Arsip Tag: UU PDP

Synthetic Data Generation: Solusi Cerdas Perusahaan Melatih Model AI Tanpa Melanggar Privasi dan Aturan UU PDP No. 27/2022

Pendahuluan: Krisis Bahan Baku AI di Tengah Benteng Privasi Global

Pada tahun 2026, kecerdasan buatan (Artificial Intelligence) telah menjadi motor penggerak utama bagi efisiensi operasional korporasi dan inovasi produk digital. Namun, para pengembang AI, direktur teknologi (CTO), dan ilmuwan data (data scientists) di seluruh dunia kini menghadapi satu tantangan sistemik yang sama: krisis kelangkaan data latih berkualitas tinggi (the data wall). Untuk menghasilkan model AI yang akurat, cerdas, dan minim bias, algoritma pembelajaran mesin membutuhkan asupan data historis dalam skala yang sangat masif.

Di sisi lain, era eksploitasi data publik secara bebas telah resmi berakhir. Kesadaran masyarakat akan hak privasi digital berada di titik tertinggi, didukung oleh implementasi sanksi hukum perlindungan data yang sangat ketat di berbagai negara. Di Indonesia, penegakan hukum terhadap pelanggaran kerahasiaan data pribadi kini diawasi secara ketat tanpa kompromi. Menambang data transaksi, riwayat medis, atau perilaku digital pelanggan riil secara langsung untuk melatih model AI internal perusahaan tanpa izin tertulis yang sah adalah tindakan ilegal yang membawa konsekuensi hukum luar biasa berat.

Bagi pembaca setia Bizonara.com, dilema operasional ini membutuhkan solusi arsitektur data yang revolusioner: Synthetic Data Generation (Pembuatan Data Sintetis). Data sintetis adalah data tiruan yang dihasilkan secara artifisial oleh algoritma komputer (seperti model generatif AI) yang memiliki karakteristik statistik, pola perilaku, dan korelasi matematis yang identik dengan data dunia nyata (real-world data), namun sepenuhnya bebas dari informasi identitas pribadi (Personally Identifiable Information – PII). Artikel ini akan membedah secara ilmiah dan taktis bagaimana data sintetis menjadi solusi cerdas melatih AI, merumuskan indeks kualitas data sintetis, serta menavigasi kepatuhan hukum di Indonesia.

Perspektif Sains Data: Menghitung Indeks Kualitas Data Sintetis ($SDG$)

Memproduksi data sintetis bukan sekadar membuat angka atau teks acak menggunakan komputer. Data sintetis yang buruk dan tidak representatif justru akan merusak performa model AI Anda (garbage in, garbage out) atau melestarikan bias kognitif yang berbahaya.

Untuk mengukur kelayakan, akurasi, dan keamanan dari data sintetis yang Anda hasilkan sebelum digunakan untuk melatih model AI, kita dapat merumuskan Synthetic Data Generation Index ($SDG$):

$$SDG = \frac{F_{\text{fidelity}} \times P_{\text{privacy}}}{C_{\text{generation}} \times E_{\text{bias}}}$$

Di mana:

$F_{\text{fidelity}}$ (Fidelity) adalah tingkat kemiripan statistik dan akurasi pola (statistical similarity) antara data sintetis dengan data riil asli. Jika model AI dilatih menggunakan data sintetis dengan fidelitas tinggi, ia harus menghasilkan tingkat akurasi prediksi yang sama persis dengan jika ia dilatih menggunakan data riil.
$P_{\text{privacy}}$ (Privacy Protection) adalah skor kekuatan perlindungan privasi, mengukur ketahanan data sintetis terhadap serangan rekonstruksi data (membership inference attacks). Data sintetis harus memastikan bahwa tidak ada satu pun baris data tiruan yang dapat dilacak balik untuk mengungkap identitas individu nyata di dunia nyata.
$C_{\text{generation}}$ (Computational Cost) adalah biaya daya komputasi, waktu, dan infrastruktur server yang dihabiskan untuk melatih model generatif guna memproduksi data sintetis tersebut.
$E_{\text{bias}}$ (Bias Entropy) adalah tingkat bias atau ketidakseimbangan sistemik yang terkandung di dalam data sintetis. Salah satu keunggulan data sintetis adalah kemampuan manusia untuk merekayasa keseimbangan data (data balancing) guna menghilangkan bias rasial, gender, atau kelas sosial yang sering kali melekat pada data riil historis.

