60+ unit armada tercakup
Menggantikan 8 posisi checker manual
Jalan di CCTV existing — tanpa hardware baru
Masalah
Dengan platform ticketing Fase 1 sudah live dan menghasilkan manifest digital yang bersih, muncul masalah yang lebih berat. EPU butuh cara mencocokkan jumlah penumpang nyata dengan manifest itu tanpa menempatkan 8 checker di terminal setiap hari, plus view operasional langsung untuk melihat posisi setiap bus dan status on-schedule-nya. 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 tetap jalan Senin pagi.
Kendala
- [01]Hardware Holowits CCTV + NVR yang sudah ada harus dipertahankan — no rip-and-replace (integrasi via protokol WVP-PRO / GB/28181)
- [02]Edge inference wajib: bandwidth dari bus tidak stabil
- [03]Tim operasional Indonesia — UI dan SOP harus dalam Bahasa
- [04]Harus jalan di infrastruktur komoditas, bukan cluster GPU hyperscaler
- [05]Patuh terhadap kontrak API telemetri Hino dan lifecycle refresh-token
- [06]Delivery oleh tim tunggal — tidak ada ruang untuk lab AI 10 orang
Pendekatan Kami
Kami ambil ownership engineering end-to-end. Integrasi dengan hardware Holowits CCTV + NVR yang sudah ada via protokol WVP-PRO / GB/28181, snapshot pipeline ke YOLOv11 inference sidecar. Untuk mencapai akurasi tingkat produksi, kami membangun pipeline dataset kustom: frame mentah dari kamera bus diekstrak, dianotasi menggunakan Label Studio, dan digunakan untuk melatih (fine-tune) model deteksi objek YOLOv11 yang dioptimalkan khusus untuk tata letak interior bus, memastikan klasifikasi penumpang yang presisi sembari mengecualikan kru aktif (sopir/kondektur) dari hitungan akhir secara ketat. Kami merekonsiliasi jumlah penumpang langsung terhadap manifest digital dari platform ticketing 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 multi-tenant dengan Grafana, Prometheus, dan Loki untuk observability. Backend Go pakai Clean Architecture — domain, usecase, adapter, handler — supaya modulnya hidup melewati proyek ini.
Integrasi AI inference di sisi edge (YOLOv11) dengan CCTV legacy via protokol standar telekomunikasi (GB/28181) mengeliminasi kebutuhan investasi hardware baru sembari memberikan jaminan operasional secara real-time.
Galeri
Hasil
- Model YOLOv11 kustom yang dilatih pada dataset spesifik yang dianotasi via Label Studio, mencapai akurasi klasifikasi tinggi dan mengecualikan kru aktif secara presisi
- 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
- Merekonsiliasi jumlah penumpang langsung terhadap manifest digital Fase 1
- Dirancang menggantikan 8 posisi checker manual saat full rollout
- Modul inti (pipeline GPS, inference sidecar, infra multi-tenant) diekstrak sebagai pola reusable — klien serupa berikutnya onboard lebih cepat
- 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 kembali langsung ke kami — bukan lewat marketplace, bukan lewat funnel sales. Kepercayaan organik yang lahir dari delivery adalah satu-satunya channel akuisisi yang scalable tanpa membakar modal.