← Blog · Playbook · 10 min read
Sistem AI sebagus knowledge base yang menopangnya. Panduan ini menunjukkan cara menyusun, membersihkan, dan menata konten agar RAG Anda akurat dan terpercaya.
A 30-minute scoping call. We listen, ask three questions, tell you if we can help.
Book a callAda kebenaran yang tidak nyaman tentang proyek RAG dan asisten AI internal: kualitas jawabannya hampir tidak pernah dibatasi oleh model bahasa yang Anda pakai. Ia dibatasi oleh kualitas knowledge base yang menopangnya. Anda bisa memakai model paling canggih di dunia, tapi jika ia mengambil dari dokumen yang usang, duplikat, kontradiktif, atau berantakan, jawaban yang keluar akan ikut usang, duplikat, kontradiktif, dan berantakan. *Garbage in, garbage out* berlaku mutlak di sini.
Inilah yang sering dilewati saat tim Indonesia bersemangat membangun copilot internal atau chatbot berbasis pengetahuan. Mereka menghabiskan minggu-minggu memilih vector database dan mengatur prompt, lalu mengarahkan sistem ke folder SharePoint yang berisi ribuan PDF tak tertata dari sepuluh tahun terakhir. Hasilnya mengecewakan, dan model yang disalahkan. Padahal akar masalahnya ada di fondasi: knowledge base yang tidak pernah disiapkan untuk dibaca mesin.
Knowledge base yang siap untuk manusia dan yang siap untuk AI adalah dua hal berbeda. Manusia toleran terhadap kekacauan—kita bisa menemukan informasi yang benar meski tersebar di lampiran, menyaring versi lama secara intuitif, dan memahami konteks dari pengetahuan organisasi yang tak tertulis. Sistem AI tidak punya kemewahan itu. Ia mengambil potongan teks (chunk) berdasarkan kemiripan semantik, dan apa pun yang ia ambil akan diperlakukan sebagai kebenaran.
Knowledge base yang siap untuk AI punya beberapa ciri:
Setiap dokumen punya satu sumber kebenaran. Tidak ada lima versi kebijakan cuti yang berbeda beredar di folder berbeda.
Konten terstruktur dengan judul dan bagian yang jelas, sehingga bisa dipecah menjadi chunk yang bermakna dan utuh.
Setiap dokumen membawa metadata—pemilik, tanggal berlaku, departemen, status—yang bisa dipakai untuk filtering dan ranking.
Konten yang usang ditarik atau ditandai, bukan dibiarkan mengambang.
Bahasa konsisten: istilah yang sama dipakai untuk konsep yang sama di seluruh dokumen.
Jika knowledge base Anda tidak memenuhi ini, pekerjaan yang paling berdampak bukan menyetel model, melainkan membenahi fondasi.
Sistem RAG memecah dokumen menjadi potongan-potongan kecil sebelum di-embed dan disimpan. Cara Anda menulis dan menstruktur konten sangat menentukan kualitas potongan ini. Dokumen yang ditulis sebagai dinding teks panjang tanpa heading akan terpecah secara sembarang—satu chunk bisa berakhir di tengah kalimat, kehilangan konteks yang dibutuhkan untuk dipahami sendirian.
Beberapa prinsip menulis yang ramah-mesin:
Gunakan heading hierarkis yang bermakna. Heading bukan sekadar dekorasi; banyak strategi chunking modern memecah berdasarkan batas heading. Heading yang jelas ("Prosedur Pengajuan Reimburse Perjalanan Dinas") menghasilkan chunk yang koheren dan mudah ditemukan.
Buat setiap bagian dapat berdiri sendiri. Hindari kalimat yang sangat bergantung pada paragraf jauh sebelumnya ("Seperti dijelaskan di atas..."). Idealnya, sebuah bagian membawa cukup konteks agar bermakna meski diambil terpisah. Ulangi entitas kunci alih-alih memakai kata ganti yang ambigu.
Jaga panjang bagian moderat. Bagian yang terlalu panjang menghasilkan chunk yang mengandung banyak topik bercampur, menurunkan presisi retrieval. Pecah topik besar menjadi sub-bagian yang fokus.