Secara analisis sains data, sebuah dataset tiruan dinyatakan sangat berkualitas dan aman digunakan untuk kebutuhan komersial apabila memiliki nilai indeks $SDG \ge 2.0$. Ini membuktikan bahwa data sintetis Anda memiliki kemiripan pola yang tinggi ($F_{\text{fidelity}}$ optimal) dan perlindungan privasi yang tangguh ($P_{\text{privacy}}$ tinggi), sementara bias sistemik berhasil ditekan ($E_{\text{bias}}$ rendah) dengan biaya komputasi ($C_{\text{generation}}$) yang efisien.

5 Pilar Strategis Implementasi Pembuatan Data Sintetis (Synthetic Data Generation)

Untuk mengadopsi teknologi data sintetis di perusahaan Anda secara aman, terarah, dan fungsional, terapkan lima pilar strategis berikut:

1. Pemilihan Arsitektur Generatif yang Tepat (GANs vs. VAEs vs. Diffusion)

Langkah awal adalah menentukan teknologi algoritma yang akan bertindak sebagai pabrik pembuat data sintetis Anda. Ada tiga arsitektur utama yang dominan digunakan di tahun 2026:

Generative Adversarial Networks (GANs): Sangat tangguh untuk memproduksi data visual (gambar/video) dan data tabular terstruktur. GANs bekerja dengan mempertemukan dua jaringan saraf: Generator (yang membuat data palsu) dan Discriminator (yang menilai apakah data tersebut asli atau palsu) hingga menghasilkan data tiruan yang sangat realistis.
Variational Autoencoders (VAEs): Sangat baik untuk menghasilkan data tabular keuangan atau data medis terstruktur yang membutuhkan kepatuhan distribusi probabilitas statistik yang ketat.
Diffusion Models: Standar emas baru untuk menghasilkan data tidak terstruktur skala besar (gambar resolusi tinggi, audio, dan teks kompleks).

2. Penjaminan Kepatuhan Privasi Menggunakan Metode Differential Privacy

Salah satu risiko terbesar dari data sintetis yang dihasilkan oleh AI adalah terjadinya overfitting—kondisi di mana model generatif meniru data riil secara terlalu detail, sehingga tanpa sengaja menyisipkan data pribadi asli ke dalam hasil sintetisnya.

Actionable Step: Terapkan teknik matematika Differential Privacy (DP) selama proses pelatihan model generatif Anda. Teknik DP bekerja dengan cara menambahkan gangguan matematis halus (mathematical noise) yang terukur ke dalam dataset asli selama pelatihan. Gangguan ini memastikan bahwa karakteristik makro data tetap terjaga, namun informasi mikro yang dapat mengidentifikasi individu secara spesifik terhapus secara permanen dari memori model generatif AI Anda.

3. Validasi Fidelitas Statistik Melalui Pengujian Empiris

Sebelum melepas dataset sintetis Anda ke dalam sistem pelatihan AI utama, Anda wajib membuktikan secara ilmiah bahwa data tersebut memiliki kualitas fungsional yang setara dengan data asli.

Actionable Step: Lakukan pengujian komparasi statistik secara ketat harian. Gunakan metrik seperti Wasserstein Distance atau Kullback-Leibler Divergence untuk mengukur seberapa dekat distribusi probabilitas data sintetis Anda dengan data riil. Jalankan juga uji fungsional Train on Synthetic, Test on Real (TSTR): latih model klasifikasi AI Anda menggunakan data sintetis, lalu uji kinerjanya menggunakan data riil. Jika akurasi model tetap stabil, itu adalah bukti sah bahwa data sintetis Anda memiliki fidelitas yang tinggi.

4. Memanfaatkan Data Sintetis untuk Menghilangkan Bias Data Historis

Data riil di dunia nyata sering kali mencerminkan ketidakadilan sosial masa lalu. Sebagai contoh, jika data riil persetujuan kredit pinjaman bank masa lalu didominasi oleh kelompok gender tertentu akibat bias historis manusia, AI yang dilatih dengan data tersebut akan meneruskan diskriminasi serupa.

