Mockup access required

Akses mockup SYNTRA membutuhkan pengisian form qualifying singkat. Kembali ke halaman utama untuk submit.

← Back to Homepage
⚠ Mockup ini dirancang untuk command center desktop. Untuk pengalaman penuh dengan semua visualisasi, buka dari komputer Anda.
Command Center · Sandbox
LIVE
07:42:13
← Exit
Mockup feel-the-system. Semua angka, event, dan transaksi di halaman ini adalah simulasi untuk memberikan gambaran cara kerja SYNTRA — bukan data operasional riil. Sistem sesungguhnya berjalan di Transjakarta hari ini dengan 5,237 armada aktif. Klik "Pandu Saya" di pojok kanan atas untuk panduan singkat setiap modul.

OVERVIEWNetwork Command Center

Ini halaman pertama yang dilihat tim Command Center setiap pagi. Semua KPI utama jaringan BRT muncul di sini — kondisi armada, headway, jumlah penumpang, insiden — semuanya update real-time. Klik tab modul di atas untuk drill-down ke fungsi spesifik, atau "Pandu Saya" untuk tur singkat.

Network Health — 60 menit terakhir

● LIVE
On-Time Performance
91.2%
▲ 2.3% vs jam lalu
Headway Compliance
87.4%
▲ 1.1%
Bus Aktif
4,988
▲ 12 dari target
Insiden Aktif
3
── stabil
Penumpang / Jam
58,420
▲ 4.2%

Live Fleet Map — Koridor 1 – 13

● 4,988 bus tracked
Cara baca: Setiap titik bercahaya = 1 bus. Hijau = on-time. Kuning = headway gap di atas target. Merah = insiden aktif (fatigue, overspeed, breakdown). Garis solid biru = koridor sedang aktif tinggi.
K1 K2 K3 K4 K5 K6 K9 K13

BRT Travel Speed (km/jam)

6 jam terakhir
Cara baca: Naik = makin cepat. Pagi padat (kiri) speed rendah, siang lengang (kanan) speed naik. Garis di bawah 20 km/jam = warning kemacetan koridor.
40 30 20

Demand: ML Forecast vs Aktual

Model R² 0.91
Cara baca: Garis solid biru = penumpang aktual. Garis putus kuning = prediksi ML. Makin overlap = model makin akurat. Selisih besar = recalibrate model.
AktualPrediksi
REAL USE CASE

Kenapa Overview ini penting?

Tim Command Center Transjakarta dulu butuh 15 menit setiap pagi hanya untuk compile angka KPI dari 23 operator yang Excel-nya beda-beda. Dengan SYNTRA Overview, supervisor tinggal buka 1 layar — langsung tahu armada mana yang under-deploy, koridor mana yang macet, dan operator mana yang perlu diingatkan SLA-nya. Keputusan dispatch yang dulu reaktif (setelah komplain) sekarang preventif.
15 → 0 menit
Daily KPI compile time
↑ 31%
Fleet productivity
↓ 22%
Average delay

M01Master Data & Planning

Fondasi seluruh operasi BRT. Modul ini menyusun timetable per koridor, mengatur headway target (jarak antar bus), menentukan target kilometer harian operator, dan sinkronisasi dengan format GTFS — standar data transit yang dipakai aplikasi seperti Google Maps dan Citymapper.

Planning Metrics

Snapshot 31 Mei 2026
Koridor Aktif
13
11 BRT + 2 mikro
Total Trip / Hari
38,420
▲ 6.4%
Target KM Harian
82,140
7 operator
Headway Rata-rata
238 s
▼ 18s vs Apr
Adherence
93.7%
▲ 4.1%

