Kualitas Data: Pelajaran dari Kegagalan NASA

Pada 23 September 1999, sebuah misi ambisius milik NASA berakhir bukan karena kegagalan teknologi roket, bukan pula karena cuaca luar angkasa yang ekstrem, melainkan karena sesuatu yang tampak sepele yaitu perbedaan satuan pengukuran. Mars Climate Orbiter, sebuah wahana senilai ratusan juta dolar, hilang di atmosfer Mars karena kesalahan konversi antara sistem metrik dan imperial. Sebuah kesalahan yang jika dilihat sekilas terasa sederhana, namun dampaknya luar biasa besar.

Kasus ini sering dikutip sebagai contoh klasik dalam dunia teknologi dan rekayasa sistem. Namun jika ditarik lebih dalam, ini bukan sekadar cerita tentang kesalahan teknis, namun merupakan cerita tentang kegagalan dalam manajemen kualitas data.

Dalam konteks modern, di mana organisasi berlomba-lomba membangun fondasi AI dan data-driven decision making, pelajaran dari insiden ini menjadi semakin relevan. Data bukan hanya sekumpulan angka. Data adalah representasi realitas. Ketika data tidak dikelola dengan baik, maka keputusan yang dihasilkan juga akan menyimpang dari realitas.

Kesalahan yang Terlihat Kecil, Dampak yang Tidak Terbatas

Dalam kasus Mars Climate Orbiter, NASA menggunakan sistem metrik dalam perangkat lunak navigasi mereka, namun kontraktor yang mengembangkan sebagian sistem menggunakan satuan imperial. Tidak ada mekanisme validasi yang cukup kuat untuk memastikan konsistensi antar sistem. Tidak ada kontrol kualitas data yang mampu mendeteksi anomali ini sebelum terlambat. Hasilnya, perhitungan trajektori menjadi salah. Wahana masuk terlalu dekat ke atmosfer Mars dan akhirnya hancur.

Hal tersebut bukan disebabkan kegagalan matematika, namun merupakan kegagalan tata kelola data.

Dalam istilah Data Quality Management, beberapa dimensi kualitas data yang dilanggar secara fundamental antara lain:

• Accuracy: Nilai data tidak merepresentasikan kondisi sebenarnya karena perbedaan satuan
• Consistency: Data antar sistem tidak selaras
• Validity: Data tidak mengikuti standar yang disepakati secara organisasi
• Integrity: Tidak ada kontrol yang menjamin integritas antar pipeline data

Kasus ini menunjukkan bahwa bahkan organisasi sekelas NASA pun tidak kebal terhadap risiko kualitas data.

Mengapa Kualitas Data Tidak Bisa Dianggap Sepele

Banyak organisasi masih memandang kualitas data sebagai isu operasional, bukan strategis. Data cleansing sering dianggap sebagai pekerjaan belakang layar. Validasi data diposisikan sebagai aktivitas tambahan, bukan bagian inti dari sistem. Padahal dalam praktiknya, kualitas data adalah fondasi dari seluruh ekosistem digital.

Bayangkan sebuah organisasi finansial yang salah membaca data risiko karena inkonsistensi format atau rumah sakit yang mengambil keputusan medis berdasarkan data pasien yang tidak lengkap, atau model AI yang dilatih dengan dataset yang bias dan tidak akurat. Semua skenario tersebut memiliki pola yang sama dengan Mars Climate Orbiter. Perbedaannya hanya pada konteks, bukan pada akar masalah.

Kualitas data yang buruk tidak selalu langsung terlihat, namun sering tersembunyi, perlahan menggerogoti akurasi analisis, hingga akhirnya muncul dalam bentuk keputusan yang salah.

