Food Control 110 (2020) 107016

Daftar isi tersedia di ScienceDirect

Kontrol Makanan

beranda jurnal: www.elsevier.com/locate/foodcont

Meningkatkan e ffi efisiensi sistem ketertelusuran berbasis RFID untuk makanan yang mudah busuk dengan

memanfaatkan sensor IoT dan model pembelajaran mesin

Ganjar Al fi sebuah Sebuah , Muhammad Syafrudin b , Umar Farooq c , Muhammad Rifqi Ma'arif d ,
M. Alex Syaekhoni b , Norma Latif Fitriyani b , Jaeho Lee Sebuah , Jongtae Rhee b , ∗
Sebuah Akademi Teknologi Informasi Nano, Universitas Dongguk, Seoul, 04626, Republik Korea
b Departemen Teknik Industri dan Sistem, Universitas Dongguk, Seoul, 04620, Republik Korea
c Departemen Ilmu Manajemen dan Humaniora, Institut Sains dan Teknologi Teknik Ghulam Ishaq Khan, Pakistan
d Jurusan Teknik Industri, Universitas Jenderal Achmad Yani, Yogyakarta, Indonesia

ARTICLEINFO ABSTRAK

Kata kunci: Identi Frekuensi Radio fi Teknologi kation (RFID) memiliki signifikansi fi terus meningkat dalam beberapa tahun terakhir dan saat ini sedang dicari untuk
Ketertelusuran implementasi di identi fi kation dan keterlacakan makanan yang mudah busuk di sektor pangan untuk menjaga keamanan dan kualitas pangan. Saat ini
RFID dianggap sebagai penerus yang layak untuk sistem barcode dan memiliki signi fi tidak ada keuntungan untuk memantau produk dalam rantai pasokan
IoT
makanan yang mudah rusak (PFSC). Studi ini mengusulkan sistem ketertelusuran yang menggunakan sensor RFID dan Internet of Things (IoT). Teknologi
Pembelajaran mesin
RFID dapat digunakan untuk melacak dan melacak makanan yang mudah rusak sementara sensor IoT dapat digunakan untuk mengukur suhu dan
Classi fi kation
kelembapan selama penyimpanan dan transportasi. Selain itu, penting agar gerbang RFID dapat mengidentifikasi arah tag dan apakah produk diterima atau
Arah tag
dikirim melalui gerbang. Dalam penelitian ini, model pembelajaran mesin digunakan untuk mendeteksi arah dari tag RFID pasif. Fitur masukan berasal dari
Rantai pasokan makanan yang mudah rusak
kekuatan sinyal terima (RSS) dan stempel waktu tag. Sistem yang diusulkan telah diuji dalam rantai pasokan makanan yang mudah rusak dan telah
menunjukkan signifikansi fi tidak bisa mendapatkan keuntungan fi ts kepada manajer dan pelanggan dengan memberikan informasi produk waktu nyata dan
riwayat suhu dan kelembaban lengkap. Selain itu, dengan mengintegrasikan model pembelajaran mesin ke dalam gerbang RFID, produk yang diberi tag
yang masuk atau keluar melalui gerbang dapat diidentifikasi dengan benar. fi ed dan dengan demikian meningkatkan e ffi efisiensi sistem ketertelusuran.

1. Perkenalan
Makanan yang mudah rusak digambarkan sebagai produk pertanian yang dapat dimakan yang
memburuk seiring berjalannya waktu seperti daging, susu, telur, buah-buahan, sayuran, dan semua
produk olahannya ( Shukla & Jharkharia, 2013 ). Rijpkema, Rossi, dan van der Vorst (2014) menunjukkan
bahwa pada makanan yang mudah rusak, bahaya limbah produk dan berkurangnya siklus hidup
merupakan masalah yang serius. Keamanan pangan saat ini dianggap sebagai isu sentral bagi semua
pemangku kepentingan di industri makanan. Karena kesadaran kesehatan konsumen yang semakin
meningkat, kualitas dan keamanan pangan mendapat banyak perhatian. Sebuah laporan di AS
menemukan bahwa biaya ekonomi dari penyakit bawaan makanan saja adalah $ 50 - 80 miliar USD per
tahun; ini terdiri dari biaya perawatan kesehatan, produktivitas yang hilang, dan kualitas hidup yang
berkurang ( Schar ff, 2012 ). Oleh karena itu, penting bagi industri makanan untuk meningkatkan jaminan
kualitas, integritas produk pangan, jaminan keamanan pangan, dan transparansi terkait bersama dengan
rantai pasokan pangan yang lengkap ( Trienekens &
Zuurbier, 2008 ). Sistem penelusuran dianggap sebagai salah satu faktor terpenting dalam industri
makanan modern dan dapat memberikan solusi untuk rantai pasokan makanan karena menyediakan
pelacakan dan penelusuran untuk informasi makanan lengkap di ffi cara yang efisien dan dapat
dipercaya, sehingga meningkatkan kepercayaan konsumen fi dence ( Kher dkk., 2010 ) dan
memastikan kualitas dan keamanan pangan ( Aung & Chang, 2014a; Regattieri, Gamberi, & Manzini,
2007 ).
Identitas frekuensi radio fi kation (RFID) adalah teknologi nirkontak untuk pengenal otomatis fi kation
benda, hewan, dan orang yang terkait dengan transponder (tag). Pengenal otomatis ini fi teknologi
kation dapat digunakan untuk sistem ketertelusuran dalam rantai pasokan makanan yang mudah
rusak. Ini menyimpan data dalam tag ' memori dan pembaca RFID kemudian menangkap data tag dan
mentransfernya ke database back-end untuk diakses dari jarak jauh untuk memantau parameter
objek ( Duroc & Tedjini, 2018 ). RFID telah berhasil diterapkan di berbagai bidang seperti perawatan
kesehatan ( Álvarez López dkk., 2018; Pérez, González, & Dafonte, 2017; Martínez Pérez, Dafonte,

∗ Penulis yang sesuai.

Alamat email: ganjar@dongguk.edu (G. Al fi sebuah), udin@dongguk.edu (M. Syafrudin), umar@giki.edu.pk (U. Farooq), rifqi@unjaya.ac.id (MR Ma'arif),
alexs@dongguk.edu (MA Syaekhoni), norma@dongguk.edu (NL Fitriyani), rapidme@dongguk.edu (J. Lee), jtrhee.uscm@gmail.com (J. Rhee).

