Implementasi Validasi Data Statistik Menggunakan Aplikasi MatchaPro dalam Mendukung Kinerja BPS
DOI:
https://doi.org/10.59945/jpnm.v4i4.1654Keywords:
validasi data, MatchaPro, statistik resmi, kualitas data, kinerja BPSAbstract
Validasi merupakan titik kendali penting dalam produksi statistik karena kesalahan format, ketidaklengkapan, duplikasi, dan ketidakkonsistenan logis dapat menurunkan akurasi serta ketepatan waktu keluaran. Penelitian ini menganalisis implementasi MatchaPro sebagai aplikasi pencocokan dan pemeriksaan data untuk mendukung kinerja Badan Pusat Statistik (BPS). Pendekatan yang digunakan ialah studi implementatif berorientasi design science dengan pengujian terkontrol pada 12.000 rekaman sintetik yang merepresentasikan karakteristik umum data sensus, survei, dan data administrasi. Evaluasi mencakup kemampuan deteksi tujuh kategori masalah, pengurangan waktu pemrosesan, keterlacakan temuan, dan kontribusi terhadap dimensi kualitas statistik. Hasil menunjukkan bahwa aturan terstruktur efektif mengidentifikasi masalah kelengkapan, format, rentang, referensial, logika, duplikasi, dan anomali temporal. Pada pengujian berulang, pemrosesan berbasis aturan terotomasi menurunkan waktu validasi sebesar 74,6% dibanding pemeriksaan sekuensial, sekaligus membentuk antrean pengecualian yang dapat ditelusuri. Manfaat terbesar muncul ketika aturan dilengkapi metadata, tingkat keparahan, penanggung jawab, dan mekanisme validasi ulang. Temuan menegaskan bahwa MatchaPro berpotensi meningkatkan efisiensi, konsistensi, akuntabilitas, serta ketepatan waktu proses statistik BPS, tetapi implementasinya memerlukan tata kelola aturan, pengamanan data, pelatihan pengguna, dan evaluasi berkala.
References
Badan Pusat Statistik. (2023). Peraturan Badan Pusat Statistik Nomor 5 Tahun 2023 tentang organisasi dan tata kerja Badan Pusat Statistik Provinsi dan Badan Pusat Statistik Kabupaten/Kota. JDIH BPS.
Badan Pusat Statistik. (2025). Keputusan Kepala Badan Pusat Statistik Nomor 996 Tahun 2025 tentang Standar Data Statistik Nasional. JDIH BPS.
Badan Pusat Statistik. (2026). Badan Pusat Statistik Indonesia. https://www.bps.go.id/id
Bian, J., Lyu, T., Loiacono, A., Viramontes, T. M., Lipori, G., Guo, Y., Wu, Y., Prosperi, M., George, T. J., Harle,
C. A., Shenkman, E., Birkhead, G. S., & Hogan, W. R. (2021). Assessing the practice of data quality evaluation in a national clinical data research network through a systematic scoping review in the era of real-world data. Journal of the American Medical Informatics Association, 28(1), 199–210. https://doi.org/10.1093/jamia/ocaa245
DAMA International. (2017). DAMA-DMBOK: Data management body of knowledge (2nd ed.). Technics Publications.
DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-
year update. Journal of Management Information Systems, 19(4), 9–30. https://doi.org/10.1080/07421222.2003.11045748
Ehrlinger, L., Rusz, E., & Wöß, W. (2022). A survey of data quality measurement and monitoring tools. Frontiers in Big Data, 5, 850611. https://doi.org/10.3389/fdata.2022.850611
Fadahunsi, K. P., O’Connor, S., Akinlua, J. T., Wark, P. A., Gallagher, J., Carroll, C., Majeed, A., & O’Donoghue, J. (2021). Information quality frameworks for digital health technologies: Systematic review. Journal of Medical Internet Research, 23(5), e23479. https://doi.org/10.2196/23479
International Organization for Standardization. (2008). ISO/IEC 25012:2008 software engineering—Software product quality requirements and evaluation (SQuaRE)—Data quality model.
International Organization for Standardization. (2022). ISO/IEC 27001:2022 information security, cybersecurity and privacy protection—Information security management systems—Requirements.
OECD. (2019). The path to becoming a data-driven public sector. OECD Digital Government Studies. https://doi.org/10.1787/059814a7-en
Papastergios, V., Ehrlinger, L., & Gounaris, A. (2025). Unfolding data quality dimensions in practice: A survey. arXiv. https://arxiv.org/abs/2507.17507
Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of Management Information Systems, 24(3), 45–77. https://doi.org/10.2753/MIS0742-1222240302
Quaresmini, C., & Primiero, G. (2023). Data quality dimensions for fair AI. arXiv. https://arxiv.org/abs/2305.06967
Republik Indonesia. (1997). Undang-Undang Republik Indonesia Nomor 16 Tahun 1997 tentang Statistik. Republik Indonesia. (2018). Peraturan Presiden Republik Indonesia Nomor 95 Tahun 2018 tentang Sistem
Pemerintahan Berbasis Elektronik.
Republik Indonesia. (2019). Peraturan Presiden Republik Indonesia Nomor 39 Tahun 2019 tentang Satu Data Indonesia.
Republik Indonesia. (2022). Undang-Undang Republik Indonesia Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.
United Nations. (2014). Fundamental principles of official statistics. General Assembly Resolution 68/261.
United Nations Economic Commission for Europe. (2019). Generic Statistical Business Process Model: GSBPM version 5.1. UNECE.
United Nations Statistics Division. (2019). United Nations national quality assurance frameworks manual for official statistics. United Nations.
van der Loo, M. P. J., & de Jonge, E. (2019). Data validation infrastructure for R. arXiv. https://arxiv.org/abs/1912.09759
van der Loo, M. P. J., & de Jonge, E. (2020). Data validation. arXiv. https://arxiv.org/abs/2012.12028
World Bank. (2021). World development report 2021: Data for better lives. World Bank. https://doi.org/10.1596/978-1-4648-1600-0
Zhang, L., Howard, S., Montpool, T., Moore, J., Mahajan, K., & Miranskyy, A. (2019). Automated data validation: An industrial experience report. arXiv. https://arxiv.org/abs/1903.03676
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 JPNM Jurnal Pustaka Nusantara Multidisiplin
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
