Data Quality: 6 Dimensi dan Cara Memantaunya Otomatis
Data quality (kualitas data) adalah seberapa layak data dipakai untuk mengambil keputusan. Cara mengukurnya paling umum lewat enam dimensi: akurasi, kelengkapan, konsistensi, ketepatan waktu, validitas, dan keunikan. Kalau satu saja bermasalah, angka di laporan bisa menyesatkan meskipun rumusnya benar.
Kalau tim Anda sering menemukan omzet yang tiba-tiba melonjak, jumlah pelanggan yang tidak masuk akal, atau dashboard yang ternyata belum diperbarui sejak kemarin, itu tanda kualitas data belum dipantau. Artikel ini menjelaskan keenam dimensi tersebut, contoh masalahnya di bisnis sehari-hari, dan cara memasang pengecekan otomatis supaya masalah ketahuan sebelum rapat.
Enam dimensi kualitas data
Keenam dimensi ini banyak dirujuk dari kerangka DAMA (asosiasi profesional manajemen data) dan dipakai luas di berbagai organisasi. Singkatnya:
- Akurasi: apakah data sesuai dengan kenyataan?
- Kelengkapan: apakah kolom yang wajib sudah terisi?
- Konsistensi: apakah data yang sama bernilai sama di sistem yang berbeda?
- Ketepatan waktu: apakah data cukup baru untuk dipakai?
- Validitas: apakah formatnya sesuai aturan?
- Keunikan: apakah ada data ganda?
Setiap dimensi bisa diberi skor, misalnya persentase baris yang lolos pengecekan. Dengan begitu, Anda bisa melihat dimensi mana yang paling lemah di sebuah tabel.

Pada contoh di atas, tabel pelanggan sebuah distributor sudah cukup baru dan akurat, tapi kelengkapan, keunikan, dan konsistensinya masih di bawah ambang. Artinya, prioritas perbaikan jelas: rapikan data ganda dan samakan data antar sistem sebelum memoles dashboard.
Contoh masalah per dimensi
Supaya lebih konkret, berikut contoh masalah yang sering muncul di bisnis kecil dan menengah.
| Dimensi | Contoh masalah | Dampaknya |
|---|---|---|
| Akurasi | Harga jual di sistem kasir masih harga lama | Margin di laporan terlihat lebih tinggi dari kenyataan |
| Kelengkapan | 30% pesanan tidak punya kode sales | Komisi dan performa sales tidak bisa dihitung |
| Konsistensi | Status pelanggan “aktif” di CRM tapi “nonaktif” di sistem billing | Tim sales menghubungi pelanggan yang sudah berhenti |
| Ketepatan waktu | Data stok baru diperbarui seminggu sekali | Pesanan diterima untuk barang yang sudah habis |
| Validitas | Nomor HP berisi huruf, tanggal lahir tahun 2099 | Notifikasi gagal terkirim, analisis umur ngawur |
| Keunikan | Satu pelanggan tercatat tiga kali dengan ejaan berbeda | Jumlah pelanggan dan nilai per pelanggan jadi salah |
Perhatikan bahwa akurasi paling sulit dicek otomatis, karena butuh pembanding dari dunia nyata. Dimensi lain relatif mudah diubah menjadi aturan yang bisa dites mesin.
Tes kualitas data otomatis
Prinsipnya sederhana: tulis aturan, jalankan secara terjadwal, catat hasilnya. Contoh aturan untuk setiap dimensi:
- Kelengkapan: kolom
kode_pelanggandi tabel invoice tidak boleh kosong. - Validitas: nilai
statushanya boleh salah satu dari “draft”, “terbit”, “lunas”, “batal”. Nomor HP hanya berisi angka dan diawali 08 atau 62. - Keunikan:
nomor_invoicetidak boleh muncul lebih dari sekali. - Konsistensi: total penjualan harian di data warehouse selisihnya di bawah 0,5% dari total di software akuntansi.
- Ketepatan waktu: transaksi terbaru di tabel penjualan tidak lebih tua dari 2 jam pada jam kerja.
- Akurasi: sampel acak 20 transaksi per bulan dicocokkan manual dengan dokumen fisik.
