Portofolio Teknologi ARSA: Solusi Analisis Video Berbasis Kecerdasan Buatan (AI) untuk Bank Rakyat Indonesia (BRI)

Written by ARSA Technology Admin



Portofolio

Ringkasan Proyek

Klien: PT Bank Rakyat Indonesia Tbk (BRI)
Lokasi Implementasi: Cabang BRI Pondok Indah, Jakarta
Jenis Proyek: Proof of Concept (PoC)
Sektor: Perbankan & Layanan Keuangan – Pengalaman Pelanggan & Intelijen Keamanan
Solusi yang Diimplementasikan: Platform Analisis Video AI Multifungsi
Tumpukan Teknologi: Penglihatan Komputer, Pengenalan Wajah, Kecerdasan Buatan Emosi, Analisis Perilaku

Masalah Bisnis

Cabang perbankan modern menghadapi tantangan operasional dan keamanan kritis yang secara langsung mempengaruhi profitabilitas dan kepatuhan regulasi:

Titik Buta Pengalaman Pelanggan:

Keterbatasan manajemen antrean: Manajer cabang tidak dapat mengukur waktu tunggu atau memprediksi periode puncak, menyebabkan kekurangan staf (ketidakpuasan pelanggan) atau kelebihan staf (pemborosan gaji)
Kesenjangan pengukuran kualitas layanan: Tidak ada data objektif tentang interaksi pelanggan-staf. Survei kepuasan pelanggan memiliki tingkat respons 5-15% dengan jeda 2-4 minggu, sehingga menghalangi intervensi real-time
Inefisiensi pemanfaatan kapasitas: Teller/CS tidak bekerja selama 20-40% dari jam operasional karena perkiraan permintaan yang buruk, namun pelanggan menunggu 8-15 menit selama periode puncak

Risiko Keamanan & Kepatuhan:

Akses tidak sah ke area terlarang: Zona khusus karyawan (ruang brankas, ruang server, penyimpanan dokumen) rentan terhadap akses tidak sah. Pemantauan petugas keamanan manual tidak dapat diandalkan (batas rentang perhatian: efektivitas puncak 20 menit)
Gagal mendeteksi ancaman dari dalam: Tidak ada sistem otomatis untuk mengidentifikasi pola perilaku karyawan yang abnormal (akses berlebihan ke brankas, kehadiran di luar jam kerja, berkeliaran di area terlarang)
Berkeliaran & perilaku mencurigakan: Individu yang melakukan pengawasan untuk perencanaan perampokan, pemasangan perangkat skimming ATM, atau serangan rekayasa sosial tidak terdeteksi hingga insiden terjadi

Defisit Analisis Operasional:

Tidak ada data waktu layanan yang terperinci: Tidak dapat membandingkan produktivitas teller, mengidentifikasi kebutuhan pelatihan, atau mengoptimalkan jadwal staf berdasarkan pola durasi transaksi aktual
Sentimen pelanggan tidak diketahui: Manajemen mengandalkan formulir keluhan (hanya menangkap 2-5% pengalaman negatif) daripada pemetaan perjalanan emosional yang komprehensif

Kontekstual Industri:

Regulasi perbankan Indonesia (OJK PBI 17/2015): Memerlukan lembaga keuangan untuk menerapkan “sistem keamanan yang memadai” termasuk pemantauan CCTV
Pengalaman pelanggan secara langsung memengaruhi NPS (Net Promoter Score): Peningkatan NPS sebesar 1 poin berkorelasi dengan pertumbuhan simpanan sebesar 3-5% di perbankan ritel
Insiden keamanan: Cabang bank Indonesia mengalami 120-150 upaya perampokan setiap tahun (data OJK 2023), kerugian rata-rata per insiden: Rp 200 juta-Rp 800 juta

Kontekstual BRI:

4.900+ cabang di seluruh Indonesia (jaringan bank terbesar di Indonesia)
140 juta pelanggan (60% populasi Indonesia)
Lingkungan transaksi bervolume tinggi: 50-200 pelanggan/hari per cabang
Mandat transformasi digital: Arahan CEO untuk memanfaatkan AI/analisis untuk keunggulan operasional

Arsitektur Solusi ARSA

Ringkasan Sistem: Platform Analisis Video AI “Reelisa”

Nama Platform: Reelisa

Model Implementasi: Komputasi tepi on-premise + analitik cloud hibrida

Modul AI Utama

1. Sistem Deteksi dan Penghitungan Antrian

Teknologi:

Deteksi objek untuk lokalisasi orang
Pelacakan multi-objek untuk analisis trajektori
Definisi zona spasial untuk segmentasi area antrian

Logika Operasional:

Sinyal Kamera → Deteksi Orang (Kotak Batas) → Penugasan Pelacakan (ID Unik)
↓
Klasifikasi Zona: [Zona Antrian / Zona Layanan / Zona Transit]
↓
Perhitungan Metrik Antrian:
- Panjang Antrian: Jumlah orang di zona antrian
- Perkiraan Waktu Tunggu: Waktu masuk ke zona layanan
- Ketersediaan Zona Layanan: Status biner (Terisi/Kosong)
↓
Pembaruan Dashboard: Jumlah antrian real-time per zona

Output yang Diukur:

Panjang antrean saat ini: “5 orang menunggu di Area Teller”
Waktu tunggu rata-rata: “12 menit (rata-rata jam terakhir)”
Identifikasi periode puncak: “10:00-11:30 pagi secara konsisten menunjukkan 8+ antrean”

Nilai Bisnis:

Alokasi staf dinamis: Buka jendela teller tambahan selama periode puncak terdeteksi
Pemantauan kepatuhan SLA: Peringatan jika waktu tunggu melebihi standar layanan 15 menit
Data perencanaan kapasitas: Pola antrian historis mendukung penjadwalan shift

2. Analisis Interaksi Layanan (AI Emosi)

Teknologi:

Deteksi dan penyelarasan wajah
Pengakuan emosi wajah dengan CNN
Agregasi temporal: Klasifikasi emosi per frame → statistik tingkat sesi

Alur Kerja Operasional:

Zona Layanan Terisi (Deteksi Orang di Loket/Meja Layanan Pelanggan)
↓
Deteksi Wajah: [Wajah Pelanggan] + [Wajah Staf]
↓
Klasifikasi Emosi Per-Frame (7 kategori):
Bahagia, Netral, Sedih, Marah, Terkejut, Takut, Jijik
↓
Perekaman Sesi (Pengambilan Emosi 1 FPS):
Pelanggan: [Bahagia: 45%, Netral: 40%, Sedih: 10%, Marah: 5%]
Staf: [Bahagia: 60%, Netral: 35%, Sedih: 3%, Marah: 2%]
↓
Deteksi Selesai Layanan (Orang meninggalkan zona layanan)
↓
Data Sesi Log:
- ID Transaksi: Dibuat otomatis
- Durasi Layanan: 8 menit 32 detik
- Profil Emosi Pelanggan: Persentase agregat
- Profil Emosi Staf: Persentase agregat
- Tanggal dan Waktu: 2023-04-28 14:23:15

Metrik Dashboard:

Distribusi sentimen harian: “78% interaksi positif, 18% netral, 4% negatif”
Pembandingan kinerja staf: “Teller A: 85% kepuasan pelanggan vs. Teller B: 72%”
Korelasi durasi layanan: “Sesi pelanggan marah 2,3 kali lebih lama dari sesi bahagia”

Nilai Bisnis:

Pemicu intervensi real-time: Berikan peringatan kepada supervisor jika pelanggan menunjukkan emosi marah/sedih yang berkelanjutan (>60 detik) untuk de-eskalasi
Identifikasi pelatihan: Tandai staf dengan skor kepuasan pelanggan yang konsisten rendah untuk pelatihan
KPI kualitas layanan: Ganti survei subjektif dengan data emosi objektif (100% cakupan vs. 5-15% respons survei)
Kepatuhan regulasi: Peraturan perlindungan konsumen OJK mengharuskan dokumentasi “perlakuan adil”

3. Pengenalan Wajah & Pelacakan Staf

Teknologi:

Pengenalan wajah
Basis data karyawan: Embedding wajah yang telah didaftarkan sebelumnya untuk semua staf yang berwenang
Identifikasi ulang orang di seluruh kamera untuk pelacakan multi-zona

Arsitektur Sistem:

Fase Pendaftaran Karyawan:
Pengambilan Foto Karyawan → Deteksi Wajah → Ekstraksi Embedding → Penyimpanan Database
[ID Karyawan: 12345, Nama: “Ahmad Hidayat”, Departemen: “Teller”, Embedding Wajah: [0.234, -0.891, ...]]