Hindari informasi penting yang hanya hidup di tabel kompleks atau gambar. OCR dan parser sering kesulitan dengan tabel rumit, dan informasi visual hilang saat di-embed. Jika ada data penting dalam tabel, sertakan juga ringkasan naratifnya.
Tulislah dokumen seolah setiap bagiannya akan dibaca sendirian oleh orang yang tidak punya konteks. Karena itulah persis yang dilakukan sistem RAG.
Metadata adalah pembeda diam-diam antara RAG yang biasa dan yang andal. Tanpa metadata, sistem hanya bisa mengandalkan kemiripan semantik—dan kemiripan semantik tidak tahu bahwa dokumen kebijakan tahun 2019 sudah digantikan versi 2025. Dengan metadata, Anda bisa memfilter, memprioritaskan, dan memberi konteks pada setiap potongan pengetahuan.
Metadata minimum yang layak dilampirkan ke setiap dokumen:
Pemilik dan departemen: siapa yang bertanggung jawab atas akurasi konten ini.
Tanggal berlaku dan kedaluwarsa: kapan dokumen mulai berlaku dan kapan harus ditinjau ulang.
Status: draft, aktif, kedaluwarsa, atau ditarik. Sistem RAG seharusnya hanya mengambil dari konten aktif.
Tingkat sensitivitas/akses: publik internal, terbatas, atau rahasia—krusial untuk kontrol akses.
Versi dan tautan ke versi sebelumnya: untuk auditabilitas.
Metadata ini bukan sekadar administrasi. Ia memungkinkan retrieval yang lebih cerdas: memberi bobot lebih pada dokumen terbaru, menyaring konten kedaluwarsa, dan—sangat penting di konteks enterprise Indonesia—memastikan seorang karyawan tidak menerima jawaban yang bersumber dari dokumen yang tidak boleh ia akses.
Knowledge base organisasi yang sudah berumur hampir selalu mengidap tiga penyakit kronis, dan ketiganya beracun bagi RAG.
Duplikasi. Dokumen yang sama tersimpan di beberapa tempat dengan sedikit perbedaan. Saat sistem mengambil chunk, ia bisa mengembalikan versi yang berbeda-beda, membuat jawaban tidak konsisten. Lakukan deduplikasi: identifikasi dokumen yang nyaris identik, pilih satu sebagai sumber kebenaran, dan arsipkan sisanya.
Kontradiksi. Dua dokumen menyatakan hal berbeda tentang topik yang sama—misalnya batas plafon reimburse yang berbeda di SOP keuangan dan di handbook karyawan. RAG tidak punya cara menilai mana yang benar; ia mungkin mengambil keduanya dan membingungkan pengguna, atau lebih buruk, mengambil yang salah. Kontradiksi harus diselesaikan oleh pemilik konten, bukan oleh model.
Konten usang. Kebijakan lama, prosedur yang sudah diubah, produk yang sudah dihentikan. Konten usang yang dibiarkan adalah ranjau—suatu saat sistem akan mengambilnya dan menyajikan informasi yang salah dengan penuh percaya diri. Ini sangat berbahaya di sektor seperti perbankan atau asuransi, di mana informasi keliru bisa berakibat regulatoris.
Pendekatan praktis: lakukan audit konten satu kali yang menyeluruh sebelum onboarding knowledge base ke sistem AI. Inventarisasi semua sumber, identifikasi duplikat dan kontradiksi, tarik konten usang, dan tetapkan pemilik untuk setiap kelompok dokumen.
Knowledge base bukan artefak statis yang dibersihkan sekali lalu selesai. Ia adalah organisme hidup yang terus berubah seiring bisnis. Tanpa tata kelola, ia akan kembali kotor dalam hitungan bulan, dan kualitas RAG perlahan merosot tanpa ada yang menyadari hingga keluhan pengguna menumpuk.
