Description

BISA AI National AI Agent Challenge 2026

BAB I PROBLEM STATEMENT

1.1 Masalah yang Ingin Diselesaikan

Pengelolaan pengaduan publik skala nasional seperti SP4N-LAPOR! menerima volume aduan yang sangat besar dari seluruh Indonesia setiap harinya. Proses birokrasi manual saat ini menciptakan hambatan operasional (bottleneck) yang parah pada birokrasi, terutama dalam tahap verifikasi awal, klasifikasi, deteksi duplikasi, hingga proses disposisi laporan ke instansi terkait. Masalah operasional ini semakin diperparah oleh maraknya laporan spam atau bot, penggunaan bahasa pelaporan masyarakat yang tidak terstruktur, serta tingginya variasi penanganan antarinstansi.

1.2 Target Pengguna

Target pengguna dari solusi ini adalah Aparatur Sipil Negara (ASN) dan Admin Pengelola Pengaduan di berbagai tingkatan (Kementerian, Lembaga, dan Pemerintah Daerah) yang bertugas secara langsung memverifikasi, mengklasifikasikan, merutekan, dan menindaklanjuti keluhan masyarakat pada platform pengaduan publik.

1.3 Mengapa Masalah Ini Penting Diselesaikan

Keterlambatan dan kesalahan dalam disposisi aduan berpotensi menurunkan tingkat kepercayaan masyarakat terhadap responsivitas pelayanan publik dan pemerintahan (good governance). Dengan menyelesaikan persoalan bottleneck administratif ini, ASN tidak perlu lagi menghabiskan waktu berlebihan pada tahap administrasi manual, melainkan dapat memfokuskan sumber daya mereka pada penyelesaian substansi permasalahan aktual warga. Transformasi digital ini krusial untuk memastikan setiap laporan ditangani secara akurat, transparan, dan terukur.

BAB II AI AGENT SOLUTION

2.1 Solusi yang Diusulkan

LaporPak! hadir sebagai Agentic Intelligence Layer yang beroperasi di belakang layar sistem layanan pengaduan publik, memposisikan diri sebagai asisten atau copilot bagi para admin. Menggunakan arsitektur hibrida yang aman, LaporPak! memadukan modul deterministik untuk penyensoran data pribadi (PII Masking) dengan kecerdasan buatan berbasis Multi-Agent. Sistem secara cerdas mampu mengekstrak entitas dari laporan, mendeteksi duplikasi aduan secara semantik menggunakan teknologi Vector Store, serta menjalankan Smart Routing untuk merekomendasikan disposisi instansi yang tepat lengkap dengan Confidence Score.

2.2 Analisis Gap terhadap Solusi yang Sudah Ada

Sebagian besar solusi yang ada di masyarakat berfokus pada sisi warga pelapor (seperti chatbot tanya jawab umum), namun belum ada yang secara spesifik dirancang untuk menyelesaikan beban operasional di sisi pengelola backend instansi pemerintah.

2.3 Alur Kerja AI Agent

1. Laporan masyarakat masuk melalui kanal pengaduan dan langsung dialirkan ke dalam sistem LaporPak!.
2. Laporan diproses oleh modul deterministik Regex & Spacy NER untuk PII Masking (Penyensoran Informasi Pribadi) sebelum dianalisis lebih lanjut.
3. Laporan yang sudah disensor diubah menjadi representasi vektor dan diperiksa oleh sistem Vector Store untuk mendeteksi adanya duplikasi aduan.
4. Primary LLM / Reasoning Engine melakukan Triage, ekstraksi entitas, dan menyusun rekomendasi disposisi (Smart Routing) dengan skor keyakinan tertentu.
5. Admin Copilot menyajikan hasil analisis, rekomendasi instansi, dan draf respons untuk ditinjau dan divalidasi oleh ASN (pendekatan Human-in-the-Loop).
6. Laporan yang mengalami stagnasi akan dilacak oleh agen SLA Copilot untuk rekomendasi eskalasi secara terukur.

