AI Mempercepat Keputusan, Computational Thinking yang Menentukan
Bidang Data, Digitalisasi, dan Teknologi Informasi (DDTI) Perpustakaan dan Kearsipan Universitas Islam Malang (UNISMA) memulai migrasi sistem repositori institusi dari arsitektur 32-bit ke 64-bit pada tanggal 6 Juni 2026. Repositori tersebut mengelola sekitar 12.000 karya ilmiah selama proses migrasi berlangsung. Pekerjaan inti dilaksanakan secara bertahap selama tiga hari, kemudian sejak tanggal 9 Juni dilanjutkan dengan penyesuaian konfigurasi untuk menyelaraskan sistem dengan kondisi nyata server. Migrasi dinyatakan tuntas pada tanggal 13 Juni 2026.
Sepanjang tahapan tersebut, model kecerdasan artifisial (AI) Claude Opus digunakan sebagai instrumen bantu dalam analisis dan pengambilan keputusan. Pengalaman ini didokumentasikan bukan sebagai catatan otomasi tugas, melainkan sebagai catatan akselerasi pengambilan keputusan. AI mengakselerasi proses tersebut, tetapi penentu keberhasilan akhir tetap bertumpu pada kekuatan computational thinking serta pemahaman arsitektur sistem yang dikelola oleh tim teknis.
Peran AI dalam Resolusi Masalah Repositori
Proses migrasi ini dipicu oleh akumulasi kendala operasional yang berulang pada sistem. Frekuensi laporan gangguan yang tinggi dari pemustaka dan tim entri repositori kepada bidang DDTI mengindikasikan adanya permasalahan mendasar pada arsitektur sistem. Berdasarkan pola keluhan tersebut, bidang DDTI melakukan analisis mendalam untuk menemukan penyebab utama gangguan. Pada tahap penelusuran inilah Claude Opus memberi manfaat terbesar. Kami menjelaskan kondisi repositori secara apa adanya, dan AI memanfaatkan konteks tersebut untuk mendiagnosis akar masalah serta menyusun rekomendasi langkah perbaikan.
Kontribusi utama dari implementasi AI terletak pada efisiensi waktu proses. Proses diagnosis dan penyusunan rekomendasi solusi yang umumnya memerlukan investigasi panjang kini dapat diselesaikan dalam waktu yang jauh lebih singkat. Kendati demikian, efisiensi tersebut memerlukan prasyarat khusus. Akurasi diagnosis AI bergantung pada kualitas konteks yang diberikan, dan konteks yang akurat hanya dapat disusun oleh personel yang menguasai bidang terkait. Tanpa pemahaman mendasar terhadap sistem, AI berpotensi menciptakan bias produktivitas semu.
Penelusuran tersebut mengikuti kerangka computational thinking, yaitu cara menyusun persoalan secara terstruktur. Sistem dipecah menjadi bagian-bagian yang dapat diperiksa, keluhan yang berulang dibaca sebagai satu pola, dan faktor yang tidak relevan disaring sampai persoalan menyempit ke lapisan infrastruktur. Pola pikir inilah yang menentukan ke mana AI diarahkan. Tanpa pemahaman arsitektur sistem, analisis kehilangan arah karena personel tidak memiliki dasar untuk menilai relevansi komponen yang diperiksa atau menentukan validitas dari suatu dugaan teknis.
Analisis Akar Masalah Arsitektur Sistem
Pada awal penelusuran, sumber gangguan belum diketahui dan dugaan paling mudah mengarah pada DSpace. Investigasi teknis bersama Claude Opus justru menunjukkan bahwa kegagalan tidak berasal dari DSpace, tetapi dari keterbatasan mendasar pada fondasi infrastruktur lama yang masih berbasis arsitektur 32-bit. Faktor teknis berikut merinci keterbatasan tersebut.
