Membangun sistem Embedded AI untuk penyiraman otomatis berbasis data sensor dan cuaca. Menggunakan teknik Fault-Tolerant Hardware Redudancy (TMR), inferensi langsung di mikrokontroler, serta integrasi cloud AWS untuk pemantauan dan penyimpanan data. Data pembacaan sensor secara real-time dapat dilihat pada dashboard Blynk.
🔍 Latar Belakang
Mikroklimat yang bervariasi sering membuat penyiraman tanaman menjadi tidak efektif. Tanaman cabai, sebagai komoditas hortikultura strategis, sangat sensitif terhadap kadar air tanah. Oleh karena itu, sistem otomatis yang dapat menyesuaikan durasi penyiraman berdasarkan kondisi lingkungan menjadi solusi yang relevan.
🎯 Tujuan Proyek
Meningkatkan efisiensi penyiraman tanaman cabai merah melalui teknologi cerdas yang hemat sumber daya dan mampu beradaptasi dengan kondisi mikroklimat. Proyek ini juga menjadi bentuk penerapan nyata EmbedAI, Fault Tolerant System, dan Cloud Computing untuk masalah pertanian modern 🌾🤖
🔁Cara Kerja Sistem🌱
Gambar berikut menunjukkan alur kerja sistem penyiraman otomatis berbasis AIoT. Data dari sensor lokal dan API cuaca diproses melalui model ANN untuk menghasilkan prediksi durasi penyiraman. Output model akan digunakan untuk mengaktifkan pompa, data-data dari sensor dan cuaca juga dikirim ke AWS untuk disimpan dalam database PostgreSQL melalui Lambda dan EC2 serta mengirim data ke Blynk untuk ditampilkan secara real-time di aplikasi.
⚙️ Teknologi yang Digunakan
- Sensor:
– DHT22 untuk suhu & kelembaban udara
– YL-69 untuk kelembaban tanah
– Data API cuaca (OpenWeatherMap): suhu, kelembaban udara, kecepatan angin, dan curah hujan. -
Model AI:
– Artificial Neural Network (ANN) untuk prediksi durasi penyiraman (dalam detik).
– Model di-deploy dalam bentuk TensorFlow Lite ke mikrokontroler ESP32 -
Cloud Computing (AWS):
– ESP32 mengirim data ke AWS Lambda
– Data disimpan di database PostgreSQL pada EC2 melalui VPC
🔎 Fitur Utama
-
Penyiraman otomatis berbasis prediksi AI.
-
Toleransi kesalahan dengan Triple Modular Redundancy (TMR) pada sensor.
-
Pemantauan data real-time dan historis melalui cloud.
-
Pengambilan keputusan langsung oleh ESP32.
📈 Hasil & Evaluasi
✅ Sistem berhasil mengatur penyiraman otomatis berdasarkan data sensor & cuaca.
✅ Prototipe menunjukkan bahwa AI tertanam bisa dijalankan secara ringan dan efektif di mikrokontroler.
✅ Penyimpanan cloud memudahkan pencatatan, analisis, dan pengembangan lanjutan.
✅ Implementasi FTS (Triple Modular Redundancy) mampu mengurangi error pembacaan sensor, meningkatkan keandalan input untuk model AI.
📸Dokumentasi Visual🧰
- Foto Protopipe
- Cuplikan Serial Monitor
- Tampilan log AWS
🎥 Video DEMO
Berikut adalah video Demo project. Pada Demo ini, sistem disuplai daya dari laptop supaya dapat terlihat detail output pada serial monitor.
💡 Refleksi dan Insight
Pada proyek ini, tentu masih banyak aspek yang dapat diperbaiki dan dikembangkan agar lebih sesuai dengan kebutuhan industri. Namun, langkah awal dalam menciptakan proyek ini menjadi titik penting karena ide-ide untuk AIoT bukan hanya soal kecanggihan teknologi, tetapi tentang bagaimana menghadirkan solusi yang ringan, mudah diakses, dan benar-benar bermanfaat di lapangan. 🌱✨
🔗 Repository Github
https://github.com/ziyyandehani/Smart-Irrigation
