Achievements, Certificate, Edge AI & Computer Vision, IoT & Smart System
February 2026
SIGREENHOUSE: Smart Greenhouse IoT & AI Prediction
SIGREENHOUSE — Sistem Self Controlling Greenhouse Berbasis IoT dan Kecerdasan Buatan, Finalis KMIPN VI 2024
Ketika Setiap Derajat Menentukan Panen: Membangun Greenhouse Bertenaga AI untuk Kompetisi Nasional
Pasar cabai Indonesia sedang dalam krisis. Antara tahun 2021 hingga 2024, harga cabai merah meroket hingga hampir Rp 110.000/kg — lonjakan yang hampir seluruhnya didorong oleh perubahan iklim yang menghancurkan panen di seluruh Pulau Jawa. Curah hujan ekstrem di 2021, gelombang panas di 2022, El Niño yang mengacaukan musim tanam di 2023, dan ketidakstabilan iklim berkelanjutan di 2024 — setiap tahun menghadirkan ancaman baru bagi industri yang menghidupi jutaan UMKM dan menyediakan pangan bagi jutaan keluarga.
Masalahnya bukan sekadar pertanian. Masalahnya sistemik. Petani muda meninggalkan sektor ini karena hasil panen tak bisa diprediksi. Pedagang UMKM melihat margin keuntungan mereka hancur oleh harga cabai yang tak menentu. Sektor pertanian Indonesia kehilangan hasil panen sekaligus tenaga kerjanya.
Inilah masalah yang kami pilih untuk dipecahkan di KMIPN VI 2024 — kompetisi teknologi politeknik tingkat nasional.
Sebagai bagian dari Tim Sukses, Politeknik Negeri Jember, kami membangun SIGREENHOUSE — sistem greenhouse yang mampu mengendalikan dirinya sendiri, menggabungkan Internet of Things dengan Kecerdasan Buatan untuk menciptakan lingkungan tumbuh cabai yang sepenuhnya otonom dan terkontrol iklimnya.
🏆 Hasil: Finalis Nasional — KMIPN VI Kategori IoT 2024 Dievaluasi oleh panel dewan juri ahli dari berbagai politeknik terkemuka dan praktisi industri di seluruh Indonesia.
Proses Pengembangan
Dari Masalah ke Prototipe dalam 4 Bulan
Membangun sistem IoT berkelas kompetisi yang mengintegrasikan aktuator perangkat keras nyata dengan model prediksi AI berbasis cloud bukanlah proyek akhir pekan. Kompetisi KMIPN menuntut bukan sekadar prototipe yang berfungsi, melainkan sebuah sistem yang mampu mendemonstrasikan aplikasi dunia nyata — dinilai oleh panel juri ahli yang meneliti segalanya mulai dari desain rangkaian hingga akurasi model AI.
Pengembangan kami dibagi menjadi empat jalur paralel:
- Rekayasa Perangkat Keras — Mendesain prototipe greenhouse miniatur dengan 7 sistem aktuator independen
- Firmware & Komunikasi — Memprogram mikrokontroler ESP32 dan membangun pipeline data MQTT
- AI & Mesin Prediksi — Melatih model LSTM berdasarkan pengetahuan domain petani ahli
- Platform Web — Membangun dashboard monitoring berbasis Laravel
Setiap jalur harus berkonvergensi menjadi satu sistem terintegrasi yang siap didemonstrasikan secara langsung di hadapan panel juri nasional. Tidak ada toleransi untuk kesalahan.
Arsitektur Sistem
Arsitektur Sistem SIGREENHOUSE — Pipeline IoT & AI End-to-End
Arsitektur SIGREENHOUSE dibangun dalam tiga lapisan berbeda, masing-masing dengan tantangan teknis tersendiri:
Lapisan Fisik — Jaringan Sensor & Aktuator
Di fondasi sistem, kami memasang beberapa sensor di dalam dan di luar greenhouse:
| Sensor | Parameter | Fungsi |
|---|---|---|
| DHT22 (Indoor) | Suhu & Kelembaban | Monitoring iklim utama |
| DHT22 (Outdoor) | Suhu & kelembaban eksternal | Analisis diferensial |
| Soil Moisture | Level air substrat | Trigger irigasi |
| LDR | Intensitas cahaya | Otomasi lampu tumbuh |
Sensor-sensor ini mengirimkan data ke mikrokontroler ESP32, yang memproses dan mentransmisikan pembacaan setiap 30 detik melalui protokol MQTT.