https://doi.org/10.1016/j.foodcont.2019.107016
Diterima 14 Juni 2019; Diterima dalam bentuk revisi 30 Oktober 2019; Diterima 23 November 2019
Tersedia online 28 November 2019
0956-7135 / © 2019 Elsevier Ltd. Semua hak dilindungi undang-undang.
G. Al fi an, dkk.
Gambar 1. Sistem arsitektur.
& Astaga, 2018 ), manufaktur ( Ding, Jiang, & Su, 2018; Lee, Choy, Ho, & Law, 2013; Zhong, Dai, Qu,
Hu, & Huang, 2013 ), sistem lokasi dalam ruangan ( Álvarez López, de Cos Gómez, & Las-Heras
Andrés, 2017; Seol, Lee, & Kim, 2017 ), analisis perilaku belanja pelanggan ( Choi, Yang, Yang, &
Cheung, 2015 ; Syaekhoni, Al fi an, & Kwon, 2017 ), dan manajemen gudang ( Chow, Choy, Lee, & Lau,
2006; Bunker & Elsherbeni, 2017 ). Studi sebelumnya telah menunjukkan bahwa, bila dikombinasikan
dengan jenis teknologi sensor lainnya, RFID menyediakan e ff efektif dan e ffi solusi yang efisien untuk
sistem ketertelusuran pangan untuk meningkatkan kualitas dan keamanan pangan ( Al fi an dkk.,
2017a; Aung & Chang, 2014b; Tongkang, Gay, Merlino, & Tortia, 2014; Farooq, Tao, Al fi an, Kang, &
Rhee, 2016; Wang, Kwok, & Ip, 2010 ). Suhu dan kelembaban adalah faktor terpenting yang
mempengaruhi fl memengaruhi keamanan dan kualitas pangan selama distribusi dan penyimpanan;
Oleh karena itu, integrasi sistem pemantauan suhu dan kelembapan bersama dengan sistem
keterlacakan RFID diperlukan untuk memantau kualitas makanan yang mudah busuk dalam rantai
pasokan dan sensor berbasis Internet of Things (IoT) dapat digunakan dalam sistem pemantauan
suhu. Sensor IoT menyediakan e ffi sistem pemantauan pangan yang efisien yang dapat menjamin
kualitas pangan secara real time. Penelitian sebelumnya telah menunjukkan bahwa sensor IoT
memiliki keunggulan besar dan dapat berhasil diterapkan untuk memantau makanan yang mudah
busuk ( Maksimovic, Vujovic, & Miklicanin, 2015; Popa dkk., 2019; Al fi an, Syafrudin, & Rhee, 2017b;
Tsang dkk., 2018; Stellingwerf, Laporte, Cruijssen, Kanellopoulos, & Bloemhof, 2018 ).
Selanjutnya, RFID dapat dipasang di gerbang gudang untuk mencatat produk yang diberi label.
Namun, pembaca tidak dapat membedakan arah tag, yaitu apakah tag tersebut bergerak masuk
(diterima) atau keluar melalui gerbang (dikirim). Penelitian sebelumnya telah menunjukkan bahwa
kekuatan sinyal yang diterima (RSS), perangkat keras tambahan, dan informasi cap waktu yang
dikombinasikan dengan algoritma pembelajaran mesin dapat digunakan untuk mengidentifikasi arah
tag ( Jie dkk., 2018a, 2018b; Oikawa,
2
Food Control 110 (2020) 107016
2011 ). Selanjutnya, RSS dan model pembelajaran mesin telah diterapkan bersama dan berhasil
mendeteksi pergerakan tag RFID ( Al fi an, Syafrudin, Yoon, & Rhee, 2019; Keller, Thiesse, Kungl, &
Fleisch, 2010; Ma, Wang, & Wang, 2018 ). Namun, studi sebelumnya tentang arah tag masih kurang
dalam mengevaluasi di ff jenis gerakan tag yang berbeda yang mungkin muncul dalam kasus nyata.
Oleh karena itu, diperlukan model pembelajaran mesin untuk mengidentifikasi arah tag dengan
mempertimbangkan di ff jenis gerakan tag yang berbeda, sehingga dapat meningkatkan e ffi efisiensi
gerbang RFID untuk sistem ketertelusuran. Terakhir, diperlukan sistem terintegrasi yang dapat
mengatasi berbagai masalah seperti penelusuran dan pelacakan produk makanan, pemantauan suhu
dan kelembaban, serta mengidentifikasi arah dari tag RFID yang bergerak di pusat distribusi
makanan diperlukan untuk sistem penelusuran.
Studi ini mengusulkan sistem ketertelusuran berdasarkan sensor RFID dan IoT untuk memantau
dan mengumpulkan kondisi lingkungan seperti suhu dan kelembaban untuk distribusi makanan yang
mudah rusak selama pengangkutan dan penyimpanan. RFID digunakan untuk melacak dan melacak
produk; dengan demikian, dapat mengatasi pemalsuan dan distribusi produk berkualitas rendah di
sepanjang rantai pasokan, sementara sensor IoT digunakan untuk mengumpulkan kondisi lingkungan
dari makanan yang mudah rusak. Selain itu, untuk mengatasi keterbatasan penelitian sebelumnya
dalam mendeteksi arah tag produk, kami mempertimbangkan situasi gudang yang lebih kompleks
seperti di ff variasi gerakan tag yang salah. Model pembelajaran mesin yang diusulkan diharapkan
belajar dari di ff jenis arah dan pergerakan tag, sehingga model yang dilatih akan berhasil mendeteksi
arah tag RFID. Kontribusi kami dalam penelitian ini adalah untuk meningkatkan e ffi efisiensi
penelusuran berbasis RFID dengan menerapkan model pembelajaran mesin ke dalam gerbang RFID
sehingga arah produk yang diberi tag (yaitu, produk yang diterima atau dikirim) dapat diidentifikasi. fi ed
secara otomatis. Terakhir, kami juga menunjukkan bahwa sistem ketertelusuran yang diusulkan telah
berhasil diterapkan pada rantai pasokan kimchi
G. Al fi an, dkk.
Gambar 2. Implementasi sistem: (a) Fixed reader, (b) handheld reader, dan (c) sensor berbasis IoT.
memastikan kualitas dan keamanan produk.
2. Bahan dan metode
Sistem ketertelusuran yang diusulkan telah dikembangkan untuk memastikan kualitas dan
keamanan pangan bagi konsumen dalam rantai pasokan makanan yang mudah rusak. Sistem yang
diusulkan menggunakan RFID untuk pengenal otomatis fi kation dan sensor berbasis IoT untuk
mengumpulkan kondisi lingkungan seperti suhu dan kelembapan. Kami mempertimbangkan jenis
jaringan rantai pasokan umum untuk produk makanan yang terdiri dari produsen, pengangkut,
distributor, dan pelanggan. Seperti yang bisa dilihat di Gambar 1 , produk makanan dipindahkan dari
produsen ke pelanggan melalui beberapa mitra rantai pasok seperti distributor dan pengangkut.
Dalam skenario kami, file fi Pembaca RFID tetap (gerbang RFID) dipasang di gerbang fasilitas
penyimpanan dingin produsen dan distributor, sementara pembaca RFID genggam digunakan oleh
transporter. Sensor berbasis IoT dipasang di fasilitas penyimpanan dingin semua mitra rantai
pasokan seperti produsen, pengangkut, dan distributor.
Untuk setiap fi xed reader (gerbang RFID), komputer host dan aplikasi pengambilan dipasang di
tempat. Selain itu, modul arah tag diintegrasikan ke dalam aplikasi penangkapan untuk
mengidentifikasi arah tag. Modul arah tag dikembangkan dengan memanfaatkan model pembelajaran
mesin untuk membedakan arah produk yang diberi tag apakah mereka bergerak masuk atau keluar
melalui gerbang penyimpanan dingin. Dengan mempertimbangkan skenario ini, produk yang diterima
oleh atau dikirim dari penyimpanan dingin dapat diidentifikasi dengan benar fi ed. Data sensor RFID
dan IoT kemudian dikirim ke web service untuk disimpan di database sisi server. Terakhir, sistem
penelusuran berbasis web dikembangkan untuk manajemen dan pelanggan untuk memantau
pergerakan waktu nyata dan kondisi lingkungan dari produk yang diberi tag. Dengan memanfaatkan
sistem ketertelusuran, diharapkan kualitas dan keamanan produk pangan yang mudah busuk di
seluruh rantai pasok.
Produk makanan dibuat oleh produsen dan ditempatkan ke dalam kotak khusus yang dilengkapi
dengan tag RFID UHF pasif. Kemudian, produk yang diberi tag dipindahkan ke penyimpanan dingin
melalui gerbang RFID sebelum pengiriman dan Kode Produk Elektronik (EPC) dengan identitas unik. fi
er (UID) kemudian dikumpulkan oleh pembaca dan dikirimkan ke komputer host, digabungkan
dengan informasi lain dan dikirim ke sisi server / Layanan Informasi EPC (EPCIS). Informasi produk
seperti EPC (informasi produk), lokasi bisnis (pembaca atau nama mitra rantai pasokan), waktu acara
(waktu ketika produk yang diberi tag dibaca oleh pembaca), langkah bisnis (status produk, yaitu
penerimaan atau pengiriman) dihasilkan oleh aplikasi penangkapan pada komputer host sebelum
dikirim ke EPCIS. Ini membantu untuk menjawab “ apa, dimana, kapan dan mengapa ” pertanyaan
mengenai produk untuk memenuhi permintaan konsumen dan peraturan untuk informasi produk yang
akurat dan rinci. Saat produk siap untuk dikirim, transporter memindahkan produk ke distribusi
3
Food Control 110 (2020) 107016
pusat; pengangkut menggunakan alat pembaca genggam untuk membaca informasi produk yang
dikirim dan mengirimkan informasi produk yang terperinci ke sisi server. Setelah tiba di pusat
distribusi, produk yang diberi tag dipindahkan melalui gerbang RFID untuk disimpan. Terakhir, produk
dikirim ke pelanggan oleh transporter lain. Di setiap pergerakan, produk yang diberi tag dicatat dalam
sistem ketertelusuran berbasis RFID. Selanjutnya, sensor berbasis IoT dipasang di fasilitas cold
storage produsen, transporter, dan distributor. Data sensor (suhu dan kelembaban) dikumpulkan
secara berkala oleh sensor IoT (setiap 5 detik) dan dikirimkan ke sisi server untuk disimpan di sensor
DB. Terakhir, dengan menggabungkan data RFID dan data sensor IoT,
2.1. Sistem ketertelusuran berbasis RFID dan sensor IoT
Penelitian ini menggunakan tiga jenis perangkat untuk sistem penelusuran: gerbang RFID / fi pembaca
tetap, pembaca genggam, dan sensor berbasis IoT. Setiap gerbang RFID menggunakan komputer
induk, pembaca RFID tunggal ALR9900 + dari Teknologi Alien, dan dua antena linier ALR-9610-AL
dengan Gain 5,90 dbi; detail tersedia di Gambar 2 Sebuah ( Teknologi Alien, 2019 ). Frekuensi operasi
pembaca adalah 902 - 928 MHz dan mendukung EPC Class1 Gen2 (18000-6C). Selain itu, tag RFID
pasif dipasang di satu sisi setiap kotak produk. Model tag RFID UHF pasif adalah 9662 dengan
rentang frekuensi 860 - 960 MHz. Jenis IC adalah Alien H3 sedangkan protokolnya adalah EPC Class1
Gen2 (ISO 18000-6C). Kami mengembangkan program aplikasi penangkapan berdasarkan bahasa
pemrograman Java dengan antarmuka program aplikasi (API) yang disediakan dari pembaca dan
diinstal pada komputer host yang terhubung ke pembaca. Ketika produk yang diberi tag bergerak
melalui gerbang RFID, informasi produk seperti EPC dikumpulkan oleh aplikasi penangkap dan
digabungkan dengan informasi lain (yaitu, lokasi, tanggal, waktu, dan langkah bisnis) dan dikirim ke
EPCIS. Untuk de fi Pada langkah bisnis, program aplikasi penangkapan yang memanfaatkan modul
arah tag dapat mengidentifikasi apakah status produk tersebut “ menerima ” atau
“ pengiriman. ” Penjelasan rinci tentang modul arah tag dijelaskan pada sub-bab berikut.
Transporter menggunakan a fl pembaca RFID yang fleksibel / genggam untuk membaca
informasi produk. Kami menggunakan Arete Pop Dongle UHF Reader, yang merupakan pembaca
RFID jarak pendek kecil dan smartphone sebagai pembaca genggam ( Sistem RFID, 2019 ). Pembaca
dongle kompatibel dengan sebagian besar perangkat iOS dan Android. Gambar 2 b menunjukkan
pembaca genggam yang beroperasi dengan membaca produk yang diberi tag dan menyajikan
informasi produk di layar sebelum mengirimkannya ke sisi server. Perangkat menggunakan Chip
RFID PHYCHIPS PR9200 dengan protokol EPC Gen2 (ISO 18000-6c) dan bekerja pada rentang
frekuensi 917.1 - 923,3 MHz. Data RFID diteruskan ke smartphone oleh pembaca dongle melalui
headphone
G. Al fi an, dkk. Food Control 110 (2020) 107016

