Perpustakaan Digital ITB

Adopsi kecerdasan buatan untuk analisis data pada organisasi sering terkendala tiga hal: risiko privasi akibat pengiriman data ke layanan komputasi awan, biaya operasional, dan kebutuhan perangkat keras mahal. Tugas akhir ini menjawab apakah sebuah agen analis data (agentic data analyst) yang dapat diandalkan untuk analisis deskriptif dapat dibangun sepenuhnya secara lokal di atas perangkat keras kelas menengah. Subsistem backend yang dikembangkan, DAAT (Data Analysis Agent Tool), memanfaatkan Large Language Model lokal Qwen3 8B melalui Ollama, orkestrasi berbasis LangGraph, komputasi deterministik Pandas, dan visualisasi Plotly. Sistem dibatasi pada statistik deskriptif, identifikasi tren historis, dan laporan naratif. Untuk mengatasi halusinasi numerik, sistem memisahkan komputasi angka (deterministik, oleh Pandas) dari pembangkitan narasi (oleh model), kemudian meredaksi setiap angka pada narasi yang tidak dapat dicocokkan dengan nilai hasil komputasi terverifikasi. Pengujian dilakukan pada tiga dataset lintas domain (ritel, kesehatan, akademik) menggunakan satu GPU NVIDIA RTX 3060 12 GB. Sistem berjalan dengan latensi sekitar 20–24 detik per kueri, lolos 302 pengujian unit otomatis, dan menghasilkan metrik tak-berskala (peringkat, proporsi, pola temporal) yang konsisten dengan dataset acuan berskala penuh pada ketiga domain. Audit kode menunjukkan komputasi dan inferensi dijalankan komponen lokal tanpa pemanggilan layanan eksternal berbayar. Sebagai titik pembanding, model DeepAnalyze 8B yang menuntut GPU 24 GB tidak menghasilkan keluaran yang dapat diandalkan dalam pengujian reproduksi pada lingkungan yang sama. Hasil ini menunjukkan agen analis data deskriptif yang lokal dan hemat sumber daya dapat direalisasikan pada perangkat keras kelas menengah, dengan mekanisme deterministik yang menjaga keluaran numerik tetap terverifikasi.