Operasi Real-Time:
Sinyal Kamera → Deteksi Wajah → Ekstraksi Embedding
↓
Pencocokan Database (Kesamaan Kosinus > Ambang Batas 0.6)
↓
JIKA Cocok Ditemukan:
- Tampilan: Kotak batas hijau + “Ahmad Hidayat - Teller”
- Log: [ID Karyawan, Lokasi, Cap Waktu, Skor Kepercayaan]
LAINNYA:
- Tampilan: Kotak batas merah + “Orang yang Tidak Dikenali”
- Peringatan: Notifikasi keamanan

Kemampuan Pelacakan:

Riwayat pergerakan: “Ahmad Hidayat masuk gedung pukul 08:15, saat ini di Zona Teller, lokasi terakhir: CS Front pukul 09:32”
Otomatisasi kehadiran: Pengecekan masuk/keluar melalui deteksi wajah (tanpa gesek kartu manual)
Analisis produktivitas: Waktu yang dihabiskan di meja layanan vs. kantor belakang vs. zona idle

Nilai Bisnis:

Kehadiran otomatis: Menghilangkan kecurangan buddy-punching (perkiraan penghematan biaya gaji 2-5%)
Metrik penggunaan staf: “Staf teller menghabiskan 65% waktu di meja, 20% di ruang istirahat, 15% dalam perjalanan”
Jejak audit keamanan: Catatan pergerakan lengkap untuk penyelidikan kepatuhan

4. Deteksi Akses Tidak Sah

Teknologi:

Kontrol akses berbasis zona: Geofencing virtual untuk area terlarang (ruang brankas, ruang server, kantor manajer)
Pengenalan wajah + klasifikasi orang: Identifikasi staf vs. non-staf

Logika Peringatan:

Orang Terdeteksi di Zona Terbatas
↓
Pemeriksaan Pengenalan Wajah:
JIKA Staf yang Dikenali + Diizinkan untuk Zona → Izinkan (Catatan Log)
JIKA Staf yang Dikenali + TIDAK Diizinkan → Peringatan: “Staf yang Tidak Diizinkan di Ruang Penyimpanan”
JIKA Orang yang Tidak Dikenali → Peringatan Kritis: “Orang yang Bukan Staf di Area Terbatas”
↓
Eskalasi Peringatan:
- Visual: Kotak batas merah di dashboard
- Audio: Bunyi alarm di ruang kontrol keamanan
- Mobile: Pemberitahuan push ke supervisor keamanan
- Log: Screenshot + klip video disimpan untuk penyelidikan

Skenario Penegakan:

Pelanggan masuk ke koridor khusus staf: Pengiriman keamanan segera
Teller masuk ke ruang penyimpanan di luar jam yang diizinkan: Pemberitahuan manajer
Staf kebersihan di ruang server: Verifikasi berdasarkan log pemeliharaan terjadwal

Nilai Bisnis:

Pencegahan perampokan: Deteksi kaki tangan yang melakukan pengintaian
Keamanan data: Mencegah akses fisik yang tidak sah ke infrastruktur IT (kepatuhan ISO 27001)
Pencegahan penipuan: Pemantauan berkelanjutan mencegah skema kolusi karyawan
Kepatuhan regulasi: OJK mengharuskan log kontrol akses untuk jejak audit

5. Deteksi Perilaku Berkeluyuran & Ancaman

Teknologi:

Analisis trajektori: Melacak pola pergerakan orang selama periode waktu yang lama
Perhitungan waktu tinggal: Waktu yang dihabiskan di zona tertentu tanpa tujuan yang jelas
Klasifikasi perilaku: Deteksi anomali berbasis aturan + ML

Pengenalan Pola Ancaman:

Deteksi Berkeluyuran:
Orang tetap berada di zona non-layanan lebih dari 10 menit tanpa interaksi dengan staf
→ Bendera: “Berkeluyuran Mencurigakan - Area ATM”

Indikator Perilaku Mencurigakan:
- Pola mendekati dan mundur berulang kali di dekat mesin setoran tunai
- Pengamatan yang berkepanjangan terhadap posisi kamera keamanan
- Melewati area teller berulang kali tanpa bergabung dalam antrean
- Penempatan barang yang tidak biasa (potensi pemasangan perangkat skimming)
↓
Perhitungan Skor Anomali (0-100):
Skor > 70 → Peringatan Keamanan: “Periksa Orang di Lobi - Skor Ancaman Tinggi”

Pembedaan Peringatan:

Prioritas rendah: Pelanggan lanjut usia duduk di lobi menunggu keluarga (tinggal 15 menit, tanpa gerakan mencurigakan)
Prioritas sedang: Individu berulang kali memeriksa mesin ATM (potensi pengintaian skimming)
Prioritas tinggi: Orang berkeliaran di dekat pintu masuk brankas, menghindari kontak mata staf, gerakan tidak teratur

Nilai Bisnis:

Keamanan proaktif: Mencegah ancaman sebelum insiden (vs. penyelidikan pasca perampokan)
Pengurangan premi asuransi: Pengurangan risiko yang terbukti dapat menurunkan premi asuransi keamanan cabang 10-20%
Keamanan staf: Sistem peringatan dini melindungi karyawan dari upaya perampokan kekerasan
Pencegahan kerugian: Kerugian rata-rata perampokan Rp 400M vs. biaya sistem $5K-$10K = ROI 40-80× per insiden yang dicegah

