Berikut adalah Dokumen Arsitektur Sistem (System Architecture Document / SAD) untuk proyek GARUDA-COGNI Nusantara. Dokumen ini dirancang sebagai landasan teknis yang siap dibawa ke fase sprint planning oleh tim engineering, dengan kepatuhan absolut terhadap 12 Poin Kesepakatan (Hard Constraints).
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Sistem ini menganut paradigma Edge-Heavy, Cloud-Light untuk meminimalisasi latensi, menghemat bandwidth, dan menjamin privasi mutlak.
┌──────────────────────────────────────────────────────────────────────────────┐
│ LAYER 1: ON-DEVICE CLIENT (Android App / OS-Level Integration) │
│ (Beroperasi di RAM, data mentah dihapus seketika - Poin 7) │
│ │
│ 🔒 (Poin 3, 4) │
│ ├─ Accelerometer/Gyroscope (IMU) ──────┐ │
│ ├─ Touch Event Dispatcher │ │
│ └─ UsageStatsManager │ │
│ ▼ │
│ ├─ Signal Preprocessing (Noise filtering, Butterworth) │
│ ├─ TFLite Feature Extractor (Windowing 5s) │
│ └─ LightGBM Quantized Model ──> Cognitive Load Score (0-100) │
│ │ │
│ ▼ │
│ [Intervention Manager] │
│ ├─ Trigger Logic Engine <──────────────┘ │
│ ├─ Micro-Friction Actuator (AccessibilityService) ⚙️ (Poin 5, 6) │
│ └─ Closed-RAG Dialog UI (Local JSON Tree) (Poin 2) │
│ │ │
│ [Federated Learning Agent] │ │
│ └─ Gradient Calculator ──> [Encryptor] ┴──> 📡 Hanya Gradien (Poin 8) │
└──────────────────────────────────────────┬───────────────────────────────────┘
│ (HTTPS/TLS 1.3 - LDP Encrypted)
▼
┌──────────────────────────────────────────────────────────────────────────────┐
│ LAYER 2: NATIONAL CLOUD API GATEWAY (Pusat Data Nasional) │
│ (Zero-Hardware di Sekolah - Poin 1) │
│ │
│ │
│ ├─ Model Sync Endpoint (Push/Pull FedAvg weights) │
│ ├─ Telemetry Endpoint (Agregat Skor Risiko Anonim) │
│ └─ Content Endpoint (Update RAG Tree & Kurikulum PMM) │
│ │ │
│ [Federated Learning Aggregator] │ │
│ └─ Secure Aggregation Engine (FedAvg) <┘ (Poin 8) │
└──────────────────────────────────────────┬───────────────────────────────────┘
│
┌───────────────────────────────────┼───────────────────────────────┐
▼ ▼ ▼
┌───────────────┐ ┌────────────────┐ ┌──────────────┐
│ LAYER 3: GOV │ │ LAYER 3: EDU │ │ LAYER 3: SOC │
│ HEALTH SYS │ │ SYSTEM │ │ COMMUNITY │
│ │ │ │ │ │
│ 🏥 SATUSEHAT │ │ 📚 DAPODIK │ │ 🏆 Ekosistem │
│ FHIR Server │<-- Data Makro -->│ Hashing Gateway│ │ Gamifikasi │
│ (Poin 9) │ (Poin 9) │ (Poin 9) │ │ (Poin 12) │
└───────────────┘ └────────────────┘ └──────────────┘
LEGENDA PRIVASI & KEPATUHAN POIN:
🔒 = Data mentah On-Device (Tidak pernah keluar perangkat - Poin 7)
📡 = Transmisi Gradien Federated Learning Enkripsi (Poin 8)
🏥 = Interoperabilitas Standar HL7 FHIR Kemenkes (Poin 9)
📚 = Interoperabilitas Data Pseudonim Kemendikdasmen (Poin 1, Poin 9)
⚙️ = OS-level / AccessibilityService Terbatas (Poin 5, Poin 6)-
Nama Komponen: Kinematic-Behavioral Engine 🔒
- Poin Kesepakatan: Poin 3, Poin 4, Poin 7
- Fungsi: Mengubah data gerakan fisik gawai dan sentuhan jari menjadi skor beban kognitif.
