YOLO + CCTV — Object Detection untuk Absensi HR

#ai #security #identity #research #pending-owner

Tech Plan: YOLO + CCTV — Object Detection untuk Absensi HR

Dokumen: RES-005
PIC / Owner: TBD
Status: Research
Tanggal: Juli 2026

1. Latar Belakang

Eksplorasi penggunaan model deteksi objek berbasis YOLO pada feed CCTV untuk mendeteksi kehadiran orang, yang kemudian diintegrasikan ke sistem HR untuk keperluan absensi (people detection → HR → absensi).

2. Ruang Lingkup (Scope)

Termasuk dalam scope

Riset kapabilitas YOLO untuk deteksi/pengenalan orang secara real-time dari CCTV.
Desain alur data: CCTV → Model Deteksi → Sistem HR → Catatan Absensi.
Uji coba pada 1 lokasi/kamera sebagai pilot.

Di luar scope

Rollout ke seluruh lokasi/cabang (menunggu hasil pilot).
Penggunaan untuk keperluan selain absensi (misalnya security monitoring penuh) — bisa jadi riset terpisah.

3. Kebutuhan (Requirements)

Teknis — Model & Deteksi

Model YOLO versi yang akan digunakan (YOLOv8 atau versi terbaru) dan lisensinya.
Dataset untuk fine-tuning (jika deteksi wajah/identitas individu, bukan hanya 'orang' generik).
Kebutuhan face recognition tambahan jika absensi perlu identifikasi per-individu, bukan hanya deteksi keberadaan orang.
Akurasi minimum yang dibutuhkan agar layak dipakai untuk absensi resmi.

Infrastruktur

Spesifikasi CCTV (resolusi, sudut pandang, pencahayaan) yang kompatibel.
Kebutuhan edge device/GPU untuk inference real-time (di lokasi atau cloud).
Bandwidth/jaringan untuk streaming video ke sistem pemrosesan.

Integrasi & Data

API/mekanisme integrasi hasil deteksi ke sistem HR eksisting.
Format data absensi yang dikirim (timestamp, identitas, lokasi).
Penyimpanan data video/gambar (retention policy).

Legal & Compliance

Kepatuhan terhadap regulasi privasi data (penggunaan CCTV & data biometrik karyawan).
Persetujuan/consent karyawan terkait penggunaan face recognition (jika diterapkan).

4. Task List

No	Task	PIC	Prioritas	Status
1	Riset kapabilitas & batasan model YOLO untuk people detection	AI/ML Eng	Tinggi	Belum Mulai
2	Tentukan apakah butuh face recognition tambahan untuk identifikasi individu	Product/AI Eng	Tinggi	Belum Mulai
3	Review regulasi privasi & siapkan consent karyawan	Legal/HR	Tinggi	Belum Mulai
4	Tentukan lokasi & kamera untuk pilot	HR/Infra	Sedang	Belum Mulai
5	Setup infrastruktur edge/GPU untuk inference	Infra/AI Eng	Tinggi	Belum Mulai
6	Bangun integrasi hasil deteksi ke sistem HR	Backend Eng	Tinggi	Belum Mulai
7	Uji akurasi model pada kondisi nyata (berbagai pencahayaan, sudut)	AI Eng/QA	Tinggi	Belum Mulai
8	Jalankan pilot di 1 lokasi selama periode tertentu	HR/AI Eng	Tinggi	Belum Mulai
9	Evaluasi hasil pilot (akurasi, false positive/negative)	Product/AI Eng	Tinggi	Belum Mulai
10	Rekomendasi rollout ke lokasi lain	CPO/HR	Sedang	Belum Mulai

5. Risiko & Pertimbangan

Akurasi deteksi rendah pada kondisi pencahayaan buruk atau sudut kamera tidak ideal, menyebabkan absensi keliru.
Isu privasi & regulasi terkait penggunaan data biometrik/wajah karyawan.
Resistensi karyawan terhadap sistem monitoring berbasis CCTV.
Biaya infrastruktur (GPU/edge device) yang cukup tinggi untuk multi-lokasi.

6. Timeline / Milestone

Fase	Target Waktu	Output
Riset Model & Legal Review	Minggu 1-2	Kelayakan teknis & legal terkonfirmasi
Setup Pilot Infrastruktur	Minggu 3	Infrastruktur pilot siap
Development Integrasi	Minggu 4-5	Integrasi ke sistem HR selesai
Pilot Run & Evaluasi	Minggu 6-7	Data akurasi & rekomendasi rollout

Sibling identity klaster: [Liveness Detection — Mobile](Liveness Detection — Mobile) — face recognition untuk absensi CCTV (offline) vs liveness detection untuk mobile onboarding/login (online). Keputusan arsitektur biometric di kedua riset akan saling mempengaruhi (model, vendor, data handling).
Sibling AI klaster: [AI Builder App — GLM Z](AI Builder App — GLM Z) — model serving & MLOps tooling yang dipelajari bisa dipakai ulang untuk inference pipeline YOLO.
Sibling: README → [Research Lab index](Research Lab)