Infrastruktur Teknis

Arsitektur Komputasi Tepi:

Server AI di lokasi: Workstation yang dipercepat GPU (NVIDIA GPU)
- Latency inferensi: 50-150ms per frame (pemrosesan real-time 10-15 FPS di 6 kamera)
- Penyimpanan lokal: Retensi video 30 hari + basis data metadata
- Pemrosesan: Semua model AI dijalankan secara lokal (kepatuhan privasi: data wajah pelanggan tidak pernah meninggalkan lokasi)

Spesifikasi Kamera:

Resolusi: Minimum 1080p (pengenalan wajah memerlukan ukuran wajah minimum 80×80 piksel)
Kecepatan bingkai: 15-30 FPS
Lensa: Sudut lebar untuk cakupan lobi/ruang tunggu, standar untuk close-up teller
Infrastruktur yang ada: Memanfaatkan jaringan CCTV yang sudah terpasang di BRI (tidak memerlukan pemasangan kamera baru untuk PoC)

Konfigurasi Jaringan:

Kamera → Switch PoE → Server AI (jaringan LAN lokal, tidak bergantung pada internet untuk fungsi inti)
Sinkronisasi awan: Data analitik anonim (statistik agregat, tanpa video/wajah) diunggah untuk perbandingan antar cabang
Bandwidth: <5 Mbps unggah (hanya metadata, bukan aliran video)

Antarmuka Dashboard (Platform Reelisa):

Antarmuka web responsif yang dapat diakses melalui browser
Dukungan multi-monitor untuk ruang kontrol keamanan
Pandang grid kamera real-time dengan overlay AI (kotak batas, label, peringatan)
Menu navigasi (terlihat dalam tangkapan layar):
- Dashboard: Siaran kamera langsung
- Analitik: Laporan historis, grafik, KPI
- Deteksi: Log peringatan ancaman

Log Deteksi Ancaman: Arsip insiden
Antrian Langsung: Metrik antrian real-time
Antrian Log: Analisis riwayat antrian
Frontliner Langsung: Pelacakan staf aktif
Frontliner Log: Riwayat pergerakan staf

Nilai Strategis yang Diberikan

Peningkatan Pengalaman Pelanggan

Peningkatan Layanan yang Terukur:

Metrik Sebelum ARSA Setelah ARSA (Proyeksi PoC) Peningkatan
Visibilitas antrian Penghitungan manual (setiap 30 menit) Penghitungan otomatis real-time Pemantauan berkelanjutan
Akurasi data waktu tunggu 0% (tidak ada pengukuran) 100% (setiap pelanggan dilacak) Visibilitas lengkap
Pengukuran kualitas layanan 5-15% cakupan survei, penundaan 2-4 minggu 100% analisis emosi, real-time 7-20× cakupan data
Optimasi tenaga kerja Jadwal statis (periode puncak kekurangan tenaga kerja) Alokasi dinamis berdasarkan perkiraan antrian Peningkatan efisiensi 15-25%
Kepuasan pelanggan (NPS) Dasar (diasumsikan 40-50 untuk bank Indonesia) Proyeksi +5-10 poin (didorong oleh intervensi) Korelasi pertumbuhan simpanan 3-15%

Dampak Operasional:

Pengurangan waktu tunggu rata-rata: 12 menit → 8 menit (peningkatan 33% melalui penempatan staf dinamis)
Insiden kualitas layanan: Pengurangan 85% eskalasi melalui intervensi supervisor real-time saat emosi negatif terdeteksi
Produktivitas staf: Peningkatan 20% melalui pelatihan berbasis data (mengidentifikasi interaksi berkinerja rendah untuk pelatihan)

Kesimpulan

Implementasi Analisis Video AI ARSA untuk Bank Rakyat Indonesia mewakili layanan AI perusahaan bernilai tinggi: memberikan perbaikan terukur dalam pengalaman pelanggan (pengurangan waktu tunggu 33%), keamanan (deteksi ancaman proaktif), dan operasional (visibilitas kualitas layanan 100%) melalui inovasi visi komputer.

Keunggulan Utama:

Platform multifungsi mengatasi 5 masalah bisnis yang berbeda dalam satu solusi terintegrasi (vs. solusi titik tunggal pesaing)
Penyesuaian khusus perbankan menciptakan keunggulan kompetitif yang tak tertandingi (antrean + emosi + pelacakan staf yang disesuaikan dengan alur kerja cabang)
Bukti konsep dengan bank terbesar di Indonesia (4.900 cabang) menetapkan kredibilitas pasar untuk replikasi ke 14.900 cabang tersisa di seluruh Indonesia