-
Input: Sinyal akselerometer (X, Y, Z), touch velocity (
$\Delta y / \Delta t$ ). - Output: Cognitive_Load_Score (0-100).
- Lokasi eksekusi: On-Device (RAM).
- Privasi status: Never Leaves Device (Dihancurkan setelah kalkulasi).
-
Nama Komponen: Micro-Friction Actuator ⚙️
- Poin Kesepakatan: Poin 5, Poin 6
- Fungsi: Menerapkan gesekan antarmuka (warna memudar, jeda waktu).
- Input: Cognitive_Load_Score melebihi threshold.
- Output: Modifikasi parameter UI Operating System.
- Lokasi eksekusi: On-Device (Berjalan sebagai Background Service).
- Privasi status: Akses OS tidak membaca konten teks/gambar.
-
Nama Komponen: Closed-RAG Dialog Tree Engine 🔒
- Poin Kesepakatan: Poin 2, Poin 11
- Fungsi: Menyajikan refleksi diri edukatif untuk menggantikan LLM.
- Input: Status intervensi (Level Oranye) dan input ketukan pilihan pengguna.
- Output: Layar dialog refleksi statis sesuai jenjang usia.
- Lokasi eksekusi: On-Device (Database JSON lokal).
- Privasi status: Never Leaves Device.
-
Nama Komponen: FL Cryptographic Aggregator 📡
- Poin Kesepakatan: Poin 7, Poin 8
- Fungsi: Menghitung perbedaan bobot model AI lokal dan mengirimkannya ke awan.
- Input: Gradien matematis dari fungsi loss model lokal.
-
Output: Payload vektor
$\Delta w$ terenkripsi LDP (Local Differential Privacy). - Lokasi eksekusi: Klien (On-Device) & Agregator (Cloud).
- Privasi status: Aggregated & Encrypted Only.
-
Nama Komponen: Cloud API & Identity Gateway 📚🏥
- Poin Kesepakatan: Poin 1, Poin 9
- Fungsi: Jembatan komunikasi tanpa perangkat keras sekolah. Menghubungkan NDMHO ke Dapodik dan SATUSEHAT.
- Input: Metadata agregat (contoh: ID Sekolah, UUID Siswa ter- hash).
- Output: REST/FHIR payload ke infrastruktur kementerian.
- Lokasi eksekusi: Cloud (Pusat Data Nasional).
- Privasi status: Anonymized/Pseudonymized.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
(Implementasi Poin 4 secara teknis penuh)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Karena Poin 3 secara absolut melarang kamera, deteksi adiksi bergeser ke analisis kinematik (biomekanika interaksi gawai).
A. Akselerometer / IMU (Inertial Measurement Unit)
-
Metrik spesifik: Akselerasi 3 sumbu (
$A_x, A_y, A_z$ ). Diekstraksi menjadi sudut Pitch dan Roll untuk mendeteksi Forward Head Posture (FHP) dan posisi telentang jangka panjang. - Korelasi Ilmiah: Penurunan micro-movements (posisi sangat statis layaknya "zombie") berkorelasi klinis dengan hiper-fokus doomscrolling.
- Sampling Rate: 10 Hz (sangat rendah, menghemat baterai hingga 90% dibanding standar gaming 50 Hz).
- Transformasi: Sinyal mentah → Low-pass filter (0.3 Hz untuk memisahkan gravitasi dari gerakan dinamis) → Vektor postural statis.
B. Touch Velocity Heuristics (Kinematika Sentuhan)
-
Metrik yang diukur: Kecepatan gulir vertikal (
$v = \Delta y / \Delta t$ piksel/ms), durasi jeda antar guliran (dwell time). - Logika Pembeda: Browsing edukasi memiliki dwell time panjang (siswa membaca). Doomscrolling kompulsif memiliki pola frekuensi tinggi, seragam, dan dwell time sangat pendek (kurang dari 1,5 detik per guliran berturut-turut).
- Threshold Detection: Rata-rata bergulir (moving average) dari 20 swipe terakhir. Jika variansi kecepatan mendekati nol dan dwell time < 2 detik = Indikasi Hipnosis Dopaminergik.
C. App Switching Patterns (Pola Fragmentasi Atensi)
- Sinyal: UsageStatsManager mendeteksi Package Name yang aktif di foreground.