Active Timetables — Senin, 31 Mei 2026

13 koridor
Cara baca: ACTIVE = timetable berjalan sesuai rencana. REVIEW = ada penyesuaian (cuaca, event) — supervisor perlu approve. Headway target = berapa detik gap antara bus berikutnya yang harus dijaga.
KoridorOperatorHeadway TargetFirst BusLast BusDaily KM TargetAdherenceStatus
K1 · Blok M ↔ KotaPT MTI180 s05:0022:001,820 km95.1%ACTIVE
K2 · Pulogadung ↔ HarmoniPT BB240 s05:0022:001,540 km91.3%ACTIVE
K3 · Kalideres ↔ Pasar BaruPT MTI240 s05:0022:001,680 km88.7%REVIEW
K4 · Pulogadung ↔ GalunggungPT BMTJ300 s05:3021:301,420 km92.4%ACTIVE
K5 · Kp. Melayu ↔ AncolPT TJ240 s05:0022:001,860 km94.2%ACTIVE
K9 · Pinang Ranti ↔ PluitPT MTI300 s05:0022:002,140 km89.5%ACTIVE
K13 · Ciledug ↔ Tegal MampangPT BMTJ360 s05:3021:301,260 km96.1%ACTIVE

Headway Adherence per Koridor — 7 hari

Target ≥ 90%
100 85 70
Adherence AktualTarget 90%

KM Realisasi vs Target — bulan ini

7 operator
MTI TJ BMTJ SBJ BB PPD SAP
≥ 95%85-95%< 85%
REAL USE CASE

Studi Kasus — Koridor 3 Headway Optimization

Sebelum SYNTRA, headway target Koridor 3 (Kalideres ↔ Pasar Baru) di-set flat 4 menit sepanjang hari — terlepas dari jam padat atau lengang. Akibatnya: pagi bus penuh sesak (gap kelamaan), tengah hari bus jalan kosong (gap kependekan). Setelah SYNTRA analisa pattern 3 bulan, kami implementasi dynamic headway: 180s pagi padat, 240s siang lengang, 300s malam. Hasilnya headway adherence naik dari 76% ke 91% dalam 4 minggu, dan subsidi/penumpang turun karena utilisasi armada lebih merata.
76 → 91%
Headway adherence
↓ 14%
Subsidi per penumpang
↑ 22%
Utilisasi armada off-peak

M02Pre-Operation Management

Dua gate wajib sebelum bus keluar dari depo: Vehicle Inspection (cek kondisi armada — ban, lampu, rem, BBM, AC) dan Fit-to-Work (cek kesiapan pramudi — suhu tubuh, tekanan darah, jam tidur, Romberg balance, pointing & calling, tes narkoba). Tidak lolos = tidak boleh berangkat.

Morning Brief — Hari ini

● Real-time
Bus Diperiksa
514
▲ vs target 500
Pass Rate Armada
98.4%
▲ 1.2%
Pramudi Cleared
487
2 hold, 1 unfit
FTW Pass Rate
99.4%
▲ 0.3%
Avg Inspection Time
3.2 mnt
▼ 0.8 mnt

Vehicle Inspection — pagi ini

8 fail / 6 hold
Cara baca: Setiap baris = 1 bus. PASS = boleh berangkat. HOLD = perlu perbaikan minor, mungkin bisa berangkat siang. FAIL = ground sampai diperbaiki.
BusOperatorHasilTime
RT-402 / B83PT MTIPASS04:48
RT-115 / B12PT BBPASS04:52
RT-107 / B44PT TJHOLD · brake fluid04:55
RT-402 / B37PT MTIPASS05:01
RT-203 / B91PT BMTJFAIL · tyre worn05:06
RT-301 / B22PT TJPASS05:09

Fit-to-Work — pagi ini

487 pramudi
Cara baca: 6 titik cek: suhu (Temp), tekanan darah (BP), jam tidur (Sleep), Romberg test, pointing-calling, narkoba. Hasil UNFIT = otomatis di-replace dari pool stand-by.
PramudiTempBPSleepHasil
JSJuli S.36.8122/787jFIT
ABAdi B.37.1134/866jFIT
RHRudi H.37.5148/925jRECHECK
SMSutomo M.36.9118/758jFIT
BDBambang D.38.2165/983jUNFIT
HPHeru P.36.7120/807jFIT
REAL USE CASE

Studi Kasus — Mencegah Microsleep Bambang D.

