Filter
Ruas: {{ ruasInfo.nama }} {{ ruasInfo.caret }}
Ruas tol — scope pengguna
{{ o.kode }}
{{ o.nama }}
{{ o.km }}
{{ o.ket }}
Daftar mengikuti scope wilayah pengguna. Ruas berstatus draft tidak dapat dipilih sampai centerline diunggah di Admin › Master Ruas.
Lajur: Semua ▾
Survei: {{ ruasInfo.survei }} ▾
Baik
Sedang
Rusak Ringan
Rusak Berat
Lubang
peta MapLibre GL — basemap OSM sedang dimuat…
{{ ruasInfo.nama }}
{{ ruasInfo.subJudul }}
{{ ruasInfo.pctBaik }}
Baik
{{ ruasInfo.pctSedang }}
Sedang
{{ ruasInfo.pctRusak }}
Rusak
Strip chart — SDI-visual per KM · {{ jalurAktifLabel }}
klik batang untuk pilih segmen
{{ ruasInfo.kmRange }}
Detail Ruas — {{ ruasInfo.nama }}
{{ ruasInfo.pendek }} · {{ ruasInfo.km }} · {{ ruasInfo.seksi }} seksi · Jaringan Tol Nasional
Bandingkan:
22 Jul 2026 ▾
vs
15 Mar 2026 (Hawkeye) ▾
{{ s.label }}
{{ s.val }} {{ s.unit }}
{{ s.delta }}
SDI-visual per KM — Jalur A
{{ ruasInfo.kmRange }}
SDI-visual per KM — Jalur B (arah sebaliknya)
Baik (<50)
Sedang (50–100)
Rusak Ringan (100–150)
Rusak Berat (>150)
sumber: SIRAJA-TOL · SDI-visual (3 komponen, tanpa rutting)
Segmen terburuk (prioritas penanganan)
Segmen
Jalur
Lajur
SDI-visual
eIRI
Δ vs Mar
Dominan
{{ r.km }}
{{ r.jalur }}
{{ r.lajur }}
{{ r.sdi }}
{{ r.eiri }}
{{ r.delta }}
{{ r.dominan }}
{{ st.label }}
Inbox Temuan
{{ inboxCount }} baru
urut: keparahan {{ sortArrow }}
J/K navigasi
A terima
R tolak
E koreksi
{{ t.jenis }}{{ t.sev }}
{{ t.meta }}
{{ t.statTag }}{{ t.conf }}
{{ t.waktu }}
Semua temuan contoh sudah dihapus dari sesi ini
Ini data mockup latihan, bukan data lapangan nyata — muat ulang halaman untuk mengembalikannya.
{{ pilotNote }}
{{ sel.jenis }}
{{ sel.sev }} {{ sel.lokasi }} temuan {{ selPos }} dari {{ inboxCount }} · sesi {{ sel.sesi }}⚠ Menampilkan referensi kelas {{ curFrame.tipe }} — BUKAN foto temuan {{ sel.jenis }} yang sedang direview. Klik ulang temuan ini di daftar kiri untuk kembali ke foto yang sesuai.
🗑 Hapus temuan (sesi percobaan)
Deteksi AI
Confidence
{{ sel.conf }}Model
v2.3.1-int8Dimensi
{{ sel.dim }}Kualitas frame
Layak ukurLokasi
KM+STA{{ sel.km }}
Jalur/Lajur{{ sel.jl }}
GNSS fixRTK-float · ±0,8 m
Snap offset2,1 m
Auto-eskalasi: {{ sel.eskalasi }}
Koreksi keparahan menjadi:
{{ cc.label }}
Batal
{{ decidedLabel }}
Batalkan keputusan
✓ Terima A
✕ Tolak R
✎ Koreksi keparahan E
setiap keputusan tercatat di audit log & dipakai re-training
{{ st.label }}
Temuan Lapangan
{{ lapTotal }}
muat ulang
Ditangkap petugas lewat aplikasi kamera survei. Klik Deteksi AI per foto atau proses batch di bawah.
⚡ Proses {{ lapAiHitungBelum }} yg belum
⟳ Deteksi ulang semua
{{ lapAiBatchLbl }}
Batal
{{ lapPesan }}
{{ lt.judul }}
{{ lt.meta }}
{{ lt.unit }}
{{ lt.jam }}
Token pengawas diperlukan
Temuan lapangan memuat rekaman foto dari lapangan, sehingga daftarnya tidak dibuka bebas. Masukkan token pengawas untuk menampilkannya. Token tersimpan hanya di peramban ini.