- Pola Kecemasan (Anxiety-driven): Berpindah antara 3-4 aplikasi media sosial dalam rentang waktu kurang dari 3 menit tanpa penyelesaian tugas (app-hopping).
- Time-window: Analisis jendela bergulir 5 menit terakhir.
D. Session Temporal Patterns
- Sinyal: Penggunaan aplikasi di luar rentang jam wajar sirkadian (23:00 - 05:00).
- Baseline: Jika hari libur, penalty multiplier diturunkan 30%. Jika hari sekolah, penalty multiplier maksimal.
Pipa pemrosesan ini dioptimasi agar prosesor HP low-end (sekelas MediaTek Helio atau Snapdragon 400 series) tidak panas (thermal throttling).
RAW SIGNALS (IMU 10Hz, Touch Events)
↓ **
CLEANED SIGNALS
↓ **
FEATURE VECTOR (Dimensi < 20 float32)
↓ **
COGNITIVE LOAD SCORE (0-100)
- Algoritma: Ekstraksi fitur menggunakan operasi matriks dasar (C++ via JNI Android untuk performa tinggi).
- Beban Komputasi: < 5 MB RAM footprint, < 1% pemakaian CPU. (Aman untuk RAM 2GB).
- Arsitektur Model: Light Gradient Boosting Machine (LightGBM) yang dikompilasi menjadi C-header murni. Tidak menggunakan Deep Learning berat demi mematuhi prinsip kehematan perangkat (Poin 4).
- Ukuran Target: < 1 MB.
- Output Multidimensi:
- Doomscrolling Intensity Score (0-100)
- Compulsive App-Switch Score (0-100)
- Late-Night Risk Score (0-100)
- Composite Cognitive Load Index (0-100): Rata-rata berbobot dari ketiga metrik di atas.
- Penghindaran False Positive: Sistem memiliki "Whitelist Context". Jika aplikasi yang dibuka adalah bagian dari Dapodik/PMM, atau browser berada pada URL ".edu/.ac.id", bobot kecepatan scroll ditekan 80% untuk mencegah siswa dihukum saat mencari materi.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
(Implementasi Poin 5 & 6 secara teknis penuh)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Intervensi dirancang menggunakan teori psikologi Reactance — remaja akan melawan jika dilarang keras, namun akan menyesuaikan diri jika hambatannya bersifat subliminal.
IF (Composite Index > 60) AND (Duration > 30 mins):
→ TRIGGER LEVEL KUNING (Early Warning)
IF (Composite Index > 80) OR (Status Kuning diabaikan selama 15 menit):
→ TRIGGER LEVEL ORANYE (Active Friction)
IF (Composite Index > 90 AND Jam == "Waktu Tidur"):
→ TRIGGER LEVEL MERAH (Circuit Breaker)
Kondisi Batal: Jika layar mati (kunci perangkat) lebih dari 10 menit, skor kognitif di-reset ke 0 (otak diasumsikan telah beristirahat).
LEVEL KUNING — Subtle Biological Signal:
- Mekanisme: Grayscale transition. Layar tidak tiba-tiba hitam-putih, melainkan saturasi warna (saturation) berkurang bertahap dari 100% ke 10% selama 60 detik.
- Implementasi Teknis: Menggunakan AccessibilityService (Poin 6) untuk menginjeksikan Overlay View tipe TYPE_APPLICATION_OVERLAY yang memuat ColorMatrixColorFilter transparan.
- Override: Terdapat floating badge "Warna Pudar". Anak dapat mengetuknya dan memilih "Saya sedang butuh warna, kembalikan" (Memberikan agency untuk mengurangi reactance).
LEVEL ORANYE — Friction Injection:
- Mekanisme: App transition delay. Saat anak melakukan swipe vertikal panjang (dalam TikTok/Reels), API Aksesibilitas mendeteksi event UI dan menyuntikkan delay scroll sebesar 3 detik (video macet sementara) atau memunculkan Dialog Tree (Poin 2).
- Closed-RAG Dialog Tree (Bukan LLM):
Sebuah bottom-sheet muncul:
"Matamu sudah menatap layar selama 45 menit. Dopaminmu sedang di titik jenuh. Ini yang membuatmu susah berhenti."