(3,5 mm). Kami mengembangkan aplikasi Android untuk menerima data RFID dari pembaca dongle,
menggabungkannya dengan informasi lain, dan mengirimkannya ke layanan web melalui tautan Wi-Fi
ponsel.
Di perangkat terakhir, dipasang sensor IoT di cold storage produsen, distributor, dan transporter
untuk memantau kondisi lingkungan makanan yang mudah busuk di seluruh rantai pasokan. Sensor
berbasis IoT yang diusulkan terdiri dari dua perangkat komersial yaitu, komputer papan tunggal
(SBC): Raspberry Pi dan papan sensor tambahan: SenseHAT ( Yayasan Raspberry Pi, 2016;
Yayasan Raspberry Pi, 2017 ). Raspberry Pi adalah file ff SBC kecil yang terjangkau dengan ukuran
85,60 mm × 53,98 mm × 17 mm, dengan berat sekitar 45 g. Ini mampu menangani berbagai operasi
input dan output seperti USB, LAN Nirkabel, HDMI, audio, video, dan input tujuan umum - keluaran
(GPIO). Papan Sense-HAT digunakan untuk mengumpulkan kondisi lingkungan. Kami
mengembangkan program berbasis Python yang kami instal di perangkat Raspberry Pi untuk
mengumpulkan data sensor dari Sense-HAT. Sensor berbasis IoT terus mengumpulkan data suhu
dan kelembapan setelah setiap 5 detik dan mengirimkannya secara nirkabel ke server cloud. Gambar
2 c menunjukkan versi rakitan perangkat sensor berbasis IoT.
Oleh karena itu, studi kami menggunakan MongoDB, yang cocok untuk menangani aplikasi big data
seperti di bidang manufaktur ( Syafrudin, Al fi an, dkk., 2018 ; Syafrudin, Fitriyani, Al fi an, & Rhee, 2019 )
dan perawatan kesehatan ( Al fi an dkk., 2018; Ma ' arif, Priyanto, Setiawan, & Winar Cahyo, 2018 ). Data
RFID dan sensor yang dikumpulkan diterima oleh layanan web yang dikembangkan oleh Node.js dan
diteruskan ke database MongoDB. Terakhir, sistem ketertelusuran berbasis web dikembangkan
berdasarkan framework aplikasi web Node.js dan dipasang di sisi server sehingga dapat diakses
dengan mudah melalui komputer pribadi (PC), laptop, atau perangkat seluler oleh klien yang memiliki
koneksi internet. Gambar 3 a menunjukkan contoh dokumen EPC yang dihasilkan saat produk yang
diberi tag bergerak masuk melalui gerbang RFID di fasilitas penyimpanan dingin produsen. Dokumen
berbasis JSON terdiri dari waktu acara, waktu rekam, daftar EPC, titik baca (ID pembaca), lokasi
bisnis (nama mitra rantai pasokan), dan langkah bisnis. Selanjutnya data sensor IoT yang dihasilkan
disimpan di MongoDB seperti yang bisa dilihat di Gambar 3 b. Dokumen sensor ini terdiri dari waktu
kejadian, waktu rekam, ID perangkat IoT, nama perangkat IoT, titik baca, dan data sensor (yaitu suhu
dan kelembaban), yang tertanam dalam sub-dokumen. Dalam skenario kami, titik baca (readpoint)
digunakan sebagai kunci referensi saat pengguna ingin mengambil riwayat produk dan kondisi
lingkungan dari database.

Sistem ketertelusuran yang diusulkan memungkinkan di ff mitra rantai pasokan yang salah untuk
menghasilkan di ff salah informasi produk sebelum mengirimnya ke EPCIS berdasarkan
kemampuannya. Kami de fi ned kemampuan setiap mitra rantai pasokan (SC) saat membuat dokumen
dengan mempertimbangkan di ff langkah bisnis yang salah seperti yang ditunjukkan pada Tabel 1 .
2.2. Modul arah tag
Pertama, produk segar disimpan di fasilitas penyimpanan dingin produsen dengan melewati gerbang
RFID. Informasi produk seperti EPC, nama produsen, waktu yang direkam, dan langkah bisnis (yaitu,
Untuk studi ini, modul arah tag akan dikembangkan berdasarkan model pembelajaran mesin dan
penerimaan) dikirim ke EPCIS di sisi server oleh komputer host dari gerbang RFID. Saat produk siap
diterapkan pada gerbang RFID untuk mengidentifikasi apakah suatu produk sedang diterima atau
untuk dikirim, produk bergerak melalui gerbang RFID produsen lagi sebelum transportasi. Informasi
dikirim. Untuk menghasilkan kelas fi eh, data pembacaan RFID harus dikumpulkan sebagai dataset
produk serupa dihasilkan oleh aplikasi penangkap kecuali dengan di ff informasi langkah bisnis yang
dengan mempertimbangkan di ff gerakan dan arah yang salah. Selanjutnya, atribut / fitur diekstrak dari
salah (yaitu, pengiriman) dan didaftarkan ke EPCIS. Saat menerima produk yang diberi tanda,
kekuatan sinyal yang diterima (RSS) dan stempel waktu tag. Beberapa algoritma pembelajaran mesin
pengangkut menggunakan alat pembaca genggam untuk mencatat informasi produk. Pembaca
telah diterapkan untuk membedakan arah dan jenis pergerakan tag. Terakhir, model terlatih
genggam mengirimkan dokumen seperti EPC, nama transporter, waktu yang tercatat, dan langkah
diintegrasikan ke dalam aplikasi pengambilan sehingga arah produk yang diberi tag dapat
bisnis (yaitu pengiriman) ke EPCIS terpusat. Pada langkah selanjutnya, produk tiba di distributor dan
diidentifikasi fi ed.
masuk melalui gerbang RFID untuk penyimpanan. Komputer host dari gerbang RFID mengirimkan
informasi seperti EPC, nama distributor, waktu yang tercatat, dan langkah bisnis (misalnya
penerimaan) ke server jarak jauh. Setelah produk siap untuk dikirim ke pelanggan, produk yang diberi
Gambar 4 a menunjukkan kemungkinan pergerakan tag dan arah yang secara layak dapat terjadi
tag dipindahkan lagi melalui gerbang RFID distributor. Gerbang RFID menghasilkan kembali
di gudang sebenarnya, seperti bergerak masuk dan keluar melalui gerbang, bergerak mendekati
informasi serupa tetapi dengan di ff data langkah bisnis yang salah, yaitu pengiriman. Akhirnya
gerbang, gerakan memutar balik, dan tag statis. Dalam skenario ini, kami menggunakan pembaca
transporter siap mengantarkan produk ke customer. Mereka membaca informasi produk
tunggal dengan dua antena yang dipasang di gudang / gerbang penyimpanan dingin. Itu fi Antena
menggunakan alat pembaca genggam. Data yang dihasilkan seperti EPC, nama pengangkut, waktu
pertama (antena 1) dipasang di luar sementara antena lainnya (antena 2) berada di dalam area.
yang tercatat, dan langkah bisnis (misalnya pengiriman) dikirim ke EPCIS oleh perangkat smartphone
Dalam skenario ini, produk yang diberi tag yang bergerak masuk / keluar melalui gerbang gudang
pengangkut. Setelah produk sampai di sisi pelanggan, transporter modi fi mengubah status produk
dapat direkam. Namun, pembaca RFID berpotensi membaca pembacaan positif palsu (mis., Tag
menjadi “ terkirim ” untuk mengidentifikasi bahwa produk telah diterima oleh pelanggan. Dengan
yang secara tidak sengaja terdeteksi oleh pembaca tetapi tidak menarik bagi proses bisnis) seperti
mengikuti skenario ini, sistem penelusuran dapat memantau dan menyajikan riwayat pergerakan
saat produk digerakkan dekat dengan gerbang, gerakan memutar balik, dan statis. tag. Tag statis ini
produk dalam rantai pasokan.
terjadi saat tag berada dalam rentang baca nominal atau saat rentang diperpanjang secara tidak
sengaja oleh benda logam di dalam fi tua ( Keller, Thiesse, & Fleisch, 2014 ). Tujuan dari modul arah
tag adalah untuk hanya mencatat produk yang masuk atau keluar melalui gerbang dan fi saring
pembacaan positif palsu. Gambar 4 b menunjukkan contoh produk berlabel yang masuk melalui
gerbang di gudang nyata. Prosesnya dilakukan oleh sta ff untuk memindahkan produk yang diberi tag
melalui pintu gerbang disebut sesi berkumpul. Selama sesi pengumpulan, data yang diterima atau
kumpulan peristiwa tag dinyatakan sebagai

Data RFID dan sensor yang dihasilkan dari gateway memiliki format besar yang tidak terstruktur
dan karakteristik pembangkitan yang berkelanjutan.

Tabel 1
Skenario pembuatan informasi produk oleh masing-masing mitra rantai pasokan.

Tidak Mitra SC Langkah Bisnis Deskripsi

1 Produsen Menerima Pembaca membaca produk yang diberi tag yang dipindahkan melalui gerbang RFID untuk disimpan. Produk yang diberi tag
2 pengiriman dipindahkan dari penyimpanan dingin melalui gerbang RFID.
3 Transporter pengiriman Transporter membaca produk yang diberi tag menggunakan alat pembaca genggam untuk dikirimkan ke mitra SC lainnya. Produk yang diberi tag
4 Distributor Menerima dipindahkan melalui gerbang RFID untuk disimpan di fasilitas penyimpanan dingin distributor. Produk yang diberi tag dipindahkan dari penyimpanan
5 pengiriman dingin melalui gerbang RFID.
6 Transporter pengiriman Transporter membaca produk yang diberi tanda menggunakan alat pembaca genggam untuk dikirimkan ke pelanggan. Modi transporter fi mengubah
7 Terkirim status produk menjadi “ terkirim ” saat produk telah diterima oleh pelanggan.

