Artificial Intelligence of Things for Smart Agriculture
with Optimal Embedded Edge Intelligence
Abstrak
Perkembangan teknologi digital
telah mendorong transformasi sektor pertanian menuju konsep smart
agriculture. Jurnal ini mengkaji implementasi Artificial Intelligence of
Things (AIoT) yang mengintegrasikan Internet of Things (IoT), machine
learning, dan edge computing untuk meningkatkan efisiensi,
kecepatan, serta keberlanjutan sistem pertanian. Penelitian ini mengusulkan
arsitektur AIoT berbasis edge dengan komunikasi dual-protocol (LoRa dan NB-IoT)
serta penerapan model machine learning ringan pada perangkat embedded.
Hasil penelitian menunjukkan bahwa pendekatan ini mampu mengurangi latency,
meningkatkan efisiensi energi, serta memberikan akurasi prediksi hingga 94%.
Artikel ini bertujuan untuk mereview secara kritis kontribusi, kelebihan, serta
keterbatasan penelitian tersebut.
1. Pendahuluan
Pertanian tradisional menghadapi
berbagai tantangan, seperti keterbatasan sumber daya, perubahan iklim, serta
rendahnya efisiensi produksi. Seiring dengan perkembangan teknologi, konsep smart
agriculture muncul sebagai solusi melalui pemanfaatan IoT dan kecerdasan
buatan. Namun, sebagian besar sistem masih bergantung pada cloud computing,
yang menyebabkan latency tinggi dan ketergantungan jaringan.
Jurnal yang direview dalam
artikel ini menawarkan solusi melalui integrasi AIoT berbasis edge computing,
yang memungkinkan pemrosesan data dilakukan langsung pada perangkat lokal.
Pendekatan ini dinilai lebih efisien dan cocok untuk lingkungan pertanian,
terutama di daerah dengan keterbatasan konektivitas.
2. Metodologi Penelitian
Penelitian ini mengusulkan
arsitektur sistem AIoT yang terdiri dari tiga lapisan utama, yaitu perception
layer, network layer, dan application layer. Sistem
menggunakan berbagai sensor untuk mengumpulkan data lingkungan seperti suhu,
kelembaban, dan kondisi tanah.
Dalam hal komunikasi, sistem
mengadopsi dua protokol utama, yaitu LoRa untuk efisiensi energi dan NB-IoT
untuk keandalan transmisi data. Selain itu, penelitian ini mengimplementasikan
berbagai algoritma machine learning, seperti Random Forest, XGBoost,
Decision Tree, dan Support Vector Machine, untuk melakukan klasifikasi kondisi
lingkungan pertanian.
Evaluasi dilakukan menggunakan
metode pembagian data 70:30 antara data latih dan uji, serta validasi silang
untuk meningkatkan keandalan hasil.
3. Hasil dan Pembahasan
Hasil penelitian menunjukkan
bahwa model Random Forest dan XGBoost memiliki performa terbaik dengan tingkat
akurasi mencapai sekitar 94%. Namun, Random Forest dipilih sebagai model utama
karena memiliki kompleksitas yang lebih rendah dan lebih sesuai untuk
implementasi pada perangkat dengan keterbatasan sumber daya.
Dari sisi performa sistem,
penggunaan edge computing terbukti mampu menurunkan latency secara
signifikan dibandingkan dengan cloud computing. Sistem juga mampu
melakukan adaptasi komunikasi dengan memilih antara LoRa dan NB-IoT berdasarkan
prioritas data dan kondisi jaringan.
Selain itu, penelitian ini juga
menyoroti aspek keamanan dengan menerapkan enkripsi AES dan protokol TLS, yang
terbukti mampu menangani berbagai serangan seperti DoS, replay attack, dan
man-in-the-middle.
4. Kelebihan Penelitian
Penelitian ini memiliki beberapa
keunggulan utama. Pertama, integrasi teknologi yang komprehensif antara IoT,
AI, dan edge computing menjadikan sistem lebih adaptif dan efisien. Kedua,
penggunaan komunikasi dual-protocol memberikan fleksibilitas dalam menghadapi
kondisi jaringan yang dinamis. Ketiga, penelitian ini tidak hanya bersifat
konseptual, tetapi juga didukung oleh eksperimen nyata, sehingga meningkatkan
validitas hasil.
Selain itu, pendekatan optimasi
model machine learning untuk perangkat embedded menjadi nilai tambah,
karena menunjukkan kesiapan implementasi di dunia nyata.
5. Keterbatasan Penelitian
Meskipun memiliki banyak
keunggulan, penelitian ini masih memiliki beberapa keterbatasan. Pertama,
penggunaan model machine learning masih terbatas pada algoritma klasik
dan belum mengeksplorasi deep learning yang berpotensi memberikan
akurasi lebih tinggi. Kedua, kompleksitas sistem yang cukup tinggi dapat
menjadi kendala dalam implementasi, terutama bagi petani dengan sumber daya
terbatas.
Selain itu, penelitian ini belum
membahas secara mendalam aspek biaya implementasi dan skalabilitas pada skala
besar. Dataset yang digunakan juga masih terbatas, sehingga generalisasi model
ke berbagai kondisi pertanian perlu diuji lebih lanjut.
6. Peluang Pengembangan
Beberapa peluang pengembangan
dapat dilakukan untuk meningkatkan kualitas penelitian ini. Penggunaan deep
learning seperti CNN atau LSTM dapat meningkatkan kemampuan prediksi.
Selain itu, optimasi model menggunakan konsep TinyML dapat membuat sistem lebih
efisien untuk perangkat edge.
Integrasi teknologi lain seperti
drone, sensor satelit, dan blockchain juga dapat memperluas cakupan sistem.
Pengembangan analisis biaya dan peningkatan skalabilitas juga penting agar
sistem dapat diterapkan secara luas, khususnya di negara berkembang.
7. Kesimpulan
Secara keseluruhan, jurnal ini
memberikan kontribusi signifikan dalam pengembangan sistem pertanian cerdas
berbasis AIoT. Pendekatan edge computing yang diusulkan mampu meningkatkan
efisiensi, mengurangi latency, serta mendukung pengambilan keputusan secara
real-time.
Meskipun masih terdapat beberapa
keterbatasan, penelitian ini memberikan dasar yang kuat untuk pengembangan
lebih lanjut menuju sistem pertanian yang lebih cerdas, efisien, dan
berkelanjutan. Dengan pengembangan lanjutan, teknologi ini berpotensi menjadi
solusi utama dalam menghadapi tantangan pertanian modern.
Kata Kunci
AIoT, Smart Agriculture, Edge Computing, Machine Learning,
IoT