Tombol: [Ambil Napas 2 Menit] ``
Jika anak memilih Lanjut, sistem mengizinkan tetapi layar tetap memudar (kuning). - Update Konten: Teks dialog diambil dari file dialog_tree.json yang disinkronisasi berkala dari Cloud API Gateway (Poin 1).
LEVEL MERAH — Circuit Breaker + Parental Alert:
- Mekanisme: "Soft Lock". Perangkat masuk ke mode "Hanya Telepon & Aplikasi Sekolah/Darurat" selama 15 menit. Menggunakan API DevicePolicyManager atau Android Digital Wellbeing API untuk mengunci package media sosial.
- Parental Alert: Mengirim push notification anonim ke HP orang tua: "Aktivitas HP [Nama Anak] menunjukkan indikasi kurang tidur parah malam ini. Sarankan obrolan santai besok pagi." (Tidak menampilkan aplikasi apa atau gambar apa yang diakses anak).
- Ketahanan AccessibilityService: Pada Android, mematikan AccessibilityService membutuhkan navigasi ke dalam menu Pengaturan yang rumit. Jika layanan ini dimatikan, aplikasi GARUDA-COGNI akan mendeteksi putusnya sinyal heartbeat dan memberikan peringatan ke dashboard orang tua.
- Perlindungan Un-install: Aplikasi di- flag sebagai Device Administrator (jika disetujui orang tua di awal). Menghapusnya membutuhkan PIN PIN Orang Tua.
- Anti-Spoofing IMU: Jika HP diletakkan di atas meja (akselerometer diam absolut) tapi ada ketukan konstan (menggunakan auto-clicker), variansi 0 absolut pada XYZ diproses oleh matriks deteksi anomali sebagai "Bot/Spoofing", menahan skor agar tidak diakali.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
(Implementasi Poin 7 & 8 secara teknis penuh)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Pembelajaran federasi memastikan kedaulatan data berakar secara matematis, bukan sekadar janji kebijakan.
-
On-Device Training (Klien):
- Ketika perangkat di-charge dan menggunakan Wi-Fi jam 02.00 pagi, model LightGBM lokal di-retrain menggunakan data vektor kinetik (features numerik, BUKAN teks/gambar) yang terjadi di hari itu (Poin 7).
- Menghasilkan gradien vektor pembaruan
$\Delta w_k$ .
-
Kriptografi Local Differential Privacy (LDP):
- Sistem menyuntikkan derau acak (Laplacian Noise) ke dalam
$\Delta w_k$ agar server tidak bisa melakukan Reverse-Engineering atau merekonstruksi riwayat anak dari gradiennya.
- Sistem menyuntikkan derau acak (Laplacian Noise) ke dalam
-
National FL Aggregator (Cloud - Poin 1):
- Server menampung pembaruan terenkripsi dari ribuan perangkat.
- Menjalankan agregasi matematis:
$w_{t+1} = \sum_{k=1}^{K} \frac{n_k}{n} w_t^k$ - Gradien individual segera dihapus dari RAM server agregator.
-
Minimum Participation:
- Agregasi hanya terjadi jika minimal 1.000 node terkumpul dalam satu gelombang (mencegah isolasi profil pengguna tertentu).
- Kontrol Model Global: Pusat Data Nasional Kemendikdasmen / Kemenkes bertindak sebagai Wali Parameter (Parameter Server Guardian).
- Poisoning Attack Mitigation: Server menggunakan fungsi pemangkasan (Norm Clipping) untuk membuang gradien anomali ekstrem yang dikirim oleh perangkat retas (compromised devices).
- Audit Trail: Seluruh versi bobot model direkam dalam arsitektur blok data permanen, dapat diaudit oleh Komisi Kedaulatan Digital (Poin 10) kapan pun.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
(Implementasi Poin 2 secara teknis penuh)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
LLM murni dilarang keras demi menghindari halusinasi psikologis yang fatal. Intervensi harus deterministik.
Local App State (Umur, Jam, Skor Risiko)
↓
Rule-Based Router (Menentukan Cabang Topik)
↓
Vector Matcher (Pencarian Cosine Similarity lokal yang ringan)
↓
JSON Knowledge Base (Hanya 500 pre-written dialog dari Kemenkes)
↓
Static Response Output
- Keunggulan: Output selalu 100% identik dengan teks Naskah Kurikulum Resmi yang telah disetujui psikiater anak. Nol risiko prompt injection.
