AutoBargain AI — Sistem Pemindai & Penilai Harga Mobil Bekas

AutoBargain AI adalah proyek AI engineering pribadi untuk memantau dan menganalisis listing mobil bekas dari berbagai marketplace Indonesia seperti Carmudi, Mobil123, dan OLX, dengan estimasi harga pasar otomatis dan notifikasi langsung ke Telegram saat menemukan listing yang menarik.

Sistem ini mengumpulkan data listing, menormalkan informasi kendaraan, mengestimasi nilai pasar menggunakan beberapa pendekatan berbeda, memeriksa listing terhadap potensi risiko, dan mengirimkan peluang terpilih kepada pengguna melalui Telegram.

Proyek ini berfokus pada penggabungan web scraping, RAG, machine learning, LLM agents, dan bot Telegram percakapan menjadi satu sistem yang praktis digunakan sehari-hari.

---

Ringkasan Proyek

• Kategori: Proyek Pribadi / AI Systems & LLM Engineering
• Peran: AI Systems Engineer & Full-Stack Python Developer
• Fokus Utama: Pengumpulan data mobil bekas, estimasi harga, analisis risiko, AI agents, dan otomasi Telegram
• Teknologi AI & Agentic: Multi-Agent Architecture, ReAct Tool Calling Loop, LiteLLM, Groq Cloud (gpt-oss-120b, qwen3.6-27b), Google Gemini API (gemini-3.6-flash), Ollama Local LLM (qwen2.5:7b, llama3.2)
• Machine Learning & Data: PyTorch, Deep Residual Neural Network untuk Regresi, ChromaDB, SentenceTransformers (all-MiniLM-L6-v2), Scikit-Learn, t-SNE 3D Dimensionality Reduction, Pandas, NumPy
• Web Scraping & Backend: Python 3.13, BeautifulSoup4, Requests, Pydantic V2, Threading & Queue, Python Signal Handling, Background Daemon Architecture
• UI & Komunikasi: Gradio 4, Plotly 3D, Telegram Bot API, Long Polling

---

Latar Belakang & Motivasi

Marketplace mobil bekas biasanya berisi banyak sekali listing dengan variasi harga jual yang cukup signifikan antar unit yang sebenarnya sebanding.

Menemukan mobil yang dijual di bawah estimasi harga pasarnya biasanya mengharuskan pengecekan banyak listing di berbagai situs sekaligus. Melakukan ini secara manual memakan waktu lama dan sulit untuk membandingkan kendaraan dengan spesifikasi yang berbeda-beda secara konsisten.

Tantangan lain ada pada estimasi harga itu sendiri. Mengandalkan satu LLM saja untuk menaksir harga mobil bekas dapat menghasilkan estimasi yang tidak konsisten, terutama ketika model tidak memiliki cukup data pasar yang relevan.

Saya membangun AutoBargain AI untuk mengotomasi seluruh alur kerja ini.

Sistem ini dirancang untuk:

1. Mengumpulkan listing mobil bekas dari berbagai sumber secara otomatis.
2. Menormalkan informasi kendaraan agar listing yang berbeda-beda dapat dibandingkan.
3. Mengestimasi nilai pasar yang wajar menggunakan beberapa pendekatan independen.
4. Mengidentifikasi potensi masalah atau tanda peringatan dalam deskripsi listing.
5. Memberi notifikasi ke pengguna saat sebuah listing cocok dengan kriteria yang dikonfigurasi.
6. Memungkinkan pengguna berinteraksi dengan sistem melalui Telegram.

---

Kontribusi Teknis Saya

Arsitektur Multi-Agent & Perencanaan ReAct

• Merancang sekelompok agent khusus di mana setiap agent menangani satu bagian spesifik dari alur kerja: ScannerAgent mengumpulkan data mentah dari listing langsung di web dan mengubahnya menjadi data terstruktur menggunakan Pydantic; PreprocessorAgent membersihkan dan menstandarkan informasi kendaraan seperti jenis transmisi, kilometer, model, dan varian; FrontierAgent menggunakan RAG dengan ChromaDB untuk mencari listing historis yang mirip sebagai referensi harga; NeuralNetworkAgent menjalankan model regresi PyTorch untuk menghasilkan estimasi harga numerik; SpecialistAgent menerapkan aturan penetapan harga dan depresiasi khas otomotif; RiskAnalystAgent meninjau deskripsi listing untuk mencari kemungkinan masalah seperti riwayat kecelakaan, banjir, pajak mati, atau dokumen tidak lengkap; dan MessagingAgent menyiapkan pesan notifikasi lalu mengirimkan hasil terpilih ke Telegram.
• Mengimplementasikan AutonomousPlanningAgent menggunakan loop bergaya ReAct yang dapat memutuskan tool mana yang perlu dipanggil berdasarkan tugas yang sedang berjalan, seperti memindai listing, mengestimasi harga, menganalisis risiko, atau mengirim notifikasi.

