteks deep tech, kualitas sebuah model sangat ditentukan oleh kualitas dan keragaman data yang melatihnya.

'Kualitas kecerdasan buatan hanya sebaik kualitas data yang melatihnya. Tanpa integrasi data, akselerasi AI hanya akan berjalan di tempat,' demikian prinsip yang kerap ditekankan para praktisi dan peneliti data di berbagai forum.

Dampak Nyata bagi Layanan Publik dan Industri

Di sektor pemerintahan, data silo membuat program bantuan sosial berisiko salah sasaran karena data kependudukan tidak sinkron dengan data penerima manfaat. Di sektor kesehatan, penelitian medis terhambat karena data pasien tersebar di ribuan fasilitas kesehatan dengan format yang tidak seragam. Sementara di sektor keuangan, bank kesulitan menilai kelayakan kredit pelaku UMKM (Usaha Mikro, Kecil, dan Menengah) karena data transaksi mereka tidak terhubung.

Dari sisi bisnis, fragmentasi data memicu pemborosan: instansi dan perusahaan berulang kali mengumpulkan data yang sama, membangun infrastruktur serupa, dan membayar biaya ganda. Efisiensi yang seharusnya menjadi janji utama implementasi teknologi digital justru menguap. Disrupsi yang diharapkan dari AI pun tertunda.

Fondasi Regulasi yang Sudah Dibangun

Indonesia sebenarnya tidak memulai dari nol. Pemerintah telah menerbitkan Peraturan Presiden (Perpres) Nomor 39 Tahun 2019 tentang Satu Data Indonesia, yang mewajibkan seluruh instansi menaati standar data, metadata, dan interoperabilitas. Ada pula Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP) yang menjadi pagar agar integrasi data tidak mengorbankan privasi warga.

Di sisi strategi, pemerintah meluncurkan Strategi Nasional Kecerdasan Artifisial (Stranas KA) 2020–2045 yang menetapkan data dan infrastruktur sebagai salah satu pilar utama. Pembangunan pusat data nasional serta penguatan SPBE (Sistem Pemerintahan Berbasis Elektronik) juga diarahkan untuk meruntuhkan tembok antarinstansi. Namun, implementasi di lapangan dinilai masih jauh dari ideal — aturan sudah ada, tetapi ego sektoral dan keterbatasan kapasitas teknis membuat pertukaran data berjalan lambat.

Solusi: Integrasi, Standarisasi, dan Kolaborasi Ekosistem

Pertama, dibutuhkan standarisasi dan interoperabilitas yang benar-benar ditegakkan. Setiap sistem baru, baik di pemerintahan maupun BUMN (Badan Usaha Milik Negara), idealnya wajib menyediakan API (Application Programming Interface/antarmuka pemrograman aplikasi) agar datanya bisa diakses sistem lain secara aman dan terkontrol.

Kedua, pendekatan teknologi baru bisa menjadi jalan tengah antara keterbukaan dan privasi. Teknik seperti federated learning (pembelajaran terfederasi) memungkinkan model AI dilatih di banyak lokasi tanpa data mentah harus berpindah tangan — modelnya yang berkeliling, datanya tetap di tempat. Pendekatan semacam ini sangat relevan untuk sektor sensitif seperti kesehatan dan keuangan.

Ketiga, kolaborasi ekosistem. Pemerintah, dunia usaha, kampus, dan komunitas riset perlu duduk satu meja dalam tata kelola data bersama. Platform berbagi data yang aman, insentif bagi instansi yang terbuka, serta investasi pada talenta data adalah prasyarat agar akselerasi AI tidak sekadar menjadi slogan. Tanpa itu, Indonesia berisiko hanya menjadi pasar teknologi, bukan pemain yang membangun inovasinya sendiri.

Pada akhirnya, persoalan data silo bukan semata urusan teknis, melainkan urusan tata kelola dan kemauan berbagi. Jika tembok-tembok data itu berhasil diruntuhkan, manfaatnya akan terasa langsung oleh warga: layanan yang lebih cepat, kebijakan yang lebih tepat sasaran, dan ekosistem digital yang melahirkan inovasi dari dalam negeri. Itulah taruhan sesungguhnya dari akselerasi AI Indonesia.