![\"\"](\"https:\/\/filkom.ub.ac.id\/project\/wp-content\/uploads\/sites\/3\/2025\/06\/Screenshot-2025-06-20-102820.png\")
<\/p>\nMembangun 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.<\/p>\n
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.<\/p>\n
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 \ud83c\udf3e\ud83e\udd16<\/p>\n
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.<\/p>\n
<\/p>\n
Model AI<\/strong>: Cloud Computing (AWS)<\/strong>: Penyiraman otomatis berbasis prediksi AI.<\/p>\n<\/li>\n Toleransi kesalahan dengan Triple Modular Redundancy (TMR) pada sensor.<\/p>\n<\/li>\n Pemantauan data real-time dan historis melalui cloud.<\/p>\n<\/li>\n Pengambilan keputusan langsung oleh ESP32.<\/p>\n<\/li>\n<\/ul>\n \u2705 Sistem berhasil mengatur penyiraman otomatis berdasarkan data sensor & cuaca. Berikut adalah video Demo project. Pada Demo ini, sistem disuplai daya dari laptop supaya dapat terlihat detail output pada serial monitor.<\/p>\n
\n– Artificial Neural Network (ANN) untuk prediksi durasi penyiraman (dalam detik).
\n– Model di-deploy<\/em> dalam bentuk TensorFlow Lite ke mikrokontroler ESP32<\/p>\n<\/li>\n
\n– ESP32 mengirim data ke AWS Lambda
\n– Data disimpan di database PostgreSQL pada EC2 melalui VPC<\/p>\n<\/li>\n<\/ul>\n
\n\ud83d\udd0e Fitur Utama<\/h3>\n
\n
\n\ud83d\udcc8 Hasil & Evaluasi<\/h3>\n
\u2705 Prototipe menunjukkan bahwa AI tertanam bisa dijalankan secara ringan dan efektif di mikrokontroler.
\u2705 Penyimpanan cloud memudahkan pencatatan, analisis, dan pengembangan lanjutan.
\n\u2705 Implementasi FTS (Triple Modular Redundancy) mampu mengurangi error pembacaan sensor, meningkatkan keandalan input untuk model AI.<\/p>\n
\n\ud83d\udcf8Dokumentasi Visual\ud83e\uddf0<\/h3>\n
\n
![\"\"](\"https:\/\/filkom.ub.ac.id\/project\/wp-content\/uploads\/sites\/3\/2025\/06\/Screenshot-2025-06-19-231630.png\")
<\/p>\n\n
![\"\"](\"https:\/\/filkom.ub.ac.id\/project\/wp-content\/uploads\/sites\/3\/2025\/06\/Screenshot-2025-06-19-152116.png\")
<\/p>\n\n
![\"\"](\"https:\/\/filkom.ub.ac.id\/project\/wp-content\/uploads\/sites\/3\/2025\/06\/Screenshot-2025-06-20-095527.png\")
<\/h3>\n
\n\ud83c\udfa5 Video DEMO<\/h3>\n