Use Cases

Computer Vision CCTV yang Patuh UU PDP: Pola Arsitektur untuk SI

Arsitektur computer vision CCTV untuk toko dan gudang: inference di Jakarta, wajah di-blur sejak awal, selaras dengan UU PDP. Dilengkapi checklist untuk SI.

Analitik CCTV dapat patuh pada UU PDP jika desainnya dimulai dari tujuan yang sempit: menghitung, mendeteksi kejadian, lalu membuang data yang tidak diperlukan. Pola ini memproses video di Indonesia, mem-blur wajah sebelum masuk ke model, dan hanya menyimpan event, bukan rekaman mentah.

Status: pola arsitektur yang dapat dibangun di IONext, bukan laporan proyek. System integrator (SI) dan perusahaan solusi AI dipersilakan memakai arsitektur dan checklist di halaman ini untuk proposal masing-masing.

Masalah apa yang dijawab computer vision pada CCTV?

Computer vision mengubah rekaman CCTV menjadi data yang bisa dipakai. Di toko, data itu berupa jumlah pengunjung per jam, panjang antrean kasir, dan rak yang kosong. Di gudang dan pusat distribusi, data itu berupa kepatuhan K3, misalnya penggunaan alat pelindung diri (APD) dan forklift yang memasuki zona pejalan kaki. Tanpa otomasi, rekaman baru ditinjau setelah insiden terjadi.

Use case ini memakai kamera yang sudah terpasang, sehingga klien tidak perlu membeli kamera baru. Tantangan utamanya ada pada data: video merekam wajah dan perilaku orang, sehingga berpotensi menjadi data pribadi.

Apakah rekaman CCTV termasuk data pribadi menurut UU PDP?

Ya, apabila rekaman tersebut dapat dipakai untuk mengenali seseorang. Pasal 4 UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi memasukkan data biometrik ke dalam kategori data pribadi yang bersifat spesifik, dan data yang dikombinasikan untuk mengidentifikasi seseorang juga termasuk data pribadi. Wajah yang terlihat jelas di video masuk dalam kategori ini.

Pasal 17 mengatur secara khusus pemasangan alat pemroses atau pengolah data visual di tempat umum dan fasilitas pelayanan publik. Syaratnya ada tiga: tujuannya keamanan, pencegahan bencana, atau penyelenggaraan lalu lintas; tersedia informasi di area yang dipasangi kamera; dan alat tersebut "tidak digunakan untuk mengidentifikasi seseorang". Syarat kedua dan ketiga dikecualikan untuk pencegahan tindak pidana dan penegakan hukum.

Implikasinya, face recognition di area publik bukan pilihan default yang aman. Jika kamera di area publik juga dipakai untuk analitik bisnis, seperti menghitung pengunjung, dasar pemrosesannya perlu dibahas bersama penasihat hukum klien sejak awal. Gudang bukan tempat umum, tetapi video pekerja tetap merupakan data pribadi.

Apakah proyek CCTV AI wajib DPIA?

Kemungkinan besar ya. Pasal 34 UU PDP mewajibkan pengendali data pribadi melakukan penilaian dampak pelindungan data pribadi (DPIA) untuk pemrosesan berisiko tinggi. Cakupannya meliputi pemrosesan data spesifik, pemrosesan berskala besar, pemantauan sistematis, dan penggunaan teknologi baru. Analitik CCTV umumnya memenuhi lebih dari satu kriteria sekaligus.

Per Oktober 2026, ringkasan PP Nomor 33 Tahun 2026 dari sebuah kantor hukum menyebut AI dan machine learning sebagai pemicu DPIA tersendiri, sedangkan "skala besar" dinilai dari konteks: volume, jumlah subjek data, durasi, jenis data, tujuan, dan cakupan geografis. PP ini diundangkan pada 16 Juli 2026 dan berlaku mulai 16 Januari 2027. DPIA tetap menjadi tanggung jawab klien selaku pengendali, sedangkan SI dapat membantu dengan deskripsi arsitektur dan aliran data. Lihat juga dampak PP 33/2026 untuk proyek AI.

Seperti apa arsitekturnya di IONext?

Alur computer vision CCTV: kamera dan NVR serta edge sampling frame di lokasi klien, lalu decode video, blur wajah, deteksi dan tracking, event dan klip, dan dashboard di Jakarta, diakhiri review manusia. IONA memantau setiap tahap di Jakarta

Arsitekturnya terdiri atas tujuh tahap. Tahap pertama berada di lokasi klien, sedangkan tahap kedua sampai ketujuh berada di Jakarta. Pada pola ini video tidak keluar dari Indonesia, dan yang disimpan jangka panjang hanya event terstruktur. Workload dikelola melalui workspace ORBIT, sedangkan IONA membaca sinyal production setelah go-live.