Estimasi Harga Multi-Model

• Alih-alih mengandalkan satu model saja, AutoBargain AI menggabungkan tiga pendekatan berbeda untuk menghasilkan nilai wajar sebuah kendaraan: RAG / Vector Search (bobot 75%) yang menggunakan listing kendaraan serupa yang tersimpan di ChromaDB sebagai referensi utama; PyTorch Regression (bobot 15%) yang memberikan estimasi harga berbasis machine learning; dan Rule-Based Specialist (bobot 10%) yang menerapkan aturan harga dan depresiasi spesifik domain otomotif.
• Pendekatan ini mengurangi ketergantungan pada satu model saja dan memberi sistem beberapa sinyal independen ketika mengestimasi nilai pasar sebuah kendaraan.

ChromaDB & Visualisasi Vektor 3D

• Membangun vector database persisten berisi lebih dari 111 data representatif kendaraan dari merek seperti Toyota, Honda, Suzuki, Mitsubishi, BMW, Mercedes-Benz, dan model EV.
• Mengonversi informasi kendaraan menjadi embedding 384 dimensi menggunakan sentence-transformers/all-MiniLM-L6-v2, yang kemudian direduksi ke ruang 3D menggunakan t-SNE.
• Menampilkan hasilnya melalui visualisasi Plotly interaktif, sehingga lebih mudah untuk mengeksplorasi bagaimana berbagai model dan kategori kendaraan mengelompok dalam ruang vektor.

Web Scraper Multi-Sumber

• Mengembangkan scraper yang mengumpulkan listing kendaraan dari beberapa marketplace sekaligus: Carmudi, Mobil123, dan OLX.
• Scraper ini menangani struktur HTML yang berbeda-beda di tiap situs dan mengekstrak informasi dari data HTML maupun JSON-LD bila tersedia.
• Mengimplementasikan file memori persisten cars_memory.json untuk melacak listing yang sudah pernah diproses sebelumnya dan mengurangi pemrosesan duplikat pada siklus pemindaian berikutnya.
• Ketika sebuah situs eksternal tidak dapat diakses secara normal, sistem dapat beralih ke data kandidat yang tersedia alih-alih menghentikan seluruh alur kerja.

Analisis Risiko Berbasis AI

• Harga bukan satu-satunya faktor saat menilai sebuah mobil bekas. Saya mengembangkan komponen analisis risiko yang meninjau informasi listing dan menghasilkan Safety Score (0.0 - 10.0), Risk Grade (A / B / C), dan Red Flag Summary.
• Analyzer ini mencari tanda peringatan seperti riwayat kecelakaan, kerusakan akibat banjir, pajak kendaraan yang sudah mati, kemungkinan manipulasi odometer, informasi pembiayaan atau leasing, serta informasi BPKB/STNK yang hilang atau tidak jelas.
• Tujuannya bukan menggantikan inspeksi fisik, melainkan memberikan penyaringan awal sebelum pengguna menghabiskan waktu untuk menyelidiki sebuah listing lebih jauh.

Bot Percakapan Telegram & Model Failover

• Membangun bot Telegram dua arah menggunakan long polling, sehingga bot dapat berjalan tanpa memerlukan webhook publik atau ngrok.
• Pengguna dapat berinteraksi dengan sistem menggunakan pesan percakapan biasa, misalnya "Taksir harga Innova 2021 odo 50rb km" atau "Cari mobil murah di bawah 200 juta". Bot memproses permintaan ini melalui Conversational ReAct Agent dan memanggil tool yang sesuai.
• Mengimplementasikan rantai fallback model: Groq GPT-OSS 120B → Groq Qwen 3.6 27B → Groq GPT-OSS 20B → Gemini 3.6 Flash → Gemini 3.1 Flash Lite → Local Heuristic. Jika sebuah API mencapai batas rate limit atau kuota, sistem dapat beralih ke model lain yang tersedia alih-alih langsung menghentikan permintaan, sehingga aplikasi lebih tangguh saat bekerja dengan banyak penyedia AI.

Output Telegram yang Ramah Perangkat Mobile

• Versi pertama output Telegram menggunakan tabel Markdown, namun format ini tidak selalu mudah dibaca di perangkat mobile.
• Saya merancang ulang output menjadi format Mobile Card dengan bagian informasi yang jelas, pembatas visual, nilai penting yang disorot, tautan langsung ke listing asli, dan blok informasi yang lebih ringkas — sehingga estimasi harga, informasi risiko, dan detail listing lebih mudah dipindai langsung dari layar ponsel.

---

Fitur Produk Inti

Pemindai Mobil Bekas Otomatis

• Terus memantau marketplace yang dikonfigurasi dan mengumpulkan listing baru secara berkala.

Estimasi Harga Wajar

• Menggabungkan RAG, machine learning, dan rule-based pricing untuk mengestimasi nilai pasar sebuah kendaraan.