| Faktor Masalah | Kondisi Teknis | Dampak Operasional |
|---|---|---|
| Alokasi Memory Heap JVM | Batasan arsitektur 32-bit memaksa alokasi maksimal memori berhenti di angka sekitar 1,5 GB. Upaya menaikkan batas memori ini justru membuat DSpace gagal berjalan sejak awal | Saat beban kerja meningkat, runtime Java kehabisan alokasi memori. Kondisi ini membuat DSpace mengalami crash dalam waktu singkat |
Batasan Peran AI dan Manajemen Risiko Migrasi
Pada fase paling kritis, peran personel teknis tetap tidak tergantikan. Kualitas diagnosis AI ditentukan oleh akurasi konteks yang diberikan. Penjelasan kondisi repositori yang komprehensif akan menghasilkan rekomendasi yang tepat. Setiap tahapan eksekusi yang diformulasikan oleh AI harus ditelaah kembali menggunakan pemahaman dasar yang dimiliki personel. Langkah yang valid secara teknis kemudian diimplementasikan berdasarkan penguasaan fundamental infrastruktur. Pembagian peran operasional didefinisikan sebagai berikut.
| Peran AI | Peran Personel |
|---|---|
| Mendiagnosis akar masalah berdasarkan konteks yang diberikan | Menjelaskan kondisi dan situasi repositori secara detail |
| Menyusun rekomendasi langkah perbaikan dan skenario migrasi | Menilai kelayakan tiap langkah terhadap karakteristik server |
| Memetakan risiko dan menyiapkan skenario pemulihan | Mengambil keputusan akhir dan melaksanakan eksekusi teknis |
Komponen Kritis dalam Proses Migrasi
Terdapat empat komponen utama yang memerlukan pengawasan ketat selama proses migrasi berjalan.
| Komponen | Deskripsi | Potensi Resiko |
|---|---|---|
| Assetstore | Penyimpanan seluruh file karya ilmiah digital, terukur 64 GB dengan 45.502 file saat migrasi | Kehilangan komponen ini berdampak pada hilangnya karya ilmiah digital |
| Database | Penyimpanan metadata identitas karya ilmiah, termasuk parameter identifikasi berupa handle id. Parameter ini tidak boleh berubah sepanjang proses migrasi | Ketidaksesuaian metadata mengakibatkan kegagalan fungsi tautan sitasi yang telah tersimpan sebelumnya |
| Solr | Indeks pencarian untuk karya ilmiah | Kegagalan konfigurasi pada proses indeks membuat pencarian dan tampilan koleksi kosong, meskipun data di database tetap utuh |
| Solr Statistik | Riwayat view dan download karya ilmiah, tersimpan hanya di dalam Solr tanpa salinan di database | Berbeda dengan indeks pencarian yang dapat dibangun ulang, data statistik yang tidak ikut dipindahkan harus diselamatkan dari sistem lama sebelum sistem tersebut dihapus |
Aspek Mitigasi dan Pengamanan Sistem
Selain keempat komponen di atas, terdapat dua aspek manajerial yang memerlukan perhatian setara untuk memastikan keberhasilan migrasi.
| Aspek Mitigasi | Prosedur Operasional Standar |
|---|---|
| Validasi Cadangan Data | Prosedur pencadangan data beserta verifikasi keutuhannya wajib diselesaikan secara menyeluruh sebelum sistem lama dinonaktifkan. Verifikasi mencakup pencocokan hitungan baris database dan jumlah file assetstore antara sistem lama dan sistem baru |
| Rencana Pemulihan (Rollback) | Rencana pemulihan ke sistem lama harus disiapkan sejak awal. Hal ini diperlukan agar layanan dapat dikembalikan ke kondisi semula secara terkendali apabila sistem baru mengalami kegagalan |
Akselerasi Kapabilitas IT Perpustakaan
Penggunaan Claude Opus dalam pengalaman ini mengakselerasi proses analisis serta memberikan sudut pandang tambahan dalam pengambilan keputusan. Pemahaman fundamental mengenai Linux dan arsitektur sistem memastikan seluruh keputusan tersebut relevan dengan karakteristik server. Di sisi lain, tanpa fundamental yang kuat, penggunaan AI hanya akan menghasilkan rekomendasi yang tampak meyakinkan, namun validitasnya sulit diuji terhadap kondisi nyata sistem yang dikelola. Pemanfaatan AI yang tepat guna harus diposisikan sebagai akselerator kompetensi, bukan pengganti kapabilitas inti tim IT.