Di sisi aktuator, sistem mengendalikan 7 perangkat independen:
- 3× Kipas (intake, exhaust, sirkulasi) — Manajemen aliran udara
- Pompa Misting — Regulasi kelembaban
- Pompa Air + Cooling Deck — Penurunan suhu melalui pendinginan evaporatif
- Roller Motor — Posisi tirai peneduh
- Lampu Tumbuh — Pencahayaan tambahan untuk fotosintesis
Lapisan Komunikasi — Pipeline Data MQTT
Desain Sistem — Sensor → MQTT → Node-RED → Laravel → Database
ESP32 mempublikasikan data sensor ke gateway Raspberry Pi yang menjalankan broker MQTT. Kanal bidireksional ini memungkinkan:
- Publish: Telemetri sensor dialirkan ke cloud
- Subscribe: Perintah aktuator didorong kembali ke ESP32
Node-RED berperan sebagai orkestrator middleware — menerima pesan MQTT mentah, memformatnya, dan merutekan data ke backend Laravel serta mesin prediksi AI.
Lapisan Cloud & AI — Mesin Kecerdasan
Server web Laravel menyimpan seluruh data historis sensor di MySQL, sementara jaringan saraf LSTM (Long Short-Term Memory) — yang dikonversi ke TensorFlow.js — menjalankan prediksi di cloud, meramalkan kondisi lingkungan untuk jendela waktu berikutnya.
Deep Dive Teknis: Prediksi LSTM dari Pengetahuan Petani Ahli
Proses Sistem — Pipeline Keputusan AI 5 Langkah
Yang membuat SIGREENHOUSE benar-benar unik bukan sekadar perangkat keras atau perangkat lunaknya — melainkan metodologi pelatihannya. Berbeda dengan proyek IoT pada umumnya yang menggunakan otomasi berbasis threshold generik, kami membangun model AI berdasarkan pengetahuan domain petani ahli.
Proses Training Data oleh Pakar Petani
Pipeline Pelatihan
- Penangkapan Pengetahuan Ahli — Petani berpengalaman secara manual menginputkan keputusan aktuator berdasarkan pembacaan sensor setiap hari, sepanjang satu siklus tanam penuh. Contoh: Suhu 20°C + Kelembaban 50% → Kipas 1-2-3 ON, Misting ON, Cooling Pad ON, Roller TUTUP.
- Pengumpulan Data — Data keputusan ahli selama satu siklus tanam lengkap yang dipasangkan dengan data sensor lingkungan membentuk dataset pelatihan.
- Pelatihan LSTM — Model mempelajari hubungan kompleks dan non-linear antara parameter lingkungan dan respons aktuator optimal — pada dasarnya mengkodekan intuisi bertani selama puluhan tahun ke dalam bobot jaringan saraf.
- Konversi TensorFlow.js — Model yang telah dilatih diekspor ke format TensorFlow.js untuk deployment cloud yang ringan.
- Deployment Cloud — Model produksi menjalankan inferensi secara real-time, memprediksi kondisi optimal dan mengeluarkan perintah aktuator secara otomatis.
Mengapa LSTM?
Tech Decision Log: Kami memilih LSTM dibanding model yang lebih sederhana (regresi linear, decision tree) karena data lingkungan greenhouse secara inheren bersifat temporal dan sekuensial. Perubahan suhu di siang hari memengaruhi pembacaan kelembaban 2 jam kemudian, yang pada gilirannya menentukan apakah sistem misting harus aktif saat senja. Kemampuan LSTM untuk mempertahankan memori jangka panjang di seluruh urutan waktu menjadikannya satu-satunya arsitektur yang viable untuk menangkap dependensi lingkungan yang berjenjang ini.
Hasilnya adalah sistem yang tidak sekadar bereaksi terhadap kondisi saat ini — ia mengantisipasi apa yang akan datang dan menyesuaikan aktuator sebelum kondisi melewati batas optimal.
Produk yang Berfungsi
Dashboard Monitoring Web
Dashboard Web SIGREENHOUSE — Monitoring real-time dan antarmuka training aktuator
Dashboard berbasis Laravel menyediakan dua antarmuka kritis:
Dashboard Monitoring (Kiri):
- Pembacaan sensor real-time: Suhu (25,5°C), Kelembaban (60,2%), Intensitas Cahaya (800 lux), Kelembaban Tanah (45,3%)
- Kartu status aktuator live yang menampilkan kondisi ON/OFF untuk semua 7 perangkat
- Setiap aktuator memiliki ikon gear untuk kemampuan override manual
Halaman Training Data (Kanan):
- Antarmuka petani ahli untuk menginputkan keputusan aktuator selama fase pelatihan
- Toggle switch untuk setiap aktuator, dipasangkan dengan pembacaan sensor terkini
- Halaman ini adalah tempat keahlian domain didigitalisasi menjadi data pelatihan
Prototipe Fisik
Prototipe SIGREENHOUSE — Greenhouse miniatur berfungsi penuh dengan sensor, aktuator, dan tanaman cabai hidup
Prototipe kompetisi adalah greenhouse miniatur yang sepenuhnya fungsional, berisi:
- Bibit cabai hidup dalam kondisi terkontrol
- Sistem misting aktif (terlihat sebagai kabut di dalam enclosure)
- Lampu tumbuh untuk pencahayaan tambahan
- Sistem cooling deck dan kipas untuk sirkulasi udara
- Seluruh modul sensor terpasang dan beroperasi
Dari Miniatur ke Dunia Nyata: Validasi Implementasi
Perbandingan Implementasi — Greenhouse asli (kiri) vs. miniatur SIGREENHOUSE (kanan) menunjukkan penempatan sensor DHT
Bagian krusial dari presentasi KMIPN kami adalah mendemonstrasikan bahwa prototipe miniatur secara akurat mencerminkan deployment greenhouse dunia nyata. Slide di atas menampilkan perbandingan berdampingan:
- Sensor DHT Indoor — Diposisikan secara identik di dalam greenhouse asli maupun prototipe
- Sensor DHT Outdoor — Monitoring lingkungan eksternal, direplikasi secara skala
Setiap komponen di miniatur kami memiliki pemetaan 1:1 langsung ke infrastruktur greenhouse nyata — membuktikan bahwa sistem ini bukan sekadar demonstrasi mainan, melainkan solusi pertanian yang dapat diskalakan.
