Perpustakaan Digital ITB

Plant Growth Chamber (PGC) digunakan untuk menyediakan lingkungan pertumbuhan tanaman yang terkendali melalui pengaturan suhu, kelembapan relatif, intensitas cahaya, dan fotoperiode. Namun, dalam penggunaan praktis, sistem PGC tidak cukup hanya menyediakan aktuator fisik dan tampilan monitoring. Pengguna non-ahli seperti pelajar, operator pendidikan, atau petani awam tetap harus memahami kebutuhan spesies, varietas, fase pertumbuhan, serta siklus siang-malam sebelum dapat menentukan setpoint suhu, RH, dan cahaya yang sesuai. Selain itu, data sensor, setpoint, histori monitoring, penyimpanan cloud, dan rekomendasi AI perlu berada pada satu alur data yang konsisten agar informasi yang diterima pengguna pada antarmuka lokal maupun dashboard web tidak saling bertentangan. Oleh karena itu, tugas akhir ini berfokus pada perancangan dan implementasi lapisan panduan cerdas berbasis AI dan antarmuka data yang menghubungkan sumber pengetahuan tanaman, telemetri chamber, penyimpanan data, setpoint, dan antarmuka pengguna dalam satu alur panduan onsite–remote yang dapat ditelusuri. Tugas akhir ini dilaksanakan sebagai bagian dari pengembangan Veridia, yaitu sistem Plant Growth Chamber cerdas yang dikembangkan oleh tim TA252601015. Lingkup individu difokuskan pada integrasi perangkat lunak dan data, meliputi chatbot panduan pengguna, basis data parameter tanaman, knowledge base dokumen agronomi, penyimpanan dan komunikasi cloud, pemrosesan data pada Mini PC gateway, antarmuka onsite berbasis PyQt5, serta antarmuka remote berbasis React. Sensor dan subsistem mikroklimat diperlakukan sebagai endpoint integrasi: data suhu, kelembapan, dan intensitas cahaya digunakan sebagai konteks dan visualisasi, sedangkan perintah setpoint hanya diteruskan setelah konfirmasi pengguna. Secara fungsional, lapisan ini terdiri atas Intelligent User Guidance Subsystem, Parameter Database Subsystem, sebagian Data Storage Subsystem, sebagian Data Processing Subsystem pada Mini PC, serta integrasi antarmuka onsite dan remote. Perilaku sistem dirancang melalui pemisahan tiga jalur komunikasi, yaitu jalur telemetry untuk data sensor, jalur synchronization untuk pembaruan basis data tanaman, dan jalur chat untuk pertanyaan pengguna. Implementasi dilakukan melalui chatbot yang di-host pada HuggingFace Spaces dengan pipeline Retrieval-Augmented Generation (RAG) lima agen. Setiap pertanyaan pengguna diklasifikasikan, nama tanaman diekstraksi, fase pertumbuhan dideteksi, sumber data dipilih, dan jawaban akhir dibangkitkan dengan atribusi sumber. Rekomendasi kuantitatif diambil dari basis data EWINDO yang mencakup sedikitnya 77 varietas dari 21 spesies, dengan setpoint suhu, RH, dan cahaya berdasarkan fase pertumbuhan serta siklus siang-malam. Pertanyaan kualitatif dijawab menggunakan korpus 35 dokumen PDF agronomi yang dipecah menjadi 2733 chunk, di-embedding menggunakan BGE-M3, disimpan pada Supabase pgvector, dan ii digabungkan dengan PostgreSQL full-text search melalui Reciprocal Rank Fusion. Sistem juga menerapkan atribusi sumber tiga tingkat, pembatasan parameter di luar cakupan seperti pH, EC, dan CO?, serta voice response bersih untuk TTS. Pada mode operator, AI backend menghasilkan ProposalCard day/night yang ditampilkan pada gateway PyQt5. Perintah setpoint ke Arduino Mega hanya dikirim setelah pengguna menekan Apply, sehingga lapisan AI tetap bersifat advisory dan mengikuti prinsip human-in-the-loop. Evaluasi menunjukkan bahwa lapisan panduan cerdas dan antarmuka data mampu memberikan panduan yang dapat ditelusuri dan telah berhasil diuji pada lingkungan integrasi chamber. Pengujian dilakukan menggunakan 91 kasus uji, terdiri atas 46 kasus RAG kualitatif dan 45 kasus adversarial. Kasus uji disusun dari skenario pertanyaan terhadap basis data tanaman, dokumen agronomi, konteks sensor, serta pertanyaan di luar cakupan sistem seperti pH, EC, CO?, dan nutrisi. Acuan benar-salah ditentukan berdasarkan basis data parameter tanaman, dokumen sumber pada knowledge base, dan batasan cakupan sistem. Penilaian system precision dilakukan secara manual berbasis rubrik, sedangkan RAGAS digunakan sebagai karakterisasi otomatis kualitas jawaban RAG kualitatif, bukan sebagai kriteria lulus-gagal formal atau evaluasi komparatif. Hasil pengujian menunjukkan system precision 97,1% pada kasus RAG kualitatif dan 95,6% pada kasus adversarial, dengan Delta MRR lintas bahasa sebesar 0,037. Skor RAGAS pada kasus kualitatif mencapai faithfulness 0,796, context precision 0,702, context recall 0,723, answer correctness 0,662, dan answer relevance 0,694. Pengujian fungsional menunjukkan chatbot dapat menghasilkan respons API, mode operator dapat menampilkan ProposalCard day/night, antarmuka onsite dan remote dapat mendukung monitoring serta interaksi AI, dan integrasi gateway-cloud-web dapat mempertahankan konsistensi telemetri pada skenario pengujian. Selain itu, dilakukan observasi operasi selama 168 jam pada level sistem, dengan pemantauan terhadap komunikasi gateway, pembacaan dan pengiriman data, serta kontinuitas operasi chamber. Observasi tersebut menunjukkan sistem terpantau konsisten selama periode pengujian, tetapi belum diklaim sebagai pengujian reliabilitas formal karena belum dilengkapi logging terintegrasi, interval pencatatan terdefinisi, dan kriteria gagal eksplisit. Batasan utama yang masih perlu diperbaiki adalah ketergantungan pada HuggingFace Spaces, cold-start latency 10–30 detik, persistensi riwayat percakapan, penggunaan cloud storage yang baru mencapai 208 MB dari target 500 MB–1 GB, belum adanya validasi pengguna akhir secara formal, serta kebutuhan pengujian reliabilitas lanjutan.