4
G. Al fi an, dkk. Food Control 110 (2020) 107016

Gambar 3. Contoh (a) dokumen EPC dan (b) data sensor IoT.

berikut: Meja 2
Skenario yang mungkin dari pembacaan tag.
X = {{ID, T saya, RSS saya, Semut saya}, … { ID, T n, RSS n, Semut n}} (1)
Label kelas Nama # data Deskripsi

dimana X menunjukkan data yang diterima oleh pembaca untuk tag INDO, cap waktu
0 Pindah 180 Produk yang diberi tag bergerak masuk melalui gerbang Produk yang
T, kekuatan sinyal RSS, antena Semut, dan i = 1,2, …, n. Parameternya n 1 Pindah 180 diberi tag bergerak keluar melalui gerbang Produk yang diberi tag

mewakili jumlah total tag yang terjadi selama sesi pengumpulan. 2 Minggir 180 bergerak mendekati gerbang Tag terletak di pembaca membaca rentang

3 Tag statis 310 Produk yang diberi tag yang bergerak masuk dan kemudian kembali

4 Kembali 180
Untuk mengumpulkan dataset, kami melakukan percobaan menggunakan gerbang RFID dan
dilakukan di ff pergerakan produk yang tidak ditandai di gudang. Gerbang RFID terdiri dari komputer
host, pembaca ALR9900 + tunggal, dan dua antena linier ALR-9610-AL dengan Gain 5,90 dBi. Selain
Tabel 3
itu, tag RFID pasif dipasang pada satu sisi kotak dan troli yang bergerak masuk dan keluar melalui
Parameter eksekusi untuk mengumpulkan pergerakan tag melalui gerbang.
gerbang dengan jalur dan kecepatan yang berbeda. Untuk menyederhanakan proses percobaan,
kami menggunakan parameter default yang disediakan oleh pembaca. Kami mengembangkan Parameter Nilai Frekuensi

program pengumpulan berdasarkan bahasa pemrograman Java dan menginstalnya di komputer

Kecepatan troli (m / s) <0,60 97
induk yang terhubung ke pembaca. Selama setiap sesi pengumpulan, data pembacaan RFID 0.60 - 0.69 187
disimpan dalam CSV fi le dan dikumpulkan sebagai dataset untuk analisis lebih lanjut. 0.70 - 0.79 68
≥ 0.80 8

dan 0,69 m / s. Dalam percobaan kami, jarak antara titik awal (saat tag adalah fi Pembacaan pertama)
Dalam studi ini, kami mempertimbangkan fi ada lima jenis tag yang dibaca, yang detailnya bisa
dan titik akhir (tanda kemunculan terakhir) kira-kira 5 m.
dilihat di Meja 2 . Selama sesi silaturahmi, di ff Gerakan tag dan arah yang salah dilakukan seperti
bergerak masuk dan keluar melalui gerbang, bergerak mendekati gerbang, gerakan memutar balik,
Gambar 5 menunjukkan contoh bacaan RSS untuk sesi pengumpulan data biasa. Pembaca
dan tag statis. Label kelas ditambahkan untuk setiap pembacaan data. Secara total, 1030
ALR-9900 + tidak menyediakan unit pengukuran (dBm) untuk RSS; oleh karena itu, kami
pembacaan data unik dikumpulkan; setiap pembacaan terdiri dari ID tag, stempel waktu, RSS, ID
menampilkan kualitas sinyal (%) sebagai sumbu y dan SejakStart sebagai sumbu x. Untuk masuk
antena, dan label kelas. Selanjutnya, Tabel 3
melalui gerbang, tagnya adalah fi pertama dibaca oleh antena 1 dan kemudian oleh antena 2 (lihat

menunjukkan parameter eksekusi detail untuk mengumpulkan dataset ketika kotak yang diberi tag
Gambar 5 Sebuah). RSS meningkat saat tag melewati gerbang dan mencapai maksimumnya saat tag
bergerak masuk dan keluar melalui gerbang. Selama pengumpulan data, kami mempertimbangkan di ff
paling dekat dengan kedua antena. Sebaliknya, saat produk keluar melalui pintu gerbang, tag terbaca
kecepatan gerakan tag yang salah. Total 12 tag RFID pasif dipasang ke kotak yang ditempatkan di
troli. Troli dipindahkan melalui pembaca RFID. Kecepatan pergerakan troli (masuk dan keluar)
fi pertama oleh antena 2 dan kemudian dengan antena 1 (lihat Gambar 5 b). Selanjutnya, ketika produk yang
sebagian besar antara 0,6
diberi tag bergerak masuk melalui gerbang (lihat Gambar 5 a), itu

Gambar 4. Pengumpulan data: (a) kemungkinan jenis dan arah pergerakan tag dan (b) contoh tag yang bergerak masuk melalui gerbang.

5
G. Al fi an, dkk. Food Control 110 (2020) 107016

Gambar 5. Contoh pembacaan RSS untuk sesi pengumpulan data: (a) masuk, (b) keluar melalui gerbang, (c) bergerak mendekati gerbang dan tetap statis, dan (d) gerakan balik.

RSS maksimum dapat dilihat di dalam fi pertama 3 dan 4,5 detik untuk antena 1 dan 2,
masing-masing. Informasi stempel waktu ini penting untuk mengidentifikasi arah tag. Oleh karena itu,
kami menggunakan SejakStart ( Keller dkk., 2014 ) dalam penelitian ini untuk de fi alah jangka waktu
(detik) yang telah berlalu sejak dimulainya sesi pengumpulan. Kemudian, stempel waktu T
dari (1) diubah menjadi SinceStart yang dinormalisasi, yang diberikan sebagai berikut:
T saya - T 1
SStart i = T n - T 1
(2)
Untuk setiap sesi pengumpulan, data bacaan diberi label berdasarkan kelasnya (lihat Meja 2 ).
Terakhir, data yang diterima dari sesi pengumpulan diungkapkan sebagai berikut:
gerbang sangat mirip dengan tag yang bergerak masuk / keluar melalui gerbang. Untuk kedua tag,
RSS meningkat saat mereka bergerak lebih dekat ke antena dan kemudian menurun saat jarak
bertambah. Namun, RSS maksimum untuk tag yang bergerak melalui gerbang lebih tinggi daripada
untuk tag yang bergerak mendekati gerbang karena tag bergerak lebih dekat dan menghadap antena
secara langsung. Selain itu, tag statis memiliki RSS yang relatif konstan karena jarak antara antena
dan tag statis adalah fi xed. Oleh karena itu, tag statis cenderung memiliki varian yang kecil,
sedangkan tag yang bergerak melalui gerbang dan mendekati gerbang cenderung menunjukkan
varian yang lebih besar. Akhirnya,
Gambar 5 d menunjukkan gerakan memutar balik di mana produk yang diberi tag mencoba masuk
melalui gerbang tetapi produk diputar mundur dan keluar lagi di titik tengah di antara gerbang. Produk
dibaca oleh reader melalui antena 1, diikuti oleh antena 2. Pada akhirnya, saat produk kembali dan
keluar, produk yang diberi tag dibaca kembali oleh antena 1.

X = {{ID, SStart saya, RSS saya, Semut saya, Kelas}, … { ID, SStart n, RSS n, Semut n, Kelas}}

(3)
Atribut RSS menyediakan data penting untuk di ff membedakan antara gerakan dan tag statis dan
Gambar 5 c menunjukkan pembacaan RSS tipikal untuk tag yang bergerak mendekati gerbang dan tag telah digunakan dalam studi sebelumnya ( Al fi sebuah
statis yang dikumpulkan dari Antena 1. Tag yang bergerak mendekati

Tabel 4
Atribut diekstrak dari RSS dan SejakStart.

Jenis Fitur Nama atribut Deskripsi

RSS RSS_Min Kekuatan sinyal minimum selama sesi pengumpulan Kekuatan sinyal maksimum selama sesi pengumpulan
RSS_Max Kekuatan sinyal rata-rata selama sesi pengumpulan Deviasi standar RSS selama sesi pengumpulan Di ff erensi
RSS_Mean antara kekuatan sinyal tertinggi dan terendah selama sesi pengumpulan Jumlah total pembacaan untuk tag selama
RSS_Std sesi pengumpulan.
RSS_Di ff
RSS_Count
SejakStart SStart_Min Jangka waktu (detik) tag dibaca di fi pertama kali. Jangka waktu (detik)
SStart_Max tag dibaca pada saat terakhir. Jangka waktu rata-rata (detik) untuk tag
SStart_Mean dibaca.
SStart_Std Simpangan baku untuk jangka waktu (detik) saat tag dibaca. Total periode (detik) untuk satu tag
SStart_Di ff di antara fi waktu baca pertama dan terakhir