Edge di lokasi. Gateway kecil membaca stream RTSP dari NVR klien, mengambil sampel frame, dan membuang frame tanpa gerakan. Hanya frame yang relevan yang dikirim ke Jakarta melalui koneksi terenkripsi.
Ingest dan decode. Frame atau potongan stream masuk ke VM GPU di Jakarta melalui jaringan privat (VPC). Decode video dijalankan oleh hardware decoder di GPU, sehingga CPU tidak menjadi bottleneck.
Anonimisasi. Detector wajah yang ringan mem-blur setiap wajah sebelum frame masuk ke model berikutnya, log, atau storage. Ini tahap terpenting di seluruh pipeline.
Inference. Model object detection mendeteksi orang, APD, forklift, atau rak kosong. Tracker menghubungkan deteksi antarframe agar satu orang tidak terhitung berkali-kali. Model ini berjalan di GPU IONext di Jakarta.
Aturan bisnis. Logika milik SI mengubah deteksi menjadi event: jumlah pengunjung per jam, antrean yang melewati ambang batas, atau pelanggaran zona.
Penyimpanan. Event disimpan di database di Jakarta. Klip pendek di sekitar kejadian penting disimpan di object storage S3-compatible yang dibuat private, dengan masa simpan otomatis.
Review dan dashboard. Event dengan confidence rendah masuk ke antrean review manusia. Untuk ringkasan insiden, pipeline dapat mengirim frame yang sudah di-blur ke inference API IONext yang kompatibel dengan OpenAI. Per Oktober 2026, katalognya mencakup Qwen3.8-27B, model open-weight yang menerima input gambar.

Keputusan infra apa yang perlu diambil sejak awal?

Keputusan yang paling mahal untuk diubah di kemudian hari adalah data apa yang disimpan dan di mana video diproses. Keduanya perlu disepakati bersama klien sebelum kontrak ditandatangani. Model dan GPU dapat diganti kemudian, tetapi rekaman yang sudah terkumpul tidak.

Keputusan	Default yang disarankan	Alasan
Lokasi pemrosesan	Filter dan sampling di edge, inference di Jakarta	Mengirim stream penuh ke cloud memboroskan bandwidth. Inference terpusat lebih mudah diperbarui dan dipantau.
Data yang disimpan	Event terstruktur untuk jangka panjang, klip kejadian untuk jangka pendek, rekaman mentah tetap di NVR klien	Event jarang memuat data pribadi. Video adalah aset berisiko paling tinggi.
Face recognition	Tidak dipakai, kecuali klien memiliki dasar hukum yang jelas dan sudah ditinjau	Pasal 17 mensyaratkan alat di tempat umum tidak digunakan untuk mengidentifikasi seseorang, di luar pengecualiannya.
Model deteksi	Detector berlisensi Apache 2.0, misalnya RT-DETRv2, D-FINE, atau RF-DETR, yang di-fine-tune dengan footage klien	Lisensinya jelas untuk produk komersial tertutup. Lisensi model lain perlu dicek sebelum kontrak.
Tracker	Tracker berbasis posisi seperti ByteTrack (lisensi MIT)	Tidak menyimpan fitur penampilan seseorang. Jika re-identification diperlukan, batasi fiturnya di memory selama sesi tracking saja.
GPU	L40S 48GB untuk inference banyak stream, RTX PRO 6000 Blackwell SE 96GB untuk fine-tuning atau beberapa model sekaligus	Menurut datasheet NVIDIA, L40S memiliki 3 NVDEC dan RTX PRO 6000 Blackwell Server Edition memiliki 4 NVDEC untuk decode video di hardware.
Akses	Bucket, database, dan dashboard dibuat private, dengan akses melalui VPN atau VPC	Rekaman CCTV yang terbuka ke publik adalah kebocoran data yang nyata.

Apa yang biasanya "macet" setelah go-live?

Masalahnya jarang ada di model. Yang lebih sering terjadi: koneksi dari lokasi terputus, kamera bergeser, dan data yang seharusnya bersifat sementara ternyata tersimpan lama. Semuanya bisa diantisipasi sejak desain, asalkan klien punya penanggung jawab operasional dan ada monitoring untuk model drift.