Pagi ini 04:32, Bambang D. (pramudi senior, 12 tahun di Transjakarta) gagal Fit-to-Work — TD 165/98, suhu 38.2°C, tidur cuma 3 jam karena ada urusan keluarga. Tanpa SYNTRA, supervisor mungkin pity-clear karena percaya pengalaman. Tapi sistem auto-flag UNFIT, dan pool stand-by langsung dapat notifikasi → Tri W. backfill dalam 8 menit, tanpa delay keberangkatan Bus RT-402/B83. Tiga jam kemudian, ADAS-DMS di bus lain mendeteksi microsleep alert — kalau Bambang yang nyetir, kemungkinan besar jadi insiden serius.
↑ 40%
Safety incidents caught
8 menit
Avg replace time
0
Microsleep accident sejak deploy

M03Dispatch

Jantung operasional harian. Petugas endpoint (titik keberangkatan koridor) merilis bus berdasarkan rekomendasi sistem — sistem hitung gap optimal antar bus secara real-time. Tujuan: tidak ada bus bunching (2 bus jalan rapat), tidak ada gap kelamaan yang bikin penumpang menumpuk di halte.

Dispatch Performance — 60 menit terakhir

● Real-time
Trips Released
2,148
▲ on track
On-Time Release
94.7%
▲ 1.8%
Avg Gap Deviation
8.4 s
▼ 3.2s
Bus Bunching Events
2
⚠ K3, K9
Auto-recommendation Used
87%
▲ 4%

Live Dispatch Queue — Endpoint Kalideres (K3)

● Petugas: Heri W.
Cara baca: Sistem menyarankan "RELEASE NOW" untuk bus paling atas — gap dari bus sebelumnya sudah optimal. Bus di bawahnya QUEUED dengan ETA release. Petugas tinggal konfirmasi (tap), bus berangkat.
BusPramudiRecommend ReleaseGap dari Bus TerakhirCapacityAction
RT-402 / B83JSJuli S.00:00:00240 s · OPTIMAL52 seatsRELEASE NOW
RT-402 / B37ABAdi B.00:04:00—52 seatsQUEUED
RT-115 / B12SMSutomo M.00:07:30—40 seatsQUEUED
RT-402 / B44HPHeru P.00:11:00—52 seatsQUEUED
RT-115 / B20TWTri W.00:14:30—40 seatsQUEUED

Headway Live — Koridor 3

● per segmen
320s 240s 160s
Headway AktualTarget 240s

Bus Bunching Alerts — hari ini

2 events
TimeKoridorBusesMitigation
07:18K3 TomangRT-115/B8, RT-115/B12B12 hold 90s
06:45K9 Tegal ParangRT-402/B22, RT-402/B30B30 hold 60s
Bus bunching = 2 bus jalan terlalu rapat — penumpang menumpuk di bus depan, bus belakang jalan kosong. Sistem otomatis suggest hold bus belakang beberapa detik untuk reset gap.
REAL USE CASE

Studi Kasus — Heri W., Petugas Endpoint Kalideres

Heri sudah 8 tahun jadi petugas endpoint di Kalideres. Dulu dia pakai stopwatch + papan tulis untuk catat keberangkatan tiap bus. "Yang paling pusing itu kalau lagi 10 bus ngantri di endpoint, salah hitung gap = bus bunching di Tomang. Pasti dimarah supervisor." Setelah SYNTRA, tablet di kiosknya kasih rekomendasi otomatis — tinggal konfirmasi, bus berangkat. Bus bunching events di K3 turun dari rata-rata 14 per hari ke 2. Heri sekarang bisa fokus monitor kondisi pramudi yang mau berangkat (apakah ada yang sakit dadakan, dll), bukan sibuk hitung detik.
14 → 2
Bus bunching events/hari
↑ 31%
Trips on-time release
↓ 22%
Bus delays

M04Route Diversion & Utilization

Saat terjadi disrupsi (banjir, demo, kecelakaan, koridor ditutup), modul ini mengusulkan rute alternatif dan mereallocate armada secara dinamis. Tujuan: penumpang tetap terlayani dengan delay minimum, idle fleet ditekan.