Kunci keberlanjutan adalah kepemilikan yang jelas. Setiap dokumen atau kelompok dokumen harus punya pemilik bernama—orang yang bertanggung jawab atas akurasi dan kekiniannya. Pemilik ini bukan tim IT atau tim AI, melainkan ahli domain di unit bisnis terkait: tim HR memiliki kebijakan SDM, tim produk memiliki dokumentasi produk, tim compliance memiliki dokumen regulasi.
Bangun juga siklus tinjauan berkala. Dokumen dengan tanggal kedaluwarsa otomatis masuk antrean review. Saat ditinjau, pemilik mengonfirmasi apakah konten masih akurat, memperbaruinya, atau menariknya. Proses ini bisa diperkuat dengan sinyal dari sistem AI itu sendiri: dokumen yang sering memicu feedback negatif dari pengguna atau sering menghasilkan jawaban yang dikoreksi adalah kandidat prioritas untuk ditinjau.
Sistem RAG yang berjalan menghasilkan data berharga tentang kondisi knowledge base Anda:
Pertanyaan yang tidak terjawab menunjukkan celah konten yang perlu ditulis.
Jawaban yang sering dikoreksi atau di-thumbs-down menunjuk dokumen yang bermasalah.
Chunk yang paling sering diambil menandai konten paling kritis—prioritaskan akurasinya.
Pertanyaan yang menghasilkan jawaban kontradiktif mengungkap kontradiksi tersembunyi di sumber.
Loop umpan balik ini mengubah knowledge base dari beban pemeliharaan menjadi sistem yang terus memperbaiki diri.
Begitu knowledge base menjadi sumber jawaban yang diakses luas lewat AI, pertanyaan akses dan keamanan menjadi tajam. Sistem harus menghormati izin yang sudah ada: seorang staf tidak boleh mendapat jawaban yang bersumber dari dokumen direksi, dan dokumen yang mengandung data pribadi nasabah harus diperlakukan sesuai UU PDP No. 27/2022.
Ini menuntut beberapa hal: metadata sensitivitas yang akurat pada setiap dokumen, filtering retrieval berbasis identitas dan peran pengguna, serta kehati-hatian terhadap data pribadi yang mungkin terkandung dalam dokumen yang di-embed. Untuk konten paling sensitif, banyak organisasi memilih arsitektur yang menjaga embedding dan data tetap di lingkungan terkendali. Audit trail—siapa menanyakan apa dan jawaban dari dokumen mana—juga penting untuk akuntabilitas, terutama di sektor teregulasi.
Knowledge base enterprise di Indonesia jarang berupa dokumen teks bersih. Lebih sering ia campuran PDF hasil scan, presentasi PowerPoint, spreadsheet Excel berisi data penting, dan dokumen Word dengan tabel rumit. Setiap format ini menghadirkan tantangan tersendiri bagi pipeline RAG, dan mengabaikannya berarti membiarkan sebagian pengetahuan terpenting Anda tidak terjangkau.
PDF hasil scan membutuhkan OCR sebelum bisa di-embed. Kualitas OCR sangat menentukan—scan miring, resolusi rendah, atau dokumen dengan stempel dan tanda tangan bisa menghasilkan teks yang kacau. Sebelum memasukkan dokumen scan ke knowledge base, evaluasi apakah kualitas OCR-nya layak; dokumen kritis yang OCR-nya buruk sebaiknya diketik ulang atau diganti dengan versi digital aslinya.
Tabel adalah jebakan klasik. Informasi dalam tabel—misalnya matriks biaya layanan, jadwal pembayaran, atau daftar fitur per paket—sering hilang maknanya saat di-flatten menjadi teks linear. Sel-sel terlepas dari header kolomnya, dan hubungan antar data rusak. Solusi praktisnya: untuk tabel yang membawa informasi penting, sertakan ringkasan naratif yang menjelaskan isinya dalam kalimat utuh, atau gunakan parser yang mempertahankan struktur tabel dalam format yang bisa dipahami model.
Gambar dan diagram yang membawa informasi—alur proses, struktur organisasi, infografis—tidak tertangkap oleh embedding teks biasa. Jika informasi penting hanya hidup di gambar, ia praktis tidak ada bagi sistem RAG. Antisipasinya: tambahkan deskripsi teks (alt text yang kaya) untuk setiap gambar bermakna, atau manfaatkan Vision-Language Model untuk menghasilkan deskripsi otomatis yang kemudian ikut di-embed.