6
G. Al fi an, dkk.
Gambar 6. Tangkapan layar dari sistem ketertelusuran.
dkk., 2019; Keller dkk., 2010; Ma et al., 2018 ). RSS bergantung pada jarak antara antena dan tag; tag
yang lebih dekat menghasilkan RSS yang lebih besar. Selain itu, informasi SejakStart merupakan
parameter penting untuk de fi ne arah tag ( Keller dkk., 2014 ). Tabel 4 menunjukkan fitur statistik
relevan yang diambil dari satu antena. Karena studi ini menggunakan dua antena, 22 atribut
(termasuk RSS dan SejakStart) diekstraksi secara total dari kedua antena.
Mengubah kumpulan data bacaan menjadi matriks masukan dan keluaran untuk kelas jamak fi kation
membutuhkan pemrosesan awal data.
Algoritma 1 menampilkan algoritme FeatureExtractor yang diusulkan untuk mengonversi kumpulan
peristiwa tag untuk semua sesi pengumpulan ke dalam matriks masukan X_inp dan vektor keluaran kamu
T sedemikian rupa sehingga model pembelajaran mesin dapat mempelajari dan memprediksi hasilnya.
Fungsinya getRSSattr dan
getSinceStartAttr akan mengembalikan fitur statistik yang diberi daftar RSS dan SejakStart, seperti
yang dapat dilihat di Tabel 4 . Selain itu,
getClassLabel fungsi akan mengembalikan label kelas dari pembacaan RFID tertentu, seperti yang
dapat dilihat di Meja 2 .
Algoritma 1. FeatureExtractor.
Setelah data RFID mentah dari sesi pengumpulan diubah menjadi input X dan output y,
algoritma pembelajaran mesin digunakan untuk belajar dari set pelatihan dan dengan demikian
menghasilkan prediksi. Dalam penelitian kami, kami menggunakan algoritma peningkatan gradien
XGBoost untuk mendeteksi arah
7
Food Control 110 (2020) 107016
dari tag RFID.
XGBoost adalah model pembelajaran yang diawasi yang terdiri dari sekumpulan kelas fi pohon
kation dan regresi ( Chen & Guestrin, 2016 ). XGBoost adalah implementasi pohon keputusan yang
didorong gradien dan membuat serangkaian perbaikan dalam hal fungsi kerugian, regularisasi, dan
pengambilan sampel kolom. Gradient boosting adalah suatu pendekatan dimana model baru dibuat
yang dapat memprediksi residual atau error dari model sebelumnya yang kemudian dijumlahkan
untuk membuat fi prediksi akhir. Ini disebut peningkatan gradien karena menggunakan algoritme
penurunan gradien untuk meminimalkan kerugian saat menambahkan model baru. Mengukur kinerja
model yang diberikan sekumpulan parameter tertentu membutuhkan fungsi obyektif. Ini terdiri dari
dua bagian: kerugian pelatihan dan regularisasi. Istilah regularisasi menghukum kompleksitas model
dan mencegah over-
fi tting. Fungsi tujuan (fungsi kerugian dan regularisasi) dapat disajikan sebagai berikut.
L ( ϕ) = ∑ l (ŷ saya, y i) + ∑ Ω ( f k)
saya k (4)
1 λ w2
dimana Ω (f) = γT + 2
sini, l adalah di ff fungsi kerugian cembung yang dapat dikenali yang mengukur perbedaan
perbedaan antara prediksi ŷ saya dan targetnya y saya. Istilah yang diatur
Ω menghukum kompleksitas model dan T mewakili jumlah
daun di pohon. Setiap f k sesuai dengan struktur pohon independen
q dan berat daun w. Syarat γ sesuai dengan ambang dan pra-
pemangkasan dilakukan sambil mengoptimalkan untuk membatasi pertumbuhan pohon dan λ digunakan untuk
menghaluskan fi akhir belajar bobot untuk mencegah lebih fi tting.
3. Hasil dan Pembahasan
3.1. Kinerja sistem ketertelusuran berbasis IoT
Prototipe sistem penelusuran berbasis web telah dikembangkan dan menyediakan cara yang
sederhana dan nyaman bagi pengguna untuk melacak dan menelusuri riwayat produk makanan.
Sistem ketertelusuran dikembangkan
G. Al fi an, dkk. Food Control 110 (2020) 107016

dengan memanfaatkan Node.js sebagai webserver, dengan Express.js dan Bootstrap sebagai
visualisasi datanya, sedangkan RFID dan data sensor dikumpulkan dari MongoDB. Sistem yang
diusulkan mengizinkan akses pengguna secara real-time oleh PC, notebook, atau smartphone
melalui browser web. Gambar 6 menunjukkan tangkapan layar dari hasil kueri untuk satu produk yang
telah dikirim dari produsen ke pelanggan. Agregasi dan fi modul penyaringan digunakan untuk
menggabungkan dan menghilangkan data EPC duplikat; antarmuka sistem menyajikan fi informasi
produk yang disaring seperti EPC, nama produk, tanggal dan waktu yang tercatat, lokasi, dan
langkah bisnis. Untuk de fi Pada langkah bisnis, program aplikasi menangkap menggunakan modul
arah tag untuk mengidentifikasi apakah status suatu produk “ menerima ” atau
tag dipasang di sisi belakang kotak dan tidak ada garis pandang langsung ke pembaca. Gambar 7 b
menunjukkan bahwa skenario di mana tag menghadap antena secara langsung (Skenario I)
berkinerja terbaik dengan menghasilkan kualitas sinyal tertinggi. Hasil kami menunjukkan bahwa
orientasi tag tidak benar-benar a ff dll. kualitas sinyal karena kami menggunakan kotak kosong dalam
percobaan kami. Namun, penelitian sebelumnya menunjukkan bahwa jika produk seperti beras atau
air kemasan ditambahkan, orientasi tag memiliki nilai e ff dll ( Clarke, Twede, Tazelaar, & Boyer, 2006 ).
Selain itu, seperti yang diharapkan, peningkatan jarak antara tag dan pembaca menurunkan kekuatan
sinyal dari tag. Selama test bed kasus nyata, kami memasang pembaca di pintu masuk fasilitas
penyimpanan dingin produsen dan distributor. Kami memastikan jarak antara reader dan produk saat
melewati pintu masuk adalah kurang lebih 2 m agar semua tag berhasil terbaca oleh reader.

“ pengiriman. ” Sub-bab berikut menjelaskan performa model pembelajaran mesin untuk mendeteksi
arah tag secara mendetail. Selain itu, kondisi lingkungan yang dikumpulkan dari sensor IoT seperti
suhu dan kelembapan disimpan dalam MongoDB dan disajikan dalam bentuk grafik agar pengguna
dapat lebih memahami kondisi produk. Mempresentasikan riwayat produk secara detail akan
membantu pengguna memantau riwayat dan kualitas produk dengan cara yang nyaman.
3.2. Performa model pembelajaran mesin untuk pengarahan tag

Model pembelajaran mesin diterapkan untuk membedakan beberapa jenis gerakan dan arah
Selain itu, kinerja pembaca RFID telah dievaluasi berdasarkan di ff metrik evaluasi saat ini seperti
produk yang diberi tag, Meja 2 berisi lebih detail tentang ini. Kelas fi model kation diimplementasikan
tingkat keberhasilan dan kualitas sinyal. Kami de fi Temukan tingkat keberhasilan sebagai persentase
dengan Python V3.6.6, XGBoost V0.81, dan Scikit-learn V0.19.1 ( Pedregosa dkk., 2011 ). Untuk
dari jumlah total tag yang berhasil dibaca oleh pembaca selama proses pengumpulan. Selain itu,
menyederhanakan implementasi model pembelajaran mesin, kami menggunakan parameter default
kualitas sinyal de fi dibutuhkan sebagai persentase kekuatan sinyal dari tag RFID selama proses
yang disediakan oleh Scikit-learn. Kami menggunakan validasi silang 10 kali lipat untuk semua kelas fi model
pengumpulan. Eksperimen dilakukan di lingkungan laboratorium sebagai skenario dalam ruangan
kation; Tabel 5
yang khas. Gambar 7 a menunjukkan kinerja pembaca genggam berbasis telepon pintar yang
diberikan di ff jarak yang tidak sama antara tag dan pembaca. Selama tes lab, tag ditempatkan dalam
menunjukkan kelasnya fi metrik kinerja model kation. Positif benar (TP) dan negatif benar (TN)
garis pandang (LOS) dari pembaca genggam dan menghadap ke pembaca secara langsung.
mewakili contoh kelas yang benar fi kation, sedangkan positif palsu (FP) dan negatif palsu (FN)
Hasilnya menunjukkan bahwa tingkat keberhasilan menurun drastis seiring bertambahnya jarak. Saat
merepresentasikan klasifikasi yang salah fi contoh ed ( Sokolova & Lapalme, 2009 ).
jarak antara pembaca dan tag meningkat, kekuatan sinyal dari tag tersebut menurun. Selain itu, kami
mengamati bahwa semakin banyak jumlah tag dapat menghasilkan tingkat keberhasilan yang lebih
Model yang diusulkan berdasarkan XGBoost dibandingkan dengan kelas lain fi model kation
rendah seiring bertambahnya jarak. Pembaca genggam memiliki batasan rentang bacaan yang
untuk mendeteksi pergerakan dan arah tag. Tabel 6
rendah. Namun, untuk semua skenario, pembaca genggam berhasil membaca tag RFID dalam jarak
membandingkan berbagai performa model dalam hal persentase akurasi, presisi, recall, dan f-score.
30 cm. Oleh karena itu, selama pengangkutan, sta ff harus membaca tag dalam jarak 30 cm sehingga
Model pembelajaran mesin seperti multilayer perceptron (MLP), logistik regresi (LR), k-tetangga
semua produk yang diberi tag dapat berhasil disimpan di EPCIS.
terdekat (KNN), pohon keputusan (DT), Naïve Bayes (NB), hutan acak (RF), dan adaboost
dibandingkan dengan model yang diusulkan untuk membedakan tag ' gerakan dan arah. Dalam
skenario ini, kedua jenis fitur RSS dan SejakStart digunakan. Itu fi temuan mengungkapkan bahwa
model yang diusulkan mengungguli model lain sebanyak 93,59%,

Selanjutnya, kekuatan terima dapat diharapkan bervariasi secara signifikan fi terus menerus jika
93.25%, 92.95%, dan 92.78% masing-masing untuk akurasi, presisi, recall, dan fscore.
sudut tag berubah. Selama percobaan, kotak yang diberi tag berada dalam garis pandang (LOS) dari fi
pembaca tetap dengan di ff jarak tertentu seperti satu atau 2 m. Untuk mempelajari hubungan antara
Hasil percobaan menunjukkan bahwa pergerakan dan arah tag dapat dideteksi oleh model
kualitas sinyal dan sudut orientasi tag, kami mempertimbangkan beberapa skenario saat memasang
XGBoost dengan akurasi yang tinggi. Jika tag yang masuk melalui gerbang salah klasi fi Jika bergerak
tag ke kotak kosong. Dalam Skenario I, tag dipasang ke sisi depan kotak sehingga ada garis pandang
keluar melalui gerbang, manajemen akan mengasumsikan bahwa produk yang relevan telah dikirim
langsung ke pembaca. Dalam Skenario II dan III, tag dipasang di sisi kiri dan kanan kotak,
ke mitra rantai pasokan lainnya. Sebaliknya, ketika tag yang keluar dari gerbang salah dikelas fi ed
masing-masing. Terakhir, dalam Skenario IV, file
sebagai bergerak di gerbang, manajemen akan berasumsi bahwa produk yang relevan memiliki

Gambar 7. Evaluasi kinerja: (a) tingkat keberhasilan pembaca genggam, dan (b) dampak orientasi tag pada kualitas sinyal gerbang RFID.