Diversion Activity — 7 hari

Auto + manual
Active Diversions
2
K3 + K9
Avg Recovery Time
76 mnt
▼ 12 mnt
Buses Reallocated
42
last 24h
Passengers Affected
8,240
notified via SMS
Auto-Suggest Accuracy
89%
▲ 6%

Active Diversions

● 2 koridor
Cara baca: Sistem deteksi disrupsi dari multiple sumber (Waze API, CCTV, laporan operator). Auto-suggest rute alternatif berdasarkan history disrupsi serupa.
KoridorTriggered ByOriginal RouteDiverted ToBusesDetected AtETA Recovery
K3🌧️ Banjir 30cm — Tomangvia Tomang → Jelambarvia Tubagus Angke18 buses06:42~ 90 mnt
K9🚧 Demo — Mampangvia Mampang Prapatanvia Buncit Raya12 buses07:15~ 60 mnt

Diversion History — 30 hari

Top 5 causes
PenyebabEventsTotal Delay
🌧️ Banjir141,128 mnt
🚗 Kecelakaan22892 mnt
🚧 Demo / event8540 mnt
🔧 Konstruksi jalan11720 mnt
🚏 Halte maintenance6180 mnt

Fleet Utilization — bulan ini

After diversion
95% 85% 75%
Pre-SYNTRA baseline: 68%Now: 91%
REAL USE CASE

Studi Kasus — Banjir Tomang 8 Maret 2026

8 Maret 2026 jam 06:30, hujan deras menyebabkan banjir 30cm di Jalan Tomang Raya — koridor utama K3. Tanpa SYNTRA, supervisor harus telepon manual ke 18 bus, lalu ke 6 halte yang terdampak, lalu update papan informasi penumpang. Estimasi: 45 menit chaos. Dengan SYNTRA, Waze API + CCTV jalan auto-deteksi banjir dalam 3 menit. Sistem suggest rute alternatif via Tubagus Angke, update GPS semua 18 bus, broadcast notifikasi ke aplikasi penumpang, dan reallocate 4 bus ekstra dari K4 (yang sedang sepi) ke K3 untuk handle volume penumpang yang dialihkan. Semua otomatis dalam 8 menit.
45 → 8 menit
Response time
8,240
Penumpang notified
0
Stranded passengers

M05Ritase & KM Calculation

Setiap bus-kilometer terverifikasi oleh GPS terhadap rencana rute. Hasilnya dipakai untuk auto-generate tagihan subsidi Buy-The-Service (BTS) ke Kemenhub/Pemda. Tidak ada lagi sengketa "bus-nya jalan apa nggak" — semuanya bisa di-audit per detik.

Subsidy Snapshot — bulan ini

Real-time
Verified KM (MTD)
1.84M
▲ 4.2%
Pending Verification
12,420
~ 0.7%
Total Claim Value
Rp 24.3 M
▲ 4.2%
Auto-Approved
87.4%
▲ 12%
Dispute Rate
0.4%
▼ 89%

Verified KM & Subsidy Claim — 30 hari terakhir

● GPS verified
Cara baca: Planned KM = berapa km harusnya berdasarkan timetable. Actual (verified) = berapa km bus benar-benar jalan, diverifikasi GPS per detik. Deviation < 3% biasanya auto-approve. Lebih dari itu masuk review.
OperatorPlanned KMActual KMDeviationRate / kmClaim (Rp)Trend 30dStatus
PT MTI156,200154,820-0.9%Rp 13,200Rp 2.04 MAPPROVED
PT BB112,800108,440-3.9%Rp 13,200Rp 1.43 MREVIEW
PT TJ184,500182,950-0.8%Rp 13,200Rp 2.41 MAPPROVED
PT BMTJ98,40097,860-0.5%Rp 13,200Rp 1.29 MAPPROVED
PT SAP84,20078,540-6.7%Rp 13,200Rp 1.04 MREJECTED
REAL USE CASE

