Fondasi AI Dimulai dari Data
Pengembangan AI yang bertanggung jawab adalah upaya membangun sistem cerdas dari data yang tertata dan dapat dipercaya, sambil memperhitungkan kebutuhan sumber daya serta dampaknya terhadap lingkungan. Prinsip ini tercermin dalam dua agenda kampus pada akhir Oktober: Unair menata fondasi data dan membuka ruang kerja sama, sedangkan UNDIP mengangkat keberlanjutan dan keandalan analisis. Keduanya menolak anggapan bahwa kemajuan AI cukup diukur dari kecanggihan model.
Dalam Campus Data Week 2026 di Surabaya pada 27 Oktober, Unair menekankan pembenahan tata kelola dan arsitektur data sebelum mengembangkan AI. Prof. Unggul Heriqbaldi, Ketua Pusat Satu Data dan Kecerdasan Digital Unair, menyebut data yang tertata, berkualitas, dan konsisten sebagai fondasi produk berbasis data dan AI. Sikap bertahap ini tepat: model yang kuat tidak dapat memperbaiki data yang rancu dengan sendirinya. Tanpa aturan pengelolaan yang jelas, kampus berisiko menghasilkan teknologi yang tampak canggih tetapi tidak memberi jawaban yang dapat dipertanggungjawabkan.
Kolaborasi dan Talenta untuk Dampak Nyata
Campus Data Week 2026 berlangsung selama tiga hari sebagai bagian dari Dies Natalis ke-72 Unair, dengan kegiatan yang mempertemukan perguruan tinggi, pemerintah, industri, dan mahasiswa. Format ini penting karena pengembangan AI memerlukan sumber daya dan keahlian lintas bidang; satu kampus tidak seharusnya bekerja sendirian. Unair membuka kolaborasi untuk mengembangkan solusi berbasis data dan AI, sekaligus mendorong talenta muda melalui kompetisi nasional yang melibatkan mahasiswa dari seluruh Indonesia dan kegiatan sertifikasi bidang data serta AI.
Dampak kolaborasi AI kampus sebaiknya diukur dari manfaat yang sampai kepada masyarakat, bukan dari banyaknya proyek atau model yang dibuat. Unair mengarahkan pemanfaatan AI untuk mendukung solusi nyata dan produktivitas nasional. Bagi mahasiswa, tuntutan ini berarti memahami dasar keilmuan dan sanggup mempertanggungjawabkan hasil kerja, termasuk ketika dibantu AI. Talenta yang hanya mahir memakai perangkat tanpa mampu memeriksa asumsi dan hasilnya akan sulit membangun kepercayaan. Karena itu, kompetisi dan sertifikasi perlu berjalan bersama pembelajaran kritis, bukan menggantikannya.
UNDIP Menghubungkan Green AI dengan Data-Centric AI
Seminar Nasional Statistika Ria dan Festival Sains Data (SATRIA DATA) 2026 di UNDIP, Tembalang, pada 26 Oktober membahas biaya lingkungan komputasi sekaligus mutu data yang menentukan ketepatan analisis. Taufik Sutanto mengangkat Green AI: kinerja sistem, menurut pendekatan ini, perlu dinilai bukan hanya dari akurasi, tetapi juga kebutuhan energi, biaya komputasi, penggunaan air, dan limbah elektronik. Itu ukuran kemajuan yang lebih masuk akal daripada perlombaan memperbesar model.
Taufik juga memperkenalkan Data-Centric AI, yang memusatkan perhatian pada kualitas dan pemilihan data alih-alih semata-mata menambah ukuran model. Kedua prinsip ini saling menguatkan. Data yang lebih relevan dan bersih dapat mengurangi kerja komputasi yang sia-sia, sementara desain hemat sumber daya memberi ruang bagi lebih banyak institusi untuk mengembangkan AI. Contoh ecoCluster—klaster komputer mini berbasis single-board computer—menunjukkan bagaimana pendidikan AI dan big data dapat berlangsung dengan kebutuhan energi lebih rendah dan tanpa ketergantungan penuh pada infrastruktur berskala besar.
Analisis Andal Harus Tahan terhadap Data Menyimpang
Pembahasan UNDIP melengkapi isu lingkungan dengan statistika robust. Divo Dharma Silalahi memaparkan bahwa data industri dari sensor, citra satelit, penginderaan jauh, dan kegiatan operasional bisa mengandung pencilan serta titik berpengaruh tinggi yang menggeser hasil pemodelan. Metode analisis perlu mengenali gangguan itu agar kesimpulan tidak dibentuk oleh anomali. Penerapannya mencakup pemodelan vegetasi dari penginderaan jauh, pemeriksaan ukuran larva melalui citra drone, pemantauan lapangan, hingga pembacaan sensor perkebunan.
Di sinilah mutu data dan Green AI bertemu: memilih data yang relevan dan menyaring gangguan membantu menghindari pemrosesan berlebihan, sedangkan efisiensi komputasi menekan beban sumber daya tanpa mengorbankan kegunaan hasil. Ini bukan alasan untuk mengejar penghematan dengan mengabaikan pemeriksaan data; keputusan yang salah juga membawa biaya sosial dan operasional. Agenda Unair tentang tata kelola data dan pembahasan UNDIP tentang Data-Centric AI, statistika robust, serta dampak lingkungan menawarkan dua sisi dari tanggung jawab yang sama. Kolaborasi kampus perlu mengembangkan AI yang hemat sumber daya sekaligus layak dipercaya.