Hubungkan
{{ lapPesan }}
Temuan lapangan
{{ lapSel.aiTag }} {{ lapSel.koordinat }} temuan {{ lapSel.pos }} dari {{ lapTotal }} · unit {{ lapSel.unit }}{{ lapAiSatuLbl }}
{{ lapHapusLabel }}
{{ lapHapusPesan }}
{{ lapAiPesan }}
Rekaman perangkat
Unit
{{ lapSel.unit }}Waktu
{{ lapSel.jam }}Kecepatan
{{ lapSel.kecepatan }}Akurasi GNSS
{{ lapSel.akurasi }}Ukuran berkas
{{ lapSel.ukuran }}Diterima server
{{ lapSel.diterima }}Ketajaman frame
{{ lapSel.ketajaman }}Kelas kerusakan (AI)
{{ lapSel.aiKelas }}Keyakinan AI
{{ lapSel.aiKeyakinan }}Model AI
{{ lapSel.aiModel }}Jumlah deteksi
{{ lapSel.aiJumlah }}Rincian deteksi AI ({{ lapSel.aiJumlah }} kotak pada foto ini)
{{ d.urut }}. {{ d.label }}
{{ d.persen }}
"Kelas kerusakan (AI)" di atas hanya menampilkan kotak dgn skor tertinggi — daftar ini seluruh kotak yg lolos ambang pada foto yg sama.
Lokasi
Lintang{{ lapSel.lat }}
Bujur{{ lapSel.lon }}
KM+STAbelum dipetakan
Penempatan ke KM+STA memerlukan snap ke centerline ruas — belum dijalankan untuk temuan lapangan ini.
{{ lapSel.aiNote }}
peta MapLibre GL — basemap OSM sedang dimuat…
Kendaraan survei aktif — {{ ruasInfo.nama }}
{{ liveCount }} live
{{ offlineCount }} offline (rekam lokal)
{{ pilotNote }}
Work Order
18 aktif · SLA on-track 83%Prioritas: Semua ▾
+ WO manual
{{ col.judul }}
{{ col.n }}
{{ w.no }}
{{ w.prio }}
{{ w.judul }}
{{ w.lokasi }}
{{ w.sla }}
{{ w.pj }}
Laporan Kepatuhan SPM
{{ ruasInfo.nama }} · Periode Juli 2026↓ PDF
↓ CSV
↓ GeoJSON
{{ s.label }}
{{ s.val }}
{{ s.sub }}
Kepatuhan per seksi — butir SPM Permen PUPR 16/PRT/M/2014 (ambang dari konfigurasi KV v7)
Seksi
Panjang
IRI ≤ 4 m/km
Nol lubang
Lubang aktif
Respon rata²
{{ r.seksi }}
{{ r.pj }}
{{ r.iri }}
{{ r.lubang }}
{{ r.aktif }}
{{ r.respon }}
Jejak audit — temuan → penanganan → verifikasi
{{ a.waktu }}
{{ a.tag }}
{{ a.teks }}
{{ a.oleh }}
Belum ada riwayat temuan/work order untuk {{ ruasInfo.nama }} — jejak audit baru berjalan pada skenario pilot Jakarta–Cikampek.
Administrasi Sistem
{{ t.label }}
Pengguna — scope per ruas/cabang (SSO Entra ID)
+ Undang
Nama
Role
Scope
Status
{{ u.nama }}
{{ u.email }}
{{ u.role }}
{{ u.scope }}
{{ u.st }}
Konfigurasi ambang — KV spm-config · v7
IRI maksimum4,0 m/km
Lubang (SPM)0 (100%)
Confidence auto-eskalasi lubang≥ 0,85
SLA lubang DARURAT24 jam
Retensi video sesi (R2)90 hari
Riwayat versi tersimpan — perubahan Permen SPM 2026 = perubahan konfigurasi, bukan deployment.