Studi Kasus — Akhiri Sengketa Subsidi PT SAP

PT SAP (operator hipotetis) selama 2 tahun selalu klaim 100% target KM setiap bulan — Rp 1.1 M per bulan. Auditor curiga tapi tidak ada bukti karena cuma punya log keberangkatan. Setelah SYNTRA terpasang dengan GPS per-second tracking, terdeteksi: 6.7% deviation — banyak bus yang "berangkat" tapi tidak menyelesaikan rute, atau parking di pinggir koridor. Sistem auto-reject claim Rp 70 juta. Skala-up ke 7 operator, SYNTRA berhasil reduce subsidi waste 18% per penumpang — Rp 12.4 M per 30 hari dihemat secara konservatif.
↓ 89%
Dispute rate subsidi
↓ 18%
Subsidi per penumpang
Rp 12.4 M
Saved / 30 hari

M06Operator & Driver Management

Profil 12,400+ pramudi aktif dengan Driver Rank (skor 0-100 berdasarkan kepatuhan + insiden + customer rating). Tracking jam kerja, log sanksi, change log per data, dan operator scorecard. Pramudi top performer dapat insentif, yang under-perform masuk re-training otomatis.

Workforce Snapshot

Real-time
Active Pramudi
12,418
88 stand-by
Avg Driver Score
87.4
▲ 2.1
Trips Today
28,420
▲ 6%
Sanctions This Month
14
▼ 32%
Re-training Queue
28
scheduled

Top Drivers — minggu ini

Auto-scored
Driver Score = headway adherence 30% + zero violations 25% + customer rating 20% + on-time 15% + safety 10%.
#PramudiTripsScoreTrend
1JSJuli S.4298.4▲ +1.2
2SMSutomo M.4097.1▲ +0.8
3TWTri W.3896.8▲ +2.1
4ABAdi B.4195.7▼ -0.3
5HPHeru P.3994.9▲ +1.5

Need Coaching — minggu ini

Auto re-training
Skor < 75 = auto-schedule re-training. Tidak ada pemecatan otomatis — semuanya butuh approval supervisor dengan justifikasi.
#PramudiTripsScoreIssue
1BDBambang D.3662.1Fatigue x3
2RHRudi H.3764.3Overspeed x4
3EKEko K.3468.5Phone use x2
4YSYudi S.3570.2No seatbelt x5
5SUSuparman3371.8Headway drift

Average Driver Score Trend — 6 bulan

All operators
95 85 75 Dec Jan Feb Mar Apr May
REAL USE CASE

Studi Kasus — Insentif Top Driver vs Re-training Bambang D.

Juli S. (Driver #1, score 98.4) dapat bonus Rp 750k bulan ini dari insentif performance — otomatis kalkulasi sistem, transfer langsung ke rekening. "Saya tidak tahu detail rumusnya, tapi saya lihat tiap minggu skor saya di app. Saya tahu kalau headway saya jaga, skor naik." Sementara Bambang D. (score 62.1, fatigue x3) di-schedule re-training otomatis — bukan dipecat, tapi dikasih wearable sleep tracker untuk 2 minggu plus konseling. Setelah 4 minggu, skor Bambang naik ke 81 — kembali aktif tanpa insiden. Pendekatan "data-driven coaching" ini ganti budaya "marah-marahin operator" yang biasanya tidak menyelesaikan masalah.
↓ 32%
Driver sanctions
82%
Re-trained drivers recovered
↑ 40%
Safety incidents caught

M07Incident Management & Command Center

Otak operasional 24/7. Wall display dengan KPI live, alert ADAS-DMS (fatigue, distraksi, microsleep, phone use, no seatbelt, camera block), CCTV grid 5,000+ bus, dan log insiden lengkap dengan SLA respons. Setiap event ada akuntabilitas operator yang trackable.