Actionable Step: Gunakan data sintetis sebagai instrumen keadilan sosial digital (algorithmic fairness). Instruksikan model generatif Anda untuk memproduksi sampel data tambahan khusus (upsampling) bagi kelompok-kelompok minoritas yang datanya kurang terwakili di dunia nyata (underrepresented classes). Rekayasa data sintetis yang seimbang ini akan melahirkan model keputusan AI yang jauh lebih adil, objektif, dan bebas dari bias diskriminatif harian.

5. Membangun Ekosistem Pengawasan dan Tata Kelola Data Sintetis

Sama seperti data riil, data sintetis membutuhkan tata kelola pelabelan, penyimpanan, dan dokumentasi yang rapi guna menjaga integritas operasional sistem siber perusahaan.

Actionable Step: Buat kebijakan pelabelan metadata yang sangat transparan. Setiap dataset yang digunakan di dalam sistem IT perusahaan harus memiliki tanda pengenal yang jelas: Apakah ini data asli, data hibrida (gabungan), atau 100% data sintetis? Simpan model generatif pembuat data sintetis Anda di dalam repositori server terenkripsi yang aman guna menghindari penyalahgunaan oleh pihak internal untuk membuat data transaksi fiktif yang melanggar kepatuhan audit keuangan.

Navigasi Hukum: UU PDP No. 27/2022 dan Kepatuhan Regulasi di Indonesia

Penerapan teknologi Synthetic Data Latih AI di Indonesia berjalan sangat selaras dengan komitmen perlindungan hak asasi manusia digital yang diamanatkan oleh pemerintah:

Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP): Secara tegas menyatakan bahwa data pribadi adalah data tentang orang perseorangan yang teridentifikasi atau dapat diidentifikasi secara tersendiri atau dikombinasikan dengan informasi lainnya. Pelanggaran terhadap pemrosesan data pribadi tanpa dasar hukum yang sah (lawful basis) dapat dijatuhi denda administratif hingga $2\%$ dari pendapatan tahunan korporasi, serta tuntutan pidana kurungan.
Solusi Hukum Data Sintetis: Karena data sintetis yang sesungguhnya ($SDG \ge 2.0$) tidak mengandung unsur data pribadi yang dapat mengidentifikasi individu riil, maka penggunaan, transmisi, perdagangan, dan pemanfaatan data sintetis untuk pelatihan model AI dibebaskan sepenuhnya dari yurisdiksi kepatuhan UU PDP. Ini memberikan kepastian hukum yang mutlak bagi korporasi dan startup tekfin lokal di Indonesia untuk terus berinovasi mengejar ketertinggalan teknologi tanpa dibayangi ketakutan sanksi denda hukum negara.

Kesimpulan: Menguasai Masa Depan AI Tanpa Menumbalkan Privasi

Kunci sukses dominasi bisnis di era kecerdasan buatan tahun 2026 tidak lagi ditentukan oleh siapa yang paling nekat menguras data privasi pelanggan demi melatih mesin mereka harian. Pemenang sesungguhnya adalah organisasi yang memiliki kecerdasan arsitektur untuk memproduksi bahan baku data berkualitas mereka sendiri secara mandiri, aman, dan etis. Synthetic Data Generation bukan lagi sekadar alternatif teknologi penyelamat, melainkan standar industri baru yang menjembatani antara kemajuan inovasi AI dengan kehormatan hak privasi manusia.

Bagi Anda pengambil keputusan teknologi pembaca setia Bizonara.com, mulailah mentransformasikan pipeline manajemen data Anda ke arah desentralisasi sintetis sejak hari ini. Latihlah model generatif internal Anda dengan aman, terapkan metode diferensiasi privasi yang tangguh, hilangkan bias data masa lalu demi keputusan AI yang lebih adil, dan pimpinlah industri dengan reputasi perusahaan yang tidak hanya cerdas secara teknologi, melainkan berintegritas tinggi menghormati hak asasi digital bangsa Indonesia.