- Untuk SD (Usia 10-12):
- Bahasa: "Baterai Fokus-mu sisa 10% nih! Biar besok menang main bola, otak kita istirahat ya."
- Gamifikasi: Jika memilih "Oke", mendapat animasi Lencana Garuda kecil (Poin 12).
- Untuk SMP (Usia 13-15):
- Tone: Tidak menggurui, mengandalkan peer-reality.
- Dialog: "Layar kamu makin abu-abu karena sistem mendeteksi lonjakan dopamin (hormon FOMO). Algoritma ini emang sengaja bikin kamu nyangkut. Lawan baliknya dengan letakkan HP 5 menit."
- Untuk SMA (Usia 16-18):
- Framing Kritis: Mengangkat isu otonomi.
- Dialog: "Statistik sentuhan jarimu sangat repetitif dalam 2 jam terakhir. Platform ini sedang menjual atensimu ke pengiklan. Ambil alih kendalimu lagi."
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
(Implementasi Poin 9 secara teknis penuh)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Sistem terhubung ke pusat administrasi negara tanpa mengirimkan data pribadi (PII / Personally Identifiable Information).
- FHIR Resource: Menggunakan sumber daya Observation dengan ekstensi khusus profil kesehatan mental (us-core-observation-screening-assessment atau standar lokal setara).
- Payload (JSON): Hanya memuat umur, kode provinsi, dan indeks agregat rata-rata.
- "code": {"text": "Average Doomscrolling Score"}
- "valueQuantity": {"value": 72, "unit": "Index"}
- Identifier menggunakan UUID anonimisasi.
- Akses: Dashboard Epidemiologis Kemenkes (tingkat Kabupaten/Kota untuk mitigasi wilayah krisis).
- Metode Hashing: Perangkat lokal memiliki NISN (Nomor Induk Siswa Nasional). Sebelum dikirim, sistem menggunakan SHA-256 dipadu dengan Salt rahasia milik Kemendikdasmen: HASH(NISN + SALT_KEMDIKBUD).
- Server Dapodik API: Mencocokkan Hash tersebut ke rombongan belajar (misal: "Kelas 8A SMPN 1").
- Visualisasi Guru: Hanya menampilkan "Heatmap Kelas", bukan laporan individu. Guru melihat bahwa 40% murid Kelas 8A mengalami "Gangguan Tidur Algoritmik", sehingga guru bisa menyesuaikan beban PR atau modul bimbingan (Poin 1).
- Berfungsi sebagai Orchestrator.
- Offline-Tolerance Logic: Jika sekolah di wilayah 3T tidak memiliki internet, perangkat menyimpan agregat harian. Sistem menyertakan WorkManager API (Android) yang hanya mengeksekusi unggahan JSON 15kb saat perangkat siswa "mencium" sinyal seluler di pasar atau saat pulang.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
(Implementasi Poin 11 secara teknis penuh)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Pendidikan dari bawah wajib mendampingi pertahanan algoritma dari atas.
- Modul literasi atensi di PMM dikonversi dalam format PWA (Progressive Web App) statis.
- Ukuran Bundle: Modul per jenjang dipaketkan dalam satu file zip berukuran < 10 MB (teks dan SVG ringan, tanpa video berat).
- Dapat diunduh oleh guru di ibu kota kabupaten, lalu disebarkan ke siswa via WiFi Direct/Bluetooth (Nearby Share) untuk area tanpa sinyal sama sekali.
- Saat siswa menuntaskan evaluasi kurikulum "Mekanisme Dopamin" di kelas dengan nilai baik, API PMM mengembalikan Token Kompetensi ke aplikasi GARUDA-COGNI anak.
- Dampak Teknis: Aplikasi mengubah parameter Threshold level Oranye. Karena siswa dianggap "telah memiliki resiliensi kognitif logis", sistem mengurangi Micro-friction agresif, memberi kebebasan lebih sebagai bentuk penghargaan (trust).
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
(Implementasi Poin 12)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Sistem harus membumi secara sosial, tidak hanya hidup di alam bit dan byte.
- Fitur Duta Atensi: Di perangkat siswa yang terverifikasi sebagai "Duta" oleh OSIS/Guru, aplikasi memunculkan mode Campaign. Mereka dapat memulai "Tantangan Kelas" via QR Code.
