Sebuah inovasi teknologi yang lahir dari kepedulian pribadi berhasil mengubah rutinitas penyiapan laporan layanan telekomunikasi yang melelahkan menjadi proses otomatis dalam hitungan menit. Sistem yang dinamakan Telecom RCA Automation System ini dikembangkan oleh seorang pemrogram muda untuk membantu ibunya yang bekerja di bidang pemeliharaan jaringan telekomunikasi di Nigeria. Pengembang tersebut menyaksikan sendiri bagaimana sang ibu menghabiskan dua hingga empat jam setiap siklus pelaporan hanya untuk menyusun laporan SLA (Service Level Agreement) secara manual.
Proses manual yang dimaksud sangatlah repetitif dan rawan kesalahan. Teknisi lapangan sering mengirimkan deskripsi gangguan melalui aplikasi pesan instan WhatsApp dengan format bebas, yang kemudian harus dibaca, diklasifikasikan ke dalam taksonomi standar perusahaan, dan diformat ke dalam lembar kerja Excel. Setelah mencoba melakukan pekerjaan tersebut sendiri, pengembang menyadari betapa mengurasnya tugas ini secara mental dan fisik, sehingga memunculkan motivasi untuk membangun alat bantu otomatisasi yang nyata.
Telecom RCA Automation System dirancang sebagai alur kerja enam langkah yang mengombinasikan antarmuka modern dan logika cerdas. Aplikasi web ini dibangun menggunakan React 19, TanStack Start, TypeScript, serta Tailwind CSS v4, sementara persistensi data dan pembelajaran berkelanjutan ditangani oleh Supabase dengan Postgres dan Row Level Security. Pengguna cukup mengunggah berkas ekspor ketersediaan jaringan Huawei RNATracker, mengonfigurasi parameter, dan menempelkan teks mentah dari WhatsApp untuk langsung diolah menjadi laporan profesional.
Tantangan terbesar dalam pengembangan ternyata terletak pada pembuatan parser yang mampu memahami pesan WhatsApp yang berantakan. Laporan lapangan sering kali menyertakan ID situs yang menempel tanpa pemisah, nol di depan yang hilang, grup situs bertingkat, dan format durasi gangguan yang bervariasi seperti 34mins atau 1:20hrs. Parser yang dibangun mampu mengekstrak ID situs, kaskade kerusakan, deskripsi, dan durasi tanpa memaksa pengguna membersihkan teks terlebih dahulu, menjadikan tahap pra-pemrosesan hampir tidak terlihat.
Setelah ekstraksi, setiap gangguan melewati pipa klasifikasi delapan tahap yang berprioritas. Dimulai dari aturan durasi pendek, pengabaian keras, koreksi hasil pembelajaran, mesin kata kunci sadar mitra, hingga bantuan Google Gemini AI, kunci mitra, riwayat situs, dan pencocokan fuzzy generik. Pendekatan sadar mitra sangat krusial karena deskripsi yang sama seperti DG fail to start dapat masuk kategori RCA berbeda tergantung apakah situs dikelola oleh IHS, ATC, atau mitra infrastruktur lainnya, sehingga akurasi klasifikasi terjaga.
Penggunaan Google Gemini 2.0 Flash menjadi bagian dari strategi hibrida yang efisien. Hanya deskripsi yang ambigu atau belum pernah dilihat yang dikirim ke AI melalui proksi sisi server aman, sehingga kunci API tidak terekspos ke klien. Permintaan juga dicache selama tujuh hari dan dikelompokkan dalam batch untuk menekan biaya serta mempertahankan kecepatan, menggabungkan kelebatan sistem berbasis aturan dengan fleksibilitas AI modern secara terukur.
Sistem ini juga dilengkapi dengan kemampuan pembelajaran berkelanjutan. Setiap kali pengguna memperbaiki klasifikasi pada tahap tinjauan, koreksi tersebut disimpan di Supabase sebagai pemetaan yang dipelajari. Ke depannya, aplikasi akan menerapkan klasifikasi terkoreksi secara otomatis tanpa perlu proses pelatihan terpisah, menjadikan perangkat lunak ini semakin akurat seiring penggunaan harian dan mengurangi intervensi manusia secara bertahap.
Dampak langsung dari proyek ini sangat nyata: waktu penyusunan laporan SLA terpangkas dari berjam-jam menjadi sekitar lima menit, mengurangi beban kerja lebih dari 95 persen sekaligus meningkatkan konsistensi. Lebih dari sekadar kemenangan teknis, sistem ini mengembalikan waktu luang sang ibu di malam hari. Di Indonesia, kondisi serupa banyak ditemui di operator telekomunikasi dan perusahaan menara yang mengandalkan laporan lapangan via pesan instan, sehingga solusi bertipe ini sangat relevan untuk diadopsi guna meningkatkan produktivitas.
Inovasi tersebut juga menunjukkan bahwa pemanfaatan kecerdasan buatan tidak harus berupa model monolitik yang mahal. Dengan meletakkan logika deterministik di sisi lokal dan hanya memanggil AI saat benar-benar diperlukan, pengembang dapat menciptakan perangkat lunak yang tangguh, terjangkau, dan berpusat pada pengguna. Pendekatan berbasis empati seperti ini layak menjadi rujukan bagi startup teknologi di negara berkembang yang ingin menyelesaikan masalah nyata di sektor infrastruktur secara berkelanjutan.