Unit terdaftar
{{ u.nama }}
{{ u.hw }}
{{ u.model }}
Ruas tol terdaftar — referensi linear KM+STA
+ Tambah Ruas
Kode
Nama ruas
Panjang
Seksi
Lajur
Segmen
Centerline
Status
{{ r.kode }}
{{ r.nama }}
{{ r.panjang }} km
{{ r.seksi }}
{{ r.lajur }}
{{ r.segmen }}
{{ r.cl }}
{{ r.st }}
Seksi — JKC · Jakarta–Cikampek
jenis perkerasan menentukan katalog kerusakan yang dipakai model
#
Nama seksi
KM awal
KM akhir
Panjang
Lajur
Perkerasan
{{ s.no }}
{{ s.nama }}
{{ s.kmA }}
{{ s.kmB }}
{{ s.pj }} km
{{ s.lajur }}
{{ s.perk }}
Tambah / ubah ruas
JKC
JMT Metropolitan ▾
Jakarta–Cikampek
0+000
73+000
A (ke Cikampek) + B ▾
100 m
⭑ Tarik berkas ke sini atau pilih berkas
LineString per jalur · disimpan ke PostGIS, dipakai ST_LineLocatePoint untuk snap KM+STA
centerline-jkc-v4.geojson
2 fitur · 73,0 km
Menyimpan centerline versi baru tidak mengubah KM+STA temuan lama — temuan tetap terikat versi centerline saat direkam, agar riwayat SPM tidak bergeser.
Simpan ruas
Batal
KV namespace spm-config · v7
perubahan berlaku < 60 dtk tanpa deployment
{{ g.judul }}
{{ g.sumber }}
{{ i.val }}
{{ i.unit }}
{{ i.roTag }}
Simpan sebagai v8
Uji tanpa terapkan
Perubahan tercatat di jejak audit dengan nama penyetuju.
Riwayat versi
{{ v.v }}
{{ v.badge }}
{{ v.ket }}
{{ v.tgl }} · {{ v.oleh }}
Rollback ke versi mana pun berlaku seketika. Unit di lapangan menarik konfigurasi saat sinkronisasi berikutnya.
Kesiapan regulasi
Permen SPM Jalan Tol pengganti dijadwalkan terbit 2026. Seluruh ambang di halaman ini adalah konfigurasi, bukan konstanta dalam kode — penyesuaian regulasi cukup lewat perubahan nilai di sini, tanpa rilis ulang aplikasi maupun pembaruan unit di lapangan.
Unit survei — service token Cloudflare Access per perangkat
+ Daftarkan Unit
Unit
Perangkat keras
GNSS / Kamera
Disk
Model
Sinkronisasi
Token
Status
{{ u.nama }}
{{ u.hw }}
{{ u.gnss }}
{{ u.kam }}
{{ u.disk }}
{{ u.model }}
{{ u.sync }}
{{ u.last }}
{{ u.tokenSt }}
{{ u.st }}
Mencabut token satu unit memutus akses perangkat itu saja — unit lain tidak terpengaruh. Seluruh armada kini seragam Jetson Orin Nano Super 8GB; unit Jetson Nano 4GB yang sebelumnya EOL sudah diganti.
Spesifikasi perangkat keras — manifes pengadaan (BoQ)
armada 5 unit kendaraan + 1 GPU server pusat
Per unit kendaraan · ×5
{{ b.qty }}
{{ b.grup }}
{{ b.items }}
Server pusat
{{ b.qty }}
{{ b.grup }}
{{ b.items }}
GPU server berada di pusat data (bukan edge) — dipakai untuk melatih ulang model dari data koreksi pengawas, lalu didistribusikan ke unit lewat OTA.
SSD 128 GB memuat OS, model, dan buffer rekaman; video sesi dirotasi FIFO setelah ACK sinkronisasi (retensi lokal 30 hari) agar kapasitas tidak jenuh.
Registri model AI
{{ modelUnggahLabel }}
Cara mengganti model AI produksi
Model AI berjalan di perangkat lapangan (browser petugas via ONNX Runtime Web), bukan di server. Karena itu penggantian dilakukan dgn mengganti berkas .onnx yg dimuat PWA — bukan lewat unggah web dari dasbor ini (yg tidak dibuka utk alasan keamanan: setiap petugas akan langsung memakainya begitu berkas berganti).