2.4 Fitur Utama

• PII Masking Deterministik: Menyensor secara otomatis data pribadi pelapor (seperti NIK, nomor telepon, dll.) sesuai dengan regulasi UU PDP.
• Vector Deduplication: Memanfaatkan Vector Database dan Cosine Similarity Search untuk mendeteksi tiket yang duplikat secara semantik.
• Smart Routing & Triage: Model LLM bekerja mengekstrak entitas dari laporan mentah dan merekomendasikan disposisi instansi terkait beserta Confidence Score yang explainable.
• Response Drafting: Menyusun draf rancangan balasan laporan dengan mempertimbangkan kapabilitas pemahaman Bahasa Indonesia dan terminologi daerah.
• SLA Copilot (Auto-Monev): Secara otonom memonitor laporan yang stagnan dan memberi notifikasi serta rekomendasi eskalasi kepada supervisor.

2.5 Nilai Inovasi

Inovasi utama LaporPak! dibandingkan dengan solusi Chatbot/AI perkotaan lainnya terletak pada posisinya sebagai asisten backend bagi admin, bukan sekadar mencoba menjadi "super-app" bagi masyarakat. Nilai unggul lainnya adalah penggabungan PII Masking Deterministik untuk mencegah kebocoran data pada external prompt (memastikan kepatuhan UU PDP), dan integrasi basis Vector Deduplication untuk menanggulangi penumpukan laporan duplikat, serta konsistensi prinsip Human-in-the-Loop agar kewenangan diskresi tata usaha negara tetap berada di tangan ASN.

BAB III TECHNOLOGY AND ARCHITECTURE

3.1 Ringkasan Arsitektur

Arsitektur dirancang sebagai lapisan perantara (middleware) yang memproses laporan warga sebelum sampai ke dashboard admin. Sistem ini dibangun dengan pola multi-agent yang berjalan secara asynchronous di atas infrastruktur komputasi awan yang mematuhi standar SPBE (Sistem Pemerintahan Berbasis Elektronik). Setiap modul dikompartementalisasi-mulai dari lapisan masking data, lapisan deduplikasi vektor, hingga lapisan penalaran LLM-agar mempermudah skalabilitas performa.

3.2 Rincian Komponen Teknologi

3.3 Alur Data antar Komponen

Data laporan mentah dari warga masuk ke sistem dan pertama-tama disaring oleh modul Python Backend menggunakan Regex & Spacy NER. Setelah nama dan NIK disamarkan (PII Masked), teks aduan di-embedding dan dicari kemiripannya pada Vector Database. Apabila laporan bukan duplikasi, teks yang telah bersih diteruskan ke Gemini LLM. LLM memproses teks tersebut untuk menentukan sentimen, urgensi, dan rekomendasi instansi penindaklanjut. Hasil analisis terstruktur kemudian disimpan ke dalam database PostgreSQL dan disajikan ke antarmuka React agar admin dapat meninjau, menyetujui, atau memodifikasi draf sebelum resmi disirkulasikan.

3.4 Keamanan dan Privasi Data

Keamanan informasi merupakan pilar utama pengembangan sistem pengaduan publik. Pemanfaatan modul masking deterministik (Regex dan Named Entity Recognition secara lokal) memastikan bahwa tidak ada informasi pribadi masyarakat pelapor yang dikirim ke penyedia LLM publik, mencegah kebocoran data secara fundamental. Arsitektur ini juga memastikan penyesuaian yang ketat dengan kebijakan kedaulatan data (SPBE) dan amanat Undang-Undang Pelindungan Data Pribadi (UU PDP).

BAB IV IMPACT AND FUTURE DEVELOPMENT

4.1 Manfaat AI Agent

LaporPak! menyederhanakan tugas screening dan analisis dokumen yang semula menghabiskan banyak waktu dan sumber daya aparatur pemerintah. Manfaat konkritnya mencakup percepatan klasifikasi tiket (dari hitungan jam atau hari menjadi detikan), eliminasi polusi spam dan keluhan redundant, serta penurunan beban stres kerja kognitif bagi para Pengelola Pengaduan.

