Belajar Data Architect - Peran, Tanggung Jawab & Level

#Pendahuluan

Setelah di episode 0 kita menyiapkan environment — SQL, dbt, cloud sandbox, dan lab Docker — pada episode ini kita menjawab pertanyaan paling mendasar: apa itu Data Architect? Banyak yang mengira peran ini sama dengan data engineer senior, padahal ada perbedaan mendasar: engineer membangun solusi, arsitek merancang sistem yang akan dibangun banyak tim selama bertahun-tahun.

Memahami peran ini penting karena menentukan cara kalian berpikir sepanjang series. Setiap keputusan teknis yang akan kita bahas — memilih lakehouse, mendesain pipeline, menetapkan governance — adalah bagian dari tanggung jawab yang sama: memastikan organisasi punya fondasi data yang bisa diandalkan untuk tumbuh, bukan hanya untuk hari ini.

#Apa yang Sebenarnya Dikerjakan Data Architect

Seorang Data Architect merancang fondasi data perusahaan. Tiga deliverable utama:

Deliverable	Penjelasan	Contoh
Target Architecture	Bentuk arsitektur data masa depan yang dituju	Lakehouse dengan open format, medallion layers
Standar	Aturan yang harus diikuti semua tim	Konvensi penamaan, standar modeling, prinsip pipeline
Roadmap	Peta jalan dari kondisi sekarang menuju target	Migrasi warehouse lama ke lakehouse dalam 3 fase

Kerja nyatanya adalah berkomunikasi: mewawancarai tim bisnis untuk memahami kebutuhan, berdiskusi dengan data engineer tentang kelayakan teknis, dan menyajikan keputusan kepada stakeholder. Arsitektur yang hebat tetapi tidak dipahami tim adalah arsitektur yang gagal.

#Perbedaan dengan Peran Data Lain

Peran	Fokus Utama	Horizon Waktu
Data Analyst	Menjawab pertanyaan bisnis dari data yang ada	Hari-hari
Data Engineer	Membangun & mengoperasikan pipeline dan platform	Minggu-bulan
Data Scientist	Membangun model dari data	Bulan
Data Architect	Merancang bagaimana data dikelola secara utuh	Bulan-tahun

Data Architect bekerja lintas tim: menetapkan kontrak antar tim data, memastikan data product bisa dipakai konsumen lain, dan menjaga agar setiap keputusan lokal tidak merusak arsitektur keseluruhan. Ini yang membedakannya dari peran eksekutor.

#Tanggung Jawab Utama

#1. Merancang Arsitektur Target

Menentukan bentuk akhir ekosistem data: platform mana, format file apa, bagaimana model dibangun, dan bagaimana data mengalir. Contoh keputusan tingkat arsitek:

Contoh keputusan arsitektural

- Memilih lakehouse (Iceberg/Delta) sebagai single source of truth
- Menetapkan medallion architecture: bronze → silver → gold
- Menentukan SQL sebagai bahasa transformasi utama via dbt
- Memilih Airflow sebagai orchestrator pipeline

#2. Menetapkan Standar

Standar membuat banyak tim bekerja dengan cara yang konsisten. Tanpa standar, sepuluh tim data akan membuat sepuluh konvensi penamaan, sepuluh cara modeling, dan sepuluh definisi "customer aktif" yang berbeda. Standar yang umum:

Konvensi penamaan tabel, kolom, dan dataset.
Prinsip desain model (star schema vs Data Vault).
Definisi metrik di semantic layer (episode 11).
Kontrak data dan SLA (episode 13).

#3. Menyusun Roadmap

Roadmap menghubungkan kondisi saat ini dengan arsitektur target. Setiap fase harus punya value yang jelas — bukan sekadar "modernisasi", tapi hasil bisnis yang bisa diukur:

100%

#4. Menjaga Kualitas & Governance

Arsitek tidak membangun semua pipeline, tapi ia menetapkan kerangka yang memastikan pipeline dibangun dengan benar: standar kualitas data, keamanan, dan governance yang akan kita bahas di episode 8-10.

#Konteks 2026: Data Architect sebagai Kunci AI-Ready Data Foundation

Di 2026, peran Data Architect naik kelas. Alasannya sederhana: AI tidak bisa bekerja dengan data yang buruk. Model LLM, RAG, dan analitik prediktif semuanya membutuhkan data yang bersih, terstruktur, dan mudah diakses. Menurut laporan industri, organisasi yang gagal menyiapkan data foundation yang solid akan kalah cepat dalam adopsi AI.

Implikasinya pada peran arsitek:

Arsitek kini merancang untuk feature store, vector database, dan data untuk LLM/RAG (episode 21-22).
Arsitek menetapkan governance yang juga mencakup AI Act dan penggunaan data untuk model (episode 19).
Keputusan arsitektur kini dievaluasi dari AI readiness — apakah data ini bisa dipakai untuk training dan inference, bukan hanya untuk BI.

#Level Karir Data Architect

Level	Cakupan	Tanggung Jawab Utama
Data Engineer → Senior	Satu tim, satu domain	Membangun pipeline, memperbaiki yang rusak
Data Architect	Lintas tim data	Merancang target architecture & standar
Enterprise Data Architect	Lintas seluruh perusahaan	Menyelaraskan arsitektur data dengan arsitektur enterprise
Chief Data Architect	Strategi data perusahaan	Menetapkan arah, anggaran, dan roadmap data

Setiap kenaikan level menambah cakupan dan ketidakpastian: semakin tinggi, semakin sedikit tugas tangan yang dikerjakan dan semakin banyak keputusan yang dipengaruhi. Kita bahas detail jalur karir dan sertifikasi di episode 27.

Tip

Jika kalian ingin mencoba "cara berpikir arsitek" hari ini, ambil satu pipeline yang sudah ada di organisasi kalian lalu tuliskan: apa target architecture-nya, apa standar yang dilanggar, dan apa langkah pertama menuju perbaikan. Latihan ini lebih berharga dari membaca sepuluh buku teori.

#Penutup

Inti yang harus dibawa pulang:

Data Architect merancang fondasi data: target architecture, standar, dan roadmap.
Peran ini bekerja lintas tim, bukan membangun semua pipeline sendiri.
Di 2026, arsitek adalah kunci AI-ready data foundation.
Jalur karir: engineer → architect → enterprise architect → chief data architect.

Di episode 2 selanjutnya kita akan membahas prinsip dan framework arsitektur data — DAMA-DMBOK sebagai badan pengetahuan resmi, prinsip-prinsip desain yang harus dipegang setiap arsitek, model kematangan data, dan cara melakukan assessment arsitektur. Sampai jumpa di episode 2!