- Latih ulang / ekspor model ke ONNX (imgsz 640, opset 12), lalu kuantisasi INT8:
onnxruntime.quantization.quantize_dynamic. - Validasi manual pada beberapa foto uji dulu — jangan cuma percaya angka mAP (jebakan model YOLOv8_Small_RDD yg tercatat 'DITOLAK' di atas).
- Ganti berkas
siraja-tol/pwa/public/model/rdd-yolo12s-int8.onnx, sesuaikanAI_KODE/AI_LABELdiindex.htmlbila jumlah kelas berubah. - Deploy PWA:
npx wrangler pages deploy pwa/public --project-name=siraja-pwa. Perangkat lapangan akan memakai model baru pada muat ulang berikutnya.
Perbarui entri PRODUKSI pada tabel di bawah supaya cocok dgn berkas yg benar-benar dipasang. Data mockup mAP/AP disini bukan pengganti pemantauan tingkat koreksi pengawas pasca-rollout — itu satu-satunya sinyal nyata.
Versi
Tanggal
Dataset latih
Kelas
mAP50
AP lubang
Terpasang
Status
{{ m.v }}
{{ m.tgl }}
{{ m.dataset }}
{{ m.kelas }}
{{ m.map }}
{{ m.lubang }}
{{ m.unit }}
{{ m.st }}
Kandidat v2.4.0-rc1 dilatih ulang memakai 3,1k frame hasil koreksi pengawas — temuan yang ditolak di Inbox menjadi data latih, bukan dibuang.
Rollout OTA
v2.4.0-rc1 ▾
SIRAJA-01 (ruas kontrol) ▾
Bertahap — 1 unit dulu ▾
Pembaruan diunduh saat unit tersambung dan hanya diterapkan saat tidak ada sesi survei berjalan. Versi lama disimpan untuk rollback otomatis bila unit gagal booting.
Jadwalkan rollout
Kelas deteksi aktif — v2.3.1
{{ k.n }}
Katalog perkerasan lentur. Kelas perkerasan kaku (retak sudut, patah sudut, gompal, faulting, pumping) menyusul di fase berikutnya — seksi 1–2 JKC berperkerasan beton.
Tahapan retraining — mana OTOMATIS, mana MANUAL
- Kumpulkan foto & label (manual) — anotasi di Roboflow/CVAT, atau ekspor dari koreksi pengawas nanti bila alur validasi sudah aktif. Format YOLO/COCO. Simpan di penyimpanan sendiri; catat di Registri Dataset di bawah.
- Latih ulang model YOLOv12s (manual, di GPU eksternal) —
ultralytics train ...dgn dataset gabungan (dataset baru + RDD2022 sbg dasar). Tidak dijalankan di dasbor — Cloudflare Workers tidak punya GPU. - Ekspor ONNX + kuantisasi INT8 (manual) —
model.export(format='onnx', imgsz=640, opset=12)laluquantize_dynamic. Sama dgn langkah adopsi model produksi sekarang. - Validasi manual (manual) — uji pada foto yg belum pernah dilihat model, bandingkan skor kepercayaan dgn versi produksi. Ingat pelajaran YOLOv8_Small_RDD: jangan cuma percaya angka mAP.
- Catat hasil retraining (otomatis, tercatat lewat form) — masukkan versi kandidat + mAP + dataset yg dipakai ke Riwayat Retraining di bawah.
- Ganti berkas model (manual) — replace
siraja-tol/pwa/public/model/rdd-yolo12s-int8.onnx, sesuaikanAI_KODE/AI_LABEL, deploy PWA. Perbarui baris PRODUKSI pada Registri model AI.
Yang benar-benar dijalankan dasbor SIRAJA-TOL adalah pencatatan (langkah 1 metadata & langkah 5) — training sungguhannya tetap manual di infrastruktur GPU terpisah. Ini disengaja: menjalankan training di server publik menaruh model produksi pada jalur uji tanpa pengawasan manusia.
Registri dataset & riwayat retraining membaca dari basis data yg sama dgn Inbox Lapangan (nyata) — isi dulu token pengawas di sana, lalu kembali ke tab ini.
{{ retrainPesan }}
Registri dataset retraining
muat ulang
{{ dsSimpanLbl }}
Belum ada dataset yg tercatat. Tambahkan dgn form di atas.