4.2 Dampak yang Diharapkan

Dampak utama dari inovasi ini adalah terciptanya tata kelola birokrasi yang lebih efisien, transparan, dan dapat dipertanggungjawabkan (explainable). Penempatan dan perutean disposisi akan jauh lebih akurat, memangkas proses lempar-tanggung jawab antar-instansi daerah. Pada akhirnya, kecepatan waktu penyelesaian laporan publik akan meningkat secara signifikan, berdampak langsung pada indeks kepuasan masyarakat.

4.3 Potensi Implementasi

Skalabilitas sistem memungkinkan LaporPak! untuk diadopsi sebagai middleware pada ekosistem pengaduan yang sudah mapan seperti SP4N-LAPOR!, maupun diimplementasikan di berbagai tingkatan mulai dari Pusat Panggilan Darurat (Call Center), Unit Pengelola Pengaduan Kementerian/Lembaga, hingga tingkat PPID di Pemerintah Provinsi dan Kabupaten/Kota.

4.4 Rencana Pengembangan Selanjutnya

1. Integrasi Voice-to-Text Multi-Bahasa Daerah: Memungkinkan pelaporan warga via pesan suara (voice note) dengan dialek dan bahasa daerah (misalnya: Bahasa Jawa, Sunda, dll) yang secara otomatis akan ditranskripsikan dan diklasifikasikan oleh sistem.
2. Computer Vision untuk Deteksi Infrastruktur: Menambahkan agen visual AI yang mampu menganalisis foto unggahan pelapor (misal: kondisi aspal berlubang, fasilitas publik rusak) guna menilai secara objektif tingkat kerusakan dan estimasi biaya perbaikan.
3. Agen Analitik Prediktif: Mengolah Big Data histori pengaduan guna memetakan pola spasial-temporal suatu permasalahan secara proaktif sebagai landasan perumusan kebijakan berbasis bukti (evidence-based policy).

DAFTAR PUSTAKA

Anwar, M. H., Ratnawati, S., & Rahmawati, D. (2026). Pengembangan Artificial Intelligence Pada Website SP4N Lapor Dalam Mempermudah Pengaduan. Journal of Governance and Public Administration (JoGaPA), 3(3).

Ardiansah, A. A., Fadli, Y., Chumeidy, A., & Hermawan, D. (2024). Analisis Efektivitas SP4N-LAPOR! Dalam Meningkatkan Pelayanan Publik Di Kabupaten Tangerang. Moderat: Jurnal Ilmiah Ilmu Pemerintahan, 10(4), 828-847.

Dinas Komunikasi dan Informatika Provinsi Jawa Tengah. (2025). (DRAFT) Kebijakan dan Prosedur Implementasi Artificial Intelligence (AI). Pemerintah Provinsi Jawa Tengah.

Handojono, F. D., Puspaningtyas, A., & Rahmadanik, D. (2025). Kualitas Pelayanan Progran SPAN LAPOR! Dalam Peningkatan Pengelolaan Pengaduan Masyarakat di Provinsi Jawa Timur. Universitas Pendidikan Ganesha.

PPID Kabupaten Penajam Paser Utara. (2022). Laporan Tahunan Pengelolaan Sistem Pengelolaan Pengaduan Pelayanan Publik Nasional (SP4N)-LAPOR!. Pemerintah Kabupaten Penajam Paser Utara.

PPID Provinsi Bali. (2025). Laporan SP4N-Lapor 2025. Pemerintah Provinsi Bali.

Situmorang, G. N. A., Dyatmika, V. K., Fatkhuri, & Adrian, M. M. (2026). Pemanfaatan Artificial Intelligence Dalam Pelayanan Pengaduan Masyarakat Studi Kasus SP4N-LAPOR!. Indonesian Journal of Innovation Multidisipliner Research, 4(2), 3819-3827.

Wulandari, S. (2023). Peningkatan Kualitas Pelayanan Publik Melalui Aplikasi Pengaduan SP4N-LAPOR! Pada Kementerian Pendayagunaan Aparatur Negara dan Reformasi Birokrasi. Jurnal Ilmiah Wahana Bhakti Praja, 13(2), 152-166.

LAMPIRAN

Link Canva: https://canva.link/fmhc6hpna8g8euz

Link Youtube Pitch: https://www.youtube.com/watch?v=lR9ujMv3k9E