Algorithmic Management: Menyeimbangkan Penggunaan AI untuk Pengawasan Produktivitas Karyawan dengan Hak Privasi dan Etika Kepemimpinan

Tinggalkan Balasan

Pendahuluan: Kebangkitan “Bos Digital” dan Krisis Kepercayaan Karyawan

Lanskap manajemen kerja hibrida (hybrid work) dan jarak jauh (remote work) di tahun 2026 ditandai oleh satu pergeseran teknologi yang masif: adopsi sistem pemantauan produktivitas karyawan berbasis kecerdasan buatan (AI-powered employee monitoring atau bossware). Mulai dari pelacak keaktifan keyboard (keystroke logging), kamera pendeteksi fokus wajah melalui kecerdasan buatan, pelacakan otomatis pergerakan kursor, hingga algoritma otomatis yang menganalisis efisiensi waktu penyelesaian tugas harian, semuanya kini dapat dipantau oleh perusahaan secara seketika (real-time). Praktik manajemen baru ini dikenal secara global sebagai Algorithmic Management (Manajemen Berbasis Algoritma).

Bagi para eksekutif, manajer HR, dan jajaran pemimpin bisnis pembaca setia Bizonara.com, teknologi pengawasan ini menawarkan janji efisiensi yang luar biasa: kemampuan untuk melihat kinerja tim secara kuantitatif tanpa adanya sekat jarak fisik. Namun, jika tidak dikelola dengan kompas moral yang kuat dan etika kepemimpinan yang matang, penerapan manajemen berbasis algoritma yang agresif justru akan memicu krisis budaya organisasi yang fatal.

Karyawan merasa selalu dimata-matai, merasa tidak dihargai secara profesional, mengalami stres kronis (surveillance burnout), hingga menurunkan motivasi kerja internal mereka secara drastis. Alih-alih meningkatkan output, pengawasan ekstrem melahirkan perilaku “produktivitas semu” (fake productivity), di mana staf menghabiskan energi kreatif mereka hanya untuk memanipulasi algoritma pemantau (seperti membeli alat penggerak mouse otomatis) demi terlihat sibuk.

Artikel ini akan membedah secara ilmiah, taktis, dan etis bagaimana Anda dapat menerapkan Algorithmic Management Etis—sebuah metodologi kepemimpinan modern untuk memanfaatkan analitik data kerja berbasis AI secara presisi tanpa merusak hak privasi karyawan dan rasa percaya (trust) di dalam budaya organisasi Anda.

Perspektif Sains Manajemen: Menghitung Indeks Produktivitas Etis ($EPI$)

Dalam sains manajemen modern dan psikologi organisasi, performa kerja tim yang berkelanjutan (sustainable employee productivity) tidak ditentukan oleh jumlah menit jemari mereka mengetik di keyboard, melainkan oleh kejelasan tujuan, keamanan psikologis di tempat kerja, serta tingkat kepercayaan interpersonal yang terbangun antara pemimpin dan anggota tim.

Kita dapat mengukur efisiensi dan tingkat kesehatan dari penerapan manajemen berbasis algoritma di perusahaan Anda melalui variabel Employee Productivity Index ($EPI$):

$$EPI = \frac{P_{\text{measured}} \times T_{\text{trust}}}{O_{\text{surveillance}} \times F_{\text{burnout}}}$$

Di mana:

$P_{\text{measured}}$ adalah nilai output kerja riil yang berhasil dicapai oleh karyawan (Measured Real Output), seperti jumlah tugas yang terselesaikan, proyek yang dirilis, atau transaksi penjualan yang ditutup.
$T_{\text{trust}}$ adalah indeks kepercayaan dua arah (Trust Rating), berkisar pada skala desimal $0.1$ hingga $1.0$, mengukur tingkat loyalitas karyawan terhadap kepemimpinan dan rasa aman psikologis di lingkungan kantor hibrida.
$O_{\text{surveillance}}$ adalah intensitas pengawasan digital secara mikro (Surveillance Intensity Factor), dihitung dari seberapa banyak metrik aktivitas fisik sekunder (keystrokes, tangkapan layar berkala, pelacakan kamera) yang dipantau dan dinilai secara konstan oleh sistem AI.
$F_{\text{burnout}}$ adalah indeks kelelahan dan tekanan mental karyawan akibat pengawasan (Surveillance Burnout Index), berkisar dalam skala desimal $1.0$ hingga $2.0$.