- Gamifikasi Offline:
- Aplikasi GARUDA-COGNI memiliki tombol "Mode Mindfulness (Ibadah/Belajar/Keluarga)".
- Jika anak mengaktifkannya dan tidak menyentuh HP selama 2 jam, sensor IMU memvalidasi HP diam, anak mendapat streak poin.
- Poin ini tidak di- redeem untuk game online (yang memicu paradoks layar), melainkan dikonversi oleh kemitraan sekolah menjadi apresiasi dunia nyata (sertifikat, pembebasan tugas ringan).
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
(Implementasi Poin 10 secara teknis)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Mengoperasionalisasikan regulasi dengan parameter arsitektur audit yang jelas.
- Metodologi Penilaian Rating (Audit Statis & Dinamis):
- Biro audit Kemkomdigi menggunakan Automated App Crawlers untuk mendeteksi Dark Patterns di paket APK asing.
- Kriteria Kegagalan (Rating F): Aplikasi tidak memiliki opsi mematikan Autoplay, tidak ada pembatasan umur bagi Loot Boxes, dan menyajikan Infinite Scroll bawaan.
- Enforcement (Network Level):
- Aplikasi dengan label "F" akan secara otomatis diinjeksi Network Throttling (pelambatan transfer data spesifik untuk domain terkait) oleh API OS GARUDA-COGNI saat dijalankan oleh profil anak di bawah 18 tahun, membuat pengalaman UI mereka menjadi lambat dan tidak nyaman, memaksa developer untuk patuh.
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
| Keputusan Arsitektur | Alternatif yang Ditolak | Alasan Penolakan | Poin Mendasari |
|---|---|---|---|
| Integrasi Murni Cloud API | Pengadaan Mini Edge Server di sekolah | Ketiadaan listrik & dana perawatan di sekolah 3T (Mati total di lapangan) | Poin 1 |
| Arsitektur Closed-RAG | LLM Generatif (ChatGPT/Llama) lokal | Risiko halusinasi diagnosis psikologis dan injeksi ketikan | Poin 2 |
| Sensor IMU & Touch Heuristic | Visi Komputer (YOLOv5, Gaze tracking) | Boros baterai HP low-end, melanggar etika persepsi kamera menyala | Poin 3, Poin 4 |
| Feature Extraction C-Header | Ekstraksi via JVM/Python Layer | Beban RAM terlalu besar untuk perangkat Android harga sejutaan (2GB RAM) | Poin 4 |
| Micro-Friction Overlay | Notifikasi Popup Teks Keras | Memicu tantrum (reactance). Friksi biologis (hitam-putih) menenangkan impuls | Poin 5 |
| AccessibilityService Dibatasi | Ekstraksi semua konten DOM layar | Pelanggaran UU PDP. Akses hanya diizinkan untuk menyuntikkan layar monokrom | Poin 6, Poin 7 |
| Ephemeral State (On-Device) | Mengirim log scrolling ke Cloud | Honeypot pembobolan data masif skala nasional. Melanggar minimisasi data | Poin 7 |
| Federated Averaging LDP | Pelatihan model di Server Pusat | Pelanggaran kerahasiaan. FedAvg hanya mengirim perbedaan formula matematika | Poin 8 |
| Hashing NISN ke UUID | Mengirim nama asli siswa ke Dashboard | Pelanggaran rekam medis. Hanya Heatmap risiko anonim per kelas yang relevan | Poin 9 |
| Network Throttling untuk Rating F | Hanya teguran administratif ASR | Raksasa teknologi butuh sanksi teknis (gangguan UI) agar mengubah sistemnya | Poin 10 |
| Offline-First Sync PMM | Streaming materi video iteratif | Kuota mahal dan ketiadaan sinyal di pedalaman menghambat imunisasi literasi | Poin 11 |
| Reward Gamifikasi Offline | Memberikan koin untuk game dalam app | Paradoks (membebaskan anak dari HP dengan memberi hadiah menatap HP) | Poin 12 |
| Moving Average Touch Velocity | Penghitungan Durasi Layar Murni (Screen-time) | Menghitung durasi membiarkan manipulasi terjadi. Velocity mendeteksi sifat kompulsif seketika | Poin 4, Poin 5 |
| Device Admin + Soft Lock | Mode Pemblokiran Kaku (Kunci Total) | Pemblokiran kaku memicu anak mencari celah peretasan ekosistem | Poin 5 |
| Fallback WorkManager Queue | Panggilan API Synchronous Real-Time | Menyebabkan pengeringan baterai (wakelock) saat perangkat mencari sinyal terus menerus | Poin 1 |
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
"Jika seluruh arsitektur ini diimplementasikan sesuai 12 Poin Kesepakatan, komponen mana yang paling berisiko gagal dalam 3 tahun pertama — dan mengapa?"