Incident Snapshot — 24 jam terakhir

● Real-time
Active Incidents
3
1 alert
Total Today
42
▼ 18%
ADAS-DMS Detections
28
14 fatigue, 8 phone
Avg Response Time
2.1 mnt
▼ 0.8 mnt
SLA Compliance
96.2%
▲ 3.1%

Active Incidents

● 24 jam
Cara baca: WARN = perlu monitor, tidak urgent. ALERT = perlu eskalasi sekarang, supervisor dapat notif HP. SLA respons: WARN ≤ 5 mnt, ALERT ≤ 2 mnt.
TimeSeverityTypeBusPramudiLokasiStatus
07:41WARNHeadway gap 18s above targetRT-115/B12Sutomo M.K3 TomangMitigated
06:54ALERTDriver fatigue detectedRT-402/B83Bambang D.K3 SlipiReplaced
06:32WARNOverspeed 68 km/h (limit 50)RT-203/B91Yudi S.K2 PulogadungCoaching scheduled
05:18CLOSEDCamera blockRT-107/B44Eko K.K1 SarinahResolved
05:02CLOSEDNo seatbeltRT-301/B22Tri W.K5 Kp MelayuAuto-coached

Incident Types — 30 hari

Top breakdown
Headway Fatigue Phone Speed Other

Incident Trend — 6 bulan

All types
↓ 42% sejak deployment ADAS-DMS
REAL USE CASE

Studi Kasus — ADAS-DMS Mencegah Kecelakaan, Pagi 06:54

Pagi ini 06:54, kamera ADAS-DMS di Bus RT-402/B83 deteksi pola kedipan mata Bambang D. menurun drastis selama 18 detik — indikasi awal microsleep. Sistem otomatis: (1) 2 detik warning audio + getar di kursi pramudi, (2) notifikasi ke Command Center, (3) supervisor Suparti L. langsung video-call ke bus, suruh pramudi pull over di halte berikutnya. Bus RT-402/B83 berhenti aman di halte Slipi, pramudi stand-by Tri W. mengambil alih dalam 12 menit. Tanpa SYNTRA: kemungkinan microsleep berlanjut sampai kejadian. Sejak ADAS-DMS deploy, 0 accident dari microsleep di armada yang terpasang.
↑ 40%
Safety incidents caught
0
Microsleep accidents
2.1 mnt
Avg response time

M08Passenger Information System

Sistem informasi penumpang: ETA bus berikutnya di display digital halte, AR wayfinding di halte besar untuk transit antar koridor / antar moda (MRT, LRT, KRL), broadcast pengumuman gangguan via aplikasi penumpang. Tujuan: turun komplain, naik trust.

PIS Performance

● 60 mnt
Active Halte Displays
412
▲ 4
ETA Accuracy
94.8%
▲ 2.4%
AR Sessions (60 mnt)
820
▲ 18%
App Active Users
1.7M
▲ 12% MoM
Customer Sat (CSI)
87.4
▲ 5.2

Halte ETA Board — Halte Harmoni

● Live
Cara baca: ETA dihitung real-time dari posisi GPS bus + traffic. Load = kapasitas terisi (estimasi dari sensor pintu + AFC).
KoridorTujuanETALoad
K1→ Blok M2 mnt~70%
K1→ Kota4 mnt~45%
K3→ Pasar Baru3 mnt~50%
K3→ Kalideres7 mnt~75%
K2→ Pulogadung5 mnt~55%

AR Wayfinding — Active Sessions

60 mnt terakhir
AR wayfinding: penumpang scan QR di halte, app tunjukkan arah jalan kaki ke koridor tujuan / moda lain (MRT, LRT, KRL) dengan AR overlay.
HalteSessionsTop Query
Halte Harmoni184Transit ke K3
Halte Bundaran HI142Pindah ke MRT
Halte Dukuh Atas98LRT terdekat
Halte Tosari76Eskalator turun
Halte BNI 4662Exit terdekat