Secara analisis manajemen organisasi, produktivitas kerja tim Anda dinyatakan sehat, stabil, dan berkelanjutan secara jangka panjang apabila memiliki nilai $EPI \ge 2,5$. Jika Anda menaikkan intensitas pengawasan mikro secara ekstrem ($O_{\text{surveillance}}$ melonjak tinggi) demi memantau setiap detik gerakan fisik karyawan, hal tersebut secara neurobiologis akan melumpuhkan kepercayaan ($T_{\text{trust}}$ merosot ke titik terendah) dan memicu stres mental kronis ($F_{\text{burnout}}$ meningkat). Akibatnya, nilai pembagi akan menggelembung drastis dan menekan nilai indeks produktivitas etis ($EPI$) Anda ke tingkat kritis. Karyawan yang cemas tidak akan pernah bisa menghasilkan karya yang inovatif.

5 Pilar Utama Menerapkan Algorithmic Management yang Etis

Untuk merancang tata kelola pengawasan produktivitas berbasis AI yang adil, legal, dan memotivasi tim kerja, terapkan lima pilar taktis operasional berikut:

1. Transparansi Algoritma Mutlak (No Black Box Monitoring)

Karyawan memiliki hak moral untuk mengetahui parameter apa saja yang digunakan oleh AI perusahaan untuk menilai kinerja mereka. Melakukan pengawasan siber secara sembunyi-sembunyi adalah pelanggaran kepercayaan yang tidak dapat dimaafkan dalam budaya kerja modern.

Actionable Step: Lakukan penyusunan piagam etika penggunaan AI internal (Corporate AI Ethics Charter) secara tertulis. Jelaskan secara eksplisit kepada seluruh karyawan: alat pemantau apa saja yang terpasang di perangkat kerja mereka, metrik apa yang dianalisis oleh algoritma AI (misalnya durasi waktu respons tiket pelanggan), serta bagaimana data tersebut digunakan untuk evaluasi kinerja. Berikan salinan dokumen ini sejak hari pertama proses onboarding karyawan baru.

2. Bergeser dari Pengawasan Aktivitas ke Penilaian Berbasis Hasil (Output Over Activity)

Sistem AI yang sekadar melacak metrik aktivitas fisik (seperti jumlah klik mouse atau ketukan keyboard harian) sangat tidak efisien untuk menilai performa pekerja berkeahlian tinggi (knowledge workers). Menulis satu baris kode pemrograman yang jenius membutuhkan perenungan kognitif mendalam yang terlihat “diam” di mata algoritma pemantau aktivitas harian.

Actionable Step: Konfigurasikan sistem manajemen algoritma Anda murni untuk melacak dan menilai hasil akhir (deliverables) dan pemenuhan tenggat waktu yang disepakati (milestones), bukan proses aktivitas fisiknya harian. Gunakan dasbor proyek (seperti Asana atau Jira) untuk memantau status penyelesaian tugas secara visual, sehingga karyawan memiliki otonomi penuh untuk mengatur bagaimana dan kapan mereka menyelesaikan tugas tersebut secara fleksibel.

3. Penghormatan Hak Privasi dan Batasan Waktu Kerja (Data Privacy and Right to Disconnect)

Mengawasi aktivitas karyawan di luar jam kantor (misalnya melacak lokasi GPS ponsel karyawan di akhir pekan atau memantau layar komputer di atas pukul 18.00) adalah pelanggaran etika dan pelanggaran hak asasi manusia yang berat.

Actionable Step: Pasang dinding pembatas pengawasan otomatis (automatic surveillance cutoff). Atur agar perangkat lunak pemantau produktivitas AI perusahaan Anda secara otomatis mati atau berhenti melacak aktivitas di luar jam kerja resmi karyawan (misalnya dinonaktifkan pada hari Sabtu, Minggu, dan hari libur nasional, serta di atas pukul 18.00 WIB harian). Berikan hak bagi karyawan untuk mematikan kamera dan sistem pelacak secara mandiri jika mereka sedang beristirahat atau menyelesaikan urusan pribadi darurat di sela-sela jam kerja hibrida.

4. Menyediakan Feedback Loop dan Hak Sanggah (The Human-in-the-Loop Rule)

Keputusan evaluasi kinerja, pemberian sanksi, pemotongan bonus, hingga pemutusan hubungan kerja tidak boleh diambil secara sepihak dan otomatis oleh keputusan algoritma kecerdasan buatan (no automated fire policy). AI dapat membuat kesalahan analisis semantik atau halusinasi data.