JAWABAN:
Komponen yang secara historis dan arsitektural paling berisiko tinggi (high probability of technical failure) adalah Poin 6: Kewenangan Akses OS Terbatas (AccessibilityService untuk fungsi Micro-Friction).
Alasannya ada dua lapis:
Pertama, ekosistem Android (Google) terus memperketat izin AccessibilityService dalam setiap rilis Android terbaru guna memerangi malware. Aplikasi yang menggunakan fitur ini untuk memodifikasi UI aplikasi lain secara konsisten sering di-flag atau dihentikan paksa oleh Google Play Protect, kecuali mendapat pengecualian khusus tingkat pemerintah (yang perundingannya memakan waktu tahunan).
Kedua, realitas pasar ponsel pintar murah di Indonesia didominasi oleh OEM Tiongkok (seperti Xiaomi, Oppo, Vivo, Infinix) yang memiliki Aggressive Battery Management System (pembunuh aplikasi latar belakang). Tanpa kerja sama mendalam di tingkat perangkat tegar (firmware whitelist), layanan background GARUDA-COGNI yang bertugas menyuntikkan micro-friction akan dimatikan paksa oleh sistem MIUI/ColorOS demi menghemat RAM dan baterai, membuat pelindung ini sama sekali tidak bekerja di gawai anak. Integrasi teknologi secanggih apa pun akan runtuh di hadapan optimisasi baterai HP harga satu jutaan jika tidak ada paksaan regulasi level OS dari negara.
📌 REVIEW PANEL AHLI – GARUDA-COGNI NUSANTARA (PKM-GFT)
Sebagai panel juri interdisipliner PKM-GFT (neurosains kognitif, psikologi adiksi digital, kebijakan teknologi, AI systems, pendidikan nasional, dan futurisme Indonesia 2045), berikut evaluasi objektif terhadap arsitektur GARUDA-COGNI Nusantara.
1️⃣ PENILAIAN UMUM
Proposal ini menunjukkan kedalaman teknis dan visi kebijakan yang sangat matang. Secara intelektual dan arsitektural, ini berada di atas rata-rata proposal mahasiswa.
Namun, terdapat gap antara kecanggihan desain dan realitas implementasi nasional dalam horizon 3–5 tahun.
Kemungkinan outcome jika masuk kompetisi:
Lolos pendanaan: Sangat mungkin
Lolos PIMNAS final: 50–60%
Menjadi juara: Bergantung pada revisi aspek feasibility dan governance
Masalah utama bukan pada kecanggihan teknologinya, melainkan pada realisme ekosistem regulasi, kesiapan birokrasi, dan ketergantungan pada kontrol OS global.
2️⃣ KEKUATAN STRATEGIS
🧠 Perspektif Neurosains
Pendekatan berbasis:
Kinematika sentuhan
Variansi scroll
Fragmentasi atensi
Pola sirkadian
Secara arah teoretis valid dan tidak mengklaim membaca isi pikiran pengguna. Fokus pada pola perilaku biomekanik adalah langkah cerdas.
🧩 Perspektif Psikologi Adiksi
Pendekatan micro-friction berbasis grayscale gradual dan delay injection menunjukkan pemahaman teori reactance. Ini jauh lebih matang dibanding parental control konvensional.
🔐 Perspektif AI & Privasi
Federated Learning + Local Differential Privacy + minimisasi fitur adalah desain yang defensible secara etika data dan sesuai prinsip kedaulatan digital.
🎓 Perspektif Pendidikan
Integrasi dengan kurikulum dan penyesuaian threshold berbasis literasi dopamin merupakan inovasi yang kuat dan visioner.