8
G. Al fi an, dkk. Food Control 110 (2020) 107016

Tabel 5 Sistem penelusuran berbasis telah diterapkan untuk melacak dan melacak produk kimchi, sementara
Ukuran untuk kelas jamak fi kation. tp saya, fp saya, fn saya, dan tn saya adalah positif benar, sensor berbasis ponsel digunakan untuk mengumpulkan suhu dan kelembapan selama penyimpanan
positif palsu, negatif palsu, dan negatif benar untuk ( Al fi an dkk., 2017a ). Hasil dari kedua studi tersebut mengungkapkan bahwa sistem yang diusulkan
kelas C saya, masing-masing. M indeks mewakili rata-rata makro. akan meningkatkan kepuasan pelanggan karena dapat memantau riwayat produk dan kesegaran di

Metrik Rumus seluruh rantai pasokan.

Akurasi rata-rata tpi + tni

∑l
i = 1 tpi + fni + fpi + tni Versi perbaikan dari sistem ketertelusuran berdasarkan RFID dan sensor berbasis IoT telah diuji
l dalam rantai pasokan kimchi. Kimchi ditempatkan di dalam kotak khusus dan tag RFID pasif dipasang
Presisi M tpi
∑l
i = 1 tpi + fpi di sisi kotak. Selama testbed, fi Pembaca tetap (gerbang RFID) dipasang di gerbang fasilitas

l penyimpanan dingin produsen dan distributor sehingga pergerakan produk yang ditandai dapat
tpi
Penarikan M
∑l
i = 1 tpi + fni
dipantau dan dicatat. Model XGBoost yang terlatih diintegrasikan dengan aplikasi penangkapan di

l komputer host untuk mengidentifikasi arah pergerakan tag apakah produk yang diberi tag bergerak
Fscore M ( β 2 + 1) PrecisionMRecallM masuk atau keluar melalui gerbang. Model XGBoost yang diusulkan juga mampu fi Menyaring
β 2 PrecisionM + RecallM
pembacaan positif palsu seperti tag statis, pergerakan balik, dan pergerakan tag di dekat gerbang
sehingga pembacaan tag ini tidak disimpan dalam database EPCIS. Untuk fl fleksibilitas, pembaca
genggam digunakan oleh transporter untuk merekam data RFID. Selain itu, sensor berbasis IoT
disimpan di cold storage. Jadi, menggunakan model XGBoost akan signifikan fi meningkatkan akurasi
memberikan solusi yang stabil untuk sistem pemantauan dan dipasang tanpa masalah dalam
manajemen inventaris dengan cepat.
penyimpanan dingin produsen, transporter, dan distributor. Dengan mengikuti skenario ini, lokasi
Dalam sistem gerbang RFID, mengidentifikasi arah dari suatu tag sangat penting untuk
produk yang diberi tag dan kondisi lingkungan seperti suhu dan kelembapan dapat dikumpulkan. Gambar
menentukan langkah bisnis sehingga dapat mengungkapkan apakah status suatu produk. “ menerima ”
8 a menunjukkan forklift memindahkan produk kimchi dengan tag untuk bergerak keluar melalui
atau “ pengiriman ” dari penyimpanan dingin. Model XGBoost yang terlatih terintegrasi dengan aplikasi
gerbang fasilitas penyimpanan dingin produsen untuk proses pengiriman. Selanjutnya, Gambar 8 b
penangkapan dan dipasang di komputer host untuk menerima informasi tag dari pembaca sebelum
menunjukkan sta ff ( transporter) menggunakan alat pembaca genggam untuk merekam data RFID
meneruskannya ke EPCIS di sisi server. Aplikasi pengambilan yang diperbarui fi Menyaring
dari produk kimchi sebelum dimuat ke truk untuk pengiriman selanjutnya. Terakhir, sensor berbasis
pembacaan positif palsu seperti saat tag dipindahkan ke dekat gate, gerakan turn-back, dan tag
IoT (lihat Gambar 8 c) dipasang di setiap fasilitas penyimpanan dingin milik mitra rantai pasokan untuk
statis, sehingga tag tersebut tidak disimpan di EPCIS. RSS dikumpulkan dengan menangkap aplikasi
mengumpulkan kondisi lingkungan setiap 5 detik dan mengirimkannya ke sisi server melalui tautan
saat produk dipindahkan melalui gerbang. Setelah produk sepenuhnya melewati gerbang, data
Wi-Fi.
pembacaan RFID diubah menjadi fitur RSS dan SejakStart (lihat Tabel 4 ) dan model XGBoost terlatih
dipicu untuk mendeteksi apakah produk telah masuk (menerima) atau keluar (pengiriman) melalui
gerbang. Terakhir, hasil prediksi dan informasi detail produk (EPC) dikirim ke EPCIS.

3.3. Aplikasi praktis
Bagian ini menjelaskan penerapan sistem ketertelusuran dalam rantai pasokan makanan dunia
nyata yang mudah rusak. Model yang diusulkan telah diuji dalam rantai pasokan kimchi di Korea dan
telah menghasilkan signi fi tidak bisa mendapatkan keuntungan fi ts untuk manajemen dan konsumen.
Kimchi adalah makanan fermentasi tradisional Korea yang kaya akan vitamin C, makanan
fi ber, dan mineral. Kebanyakan orang Korea makan kimchi setiap hari sebagai lauk dan
penggunaannya meningkat secara global ( Kim, Bang, Beuchat, Kim, & Ryu, 2012 ). Sebuah studi oleh Lee, implementasi, karena gerbang RFID tunggal sudah cukup daripada memasang dua gerbang RFID
Lee, dan Lee (2012) telah menunjukkan bahwa proses pembuatan harus terstandarisasi karena
kualitas bisa jadi tidak konsisten. Oleh karena itu, perbaikan proses produksi dapat menjamin
keamanan dan kualitas Kimchi yang diharapkan oleh konsumen. Dalam rantai pasokan kimchi,
penelitian sebelumnya menunjukkan bahwa suhu dan kelembaban merupakan parameter penting
untuk sistem pemantauan untuk memberikan e ffi platform yang efisien dan ekonomis untuk produk
makanan pertanian yang peka lingkungan ( Al fi an dkk., 2017b ). Selanjutnya, RFID-
Ada beberapa keuntungan selama proyek percontohan awal sistem penelusuran dalam rantai
pasokan kimchi. Pertama, detail produk seperti riwayat lokasi, suhu, dan kelembaban produk
makanan yang mudah busuk telah dipantau secara tepat di seluruh rantai pasokan dan disajikan
dalam sistem penelusuran berbasis web, sehingga dapat diakses dengan mudah dan menjaga
kepercayaan pelanggan serta menipu fi dence. Kedua, integrasi model XGBoost yang diusulkan ke
dalam gerbang RFID berhasil mendeteksi arah produk yang diberi tag, sehingga memberikan
informasi yang benar kepada manajemen apakah produk tersebut sedang dikirim atau disimpan.
Selain itu, sebagian besar distributor cold storage dalam rantai pasokan kimchi hanya memiliki satu
pintu masuk / keluar, oleh karena itu gerbang RFID yang diusulkan cocok untuk dipasang di gerbang
tunggal untuk mendeteksi aktivitas pengiriman atau pergudangan. Ini juga mengurangi biaya
konvensional untuk masing-masing gerbang masuk dan keluar. Namun, berbagai masalah
manajemen atau ekonomi muncul karena biaya perangkat dan tag RFID agak tinggi untuk digunakan
pada rantai pasokan kimchi (usaha kecil dan menengah). Tambahan,

Tabel 6
Hasil evaluasi kinerja.

metode Evaluasi kinerja (%)

ketepatan presisi penarikan f-skor

MLP 63.59 ± 6.28 62.03 ± 10.51 59.13 ± 6.97 55,73 ± 8,34

LR 80.10 ± 3.08 80.08 ± 4.39 78.01 ± 3.41 77.45 ± 4.02
KNN 66,70 ± 3,34 64,35 ± 3,52 62.35 ± 3.37 62.32 ± 2.96
DT 66,99 ± 4,47 61,89 ± 11,89 63.57 ± 5.39 58.58 ± 7.43
NB 73.30 ± 3.72 75.22 ± 5.66 70.38 ± 4.26 70,51 ± 4,20
RF 92.72 ± 3.05 92.64 ± 2.76 92.04 ± 3.13 91.96 ± 3.15
AdaBoost 92.43 ± 3.63 92,13 ± 3,65 91.80 ± 3.64 91.64 ± 3.75
Usulan XGBoost 93,59 ± 3,25 93.25 ± 3.24 92.95 ± 3.49 92,78 ± 3,57