Customer Satisfaction Index — 12 bulan

Sebelum vs sesudah SYNTRA PIS
PIS deploy ↓ 90 80 70
Pre-SYNTRA: 78.2Post-SYNTRA: 87.4 (+9.2)
REAL USE CASE

Studi Kasus — Sari, Penumpang Halte Harmoni

Sari naik Transjakarta tiap hari dari Halte Harmoni ke kantornya di Senayan. Dulu dia selalu khawatir "Bus K1 berikutnya kapan ya?" — kadang tiba 5 menit, kadang 15 menit. Pernah sampai 25 menit waktu banjir, dia telat masuk kantor karena ga tahu ada disrupsi. Sekarang di display halte ada ETA real-time: "K1 → Blok M, 2 menit, load 70%". Sari bisa decide: nunggu bus berikutnya (yang lebih sepi) atau naik yang sekarang. Saat ada disrupsi, app langsung push notif "Banjir Tomang, K1 dialihkan, estimasi delay 20 menit" — Sari putuskan naik ojek hari itu, ga sampai telat.
↑ 11.8 pt
Customer Sat Index
↓ 64%
Komplain "kapan bus tiba"
1.7M
Active app users

M09Depot Management

Penempatan bay tiap bus, jadwal preventive maintenance, dan optimasi slot charging untuk armada listrik (yang sekarang sudah 30%+ dari total fleet Transjakarta). Bus yang mendekati interval servis muncul otomatis, charging dijadwalkan sesuai pattern operasi.

Depot Snapshot — 8 depo aktif

● Real-time
Total Buses
5,237
4,988 active
EV Fleet
1,628
▲ 31% YoY
In Maintenance
142
2.7%
Avg Charging Time
3.2 jam
▼ 0.6 jam
Service Compliance
98.1%
▲ 6.4%

Depot Pulogebang — 184 bays

● Live status
Cara baca: Tiap bay punya bus assignment. CHARGING/READY = OK. SERVICE DUE = mendekati interval (warning). OVERDUE = sudah lewat, harus segera servis.
BayBusTypeCharge / FuelNext ServiceStatus
B-001RT-402/B83⚡ Listrik87% · est 2h to fullin 240 kmCHARGING
B-002RT-402/B37⚡ Listrik54% · est 3.5hin 120 kmCHARGING
B-003RT-115/B12⚡ Listrik100% · readyin 540 kmREADY
B-004RT-203/B91🛢 DieselBBM 42LOVERDUE 80 kmSERVICE
B-005RT-107/B44🛢 DieselBBM 78Lin 320 kmREADY
B-006RT-301/B22⚡ Listrik72% · est 2.5hin 480 kmCHARGING
B-007RT-402/B30⚡ Listrik22% · est 5hin 60 kmSERVICE DUE

Charging Load — 24 jam

Auto-schedule
22:00 04:00 (peak) 21:00
Peak charging: 04:00 (sebelum shift pagi)

Maintenance Schedule — 7 hari ke depan

142 buses
TanggalBus CountTypeDepo
Hari ini22Preventive 50k kmPulogebang
Besok18Battery health (EV)Cawang
+224Preventive + brakesPulogebang
+320AC + tyre rotationKlender
+416Major (100k km)Cawang
REAL USE CASE

Studi Kasus — Optimasi Charging Schedule untuk 1,628 Bus Listrik

1,628 bus listrik Transjakarta semua dulu di-charge "kapan aja sempet" — operator pilih timing sendiri. Akibatnya: peak load PLN jam 18:00 (saat operasi paling padat tapi banyak bus mau charge), biaya listrik tinggi karena tarif peak. SYNTRA Depot Management analyse pattern operasi tiap bus, lalu auto-schedule charging di off-peak hours (22:00 - 06:00) dengan tarif lebih rendah. Hasil: biaya operasional listrik turun Rp 84 juta/bulan, dan armada selalu ready 100% saat shift pagi mulai jam 05:00. Plus, baterai bus awet karena tidak fast-charging berkali-kali — ROI tambahan dalam 3 tahun.
Rp 84 jt
Saved /bulan biaya listrik
100%
Fleet ready jam 05:00
↑ 25%
Fleet reliability