{{ d.nama }}
{{ d.sumber }}
{{ d.jumlahFotoFmt }}
{{ d.kelas }}
{{ d.catatan }}
{{ d.tgl }}
Hapus
Riwayat retraining — catat setiap upaya training
{{ rtSimpanLbl }}
Belum ada riwayat retraining. Setelah training manual selesai, catat di sini.
{{ r.datasetLbl }}
{{ r.versi_kandidat }}
{{ r.base_model }}
{{ r.map50Fmt }}
{{ r.status }}
{{ r.catatan }}
{{ r.tgl }}
Hapus
Antarmuka Tablet
Tiga tampilan tablet: kontrol surveyor di kendaraan (offline, WiFi lokal Jetson), dan versi tablet dari Inbox & Live Monitoring untuk pengawas di lapangan.
1 · Kontrol Surveyor — ui-service Jetson (:8080, tanpa internet)
Temuan ditandai
cache — belum tersimpan
Gambar ditangkap dari frame kamera live sebagai JPEG di memori (data URL) — bukan berkas tersimpan. Di sistem nyata, frame cache inilah yang di-upload ke R2 saat sinkronisasi.
2 · Inbox — tablet 10″ (aksi jempol, min 44px)
3 · Live Monitoring — tablet lapangan
Spesifikasi Hardware — 1 Unit PoC
Daftar alat & bahan untuk merakit satu unit proof-of-concept edge AI, lengkap dengan harga indikatif ritel Indonesia (Juli 2026) dan tautan pembelian. Konfigurasi: kamera global shutter + LED illuminator + SSD 1 TB. Kurs USD 1 ≈ Rp 18.000; harga belum termasuk ongkir/PPN & jasa integrasi.
{{ s.label }}
{{ s.val }}
{{ s.sub }}
Bill of Materials — per unit kendaraan
klik "Beli" untuk membuka toko
#
Komponen
Spesifikasi
Harga (Rp)
Beli
Subtotal
17.670.000
Kontingensi + ongkir + PPN (~10%)
1.770.000
Total 1 unit PoC
19.440.000
GPU server pelatihan tidak termasuk (untuk PoC pakai GPU cloud sewaan). Naik ke SSD 2 TB → total ~Rp 21 jt. ⚠ Harga NAND naik di 2026 dan komponen impor fluktuatif — verifikasi ulang saat pengadaan.
Catatan kesesuaian spek
- Compute: Orin Nano Super 67 TOPS — sanggup YOLO 30–60+ FPS; model RDD2022 hanya 2,3 jt parameter. Ada headroom.
- Kamera global shutter + LED: survei di 80 km/j viable; dashcam konsumen mentok ~40–60 km/j + distorsi rolling shutter.
- Storage: ukuran disetel kapasitas per sesi (H.265 ~9–14 GB/jam/kamera), bukan kecepatan write. Rekam terenkode NVENC, bukan raw.
Kecepatan survei vs kualitas capture
Rumus: v_maks (km/j) = 3,6 × blur(mm) ÷ exposure(ms). Siang terang (~1/8000 s) → ~58 km/j tajam, ~115 km/j layak. Malam + LED strobe (~1/10000 s) → ~72 km/j tajam. Global shutter menjaga ukuran retak akurat di kecepatan penuh.
Retraining AI
Kapan model dilatih, siapa yang menjalankannya, dan bagaimana ketelitiannya dibuktikan terhadap alat ukur standar. Tiga hal ini kerap tercampur dalam pengadaan padahal status kontraktualnya berbeda.
Tiga lapis pelatihan model — jangan disamakan
{{ lp.n }}
{{ lp.judul }}
Kapan: {{ lp.kapan }}
Pelaksana: {{ lp.siapa }}
{{ lp.isi }}
{{ lp.status }}
Bagan alur — dari PoC vendor sampai operasional
geser mendatar bila layar sempit
Apakah retraining berjalan kontinu?
Datanya kontinu, pelatihannya tidak. Koreksi pengawas terkumpul setiap saat secara otomatis, tetapi model tidak dilatih ulang setiap ada koreksi baru. Pelatihan dijalankan berkala setelah data memadai, diuji, lalu disebar bertahap — pola ini disengaja demi kestabilan hasil dan kenyamanan operasional.