9
G. Al fi an, dkk.
Gambar 8. Implementasi sistem ketertelusuran dalam industri kimchi: (a) gerbang RFID, (b) pembaca
genggam, dan (c) sensor berbasis IoT yang dipasang di cold storage.
sistem ketertelusuran.
4. Kesimpulan
Kami telah mendemonstrasikan integrasi sensor RFID dan IoT untuk digunakan dalam sistem
keterlacakan untuk rantai pasokan makanan yang mudah rusak. Sistem ketertelusuran yang
diusulkan telah diterapkan pada rantai pasokan kimchi. Sistem penelusuran yang diusulkan
berdasarkan sensor RFID dan IoT menyediakan platform terintegrasi untuk rantai pasokan makanan
yang mudah rusak yang tidak hanya dapat melacak pergerakan produk tetapi juga memantau suhu
dan kelembaban produk makanan, sehingga meningkatkan keamanan dan kualitas makanan yang
mudah rusak. produk. Dengan bantuan model pembelajaran mesin terintegrasi, gerbang RFID
dengan benar mengidentifikasi arah produk yang diberi tag, apakah produk diterima atau dikirim
melalui gerbang. Lebih lanjut, kinerja pembaca RFID dan pengaruh orientasi tag telah dievaluasi; ff orientasi Aung, MM, & Chang, YS (2014b). Manajemen suhu untuk jaminan kualitas
tag yang salah.
Selain itu, kami mendemonstrasikan bagaimana model pembelajaran mesin dapat digunakan
oleh gerbang RFID untuk mengidentifikasi ke arah mana tag bergerak. Model XGBoost yang
diusulkan digunakan untuk mendeteksi pergerakan dan arah tag berdasarkan RSS dan Sejak Mulai
(stempel waktu). Di ff Gerakan tag dan arah yang salah dianggap seperti bergerak masuk melalui
gerbang, keluar melalui gerbang, bergerak mendekati gerbang, gerakan memutar balik, dan tag
statis. Itu fi Temuan mengungkapkan bahwa XGBoost yang diusulkan unggul dibandingkan model lain
seperti MLP, LR, KNN, DT, NB, RF, dan Adaboost sebanyak 93,59%,
93.25%, 92.95%, dan 92.78% masing-masing dalam hal akurasi, presisi, recall, dan f-score. Model
XGBoost yang terlatih dapat diintegrasikan ke dalam gerbang RFID untuk mendeteksi apakah produk
masuk (menerima) atau keluar (pengiriman) melalui gerbang dan menggabungkannya dengan
informasi produk yang akan disimpan di EPCIS. Selain itu, gerbang RFID bisa fi Menyaring
pembacaan positif palsu seperti tag statis, pergerakan balik, dan pergerakan tag di dekat gerbang
sehingga pembacaan tag ini tidak disimpan dalam database EPCIS.
Kinerja reader, tag, dan sensor IoT dalam berbagai kondisi akan dievaluasi di masa mendatang.
Selanjutnya, memperluas perbandingan dengan kelas lain fi model kation dan penerapan model
pembelajaran mesin untuk mengidentifikasi kesalahan baca dapat disajikan dalam waktu dekat.
Deklarasi kepentingan yang bersaing
Kami menipu fi rm bahwa naskah telah dibaca dan disetujui oleh semua penulis yang disebutkan
dan tidak ada orang lain yang satis fi kriteria kepengarangan tetapi tidak terdaftar.
Kami lebih lanjut menipu fi rm bahwa semua penulis menyatakan tidak ada penipuan fl icts yang menarik.
Ucapan Terima Kasih
Studi ini didukung oleh R&D Convergence Center Support
10
Food Control 110 (2020) 107016
Program Kementerian Pangan, Pertanian, Kehutanan, dan Perikanan, Republik Korea (710013-03).
Referensi
Al fi an, G., Rhee, J., Ahn, H., Lee, J., Farooq, U., Ijaz, MF, dkk. (2017a). Integrasi
RFID, jaringan sensor nirkabel, dan penambangan data dalam sistem keterlacakan makanan e-silsilah. Jurnal
Teknik Pangan, 212, 65 - 75. https://doi.org/10.1016/j.jfoodeng.
2017.05.008 .
Al fi an, G., Syafrudin, M., Ijaz, M., Syaekhoni, M., Fitriyani, N., & Rhee, J. (2018). SEBUAH
sistem pemantauan perawatan kesehatan yang dipersonalisasi untuk pasien diabetes dengan memanfaatkan sensor berbasis BLE
dan pemrosesan data waktu nyata. Sensor, 18 ( 7), 2183. https://doi.org/10. 3390 / s18072183 .
Al fi an, G., Syafrudin, M., & Rhee, J. (2017b). Sistem pemantauan waktu nyata menggunakan smart-
sensor berbasis telepon dan database NoSQL untuk rantai pasokan yang mudah rusak. Keberlanjutan, 9 ( 11), 2073. https://doi.org/10.3390
.
Al fi an, G., Syafrudin, M., Yoon, B., & Rhee, J. (2019). Deteksi RFID positif palsu menggunakan
kelas fi model kation. Ilmu Terapan, 9 ( 6), 1154. https://doi.org/10.3390/ app9061154 .
Teknologi Alien (2019). Pembaca RFID perusahaan ALR-9900. Diakses tanggal 30 Mei 2019,
dari http://www.alientechnology.com/wp-content/uploads/Alien-Technology-ALR9900-Enterprise-RFID-Reader.pdf
.
Álvarez López, Y., de Cos Gómez, ME, & Las-Heras Andrés, F. (2017). Sinyal yang diterima
kekuatan sistem lokasi dalam ruangan berbasis RFID. Sensor dan Aktuator A: Fisik, 255,
118 - 133. https://doi.org/10.1016/j.sna.2017.01.007 .
Álvarez López, Y., Franssen, J., Álvarez Narciandi, G., Pagnozzi, J., González-Pinto
Arrillaga, I., & Las-Heras Andrés, F. (2018). Teknologi RFID untuk manajemen dan pelacakan: aplikasi
E-health. Sensor, 18 ( 8), 2663. https://doi.org/10.3390/ s18082663 .
Aung, MM, & Chang, YS (2014a). Ketertelusuran dalam rantai pasokan makanan: Keamanan dan
perspektif kualitas. Kontrol Makanan, 39, 172 - 184. https://doi.org/10.1016/j.foodcont.
2013.11.007 .
dari rantai pasokan makanan yang mudah rusak. Kontrol Makanan, 40, 198 - 207. https://doi.org/10. 1016 / j.foodcont.
2013.11.016 .
Tongkang, P., Gay, P., Merlino, V., & Tortia, C. (2014). Frekuensi Radio level item
IDenti fi kation untuk keterlacakan produk makanan: Aplikasi pada produk susu.
Jurnal Teknik Pangan, 125, 119 - 130. https://doi.org/10.1016/j.jfoodeng.2013.
10.019 .
Bunker, R., & Elsherbeni, A. (2017). Sistem RFID terintegrasi modular untuk inventaris
aplikasi kontrol. Elektronik, 6 ( 1), 9. https://doi.org/10.3390/ electronics6010009 .
Chen, T., & Guestrin, C. (2016). XGBoost: Sistem pendorong pohon yang dapat diskalakan. Prosiding
Konferensi Internasional ACM SIGKDD ke-22 tentang Penemuan Pengetahuan dan Penambangan Data -
KDD ' 16 ( hlm 785 - 794). . https://doi.org/10.1145/2939672.2939785 .
Choi, SH, Yang, YX, Yang, B., & Cheung, HH (2015). RFID level item untuk en-
peningkatan pengalaman berbelanja pelanggan di ritel pakaian jadi. Komputer di Industri,
71, 10 - 23. https://doi.org/10.1016/j.compind.2015.03.003 .
Chow, H., Choy, K., Lee, W., & Lau, K. (2006). Desain sumber daya berbasis kasus RFID
sistem manajemen untuk operasi gudang. Sistem Pakar dengan Aplikasi, 30 ( 4), 561 - 576. https://doi.org/10.1016/j.eswa.2005.07
.
Clarke, RH, Twede, D., Tazelaar, JR, & Boyer, KK (2006). Identifikasi frekuensi radio
fi Kinerja kation (RFID): e ff dll. orientasi tag dan isi paket.
Teknologi dan Ilmu Pengemasan, 19 ( 1), 45 - 54. https://doi.org/10.1002/pts.714 .
Ding, K., Jiang, P., & Su, S. (2018). Sistem manufaktur sosial berkemampuan RFID untuk
pemantauan perusahaan dan pengiriman tugas produksi dan transportasi terintegrasi. Robotika dan Manufaktur
Terintegrasi Komputer, 49, 120 - 133. https://doi.org/
10.1016 / j.rcim.2017.06.009 .
Duroc, Y., & Tedjini, S. (2018). R fi d: Teknologi kunci bagi kemanusiaan. Comptes Rendus
Fisik, 19 ( 1 - 2), 64 - 71. https://doi.org/10.1016/j.crhy.2018.01.003 .
Farooq, U., Tao, W., Al fi an, G., Kang, Y.-S., & Rhee, J. (2016). ketertelusuran ePedigree
sistem rantai pasokan pangan pertanian untuk memastikan kesehatan konsumen.
Keberlanjutan, 8 ( 9), 839. https://doi.org/10.3390/su8090839 .
Jie, W., Minghua, Z., Bo, X., & Wei, H. (2018b). Estimasi arah gerakan berbasis RFID
dalam sistem gerbang. Konferensi Internasional ke-22 IEEE 2018 tentang Kerja Sama yang Didukung Komputer
