# Setup — dari clone sampai aplikasi terbuka dengan data

Panduan ini untuk komputer yang **belum pernah** menjalankan proyek ini.
Ikuti berurutan; setiap langkah punya cara memastikan ia berhasil.

Perkiraan waktu: 20–40 menit, sebagian besar menunggu unduhan model LLM (~5 GB).

## Yang harus sudah terpasang

|                | Cara memeriksa      |
| -------------- | ------------------- |
| Docker Desktop | `docker info`       |
| Node.js 18+    | `node -v`           |
| Python 3.10+   | `python3 --version` |

---

## 1. Clone dan pasang dependensi

```bash
git clone https://github.com/abdshomad/dashboard-solusi-ai-peternakan-ayam.git
cd dashboard-solusi-ai-peternakan-ayam
git checkout Alfreda

npm install
npm install --prefix backend
pip3 install -r "AI Insight/requirements.txt"
```

## 2. Siapkan file `.env`

Ada **dua** file, dan `DB_PASSWORD` di keduanya harus sama persis.

```bash
cp .env.example .env
cp backend/.env.example backend/.env
```

Buka keduanya, ganti `DB_PASSWORD` dengan satu password yang sama.

> **Jebakan paling sering:** `DB_PORT` harus **15432**, bukan 5432. Postgres di
> Docker dipetakan ke 15432 supaya tidak bentrok dengan Postgres yang mungkin
> sudah terpasang di komputer Anda. Nilai ini sudah benar di
> `backend/.env.example` — jangan diubah jadi 5432.

## 3. Nyalakan Postgres dan Ollama

Hanya dua container ini. Jangan `docker compose up` seluruhnya — container
`backend`/`frontend`/`rag` akan berebut port dengan proses yang dijalankan
`start_all.sh` di langkah 6.

```bash
docker compose up -d database llm
```

Tunggu sampai database siap:

```bash
until docker exec dashboard-database pg_isready -U dashboard_user -d dashboard_db; do sleep 1; done
```

**Kalau port 11434 bentrok:** aplikasi Ollama bawaan macOS menahannya. Matikan
dulu dengan `osascript -e 'quit app "Ollama"'`.

## 4. Unduh model LLM

Sekitar 5 GB, jalan sekali saja.

```bash
docker exec dashboard-llm ollama pull qwen2.5:7b
```

Pastikan sudah ada:

```bash
curl -s http://localhost:11434/api/tags | grep qwen2.5
```

Nama model ini harus sama dengan `LLM_MODEL_NAME` di `backend/.env`. Kalau
berbeda, semua AI Insight gagal dengan error _model not found_.

## 5. Isi database

**Langkah ini tidak otomatis.** Skema dan migrasi memang dibuat sendiri saat
backend start, tapi **tabelnya akan kosong**. Tanpa langkah ini dashboard
terbuka tanpa kandang, tanpa siklus, dan semua AI Insight menulis
"data tidak tersedia" — yang mudah disalahartikan sebagai aplikasi rusak.

```bash
docker exec -i dashboard-database psql -U dashboard_user -d dashboard_db < backup.sql
```

Pastikan datanya masuk:

```bash
docker exec dashboard-database psql -U dashboard_user -d dashboard_db -c \
  "select count(*) from mortality_records;"
```

Harusnya **270**.

## 6. Jalankan aplikasinya

```bash
bash start_all.sh
```

Skrip ini menyalakan tiga layanan (RAG, backend, frontend) lalu menampilkan
alamat yang harus dibuka, misalnya:

```
🌐 Frontend:    http://localhost:3000
🔧 Backend API: http://localhost:5001  (health: /health)
🧠 RAG Service: http://localhost:5002
```

**Bukalah alamat yang tertulis di keluaran itu**, jangan diasumsikan. Vite
memakai port 3000, tapi mundur ke 3001, 3002, dan seterusnya kalau port itu
sedang dipakai proses lain. Backend menerima port localhost mana pun saat
`NODE_ENV=development`, jadi berapa pun portnya aplikasinya tetap jalan.

Skrip berakhir dengan `tail -f` pada log backend dan tidak pernah keluar
sendiri. Tekan Ctrl+C untuk berhenti menonton log — layanannya tetap hidup.

## 7. Pastikan semuanya benar-benar hidup

```bash
curl -s -o /dev/null -w "backend  %{http_code}\n" http://localhost:5001/health
curl -s -o /dev/null -w "rag      %{http_code}\n" http://localhost:5002/health
curl -s http://localhost:5001/api/kandangs | head -c 80
```

Ketiganya harus `200`, dan perintah terakhir harus mengembalikan
`{"success":true,"data":[{"id":1,"name":"Kandang Atas"...`.

Kalau `/health` sudah 200 tapi `/api/kandangs` gagal, berarti backend hidup
tapi database tidak terjangkau — periksa ulang `DB_PORT=15432` di langkah 2.

---

## Menghentikan semuanya

```bash
pkill -f "rag_service.py"; pkill -f "node server.js"; pkill -f vite
docker compose stop database llm   # opsional
```

## Kalau ada yang salah

| Gejala                                    | Penyebab yang paling mungkin                                |
| ----------------------------------------- | ----------------------------------------------------------- |
| `ECONNREFUSED 127.0.0.1:15432`            | container `database` belum jalan, atau `DB_PORT` salah      |
| Dashboard terbuka tapi semua angka kosong | langkah 5 (isi database) terlewat                           |
| AI Insight error _model not found_        | `LLM_MODEL_NAME` tidak cocok dengan model yang di-pull      |
| `Folder tidak ditemukan: .../AI Insight`  | `start_all.sh` dijalankan dari salinan di luar repo         |
| Halaman tampil tapi data gagal dimuat     | backend mati — cek `/tmp/backend.log`                       |
| Generate AI Insight lama sekali           | wajar: 2–5 menit per laporan di CPU. Cek `/tmp/backend.log` |

Log ada di `/tmp/backend.log`, `/tmp/frontend.log`, dan `/tmp/rag_service.log`.

Catatan teknis yang lebih dalam — keputusan desain, jebakan yang sudah
ditemukan, dan pekerjaan yang masih terbuka — ada di `CATATAN-LANJUTAN.md`.