{{ kt.no }}
{{ kt.j }}
{{ kt.d }}
Cross-reference dengan alat standar — memperoleh angka benchmark
Klaim ketelitian tidak dapat dibuktikan oleh sistem terhadap dirinya sendiri. Ketelitian dan keterhandalan ditetapkan dengan membandingkan keluaran sistem terhadap pengukuran alat atau metode yang sudah diakui, pada ruas dan waktu yang sama. Hasil perbandingan inilah yang menjadi dasar penerimaan pekerjaan — bukan demonstrasi yang dipilih sendiri oleh penyedia.
Aspek diukur
Pembanding standar
Metrik
Cara uji
{{ as.a }}
{{ as.alat }}
{{ as.metrik }}
{{ as.uji }}
Protokol pengujian
- {{ pt.teks }}
Batas yang tidak boleh dikaburkan
- {{ bt.teks }}
Kriteria penerimaan — usulan, wajib dikonfirmasi pemilik pekerjaan
Indikator
Arah sasaran
Alasan
{{ tr.i }}
{{ tr.u }}
{{ tr.c }}
Angka pastinya sengaja tidak dicantumkan di sini. Menetapkan ambang numerik tanpa data uji ruas sendiri hanya memindahkan tebakan ke dalam dokumen kontrak. Ambang ditetapkan setelah pengujian awal, lalu dikunci sebagai syarat terima — target dan capaian kalibrasi tersimpan di Admin › Konfigurasi Ambang agar dapat ditelusuri.
Siapa menjalankan retraining setelah serah terima — keputusan pengadaan
Daftar pengadaan memuat server GPU untuk pelatihan model, sedangkan kompetensi rekayasa machine learning belum termasuk enam peran pada Dokumentasi §7. Ketidakselarasan ini perlu diputuskan sebelum kontrak ditandatangani, karena menentukan apakah retraining kontinu berstatus barang yang selesai dibeli atau layanan berlangganan.
Opsi
Konsekuensi
Cocok untuk
{{ op.o }}
{{ op.k }}
{{ op.c }}
Halaman ini menjelaskan rencana kerja dan metode pembuktian, bukan melaporkan hasil uji yang sudah terjadi. Angka capaian kalibrasi yang tampil pada mockup adalah nilai contoh. Nama alat pembanding disebut sebagai kelas alat, bukan penunjukan merek — pemilihan alat rujukan mengikuti ketentuan pengadaan dan ketersediaan alat terkalibrasi di lingkungan BUJT.
Kurikulum Pelatihan SIRAJA-TOL
Program pembekalan sistem kerja alat, dibagi dua jalur sesuai jenis pekerjaan: operator yang mengoperasikan perangkat di lapangan, dan pengguna yang menilai serta menindaklanjuti hasilnya dari kantor.
{{ tb.kode }} · {{ tb.label }}
{{ dikNama }}
{{ dikRing }}{{ s.label }}
{{ s.val }}
{{ s.sub }}
{{ inf.label }}
{{ inf.val }}
Silabus modul
klik modul untuk membuka rincian
{{ md.n }}
{{ md.judul }}
{{ md.bentuk }}
{{ md.jam }}
{{ md.caret }}
Sasaran belajar
{{ md.sasaranBelajar }}
Pokok bahasan
- {{ mt.teks }}
Praktik
{{ md.praktik }}
Evaluasi
{{ md.evaluasi }}
Penyelenggaraan
- Kelas dibatasi jumlahnya agar setiap peserta memperoleh giliran praktik langsung — pelatihan jalur lapangan tidak dapat berjalan tanpa akses kendaraan dan unit sungguhan.
- Jalur non-lapangan menggunakan data latihan terpisah, bukan data operasional, sehingga kekeliruan peserta tidak mencemari jejak audit.
- Penyegaran berkala dijadwalkan saat terjadi perubahan ambang konfigurasi atau penerapan versi model baru yang mengubah perilaku deteksi.
- Peserta yang belum lulus uji kompetensi mengulang modul terkait sebelum bertugas mandiri.
Kaitan dengan dokumen lain
Materi setiap modul menurunkan isi Dokumentasi (dasar hukum, spesifikasi, batasan sistem) dan SOP per Peran (langkah kerja, eskalasi, larangan). Bila prosedur atau ambang diperbarui, kurikulum mengikuti perubahan itu — bukan sebaliknya. Durasi dan komposisi jam bersifat usulan dan perlu disesuaikan dengan ketentuan pelatihan internal perusahaan.