Implementasi Retrieval-Augmented Generation pada Small Language Model untuk Asisten Cerdas Pertanian Kopi Berbasis Mobile On-device

Abstract

Produksi kopi Indonesia meningkat dari 758,7 ribu ton pada 2023 menjadi 813,3 ribu ton pada 2024, namun kapasitas diseminasi pengetahuan agronomi masih terbatas akibat rendahnya rasio penyuluh terhadap jumlah desa serta tingginya ancaman hama dan penyakit tanaman. Penelitian ini mengimplementasikan Retrieval-Augmented Generation (RAG) pada Small Language Model (SLM) sebagai asisten cerdas agronomi kopi berbasis mobile ondevice dengan membandingkan tiga konfigurasi sistem, yaitu SLM tanpa RAG, RAG-BM25, dan RAG-Vektor. Penelitian menggunakan pendekatan eksperimental kuantitatif. Korpus pengetahuan disusun dari dokumen resmi Direktorat Jenderal Perkebunan yang divalidasi oleh pakar Puslitkoka Jember, kemudian dipraproses melalui ekstraksi teks, normalisasi, dan semantic chunking. Sistem diimplementasikan sebagai aplikasi Android menggunakan React Native, llama.rn, Gemma 3 1B Instruct (QAT-Q4_0), EmbeddingGemma, wink-bm25-text-Search, dan sqlite-vec. Evaluasi dilakukan menggunakan 100 gold standard Q&A pada satu perangkat Android (RAM 6 GB, Snapdragon 732G) dengan metrik Exact Match (EM), F1-score, Precision@5, Mean Reciprocal Rank (MRR), hallucination rate, response latency, dan peak memory footprint.