Di mana tes ini dijalankan tergantung infrastruktur data Anda:
- Kalau data masih di spreadsheet, pengecekan bisa dibuat dengan Apps Script atau workflow n8n terjadwal yang membaca sheet dan menghitung baris bermasalah.
- Kalau sudah ada database atau data warehouse, tulis query SQL yang menghitung pelanggaran setiap aturan. Hasil nol berarti lolos.
- Kalau transformasi data memakai dbt, Anda bisa memakai tes bawaan seperti
unique,not_null,accepted_values, danrelationshipslangsung di file konfigurasi model. Penjelasan lengkapnya ada di artikel dbt adalah.
Mulai dari tabel yang paling sering dipakai rapat, biasanya penjualan, invoice, dan pelanggan. Lima sampai sepuluh tes yang tepat jauh lebih berguna daripada seratus tes yang tidak pernah dibaca.
Alert saat data bermasalah
Tes yang hasilnya hanya tersimpan di log tidak ada gunanya. Hasil tes harus sampai ke orang yang bisa bertindak.
Beberapa prinsip alert yang sehat:
- Kirim ke penanggung jawab datanya. Masalah kode sales kosong cukup dikirim ke admin sales. Di sinilah peran data owner dan steward dari data governance terpakai.
- Bedakan tingkat keparahan. Pelanggaran berat (data penjualan tidak masuk sama sekali) dikirim segera. Pelanggaran ringan (beberapa nomor HP salah format) cukup dirangkum sekali sehari.
- Sertakan contoh baris bermasalah. “Ada 14 invoice tanpa kode pelanggan: INV-1021, INV-1033, …” jauh lebih mudah ditindaklanjuti daripada “tes gagal”.
- Tandai dashboard yang terdampak. Kalau data penjualan hari ini belum lengkap, tampilkan catatan di dashboard supaya tidak ada yang mengambil keputusan dari angka setengah jadi.
Salurannya bisa email, Slack, atau notifikasi WhatsApp lewat API resmi. Pilih yang benar-benar dibaca tim Anda.
Memperbaiki dari sumber
Godaan terbesar saat menemukan data kotor adalah memperbaikinya di hilir: membersihkan di spreadsheet laporan atau menambah rumus pengecualian di dashboard. Cara ini cepat, tapi masalahnya akan muncul lagi besok.
Perbaikan yang tahan lama biasanya ada di sumber data:
- Wajibkan kolom penting di form input. Kalau kode sales wajib, aplikasi tidak boleh menyimpan pesanan tanpa kode sales.
- Pakai pilihan, jangan ketik bebas. Dropdown untuk status, kota, dan kategori mencegah variasi ejaan.
- Validasi format saat input. Nomor HP, email, dan NPWP dicek formatnya sebelum disimpan.
- Tetapkan satu sumber kebenaran untuk setiap data master, lalu sinkronkan ke sistem lain secara otomatis.
- Bersihkan data lama sekali secara menyeluruh, setelah aturan baru berjalan. Langkahnya dibahas di artikel data cleaning.
Pantau skor kualitas setiap minggu. Kalau perbaikan di sumber berhasil, grafik jumlah pelanggaran akan turun dan tetap rendah.
Kalau angka di laporan Anda sering dipertanyakan dan Anda ingin tahu dari mana sumber masalahnya, Aqilatic bisa membantu memetakannya lewat audit proses gratis. Pekerjaan data yang kami tangani bisa Anda lihat di bagian layanan.
Pertanyaan yang sering muncul
Dimensi kualitas data mana yang harus dicek duluan?
Mulai dari kelengkapan, keunikan, dan ketepatan waktu. Ketiganya paling mudah dites otomatis dan paling sering membuat laporan salah. Akurasi dicek belakangan lewat sampel manual.
Berapa skor kualitas data yang dianggap bagus?
Tidak ada angka baku. Tetapkan ambang sesuai kebutuhan, misalnya 100% untuk nomor invoice unik dan 90% untuk kelengkapan nomor HP. Data untuk keuangan biasanya butuh ambang lebih ketat daripada data pemasaran.
Apakah perlu tools khusus untuk memantau data quality?
Tidak harus. Query SQL terjadwal atau workflow n8n sudah cukup untuk tim kecil. Tools khusus mulai terasa manfaatnya saat jumlah tabel dan tes sudah puluhan hingga ratusan.