Mengubah Kamera Smartphone Menjadi Mata ‘Pendeteksi Aset’ Negara

by | Nov 21, 2026 | Birokrasi Efektif-Efisien | 0 comments

Dalam suatu kompleks perkantoran pemerintah tersimpan puluhan ribu aset negara. Mulai dari laptop dinas, kursi kerja, kendaraan operasional, hingga alat berat.

Setiap tahun, para petugas penatausahaan aset harus melakukan ritual yang melelahkan. Mereka berjalan menyusuri koridor, mencocokkan nomor seri satu per satu, dan mencatatnya secara manual di atas lembar kerja yang tebal.

Proses inventarisasi  Barang Milik Negara (BMN) tradisional ini bukan sekadar menguras keringat dan waktu berbulan-bulan, tetapi juga menjadi celah besar bagi terjadinya kesalahan pencatatan. Dokumen bisa terselip hingga aset berharga yang “gaib” alias hilang tanpa jejak dari catatan.

Seiring dengan besarnya nilai kekayaan negara yang harus dipertanggungjawabkan, metode konvensional ini jelas sudah ketinggalan zaman. Transformasi digital bukan lagi sekadar opsi pelengkap, melainkan kebutuhan mendesak untuk menyelamatkan dari cara yang kurang efisien .

Di sinilah Machine Learning (ML) hadir sebagai sarana mutakhir. Dengan menyuntikkan kecerdasan buatan ke dalam sistem tata kelola aset, kamera smartphone atau drone biasa kini bisa diubah menjadi mata digital yang super jenius.

Teknologi ini mampu mengenali jenis barang, membaca kondisi fisik, hingga menghitung jumlah BMN secara otomatis dalam hitungan detik.

Artikel ini akan memeberikan sedikit gambaran bagaimana pemanfaatan Machine Learning dapat merombak birokrasi pengelolaan aset negara yang kaku menjadi sistem yang presisi, transparan, dan siap mengawal akuntabilitas keuangan publik di era modern.

Di balik megahnya laporan keuangan pemerintah, para pengelola aset di lapangan sebenarnya sedang menghadapi medan perang administratif yang sangat berat. Tantangan nyata pengelolaan BMN saat ini terletak pada benturan antara skala aset yang luar biasa besar dengan keterbatasan metode manual.

Setiap instansi pemerintah, dari tingkat pusat hingga daerah terpencil, mengelola ribuan hingga jutaan unit BMN. Menyisir, memeriksa, dan memastikan keberadaan setiap item ini secara berkala adalah tugas logistik yang hampir mustahil dilakukan secara sempurna tanpa bantuan otomatisasi.

Proses stock opname yang mengandalkan mata manusia dan pencatatan manual sangat rentan terhadap kesalahan. Petugas yang kelelahan bisa dengan mudah melewatkan barang, salah menginput nomor inventaris, atau melakukan pencatatan ganda. Kerumitan dalam menyesuaikan fisik BMN dengan namanya yang tercatat pada aplikasi menjadi tantangan dalam menghitung dan mengenali jenis barang.

Salah satu masalah klasik di birokrasi adalah barang yang berpindah ruangan atau dibawa pulang oleh pegawai tanpa adanya laporan resmi. Akibatnya, barang tersebut seringkali dianggap hilang atau “gaib” saat pemeriksaan fisik, meskipun sebenarnya masih ada di lingkungan kantor.

Sudah pernah ada metode yang lebih modern daripada manual yaitu menempelkan barcode pada barang. Namun metode ini umumnya masih bergantung pada stiker barcode fisik yang ditempel pada barang. Sayangnya, stiker ini seringkali mengelupas, pudar karena usia, atau sengaja dilepas, sehingga barang tersebut kehilangan identitas digitalnya saat akan dipindai.

Data BMN yang tidak akurat ini mengakibatkan pemerintah seringkali mengalami salah urus anggaran. Sebagai contoh, sebuah instansi mengajukan pengadaan laptop baru karena mengira stok mereka kurang, padahal sebenarnya ada puluhan laptop yang menumpuk tak terpakai di gudang lain.

Penyebabnya adalah pencatatan yang berantakan. Contoh lain adalah ketika ada kebutuhan pembelian kursi baru, namun terhalang masih banyaknya kursi lama yang belum dilakukan pemusnahan. Pemusnahan  tidak dapat dilakukan karena fisik barang tidak ditemukan.

Cara Kerja Machine Learning

Bagaimana sebuah program komputer bisa membedakan antara kursi kerja milik negara dengan kursi lipat pribadi milik pegawai?

Jawabannya terletak pada cabang kecerdasan buatan yang disebut Machine Learning (ML), khususnya melalui teknologi Computer Vision (Visi Komputer). Sederhananya, teknologi ini bekerja seperti melatih seorang anak kecil untuk mengenali benda-benda di sekitarnya, namun dengan kecepatan dan kapasitas memori komputer super cepat.

Proses mengenali dan menghitung BMN ini terjadi melalui beberapa tahapan cerdas yang otomatis:

  1. Menyiapkan Barang Menjadi Unik

Setiap BMN walaupun dengan merek dan tipe yang sama biasanya akan memiliki sesuatu yang membuat kita dapat membedakan dengan yang lainnya. Hal ini dapat kita lihat pada Serial Number (SN) barang tersebut.

Namun, SN biasanya tersembunyi sehingga sulit dipantau oleh kamera. Maka kita butuh membuat tanda baru yang berbeda-beda pada masing -masing barang agar dapat dikenali dengan mudah. Misalnya barang dapat ditambahkan dengan cat warna merah untuk lokasi pada Gedung X, warna hijau lingkaran untuk lokasi pada Gedung Y.