🌍 Perspektif Futurisme 2045
Proposal ini tidak anti-teknologi, melainkan membangun kedaulatan algoritmik nasional. Ini selaras dengan visi Indonesia Emas 2045.
3️⃣ KELEMAHAN KRITIS (HARSH REVIEW)
❌ 1. Over-Engineering untuk Skala PKM
Arsitektur ini lebih menyerupai blueprint kebijakan negara 10 tahun dibanding proposal mahasiswa. Risiko: juri mempertanyakan sense of feasibility dan scope realistis PKM-GFT.
❌ 2. Risiko False Positive Neurosains
Penggunaan pitch-roll statis, low micro-movement, dan scroll velocity seragam untuk mengindikasikan “hipnosis dopaminergik” terlalu berani secara klinis.
Anak bisa:
Membaca materi serius
Melakukan scanning cepat
Mengakses konten edukatif
Perlu pelunakan klaim menjadi “pattern associated with compulsive interaction”.
❌ 3. Ketergantungan pada AccessibilityService
Ini bukan sekadar risiko teknis, melainkan geopolitik. Google dan OEM Android berpotensi membatasi akses tersebut. Tanpa MoU tingkat kementerian, arsitektur ini bisa runtuh.
❌ 4. Network Throttling untuk App Rating F
Secara hukum berisiko:
Potensi konflik net neutrality
Intervensi pasar digital
Sengketa regulasi lintas negara
Perlu dasar hukum yang sangat kuat atau alternatif mekanisme enforcement.
❌ 5. On-Device Retraining Harian
Retraining + LDP injection pada perangkat low-end berisiko:
Thermal throttling
Battery degradation
User dissatisfaction
Perlu estimasi komputasi empiris yang lebih konservatif.
❌ 6. Asumsi Kapasitas Birokrasi
Mengasumsikan kementerian siap menjadi parameter guardian federated learning mungkin terlalu optimistis mengingat kesiapan infrastruktur saat ini.
4️⃣ PENILAIAN NUMERIK
Aspek | Nilai-- | --
Visi Futuristik | 9.5/10
Kedalaman Teknis | 9/10
Validitas Neurosains | 7/10
Kelayakan Kebijakan | 6/10
Realisme Implementasi 3–5 Tahun | 5.5/10
Potensi PIMNAS (Jika Direvisi) | 8/10
5️⃣ REKOMENDASI STRATEGIS
🔧 1. Turunkan Skala Ambisi
Ubah framing dari “Sistem Nasional Terintegrasi” menjadi:
Tahap 1: Pilot Kabupaten
Tahap 2: Integrasi terbatas PMM
Tahap 3: Federated regional
Ini meningkatkan kredibilitas.
🔧 2. Lunakkan Klaim Klinis
Ganti istilah deterministik menjadi terminologi probabilistik berbasis pola perilaku.
🔧 3. Revisi Mekanisme Network Throttling
Alihkan dari OS-level enforcement menjadi:
Labeling transparan
Parental-level enforcement
Insentif kepatuhan platform
🔧 4. Tambahkan Simulasi Akademik
Karena ini PKM-GFT, tambahkan:
Agent-based modeling
Risk scenario simulation
Estimasi dampak 2045 berbasis model populasi
Agar terlihat akademik, bukan sekadar teknokratik.
🔧 5. Tambahkan Governance & Ethics Board
Masukkan komponen:
Dewan Etik Independen
Ombudsman Digital Anak
Audit tahunan publik
Untuk meredam kekhawatiran authoritarian drift.
6️⃣ KESIMPULAN JUJUR
Proposal ini:
✔ Visioner
✔ Teknis matang
✔ Etis secara desain data
Namun:
⚠ Terlalu ambisius untuk ekosistem kebijakan saat ini
⚠ Bergantung pada kontrol OS global
⚠ Perlu penyesuaian skala dan governance
Jika diframing ulang sebagai blueprint bertahap + simulasi dampak + pilot realistis, peluang menjadi finalis kuat meningkat signifikan.
❓ Pertanyaan Kritis untuk Tim
Jika Google membatasi AccessibilityService dan OEM mematikan background service, apa fallback architecture kalian?
Jawaban atas pertanyaan ini akan menentukan apakah sistem ini benar-benar resilien atau hanya bergantung pada satu titik kegagalan.