Hasil & Dampak
Kesimpulan SIGREENHOUSE — Pencapaian utama dan validasi greenhouse nyata
| Metrik | Pencapaian |
|---|---|
| Kompetisi | 🏆 Finalis Nasional — KMIPN VI IoT 2024 |
| Uptime Sistem | Operasi kontinu sepanjang pengujian kompetisi |
| Akurasi Sensor | Korelasi 100% antara pembacaan miniatur dan greenhouse nyata |
| Model AI | LSTM berhasil memprediksi kondisi lingkungan dengan perintah aktuator yang actionable |
| Kontrol Aktuator | 7 perangkat independen merespons keputusan berbasis AI |
| Skalabilitas | Pemetaan 1:1 tervalidasi antara prototipe dan infrastruktur greenhouse nyata |
Kesimpulan yang Divalidasi oleh Panel Juri:
- Operasional Lebih Efisien — Kontrol aktuator otomatis menghilangkan kebutuhan monitoring manual secara konstan
- AI Meningkatkan Produktivitas Tanaman — Manajemen iklim prediktif dan proaktif mengungguli sistem berbasis threshold yang reaktif
- Pengetahuan Ahli Terpreservasi — SIGREENHOUSE mendigitalisasi intuisi bertani selama puluhan tahun dari petani berpengalaman ke dalam model AI yang dapat di-deploy
- Mudah Diimplementasikan — Sistem dirancang untuk deployment di lokasi baru, menjadikannya ideal bagi petani muda yang memasuki industri
Pembelajaran Kunci
Yang Saya Pelajari dari Membangun Proyek untuk Kompetisi Nasional
1. Pengetahuan Domain Ahli > Lebih Banyak Data Keputusan teknis paling powerful yang kami buat bukan soal framework AI mana yang dipakai — melainkan tentang siapa yang melatih modelnya. Dengan meminta petani berpengalaman mengendalikan sistem secara manual selama satu siklus tanam penuh, kami menghasilkan data pelatihan yang mengkodekan kebijaksanaan pertanian nyata. Tidak ada data sintetis yang bisa mereplikasi ini.
2. Integrasi Perangkat Keras-Perangkat Lunak Tidak Menoleransi Kesalahan Dalam proyek pengembangan web biasa, bug berarti UI yang rusak. Dalam IoT, bug berarti pompa misting membanjiri greenhouse atau kipas tidak pernah aktif saat lonjakan panas. Kompetisi memaksa kami membangun sistem dengan konsekuensi fisik nyata — tingkat disiplin engineering yang sulit dikembangkan dengan cara lain.
3. Engineering Berkelas Kompetisi Membutuhkan Pemikiran Full-Stack Juri KMIPN mengevaluasi segalanya: desain rangkaian, protokol komunikasi, arsitektur model AI, desain antarmuka web, dan demonstrasi real-time. Tidak ada “saya hanya mengerjakan frontend” — kamu harus memahami seluruh stack dari kalibrasi sensor hingga deployment cloud.
4. MQTT + Node-RED adalah Sweet Spot IoT Untuk prototyping cepat sistem IoT, kombinasi MQTT untuk messaging ringan dan Node-RED untuk orkestrasi flow visual terbukti sangat powerful. Ini memungkinkan kami iterate pada pipeline data tanpa menyentuh kode firmware.
Tech Stack
| Lapisan | Teknologi |
|---|---|
| Mikrokontroler | ESP32 |
| Gateway | Raspberry Pi |
| Sensor | DHT22, Soil Moisture, LDR |
| Protokol | MQTT |
| Middleware | Node-RED |
| Backend | Laravel (PHP) |
| Database | MySQL |
| Model AI | LSTM (TensorFlow / TensorFlow.js) |
| Frontend | Laravel Blade (Dashboard Web) |
| Aktuator | Kipas ×3, Misting, Pompa Air, Cooling Deck, Roller Motor, Lampu Tumbuh |
Proyek ini dikembangkan sebagai Tim Sukses, Politeknik Negeri Jember, untuk kompetisi nasional KMIPN VI 2024 pada kategori Internet of Things.