dalam Desain ((CSCWD)) ( hlm.588 - 593). . https://doi.org/10.1109/ CSCWD.2018.8465374 .
Jie, W., Minghua, Z., & Wei, H. (2018a). Estimasi arah gerak berdasarkan aktif
RFID dengan lingkungan yang berubah. Jurnal Elektronik Internasional, 105 ( 5), 882 - 891. https://doi.org/10.1080/00207217.2017
.
Keller, T., Thiesse, F., & Fleisch, E. (2014). Classi fi model kation untuk real-time berbasis RFID
deteksi peristiwa proses dalam rantai pasokan: Sebuah studi empiris. Transaksi ACM pada Sistem Informasi
Manajemen, 5 ( 4), 1 - 30. https://doi.org/10.1145/2629449 .
Keller, T., Thiesse, F., Kungl, J., & Fleisch, E. (2010). Menggunakan data pembaca level rendah untuk mendeteksi
Pembacaan tag RFID positif palsu. Internet of Things (IOT) 2010 ( hlm. 1 - 8). . https: // doi. org / 10.1109 /
IOT.2010.5678439 .
Kher, SV, Frewer, LJ, De Jonge, J., Wentholt, M., Howell Davies, O., Lucas Luijckx, N.
B., dkk. (2010). Perspektif ahli tentang penerapan ketertelusuran di Eropa. British Food Journal, 112 ( 3),
261 - 274. https://doi.org/10.1108/ 00070701011029138 .
Kim, J., Bang, J., Beuchat, LR, Kim, H., & Ryu, J.-H. (2012). Fermentasi terkontrol
kimchi menggunakan agen antimikroba alami. Mikrobiologi Pangan, 32 ( 1), 20 - 31. https://doi.org/10.1016/j.fm.2012.05.007
.
Lee, CKH, Choy, KL, Ho, GTS, & Law, KMY (2013). Sumber daya berbasis RFID
G. Al fi an, dkk.
sistem alokasi untuk pembuatan garmen. Sistem Pakar dengan Aplikasi, 40 ( 2), 784 - 799. https://doi.org/10.1016/j.eswa.2012.08.033
.
Lee, G.-I., Lee, H.-M., & Lee, C.-H. (2012). Masalah keamanan pangan dalam industrialisasi tra-
makanan Korea ditional. Kontrol Makanan, 24 ( 1 - 2), 1 - 5. https://doi.org/10.1016/j. foodcont.2011.09.014 .
Maksimovi ć, M., Vujovi ć, V., & Mikli č anin, EO (2015). Penerapan internet of things
dalam pengemasan dan transportasi makanan. Jurnal Internasional Manajemen Pertanian Berkelanjutan dan
Informatika, 1 ( 4), 333. https://doi.org/10.1504/IJSAMI.2015. 075053 .
Martínez Pérez, M., Dafonte, C., & Gómez, Á. (2018). Ketertelusuran dalam perawatan kesehatan pasien
melalui integrasi teknologi RFID di ICU di rumah sakit. Sensor, 18 ( 5),
1627. https://doi.org/10.3390/s18051627 .
Ma, H., Wang, Y., & Wang, K. (2018). Deteksi otomatis pembacaan RFID positif palsu
menggunakan algoritma pembelajaran mesin. Sistem Pakar dengan Aplikasi, 91, 442 - 451.
https://doi.org/10.1016/j.eswa.2017.09.021 .
Ma ' Arif, MR, Priyanto, A., Setiawan, CB, & Winar Cahyo, P. (2018). Desain biaya
e ffi sistem pemantauan kesehatan yang efisien berdasarkan internet of things dan big data. Konferensi
Internasional 2018 tentang Konvergensi Teknologi Informasi dan Komunikasi (ICTC) ( hlm.52 - 57). . https://doi.org/10.1109/ICTC.2018.8539374
. Syaekhoni, M., Al fi an, G., & Kwon, Y. (2017). Analisis perilaku pembelian pelanggan sebagai
Oikawa, Y. (2011). Evaluasi deteksi arah pergerakan tag di gerbang UHF RFID
sistem. 2011 IEEE 54th International Midwest Simposium tentang Sirkuit dan sistem (MWSCAS) ( hlm. 1 - 4).
. https://doi.org/10.1109/MWSCAS.2011.6026506 .
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., dkk.
(2011). Scikit-learn: Pembelajaran mesin dengan Python. Jurnal Penelitian Pembelajaran Mesin, 12, 2825 -
2830 1/2/2011 .
Pérez, MM, González, GV, & Dafonte, C. (2017). Pengembangan solusi RFID
untuk memfasilitasi penelusuran data pasien dan farmasi. Sensor, 17 ( 10),
2247. https://doi.org/10.3390/s17102247 .
Popa, A., Hnatiuc, M., Paun, M., Geman, O., Hemanth, D., Dorcea, D., dkk. (2019). Sebuah
Pendekatan pemantauan kualitas makanan cerdas berbasis IoT menggunakan sensor berbiaya rendah.
Simetri, 11 ( 3), 374. https://doi.org/10.3390/sym11030374 .
Raspberry Pi Foundation (2016). Raspberry Pi 3 model B. Diakses tanggal 30 Mei 2019 dari
Situs Raspberry Pi: https://www.raspberrypi.org/products/raspberry-pi-3-modelb/ .
Raspberry Pi Foundation (2017). Sense HAT. Diakses tanggal 30 Mei 2019, dari Python
Situs web yang dihosting: https://pythonhosted.org/sense-hat .
Regattieri, A., Gamberi, M., & Manzini, R. (2007). Ketertelusuran produk makanan: Umum
kerangka kerja dan bukti eksperimental. Jurnal Teknik Pangan, 81 ( 2), 347 - 356.
https://doi.org/10.1016/j.jfoodeng.2006.10.032 .
Sistem RFID (2019). Pembaca dongle RFID pintar Arete POP. Diakses tanggal 30 Mei 2019, dari
http: //www.r fi dsystems.com.br/en/pdf/500.633_Arete_Pop_Folheto_en.pdf .
Rijpkema, WA, Rossi, R., & van der Vorst, JGAJ (2014). E ff strategi sumber yang efektif
untuk rantai pasokan produk yang mudah rusak. Jurnal Internasional Distribusi Fisik &
11
Food Control 110 (2020) 107016
Manajemen Logistik, 44 ( 6), 494 - 510. https://doi.org/10.1108/IJPDLM-01-20130013 .
Schar ff, RL (2012). Beban ekonomi akibat kerugian kesehatan akibat penyakit bawaan makanan di Amerika Serikat. Jurnal
Perlindungan Pangan, 75 ( 1), 123 - 131. https://doi.org/10.4315/ 0362-028X.JFP-11-058 .
Seol, S., Lee, E.-K., & Kim, W. (2017). Pelacakan objek seluler dalam ruangan menggunakan RFID. Masa depan
Sistem Komputer Generasi, 76, 443 - 451. https://doi.org/10.1016/j.future.2016.
08.005 .
Shukla, M., & Jharkharia, S. (2013). Agri - manajemen rantai pasokan produk segar: A
negara - dari - itu - tinjauan literatur seni. Jurnal Internasional Operasi & Manajemen Produksi, 33 ( 2), 114 - 158. https://doi.org/10.
.
Sokolova, M., & Lapalme, G. (2009). Analisis sistematis ukuran kinerja untuk
kelas fi tugas kation. Pemrosesan & Manajemen Informasi, 45 ( 4), 427 - 437. https: //
doi.org/10.1016/j.ipm.2009.03.002 .
Stellingwerf, HM, Laporte, G., Cruijssen, FCAM, Kanellopoulos, A., & Bloemhof, J.
M. (2018). Mengukur manfaat lingkungan dan ekonomi fi ts kerjasama: Sebuah studi kasus dalam logistik
makanan yang dikendalikan suhu. Riset Transportasi Bagian D: Transportasi dan Lingkungan, 65, 178 - 193. https://doi.org/10.101
.
alternatif untuk mendukung pengambilan keputusan pemasaran ramah lingkungan di dalam toko. Keberlanjutan, 9 ( 11), 2008. https://doi.org/10.3390
.
Syafrudin, M., Al fi an, G., Fitriyani, N., & Rhee, J. (2018). Analisis kinerja IoT-
sensor berbasis, pemrosesan data besar, dan model pembelajaran mesin untuk sistem pemantauan waktu nyata
dalam manufaktur otomotif. Sensor, 18 ( 9), 2946. https://doi.org/
10.3390 / s18092946 .
Syafrudin, M., Fitriyani, N., Al fi an, G., & Rhee, J. (2019). Sebuah a ff peringatan dini cepat yang terjangkau
sistem untuk komputasi tepi di jalur perakitan. Ilmu Terapan, 9 ( 1), 84. https: // doi. org / 10.3390 / app9010084 .
Trienekens, J., & Zuurbier, P. (2008). Standar kualitas dan keamanan dalam industri makanan,
perkembangan dan tantangan. Jurnal Internasional Ekonomi Produksi, 113 ( 1), 107 - 122. https://doi.org/10.1016/j.ijpe.2007.02.05
.
Tsang, YP, Choy, KL, Wu, CH, Ho, GTS, Lam, HY, & Tang, V. (2018). Sebuah
model cerdas untuk menjamin kualitas makanan dalam mengelola pusat distribusi makanan multi suhu. Kontrol
Makanan, 90, 81 - 97. https://doi.org/10.1016/j.foodcont.
2018.02.030 .
Wang, L., Kwok, SK, & Ip, WH (2010). Identi frekuensi radio fi kation dan sensor-
sistem berbasis transportasi makanan. Jurnal Teknik Pangan, 101 ( 1), 120 - 129. https://doi.org/10.1016/j.jfoodeng.2010.06.020
.
Zhong, RY, Dai, QY, Qu, T., Hu, GJ, & Huang, GQ (2013). Real-time berkemampuan RFID
sistem eksekusi manufaktur untuk produksi kustomisasi massal. Robotika dan Manufaktur Terintegrasi
Komputer, 29 ( 2), 283 - 292. https://doi.org/10.1016/j.rcim.
2012.08.001 .