M10Machine Learning Engine

Lapisan AI yang menghubungkan semua data SYNTRA. Model demand forecasting per halte per 15 menit, anomaly detection untuk pola operasional yang menyimpang, dan rekomendasi headway dinamis. ML belajar dari history operasi 3 tahun + cuaca + event kalender + AFC.

ML Performance

Updated daily
Models Active
8
3 in eval
Demand R²
0.91
▲ 0.04
Recommendations / Day
142
▲ 18%
Auto-Applied
68%
▲ 12%
Saved (30 hari)
Rp 12.4 M
▲ 24%

AI Recommendations — aktif

Confidence ≥ 85%
Cara baca: Confidence ≥ 95% biasanya auto-applied tanpa review. 85-95% masuk supervisor queue. < 85% disimpan sebagai insight, tidak action.
TypeKoridorRecommendationConfidenceImpact EstAction
DEMAND SURGEK5Tambah 2 unit, 17:00 Senin92%+1,400 paxREVIEW
HEADWAY ADJK3Turunkan ke 200s, 16:30 - 19:0089%↓ 8% delayAPPLIED
DIVERSIONK9Suggested via Buncit (banjir prediction)87%↓ 22 mnt delayREVIEW
FLEET RE-BALK1 / K2Shift 4 bus dari K2 ke K196%↑ 12% utilAPPLIED
MAINTENANCEBus RT-402/B14Battery health warning, schedule check94%↑ reliabilityAPPLIED

Active Models

8 models
ModelTypeAccuracyLast Trained
Demand ForecastLSTMR² 0.912 hari lalu
Anomaly DetectionIsolation ForestF1 0.875 hari lalu
Headway OptimizerRL+12% adhkemarin
Diversion SuggesterGraph + Waze89% acc1 minggu lalu
Driver FatigueCNN (ADAS)F1 0.942 minggu lalu
ETA RefinerXGBoost94.8% acckemarin
Battery HealthSurvivalAUC 0.883 hari lalu
Subsidy AuditRule + Stats0 false +real-time

ML-Driven Savings — 6 bulan

Cumulative
75M 45M 15M
Cumulative: Rp 74.2 juta / 6 bulan · subsidi optimization + claim reject + diversion savings
REAL USE CASE

Studi Kasus — Demand Forecast Mencegah Penumpukan Sumarecon Mall

Setiap Senin sore, halte dekat Summarecon Mall Serpong selalu kewalahan — karyawan office pulang barengan jam 17:00. Sebelum SYNTRA ML, supervisor tahu pattern ini tapi reaksi setelah halte penuh. Sekarang model demand forecasting (LSTM) prediksi 3 jam sebelumnya: "Senin 17:00, expected +1,400 penumpang di halte X". Sistem otomatis schedule 2 unit tambahan dari pool stand-by, di-dispatch jam 16:45. Penumpang ga pernah lagi merasakan halte overcapacity Senin sore. CSI di area itu naik dari 76 ke 91. Skala-up ke seluruh jaringan, model ini hemat Rp 12.4 M /bulan dari optimasi armada + reduce overtime supervisor.
3 jam
Forecast lead time
Rp 12.4 M
Saved /bulan
↓ 18%
Subsidi per penumpang
Mockup ini untuk merasakan cara kerja sistem SYNTRA — bukan replika data operasional riil Transjakarta. Sistem yang sesungguhnya menjalankan 5,237 armada di lapangan setiap hari.

← Kembali ke gosyntra.id
STEP 1 OF 5

Heading

Body text