Actionable Step: Tegakkan protokol pengawasan manusia (Human-in-the-Loop). Tempatkan hasil analisis AI murni sebagai pemberi saran data awal (data insight). Jika sistem AI menandai seorang karyawan berkinerja buruk karena penurunan aktivitas mingguan, manajer manusia wajib melakukan sesi tatap muka dua arah (1-on-1 coaching) terlebih dahulu untuk mendengarkan konteks masalah personal yang dialami karyawan secara humanis sebelum mengambil keputusan sanksi.

5. Memprioritaskan Keamanan Psikologis sebagai Bahan Bakar Utama Inovasi

Budaya organisasi yang sehat adalah budaya di mana tim merasa aman untuk mengemukakan ide liar, berani melakukan eksperimen, serta berani melakukan kesalahan proses belajar tanpa rasa takut dihakimi secara kejam oleh sistem algoritma pemantau.

Actionable Step: Gunakan data analitik AI untuk tujuan yang konstruktif dan positif (supportive analytics), bukan sebagai alat penghukuman (punitive analytics). Manfaatkan AI untuk mendeteksi tanda-tanda awal kejenuhan kerja karyawan (seperti penurunan drastis waktu istirahat) secara proaktif, dan gunakan data tersebut untuk menawarkan bantuan kesehatan mental, program pelatihan ulang keahlian (re-skilling), atau penataan kembali beban kerja secara adil harian.

Perspektif Kepatuhan Hukum Perlindungan Data Pribadi (UU PDP No. 27/2022) di Indonesia

Mengimplementasikan Algorithmic Management Etis di Indonesia wajib berjalan selaras dengan kepatuhan hukum perlindungan data nasional yang diatur ketat oleh negara:

Kewajiban Persetujuan Eksplisit (Explicit Consent): Berdasarkan ketentuan Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP), setiap data aktivitas, riwayat pengetikan keyboard, tangkapan layar visual, pelacakan koordinat GPS, hingga data biometrik (wajah/suara) karyawan diklasifikasikan sebagai data pribadi yang dilindungi hukum. Perusahaan wajib mendapatkan persetujuan tertulis yang sah dan eksplisit dari karyawan sebelum melakukan pemrosesan, penyimpanan, dan analisis profil perilaku digital (profiling) mereka menggunakan sistem kecerdasan buatan.
Tanggung Jawab Hukum Pelanggaran Privasi: Kelalaian dalam melindungi kerahasiaan data aktivitas karyawan yang berujung pada kebocoran database ke publik membawa sanksi denda administratif yang sangat berat bagi korporasi hingga denda pidana penjara bagi pengurus perusahaan yang terbukti secara sadar melanggar hak privasi siber individu secara ilegal.

Kesimpulan: AI untuk Memberdayakan, Bukan Menjajah Kemanusiaan

Teknologi kecerdasan buatan di tahun 2026 menawarkan daya ungkit efisiensi yang luar biasa untuk melipatgandakan produktivitas organisasi. Namun, esensi sejati dari kepemimpinan bukanlah tentang penguasaan teknologi pengawasan siber, melainkan tentang kemampuan memelihara dan menghargai nilai kemanusiaan, rasa saling percaya, serta integritas moral tim yang bekerja bersama Anda. Algorithmic Management yang etis mengajarkan kita bahwa pengawasan terbaik bukanlah pengawasan yang didikte oleh rasa takut dimata-matai sistem, melainkan komitmen kinerja yang didorong oleh rasa memiliki visi mulia perusahaan bersama secara merdeka.

Bagi Anda pengambil keputusan bisnis pembaca setia Bizonara.com, mulailah mengevaluasi sistem pemantauan produktivitas tim Anda saat ini juga. Berhentilah membuang energi kognitif Anda untuk memantau metrik fisik aktivitas mikro yang tidak penting. Berdayakan otonomi kerja tim Anda, tegakkan transparansi data siber yang bersih sesuai UU PDP negara, pancarkan empati kepemimpinan yang tulus, dan pimpinlah organisasi hibrida Anda menyongsong masa depan kemakmuran yang berkah, adil, aman, tepercaya, serta melesat tumbuh tanpa batas di masa kini dan masa depan.