AI lokal untuk operasi jaringan kampus
AI lokal kampus adalah sistem kecerdasan buatan yang dijalankan pada server internal institusi untuk membantu pekerjaan jaringan tanpa mengirimkan informasi sensitif ke layanan eksternal. Pendekatan ini menjadi inti kolaborasi Direktorat Teknologi Informasi Universitas Brawijaya dan Indonesia Research and Education Network (IDREN): mengembangkan AI generatif lokal yang menyasar kebutuhan operasional sekaligus perlindungan data.
Inisiatif itu dibahas dalam lokakarya Large Language Model for Network Operations (LLMNetOps) bertema “Pemanfaatan AI Generatif Lokal untuk Manajemen Jaringan”, yang digelar DTI UB dan IDREN di Malang pada 6–7 November 2026. Sebanyak 40 peserta dari 24 institusi mengikuti kegiatan dua hari tersebut. Skala partisipasi ini penting: persoalan jaringan bukan hanya urusan satu kampus, dan berbagi praktik dapat membantu institusi dengan kemampuan teknis yang berbeda. Namun, nilai utama gagasan ini bukan sekadar memperkenalkan AI, melainkan menempatkannya dekat dengan infrastruktur dan data yang harus dijaganya.
Efisiensi yang tetap berpihak pada privasi
Pengelola jaringan menghadapi keterbatasan tenaga teknis, banyaknya perangkat, serta perbedaan kemampuan administrator. LLMNetOps dirancang sebagai pendamping berbasis AI yang memungkinkan tim teknis memberi instruksi dengan bahasa sehari-hari, bukan hanya mengandalkan perintah teknis yang rumit. Sistem ini dapat membantu menganalisis log, menelusuri gangguan, menyusun laporan, dan membuat dokumentasi. Bagi pengguna kampus, manfaatnya dapat terasa lewat penanganan masalah jaringan yang lebih terbantu dan pekerjaan administratif teknisi yang lebih ringan.
Akan tetapi, kemudahan itu tidak cukup jika dibayar dengan hilangnya kendali atas informasi. Konfigurasi dan log jaringan dapat mengungkap kondisi serta kelemahan sistem institusi. Menjalankan AI pada server internal membantu menjaga data tetap berada di lingkungan institusi, berbeda dari kekhawatiran yang muncul ketika informasi sensitif dimasukkan ke layanan berbasis komputasi awan. Karena itu, keamanan data bukan fitur tambahan bagi proyek ini; pilihan menjalankan sistem secara lokal adalah bagian dari tujuan utamanya.
Keamanan bukan urusan model saja
AI generatif lokal menawarkan pengendalian data yang lebih baik, tetapi tidak otomatis menjamin jaringan aman. Server internal tetap perlu dikelola dengan disiplin, akses pengguna harus diatur, dan hasil analisis AI perlu diperiksa administrator sebelum menjadi dasar tindakan. Sikap ini makin penting di tengah ancaman digital, termasuk risiko kebocoran dan penyalahgunaan data akibat spyware yang disoroti Wakil Rektor UB, Prof. Andi Kurniawan. Teknologi bisa mempercepat respons, tetapi tata kelola dan keahlian manusia tetap menentukan apakah respons itu tepat.
Lokakarya menggabungkan materi dan praktik, dari membangun serta mengaktifkan sistem lokal hingga simulasi gangguan jaringan dan keamanan siber berbasis AI. Peserta juga memperoleh panduan teknis dan akses ke repositori sumber terbuka LLMNetOps agar dapat menyesuaikan penerapan dengan kebutuhan institusinya. Ini langkah yang lebih bernilai daripada demonstrasi sesaat: institusi mendapat kesempatan untuk menguji, mempelajari, dan mengembangkan alat tersebut di lingkungan sendiri.
Dari lokakarya menuju penerapan
Kolaborasi UB dan IDREN baru akan berarti luas jika dukungan berlanjut setelah peserta pulang. Kedua pihak menyiapkan lokakarya daring untuk mendampingi implementasi dan memperluas kerja sama pengembangan AI lokal. Pendampingan semacam ini penting karena tiap kampus memiliki perangkat, kebijakan, dan kemampuan teknis yang berbeda; satu panduan umum belum tentu cukup untuk memastikan sistem berjalan aman dan bermanfaat.
Arah proyek ini patut didukung, tetapi ukuran keberhasilannya seharusnya bukan banyaknya institusi yang memasang AI. Yang lebih penting ialah apakah sistem membantu administrator menyelesaikan gangguan dengan tepat, menjaga data jaringan tetap terkendali, dan dapat dipelihara secara berkelanjutan. AI lokal kampus berpotensi mempertemukan efisiensi dan privasi, asalkan penerapannya disertai pengawasan, tata kelola, serta evaluasi yang konsisten. Kesimpulannya, LLMNetOps menawarkan fondasi yang menjanjikan—bukan pengganti tanggung jawab keamanan, melainkan alat untuk menjalankannya dengan lebih baik.
