← Semua studi kasus
PT Efisiensi Putra Utama (EPU)Transportation & Fleet OperationsActive — Phase 2 in progress (2025–ongoing)

AI Fleet Monitoring untuk Operator Bus Indonesia

PT Efisiensi Putra Utama mengoperasikan 60+ unit bus antarkota di Jawa. Setelah kami menyelesaikan platform ticketing di Fase 1, sekarang kami membangun sistem AI fleet monitoring yang menggantikan 8 posisi checker manual dengan CCTV-based passenger counting dan tracking bus real-time. Ownership penuh — dari edge inference sampai dashboard operasional. AI nyata di produksi nyata, bukan demo.

Klien

PT Efisiensi Putra Utama (EPU)

Masalah

Fase 1 adalah platform ticketing — seat selection, tracking real-time, dan membership — yang sudah kami rilis ke produksi. Fase 2 lebih berat. EPU butuh cara untuk mencocokkan jumlah penumpang dengan manifest tanpa menempatkan 8 checker di terminal setiap hari, plus view operasional langsung untuk mengetahui posisi setiap bus dan apakah on-schedule. Brief-nya praktis: pangkas biaya satu peran spesifik, beri control room satu peta tunggal, dan jangan ganti CCTV yang sudah terpasang. Bukan teater "strategi AI" — sistem yang jalan dan tetap hidup Senin pagi.

Kendala

  • Hardware WVP-PRO + GB/28181 NVR yang sudah ada harus dipertahankan — no rip-and-replace
  • Edge inference wajib: bandwidth dari bus tidak stabil
  • Tim operasional Indonesia — UI dan SOP harus dalam Bahasa
  • Harus jalan di infrastruktur komoditas, bukan cluster GPU hyperscaler
  • Patuh terhadap kontrak API telemetri Hino dan lifecycle refresh-token
  • Delivery oleh tim tunggal — tidak ada ruang untuk lab AI 10 orang

Pendekatan Kami

Kami ambil ownership engineering end-to-end. Integrasi dengan stack WVP-PRO + GB/28181 NVR yang sudah ada, snapshot pipeline ke YOLO26 inference sidecar, rekonsiliasi jumlah penumpang terhadap manifest digital dari Fase 1, dan Hino API client dengan token lifecycle management untuk telemetri GPS. Di atasnya — dashboard operasional real-time berbasis MapLibre + deck.gl dengan geometri rute PostGIS dan polyline OSRM untuk playback yang bersih. Sistem ter-deploy di setup Docker + Hetzner multi-tenant dengan Grafana, Prometheus, dan Loki untuk observability. Backend Go pakai Clean Architecture — domain, usecase, adapter, handler — supaya modulnya hidup melewati proyek ini.

Tech Stack

Next.js 15Tailwind v4Go (Chi)PythonPostgreSQLPostGISMapLibredeck.glMQTTYOLO26OSRMDockerHetznerGrafanaPrometheusLoki

Hasil

  • Platform ticketing Fase 1 sudah live di produksi pada armada EPU
  • Pipeline passenger counting AI berjalan di hardware NVR existing — tanpa CCTV baru
  • View peta real-time menggabungkan GPS, status, dan manifest dalam satu layar operasi
  • Menggantikan 8 posisi checker manual saat full rollout
  • Fondasi untuk produk fleet intelligence berikutnya di Idin Studio
  • Klien balik secara organik — Fase 2 didapat tanpa pitch kompetitif

Kenapa ini penting

Mayoritas "AI deployment" di Indonesia berhenti di slide deck. Yang ini berjalan di terminal setiap hari, mencocokkan dengan manifest nyata, dan diukur terhadap satu baris anggaran headcount. Pekerjaan seperti inilah yang kami cari. EPU juga jadi pengingat alasan kami ada sebagai agency. Klien balik langsung ke kami — bukan lewat marketplace, bukan lewat funnel sales. Trust organik yang lahir dari delivery adalah satu-satunya channel akuisisi yang scalable tanpa membakar modal.

LET'S GO

Respon dalam 24 jam · Discovery call gratis

Siap Memulai Proyek Anda?

Ceritakan ide atau tantangan bisnis Anda. Kami akan bantu tentukan langkah terbaik — tanpa biaya konsultasi awal, tanpa tekanan.

Mulai Diskusi
Top Rated Plus
100% Job Success
8+ Clients
AI Fleet Monitoring untuk Operator Bus Indonesia | Idin Studio | Idin Studio