8  UAS-3 My Innovations

PUDAL-Loop Orchestrator: dari Sinyal → Keputusan → Aksi → Pembelajaran

1) Masalah yang ingin dipecahkan inovasi

Banyak sistem pelaporan publik berhenti di “bisa lapor”. Yang sering hilang: - proses triase, - penugasan dan SLA, - verifikasi hasil, - pembelajaran agar kejadian tidak berulang.

Inovasi saya menutup celah itu.

2) Inti inovasi: PUDAL-Loop Orchestrator

Saya mendesain AQUA-NUSA memakai siklus agentik PUDAL:

  1. Perceive: kumpulkan bukti (sensor/laporan/inspeksi)
  2. Understand: susun situasi (klasifikasi + anomali + risk score)
  3. Decide: pilih aksi (playbook + prioritas + fairness)
  4. Act: eksekusi (ticketing, assignment, logistik, komunikasi)
  5. Learning/Evaluating: ukur hasil (verifikasi + metrik + perbaikan)

3) Modul sistem (lebih “engineering”, bukan esai)

(A) Evidence Collector (Offline-First)

Input: laporan warga (teks+foto), inspeksi, sensor sederhana
Output: event terstruktur, contoh skema:

{
  "event_id": "EVT-2025-0001",
  "time": "2025-12-18T08:30:00+07:00",
  "location": {"lat": -6.90, "lon": 107.61},
  "type": "water_quality_complaint",
  "evidence": ["photo_url", "text_report"],
  "confidence": 0.72,
  "reporter_role": "citizen"
}

(B) Situation Classifier (AI + Rules)

  • NLP: laporan bebas → kategori (air keruh/bau/pipa bocor/toilet rusak) + confidence
  • Anomali: time-series sensor → sinyal abnormal
  • Risk score (0–100): dampak kesehatan, jumlah terdampak, tren spike, kedekatan fasilitas kritikal, kerentanan wilayah.

(C) Decision & Dispatch Engine (Playbook Aksi)

Contoh playbook (konsep): - Jika risk_score > 80 & kontaminasi → inspeksi cepat + notifikasi publik + suplai air sementara
- Jika pipa bocor → tiket perbaikan + estimasi waktu + update status berkala
- Jika sanitasi rusak → tiket perbaikan + fasilitas sementara + edukasi higiene

(D) Ticketing + SLA + Public Status

Status standar: - received → triaged → assigned → in progress → verified → closed
Bukti penutupan: - foto/tes ulang + konfirmasi warga.

(E) Learning Layer

  • metrik: MTTA, MTTR, repeat rate, resolution rate, citizen satisfaction, fairness gap
  • analisis akar masalah → perbaiki rule/model + dokumentasi.

4) Trade-off inovasi (biar terlihat matang)

  • Automasi vs akuntabilitas: keputusan berisiko tinggi tetap human approval.
  • Kecepatan vs fairness: prioritas bukan hanya “yang paling ramai”, tapi juga “yang paling rentan”.
  • Data lengkap vs realitas lapangan: pilih minimum viable evidence + verifikasi.

5) Artefak yang disarankan untuk repo

  • Diagram PUDAL + arsitektur 4-lapis (simpan di assets/)
  • Tabel playbook IF–THEN (lampir di bagian bawah dokumen)
  • Mock UI sederhana (peta + status tiket)

Lampiran: Tabel Playbook (contoh awal)

Kategori Kondisi Aksi Utama SLA Bukti Verifikasi
Kontaminasi Risk > 80 Inspeksi + suplai sementara + notifikasi 24 jam Tes ulang + konfirmasi warga
Pipa bocor Risk 50–80 Perbaikan + update status 48 jam Foto perbaikan + aliran normal
Sanitasi rusak Risk 50–80 Perbaikan + fasilitas sementara 72 jam Foto + inspeksi ulang