Belajar System Analyst - AI-Assisted Analysis

#Pendahuluan

Setelah di episode 20 kalian mampu menimbang privasi dan etika sebagai analyst dewasa, kita masuk babak modernisasi diri: memakai AI generatif sebagai rekan kerja. Episode ini membahas AI-assisted analysis — di mana AI benar-benar memangkas waktu kerja, bagaimana menyusun prompt yang efektif, dan bagaimana menjaga mutu saat kecepatan naik.

Mengapa ini wajib dikuasai sekarang? Karena pemetaan pekerjaan SA telah bergeser: tugas-tugas administratif — menstranskripsi rapat, merapikan catatan, menghasilkan draft pertama dokumen — kini bisa dipangkas puluhan persen waktunya. Analis yang menolak tool ini akan kalah produktivitas; analis yang percaya buta padanya akan memproduksi dokumen meyakinkan-yet-salah. Jalur tengahnya adalah disiplin: AI sebagai asisten draft, manusia sebagai penanggung jawab mutu akhir.

#Peta Tugas: Apa yang Bisa Didelegasikan

Mulailah dari memilah pekerjaan berdasarkan risiko kesalahan vs manfaat otomasi:

Dua baris terakhir penting: AI tidak boleh memutuskan nilai bisnis, dan AI tidak boleh bertemu stakeholder. Relasi kepercayaan antar-manusia adalah inti elicitation — delegasinya ke mesin akan mengosongkan fungsi sosial pekerjaan Anda tanpa penggantinya.

#Workflow Konkret #1: Dari Rekaman Wawancara ke Notes

Rekap alur kerja yang kita pakai untuk sesi Bu Rina versi 2026:

1. Rekam (dengan izin) -> unggah ke tool transkripsi
2. Prompt ringkas hasil mentah:
 
   "Ringkas transkrip wawancara ini menjadi:
    a) fakta operasional (poin-poin),
    b) kebutuhan terindikasi bernomor R-n,
    c) pertanyaan lanjutan yang belum terjawab.
    JANGAN menambah informasi di luar transkrip;
    tiap butir sertakan timestamp rujukan."
 
3. Verifikasi manual: baca transkrip sambil cocokkan
   tiap butir R-n (10-15 menit, bukan dilewati!)
4. Simpan ke interview-notes-rina-v0.md seperti ep.03
5. Kirim rangkuman ke narasumber utk konfirmasi

Langkah 3 adalah titik yang membedakan profesional dari ceroboh: model bahasa kadang mengarang detail yang masuk akal — angka volume, nama proses — karena mereka melengkapi pola, bukan mengingat fakta. Timestamp rujukan pada prompt membuat verifikasi jadi cepat: setiap klaim punya alamat.

#Workflow Konkret #2: Draft User Story

Dari notes yang sudah tervalidasi, drafting user story menjadi hampir instan:

Konteks: sistem POS ritel offline-first (lampirkan
ringkasan BRD + contoh story existing).
 
Tugas: tuliskan user story untuk kebutuhan berikut,
format INVEST, lengkap acceptance criteria Gherkin
maksimal 5 skenario per story:
[R-tempel butir R1-R4 dari interview notes]
 
Aturan: bahasa Indonesia; aktor = peran bukan jabatan;
AC harus testable dan biner; tandai [PERLU-KONFIRMASI]
untuk setiap asumsi yang kamu ambil.

Instruksi [PERLU-KONFIRMASI] adalah trik kecil berdampak besar: ia memaksa model menandai batas pengetahuannya alih-alih mengisi senyap. Hasilnya bukan story final, melainkan story draft dengan daftar pertanyaan — persis bahan mentah sesi backlog refinement bersama tim.

Untuk diagram, pola serupa bekerja baik: minta Mermaid dari deskripsi proses, tempel hasilnya ke editor, perbaiki visual. Iterasi gambar-teks-gambar ini memangkas jam-jam menggeser kotak di draw.io untuk draft awal — finishing tetap manual karena tata letak yang enak dibaca manusia masih pekerjaan selera.

#Menjaga Mutu: Pagar Disiplin

Kecepatan tanpa pagar menghasilkan dokumen banyak tapi buruk. Empat aturan yang kami pegang:

1. Sumber kebenaran tetap artefak proyek, bukan riwayat chat AI. Setiap hasil yang layak pakai dimigrasikan ke tokokita-docs dengan format standar series — chat tool adalah workbench, bukan arsip.
2. Data sensitif tidak masuk prompt publik — transkrip berisi nomor HP member, angka omzet, atau kredensial hanya diproses lewat tool dengan garansi pemrosesan enterprise, atau dianonimkan dulu ([PELANGGAN-01]). Konsisten dengan privacy analysis episode 20: prompt adalah salinan data baru yang jarang terpikir retensinya.
3. Verifikasi proporsional risiko — ringkasan rapat cukup dicek peserta; user story dicek analyst; apapun yang menjadi dasar keputusan uang/regulasi dicek dua orang.
4. Catat pola prompt yang berhasil sebagai aset tim (06-decision/prompt-library.md) — prompt adalah SOP baru era AI; tim yang punya library matang onboarding anggota baru dua kali lebih cepat.

#Kesalahan Umum

1. Prompt sekali-lempar lalu kecewa — hasil pertama biasanya generik. Mutu output sebanding konteks yang diberikan: BRD ringkas, contoh gaya, batasan eksplisit. Anggap prompt sebagai briefing junior yang rajin tapi belum kenal proyek.
2. Halusinasi lolos ke dokumen resmi — kutipan wawancara yang tak pernah terucap, angka statistik fiktif. Sekali ketahuan oleh stakeholder, kredibilitas seluruh dokumen Anda runtuh.
3. Delegasi relasi — email permintaan maaf ke Bu Rina ditulis-dikirim AI tanpa dibaca; nada salah satu kalimat merusak relasi dua tahun. Komunikasi antar-manusia tetap wilayah manusia.
4. Ketergantungan skill — analis baru tak pernah belajar menulis use case karena selalu minta AI; begitu tool gagal atau konteks aneh, ia buta. Gunakan AI untuk mempercepat yang sudah bisa Anda lakukan, bukan menggantikan yang belum.
5. Shadow AI tanpa governance — tiap orang pakai tool berbeda dengan data proyek; organisasi tak sadar dokumen strategisnya tersebar di akun pribadi. Sepakati tool resmi tim — ini juga materi compliance map episode 19.

#Penutup

Inti yang harus dibawa pulang:

• Delegasikan tugas administratif berisiko-rendah (transkrip, draft, diagram); pertahankan murni-manusia untuk keputusan nilai dan relasi stakeholder.
• Workflow efektif: rekam-transkrip-prompt terstruktur-verifikasi berbasis timestamp-artefak resmi; prompt yang baik menyertakan konteks, format, dan instruksi menandai asumsi.
• Empat pagar disiplin: tanggung jawab tetap milik Anda, data sensitif dianonimkan, verifikasi proporsional risiko, prompt library sebagai SOP tim.
• AI mempercepat analisis, bukan menggantikannya — gunakan untuk memperkuat skill yang sudah ada.

Setelah mahir memakai AI sebagai alat, tantangan berikutnya lebih dalam: menganalisis sistem yang didasari AI sendiri. Di episode 22 selanjutnya kita membahas analyzing AI/LLM systems — kebutuhan khusus aplikasi berbasis model bahasa: strategi data, evaluasi mutu, dan desain UX yang mengelola ketidakpastian — dipraktikkan pada fitur baru TokoKita: asisten stok cerdas. Pastikan tetap semangat!