  1. Pengumpulan data. 

Sebelum diterjunkan ke lapangan, sistem ML diberi “makan” berupa ribuan foto BMN dari berbagai sudut dan kondisi pencahayaan. Sistem mempelajari karakteristik fisik barang dengan detail. Misalnya laptop dinas merek X memiliki logo instansi di pojok kanan, AC inventaris  memiliki bentuk persegi panjang putih dengan ukuran tertentu, atau nakas kecil terbuat dari bahan kayu dan tinggi 30 cm. 

  1. Mengenali Barang

Setelah ML mempelajari kharakteristik fisik barang, ketika petugas mengarahkan kamera smartphone atau menerbangkan drone di dalam ruangan, ML akan langsung bekerja. Kamera tidak lagi melihat gambar sebagai piksel warna mati, melainkan sebagai objek yang harus dikenali.

Sistem akan langsung memunculkan kotak pembatas (bounding box) di layar, menandai setiap objek dengan kalimat “Ini Kursi Kerja Besi”, “Ini Lemari Tiga Pintu”, atau “Ini Vertical Blind”.

  1. Kalkulasi dan Sinkronisasi Instan

Selain mengenali bentuk, ML juga bisa menghitung jumlahnya dalam hitungan milidetik. Jika dalam satu ruangan terdapat 15 laptop, kamera cukup menyapu ruangan tersebut sekali, dan sistem langsung mencatat angka “15”. Data jumlah ini kemudian secara otomatis dicocokkan dengan database aplikasi aset pemerintah (SAKTI) untuk melihat apakah ada selisih. 

  1. Menghasilkan Data Barang Ruangan (DBR)

Dengan data yang dihasilkan Machine Learning ini, posisi barang diketahui di ruangan mana. Jika pun ada perubahan letak akan segera diketahui dan komposisi DBR dapat segera diubah.

Melalui cara ini, Machine Learning tidak lagi bergantung pada stiker barcode fisik yang mudah rusak atau hilang. Selama wujud fisik barang tersebut masih bisa ditangkap oleh lensa kamera, sistem akan mampu mengenali dan menghitungnya dengan tingkat akurasi yang tinggi.

Manfaat Finansial dan Operasional bagi Negara

Implementasi Machine Learning dalam pengelolaan BMN bukan sekadar tren teknologi gaya-gayaan, melainkan sebuah investasi strategis yang membawa dampak masif pada penghematan anggaran negara. Manfaat konkritnya dapat dirasakan dari sisi utama:

  • Efisiensi Anggaran yang Signifikan.

Stock opname tradisional melibatkan biaya logistik yang besar, mulai dari perjalanan dinas petugas ke daerah terpencil, lembur pegawai, hingga pencetakan dokumen. Dengan ML, biaya ini dapat dipangkas habis karena proses verifikasi berjalan jauh lebih cepat dan bisa dilakukan secara mandiri lewat pemindaian digital.

  • Akurasi Data Mutlak demi Menekan Kerugian Negara.

Tidak ada lagi ruang bagi aset yang hilang tanpa penjelasan atau anggaran yang bocor akibat pengadaan barang yang mubazir. Ketika data aset akurat 100%, pemerintah tahu persis kapan harus melakukan pemeliharaan barang yang ada, alih-alih terburu-buru membeli barang baru yang sebenarnya belum diperlukan.

  • Transparansi Radikal dan Audit yang Instan.

Setiap kali kamera memindai BMN, sistem tidak hanya mencatat jumlah, tetapi juga posisi GPS dan waktu pemindaian. Hal ini menciptakan rekam jejak digital yang tidak bisa dimanipulasi, sehingga memudahkan audit aset secara real-time dan transparan.

Kesimpulan

Mengintegrasikan Machine Learning ke dalam urusan birokrasi Barang Milik Negara adalah langkah besar menuju era Smart Governance. Masalah-masalah klasik seperti salah hitung, aset gaib, dan tumpukan kertas laporan yang berdebu kini bisa diselesaikan dengan sapuan kamera smartphone dan kecerdasan algoritma.

Teknologi ini berhasil mengubah salah satu pekerjaan paling membosankan di pemerintahan menjadi proses yang instan, akurat, dan menyenangkan.

Menatap masa depan, digitalisasi BMN berbasis kecerdasan buatan bukan lagi sebuah opsi kemewahan, melainkan fondasi utama. Ketika ribuan triliun aset negara dapat dikelola dengan presisi digital yang tinggi, setiap rupiah uang rakyat yang dikonversi menjadi fasilitas publik akan terjaga dengan aman.

Langkah ini menjadi bukti nyata bahwa birokrasi Indonesia siap bertransformasi menjadi lebih bersih, efisien, dan siap mengawal akuntabilitas keuangan negara di era modern.

0
0
Cesilia Fidora ♥ Associate Writer

Cesilia Fidora ♥ Associate Writer

Author

Penulis merupakan Pranata Komputer Ahli Muda pada Badan Pemeriksa Keuangan Perwakilan Provinsi Sumatera Utara.

0 Comments

Leave a Reply

Sekilas Pergerakan Birokrat Menulis

Galeri Buku

Event

Diskusi STIA LAN

Diskusi Makassar

Diskusi Tjikini

Kerja sama dengan Kumparan

Mengikuti Kompetisi Riset KPK

Narasumber Diskusi Publik UGM

Program Dialog

Popular Post