Analisis Risiko

• Memeriksa informasi listing untuk mencari tanda peringatan sebelum pengguna mempertimbangkan sebuah kendaraan lebih jauh.

Asisten Telegram

• Memungkinkan pengguna mencari listing, meminta estimasi harga, dan memicu pemindaian pasar langsung melalui Telegram.

Dashboard Web

• Menyediakan antarmuka interaktif untuk memantau aktivitas scraper, log agent, data kendaraan, embedding vektor, dan visualisasi t-SNE 3D.

Background Daemon

• Pemindai dapat berjalan secara independen sebagai proses latar belakang tanpa perlu dashboard web tetap terbuka.

---

Teknologi & Arsitektur (Tech Stack)

AutoBargain AI disusun sebagai kombinasi layanan scraping, pipeline AI/ML, dan bot Telegram yang berjalan sebagai background daemon.

• Bahasa: Python 3.13
• LLM / AI: Groq, Google Gemini, Ollama, LiteLLM
• Arsitektur Agent: Multi-Agent, ReAct, Tool Calling
• Machine Learning: PyTorch, Scikit-Learn
• Vector Database: ChromaDB
• Embeddings: SentenceTransformers
• Pemrosesan Data: Pandas, NumPy
• Web Scraping: Requests, BeautifulSoup4
• Validasi: Pydantic V2
• Dashboard: Gradio
• Visualisasi: Plotly, t-SNE
• Messaging: Telegram Bot API
• Runtime: Threading, Queue, Background Daemon

---

Tantangan Teknis & Solusi

Mengurangi Ketergantungan pada Satu LLM untuk Estimasi Harga

• Tantangan: Satu model generatif dapat menghasilkan estimasi harga yang berbeda-beda untuk kendaraan yang sama tergantung pada konteks yang tersedia saat itu.
• Solusi: Menggabungkan tiga pendekatan — RAG / vector similarity (75%), PyTorch regression (15%), dan aturan otomotif (10%) — sehingga sistem memiliki beberapa sinyal independen alih-alih bergantung sepenuhnya pada satu respons LLM.

Menangani Rate Limit API

• Tantangan: Alur kerja agent dapat melakukan banyak permintaan LLM dalam waktu singkat, yang dengan cepat dapat menghabiskan kuota API atau memicu error HTTP 429.
• Solusi: Mengimplementasikan sistem fallback model dinamis menggunakan LiteLLM. Ketika satu penyedia mencapai batasnya, aplikasi berpindah ke model lain yang telah dikonfigurasi, dengan alur dasar: Primary Model → Secondary Model → Gemini → Local Rules — sehingga aplikasi tetap dapat beroperasi saat satu penyedia sedang tidak tersedia.

Mengekstrak Data dari Marketplace yang Berbeda-beda

• Tantangan: Setiap marketplace memiliki struktur HTML yang berbeda dan sewaktu-waktu dapat mengubah class CSS atau tata letak halamannya.
• Solusi: Menggabungkan selector yang fleksibel dengan structured output Pydantic. Scraper terlebih dahulu mengumpulkan konten listing yang tersedia, lalu mengubahnya menjadi struktur data CarDeal yang konsisten, sehingga bagian lain dari aplikasi dapat bekerja dengan format yang terstandarisasi terlepas dari marketplace asalnya.

Membuat Informasi Finansial Mudah Dibaca di Mobile

• Tantangan: Tabel Markdown tidak ideal untuk menampilkan detail kendaraan dan harga secara rinci di layar ponsel.
• Solusi: Mengubah format respons Telegram menjadi tata letak berbasis card. Setiap listing ditampilkan sebagai blok ringkas yang berisi informasi terpenting seperti kendaraan, tahun, kilometer, harga jual, estimasi nilai pasar, selisih harga estimasi, risk grade, dan tautan listing.

---

Pembelajaran Teknis & Poin Kunci

• Agentic AI: Belajar membangun AI agent yang dapat melakukan lebih dari sekadar menghasilkan teks, dengan kemampuan memilih tool, melakukan aksi, dan bekerja melalui tugas multi-langkah.
• RAG & Vector Search: Belajar menggunakan embedding dan vector database untuk menyediakan data referensi yang relevan bagi sebuah sistem AI.
• Integrasi Machine Learning: Belajar menggabungkan model regresi tradisional dengan alur kerja berbasis LLM, alih-alih bergantung sepenuhnya pada AI generatif.
• Reliabilitas Sistem AI: Mengimplementasikan fallback model dan penanganan error agar aplikasi tetap dapat bekerja saat penyedia AI eksternal mencapai kuota atau sedang tidak tersedia sementara.
• Full-Stack AI Engineering: Menggabungkan web scraping, pemrosesan data, vector search, machine learning, LLM agents, integrasi Telegram, dan dashboard interaktif menjadi satu aplikasi yang utuh.