Prinsip umumnya: pastikan setiap informasi penting hidup dalam bentuk teks yang bisa dibaca mesin, di mana pun ia awalnya berada. Audit konten yang baik mencakup pemetaan format—mengidentifikasi pengetahuan kritis yang terkubur dalam format sulit dan memutuskan cara membuatnya terjangkau.
Cara dokumen dipecah menjadi chunk adalah keputusan rekayasa, tapi keputusan itu sangat dipengaruhi oleh bagaimana konten ditulis. Memahami interaksi ini membantu content owner menulis dengan cara yang menghasilkan retrieval lebih baik.
Strategi chunking naif—memotong setiap N karakter—menghasilkan potongan yang sering terpenggal di tengah kalimat atau mencampur dua topik. Strategi yang lebih baik memecah berdasarkan struktur dokumen: per heading, per paragraf, atau per bagian logis. Inilah mengapa heading yang bermakna dan bagian yang fokus begitu penting—mereka memberi sistem garis potong alami yang menghasilkan chunk koheren.
Beberapa pertimbangan yang menghubungkan penulisan dan chunking:
Overlap antar chunk membantu menjaga konteks di batas potongan, tapi tidak bisa menyelamatkan konten yang strukturnya buruk. Tulisan yang setiap bagiannya berdiri sendiri mengurangi ketergantungan pada overlap.
Ukuran chunk ideal tergantung konten. Dokumen prosedural yang langkahnya saling terkait butuh chunk lebih besar agar utuh; FAQ dengan pasangan tanya-jawab independen cocok dengan chunk kecil. Konten yang ditulis dengan unit makna yang jelas memudahkan menentukan ukuran ini.
Metadata per chunk—mewarisi metadata dokumen induk plus konteks lokal seperti judul bagian—meningkatkan presisi. Sistem yang baik menyertakan breadcrumb ("Dokumen: Kebijakan Reimburse > Bagian: Perjalanan Dinas") pada setiap chunk agar konteksnya tidak hilang.
Content owner tidak perlu menjadi insinyur RAG, tapi memahami bahwa tulisan mereka akan dipotong dan diambil per bagian akan secara alami menghasilkan dokumen yang lebih ramah-mesin.
Godaan terbesar dalam proyek AI pengetahuan adalah melompat langsung ke bagian yang seru—model, retrieval canggih, antarmuka mengkilap—dan menunda pekerjaan membosankan menyiapkan konten. Tapi urutan itu hampir selalu berakhir dengan kekecewaan. Tim yang berhasil membalik prioritas: mereka menginvestasikan waktu di depan untuk membersihkan, menstruktur, dan menata knowledge base, lalu membangun sistem AI di atas fondasi yang kokoh. Hasilnya bukan hanya jawaban yang lebih akurat, tapi juga sistem yang lebih mudah dipelihara dan dipercaya pengguna dalam jangka panjang.
Membangun knowledge base yang siap untuk AI menggabungkan disiplin content operations, rekayasa data, dan tata kelola—area yang jarang dikuasai satu tim sekaligus. Dibutuhkan pengalaman untuk tahu seberapa bersih "cukup bersih", bagaimana menstruktur konten agar ramah retrieval, dan bagaimana membangun siklus pemeliharaan yang benar-benar berjalan setelah konsultan pulang.
Sainskerta Solusi Nusantara membantu perusahaan Indonesia menilai kesiapan knowledge base mereka, merancang struktur dan tata kelola konten untuk RAG, lalu membangun sistem AI pengetahuan yang akurat dan terpercaya di atasnya. Jika Anda ingin tahu seberapa siap knowledge base Anda untuk menopang copilot internal atau chatbot, hubungi tim kami lewat halaman Kontak untuk menjadwalkan audit kesiapan awal. Kami akan tunjukkan celah yang paling kritis dan jalur tercepat menutupnya.
