Tantangan Data Autonomous Network Indonesia

Transformasi digital di Indonesia berkembang sangat pesat, didorong oleh akselerasi penetrasi internet, perluasan jaringan 5G, serta tingginya konsumsi data masyarakat.

Di tengah dinamika ini, penyedia layanan telekomunikasi (seluler dan fixed broadband) di Indonesia—seperti Telkomsel, Indosat Ooredoo Hutchison, XL Smart—dihadapkan pada kompleksitas operasional yang kian tinggi. Untuk mengelola trafik data yang masif secara efisien dan responsif, konsep Autonomous Network (AN) atau jaringan mandiri berbasis kecerdasan buatan (Artificial Intelligence/AI) menjadi fokus pertimbangan strategis.

Namun, mengadopsi jaringan mandiri tidak sekadar memasang algoritma AI pada infrastruktur yang ada. Berdasarkan pemikiran teknis yang diangkat oleh pelaku industri global seperti Ericsson, keandalan AI dalam membuat keputusan operasional sangat bergantung pada satu fondasi kritis: akurasi dan kesinambungan data inventory (inventarisasi) jaringan. Bagi lanskap telekomunikasi Indonesia, tantangan pada aspek data ini menjadi kerikil tajam yang harus diselesaikan terlebih dahulu.

Fragmentasi Data

Secara historis, penyedia jaringan di Indonesia tumbuh melalui serangkaian modernisasi bertahap dan akuisisi. Akibatnya, ekosistem telekomunikasi nasional umumnya merupakan lingkungan multi-vendor yang sangat kompleks, menggabungkan perangkat dari berbagai vendor global di ranah Radio Access Network (RAN), transportation, IP/optical, hingga core network.

Kondisi multi-vendor ini memperparah masalah fragmentasi data. Sebagian besar operator di Indonesia mengoperasikan ratusan sistem pendukung operasional (Operational Support Systems/OSS) dan bisnis (Business Support Systems/BSS) yang terisolasi. Masing-masing sistem memiliki arsitektur data, skema, dan semantik tersendiri.

Ketika data inventarisasi—mulai dari titik alokasi spektrum, status perangkat fisik, konfigurasi network slicing, hingga relasi antarlayanan—terpisah-pisah atau usang, kemampuan AI untuk menjalankan closed-loop automation (otomatisasi ikatan tertutup) akan terhambat secara signifikan.

Dalam skenario closed-loop, sistem otomatis mendeteksi masalah, menentukan tindakan, mengeksekusi perubahan, dan mengevaluasi hasilnya. Jika data inventory yang menjadi rujukan AI tidak akurat, dampaknya bisa fatal.

Di Indonesia, di mana variabilitas geografis dan beban trafik sangat dinamis, data usang dapat menyebabkan AI mengalokasikan layanan pada sumber daya yang sebenarnya tidak tersedia, salah mendiagnosis gangguan (fault detection), atau bahkan memicu kegagalan perhitungan Service Level Agreement (SLA) bagi pelanggan korporat.

Menuju Level 4 Autonomy

Menurut acuan TM Forum, pengoperasian jaringan mandiri tingkat lanjut (Level 4 Autonomous Network) menuntut sistem yang mampu mengambil keputusan secara prediktif dan berbasis niat (intent-driven). Pada tingkatan ini, AI tidak hanya memantau apa yang terjadi, tetapi juga mengantisipasi dan mengkonfigurasi ulang jaringan secara mandiri demi mempertahankan kualitas pengalaman pelanggan (Customer Experience).

Namun, memiliki data inventory yang terintegrasi saja belum cukup. Untuk mencapai Level 4, AI memerlukan konteks operasional yang lebih luas. Di sinilah konsep Knowledge Plane menjadi krusial. Knowledge Plane berfungsi sebagai lapisan yang menghubungkan data inventory operasional dengan berbagai batasan bisnis, aturan domain, kebijakan keamanan, serta konteks historis.

Sebagai contoh, jika operator di Indonesia ingin menerapkan digital twin (kembaran digital jaringan) untuk memodelkan dampak pembaruan kapasitas sebelum dieksekusi di lapangan, digital twin tersebut membutuhkan pemetaan data yang riil dan selaras (real-time).

Tanpa sinkronisasi data yang presisi melalui Knowledge Plane, model digital twin hanya akan merepresentasikan kondisi jaringan yang sudah tidak relevan, sehingga simulasi yang dihasilkan berisiko mengarahkan AI pada keputusan yang keliru.

Risiko Konflik Keputusan

Implementasi agen-agen AI yang beroperasi secara independen di berbagai domain jaringan juga menimbulkan risiko baru: konflik koordinasi. Dalam praktiknya di Indonesia, satu tindakan otomatisasi dapat berdampak negatif pada segmen lain jika tidak dikordinasikan dengan baik.

Sebagai ilustrasi, agen AI yang mengelola efisiensi energi di area perkotaan mungkin memutuskan untuk menonaktifkan sementara sel pemancar tertentu pada malam hari demi menghemat listrik. Namun, tindakan tersebut dapat mengalihkan trafik secara mendadak ke sel tetangga yang ternyata sedang menopang jalur jaringan privat untuk fasilitas kritis seperti pelabuhan atau rumah sakit.

Tanpa adanya lapisan manajemen konflik, keputusan AI yang berniat baik tersebut justru mengganggu komitmen SLA prioritas tinggi.

Oleh karena itu, penyedia layanan di Indonesia membutuhkan arsitektur tata kelola yang mengevaluasi setiap usulan tindakan AI terhadap batasan kebijakan, izin akses, dan komitmen layanan secara live sebelum eksekusi dilakukan.

Langkah Strategis

Mewujudkan Autonomous Network di Indonesia bukanlah proses instan, melainkan perjalanan konsolidasi data dan standardisasi. Langkah awal yang teramat penting bagi operator nasional meliputi:

Konsolidasi dan Normalisasi Data: Mengadopsi platform data bersama yang mampu melakukan penemuan otomatis (network discovery), rekonsiliasi, dan pemetaan topologi secara real-time dari berbagai domain vendor.
Penerapan Standar Terbuka: Mengikuti standar interoperabilitas internasional seperti yang dirumuskan oleh ETSI dan TM Forum untuk memastikan bahwa data dari berbagai instrumen jaringan dapat diterjemahkan ke dalam struktur semantik yang seragam.
Pembangunan Knowledge Plane dan Manajemen Konflik: Membangun lapisan pemahaman konteks dan mitigasi konflik agar keputusan otomatis berbasis AI tetap aman, patuh pada regulasi lokal, dan sesuai dengan skema prioritas bisnis.

Karenanya keunggulan otomatisasi berbasis AI tidak terletak pada seberapa canggih algoritma yang digunakan, melainkan seberapa bersih, akurat, dan terintegrasinya data jaringan yang memberi makan AI tersebut.

Operator telekomunikasi di Indonesia yang berhasil membenahi fondasi data inventarisasinya akan berada di posisi terdepan dalam menyajikan jaringan yang andal, efisien, dan siap menyongsong era otomatisasi penuh.(*)