Dari Insiden ke Prinsip: Apa yang Harus Dipelajari

Dari sudut pandang Data Management, ada beberapa prinsip penting yang bisa ditarik dari kasus ini, antara lain:

1. Standarisasi adalah fondasi, bukan pilihan

Perbedaan antara sistem metrik dan imperial seharusnya tidak pernah terjadi jika ada standar data yang jelas dan dipatuhi oleh seluruh pihak. Dalam organisasi modern, ini berarti adanya data standards, data dictionary, dan metadata management yang kuat. Tanpa standar, data akan menjadi bahasa yang ambigu.

2. Data Quality tidak boleh reaktif

Dalam banyak organisasi, kualitas data baru diperhatikan setelah terjadi masalah. Pendekatan ini berbahaya. Kualitas data harus dibangun secara proaktif melalui:

• Data validation rules
• Automated data quality checks
• Pemantauan data pipeline secara real-time

Jika NASA memiliki mekanisme validasi otomatis terhadap satuan data, anomali ini kemungkinan besar bisa terdeteksi lebih awal.

3. Ownership harus jelas

Siapa yang bertanggung jawab atas kualitas data? Apakah tim engineering, data analyst, atau business owner?

Dalam kerangka Data Governance, hal ini dijawab melalui peran seperti Data Owner dan Data Steward. Tanpa ownership yang jelas, kualitas data menjadi tanggung jawab semua orang, yang pada akhirnya berarti tidak ada yang benar-benar bertanggung jawab.

4. Integrasi sistem membutuhkan kontrol kualitas ekstra

Semakin banyak sistem yang terintegrasi, semakin tinggi risiko inkonsistensi data. Setiap interface antar sistem harus memiliki kontrol kualitas yang ketat.

Mars Climate Orbiter gagal bukan karena satu sistem buruk, tetapi karena integrasi antar sistem yang tidak terkelola dengan baik.

Relevansi di Era AI dan Big Data

Saat ini organisasi tidak hanya mengelola data dalam skala besar, tetapi juga menggunakannya untuk melatih model AI. Dalam konteks ini, kualitas data menjadi lebih krusial.

Model AI tidak memahami konteks seperti manusia, melainkan hanya belajar dari data yang diberikan. Jika data tersebut tidak konsisten, tidak akurat, atau bias, maka model akan mereplikasi kesalahan tersebut dalam skala yang lebih besar. Dalam dunia AI, prinsip yang sering dikutip adalah “Garbage in, garbage out”. Kasus NASA adalah ilustrasi nyata dari prinsip ini, jauh sebelum era AI menjadi arus utama.

Membangun Budaya Kualitas Data

Teknologi saja tidak cukup. Kualitas data bukan hanya masalah tools, tetapi juga budaya. Organisasi yang matang dalam Data Quality Management biasanya memiliki karakteristik berikut:

• Menempatkan data sebagai aset strategis
• Memiliki kebijakan dan prosedur kualitas data yang jelas
• Mengintegrasikan quality checks dalam setiap pipeline data
• Memberikan awareness kepada seluruh karyawan, termasuk non-IT

Artinya, kualitas data bukan hanya tanggung jawab tim data, tetapi tanggung jawab organisasi secara keseluruhan.

Pelajaran dari Orbit yang Hilang

Mars Climate Orbiter tidak hanya hilang di atmosfer Mars, namun juga meninggalkan pelajaran yang sangat berharga bagi dunia teknologi, yaitu bahwa dalam sistem yang kompleks, kesalahan kecil dalam data dapat menghasilkan konsekuensi besar. Kejadian ini menunjukkan bahwa kualitas data bukan detail teknis, melainkan fondasi strategis dan tanpa manajemen kualitas data yang baik, bahkan organisasi paling canggih sekalipun bisa gagal.

Bagi organisasi yang saat ini sedang membangun fondasi data dan AI, pertanyaannya bukan lagi apakah kualitas data penting. Pertanyaannya adalah seberapa serius kualitas data dikelola?

Karena pada akhirnya keputusan terbaik hanya bisa dihasilkan dari data yang berkualitas, dan seperti yang ditunjukkan oleh NASA, dampak yang terjadi dari mengabaikan kualitas data bisa menjadi sangat fatal.