Stream terputus. NVR restart, firmware diperbarui, atau internet toko turun. Pasang reconnect otomatis dan buffer di edge, lalu tandai jam tanpa data agar laporan tidak terbaca sebagai "toko sepi".
Kamera bergeser, lampu diganti, atau mode IR di malam hari. Kondisi berubah dan akurasi turun perlahan. Simpan frame referensi per kamera dan masukkan footage malam ke evaluation set sejak awal.
Purpose creep. Video untuk K3 tiba-tiba dipakai untuk menilai kinerja pekerja. Tujuan baru memerlukan dasar pemrosesan baru dan pembaruan DPIA. Catat tujuan pemrosesan di dokumen proyek.
Blur yang bocor. Wajah kecil di kejauhan atau yang menghadap menyamping lolos dari detector. Uji blur dengan sampel footage nyata, dan jangan menyimpan frame sebelum blur di mana pun, termasuk di log debug.

Checklist replikasi untuk SI

Tuliskan tujuan pemrosesan per kamera bersama klien, cek kesesuaiannya dengan Pasal 17 untuk kamera di area publik, dan pastikan papan informasi CCTV terpasang.
Petakan peran: klien sebagai pengendali, SI sebagai prosesor, dan penyedia infrastruktur sebagai sub-prosesor. Lihat pembagian peran SI dan penyedia infrastruktur.
Bantu klien menyiapkan bahan DPIA: aliran data, lokasi pemrosesan, masa simpan, dan langkah anonimisasi.
Tentukan apa yang diproses di edge dan apa yang dikirim ke Jakarta.
Pasang blur wajah sebelum frame masuk ke model, log, atau storage.
Pilih model deteksi dan tracker, lalu cek lisensinya untuk produk komersial.
Bangun evaluation set per jenis lokasi (toko, gudang) dan per kondisi (siang, malam).
Tetapkan masa simpan klip dan pasang lifecycle otomatis di object storage.
Atur semua bucket, database, dan dashboard menjadi private, lalu periksa peringatan exposed resource di IONA.
Siapkan alur reconnect, buffer di edge, dan penanda jam tanpa data.
Deploy pembaruan model melalui staging, dengan snapshot versi sebelumnya untuk restore.

Di mana IONext berperan

IONext menyediakan GPU di Jakarta untuk decode, inference, dan fine-tuning; VM, jaringan privat, dan object storage di workspace ORBIT; inference API untuk model open-weight; serta IONA untuk membaca sinyal production, seperti memory GPU, pipeline yang "macet", dan resource yang terekspos. Kamera, NVR, gateway edge, model deteksi, aturan bisnis, dashboard, dan hubungan dengan klien tetap dikerjakan SI. IONext tidak menyediakan model video analytics siap pakai dan tidak menggantikan DPIA milik klien. Detail sertifikasi ISO/IEC 27001:2022 dan lokasi data tersedia di halaman Keamanan dan Kepatuhan.

Mulai membangun pola ini: daftar di IONext Console, lalu jelajahi ORBIT dan IONA. Bagi SI yang ingin membawa pola ini ke klien retail, FMCG, atau logistik, pembahasan dapat dilanjutkan melalui Program Mitra IONext.

FAQ

Apakah toko boleh memakai face recognition pada CCTV? Pasal 17 UU PDP menyebut bahwa alat pemroses data visual di tempat umum tidak digunakan untuk mengidentifikasi seseorang, kecuali untuk pencegahan tindak pidana dan penegakan hukum. Jadi, face recognition bukan fitur default untuk analitik toko. Jika klien tetap membutuhkannya, perlu ada tinjauan hukum sebelum desain final.

Apakah semua video CCTV harus dikirim ke cloud? Tidak. Pola yang lebih efisien menyaring frame di edge dan hanya mengirim frame yang relevan ke Jakarta. Rekaman mentah tetap berada di NVR klien sesuai kebijakan retensi mereka.

Apakah pemrosesan di Indonesia otomatis membuat proyek CCTV AI patuh UU PDP? Tidak otomatis. Menjaga data di Indonesia menjawab persoalan transfer data ke luar negeri, tetapi kewajiban lain tetap berlaku: tujuan yang jelas, informasi di area kamera, DPIA, masa simpan, dan keamanan akses. Lihat juga penggunaan LLM untuk data pelanggan menurut UU PDP.

Sumber

Artikel ini merupakan informasi umum, bukan nasihat hukum. Kewajiban spesifik untuk setiap proyek sebaiknya dikonsultasikan dengan penasihat hukum.

IONext adalah infrastruktur AI berdaulat yang di-host di Indonesia, dioperasikan oleh PT Data Awan Nusantara di Jakarta. IONext menyediakan GPU as a Service, managed inference melalui API yang kompatibel dengan OpenAI, dan hosting model open-weight, bersertifikat ISO/IEC 27001:2022 oleh TÜV NORD.