Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
sensor
Artikel
Sistem Pemantauan Cerdas Berbasis Data Cloud untuk
Pertanian Cerdas Interaktif
Kristina Dineva * dan Tatiana Atanasova
Kutipan:Dineva, K.; Atanasova, T. Sistem
Pemantauan Cerdas Berbasis Data Cloud
untuk Pertanian Cerdas Interaktif.Sensor
2022,22, 6566. https://doi.org/10.3390/
s22176566
Editor Akademik: Yong He
Diterima: 31 Juli 2022
Diterima: 29 Agustus 2022
Diterbitkan: 31 Agustus 2022
Catatan Penerbit:MDPI tetap netral
sehubungan dengan klaim yurisdiksi
dalam peta yang diterbitkan dan afiliasi
kelembagaan.
Hak cipta:© 2022 oleh penulis.
Penerima Lisensi MDPI, Basel, Swiss.
Artikel ini adalah artikel akses terbuka
yang didistribusikan berdasarkan
syarat dan ketentuan lisensi Creative
Commons Attribution (CC BY) (https://
creativecommons.org/licenses/by/
4.0/).
Senso rs2022,22, 6566. https://doi.org/10.3390/s22176566
Institut Teknologi Informasi dan Komunikasi—Akademi Sains Bulgaria, Acad. G.Bonchev Str.,
Bl. 2, 1113 Sofia, Bulgaria
* Korespondensi: kristina.dineva@iict.bas.bg
Abstrak:Peternakan pintar, sebagai bagian dari pertanian berteknologi tinggi, mengumpulkan sejumlah
besar data dari perangkat IoT tentang kondisi hewan, tumbuhan, dan lingkungan. Data ini paling sering
disimpan secara lokal dan tidak digunakan dalam sistem pemantauan cerdas untuk memberikan
peluang penggalian pengetahuan yang berarti bagi petani. Hal ini sering menyebabkan hilangnya
transparansi, keadilan, dan akuntabilitas, serta kurangnya motivasi bagi sebagian besar petani untuk
berinvestasi dalam sistem cerdas berbasis sensor untuk mendukung dan meningkatkan pengembangan
teknologi pertanian mereka dan proses pengambilan keputusan. Dalam makalah ini, sistem pemantauan
cerdas berbasis data di lingkungan cloud diusulkan. Arsitektur yang dirancang memungkinkan solusi
komprehensif untuk interaksi antara ekstraksi data dari perangkat IoT, preprocessing, penyimpanan,
rekayasa fitur, pemodelan, dan visualisasi. Streaming data dari perangkat IoT ke laporan langsung
interaktif bersama dengan model pembelajaran mesin (ML) bawaan disertakan. Sebagai hasil dari sistem
pemantauan cerdas yang diusulkan, data yang dikumpulkan dan hasil pemodelan ML divisualisasikan
menggunakan dasbor dinamis yang andal. Dasbor memungkinkan pengguna memantau berbagai
parameter di seluruh tambak dan menyediakan cara yang dapat diakses untuk melihat tren,
penyimpangan, dan pola dalam data. Model ML dilatih berdasarkan data yang dikumpulkan dan
diperbarui secara berkala. Visualisasi berbasis data memungkinkan petani untuk memeriksa, mengatur,
dan merepresentasikan data pertanian yang dikumpulkan dengan tujuan untuk melayani kebutuhan
mereka dengan lebih baik. Tes kinerja dan daya tahan sistem disediakan. Solusi yang diusulkan adalah
jembatan teknologi yang dengannya petani dapat dengan mudah, terjangkau,
Kata kunci:pertanian cerdas; arsitektur awan Azure; pipeline data berbasis cloud; tag QR;
visualisasi data
1. Perkenalan
Teknologi baru dan digitalisasi pertanian menawarkan solusi yang sangat produktif dan
menguntungkan di bidang pertanian. Mereka sangat penting untuk meningkatkan
keberlanjutan dan daya saing sektor sambil menyederhanakan pekerjaan sehari-hari para
petani. Ada kebutuhan untuk memastikan bahwa semua, termasuk petani kecil dan
menengah, memiliki akses dan manfaat dari teknologi. Pertanian cerdas berarti penerapan
teknologi data dan informasi untuk meningkatkan proses produksi sistem pertanian yang
kompleks [1]. Pengembangan smart farm sudah bergerak dari fase “emerging” ke fase
“growth” [2,3] dalam siklus hidup teknologinya. Fase kemajuan pertanian cerdas ini terlihat
pada munculnya solusi berbasis data dari sistem sensor jarak jauh dan otomatis [4].
Peternakan pintar mengumpulkan sejumlah besar data dari sumber yang melimpah tentang
lingkungan [5] dan kondisi hewan [6], tanaman, tanah, dll. Visualisasi data dicapai melalui
tabel excel, yang berisi banyak nilai numerik dan kategori dalam format mentah. Data ini
paling sering disimpan secara lokal dan tidak memberikan peluang untuk diproses oleh
petani di seluruh jajarannya. Biasanya, representasi tabular semacam ini sulit dipahami, dan
proses penggalian beberapa informasi berguna dari petani berjalan lambat dan tidak praktis;
https://www.mdpi.com/journal/sensors
Sensor2022,22, 6566 2 dari 26

lebih jauh lagi, kadang-kadang itu adalah tugas yang agak melelahkan dan menjengkelkan. Hal ini
menyebabkan perasaan tidak berguna dari data yang dikumpulkan dan kurangnya motivasi petani
untuk berinvestasi dalam modernisasi pertanian.
Perasaan tidak berguna dari data yang dikumpulkan ini sesuai dengan survei Gartner baru-baru ini
[7] tentang persentase yang tinggi dari organisasi yang mengalami tingkat penyesalan yang besar atas
pembelian terbesar mereka yang terkait dengan teknologi tinggi. Penyebab utama penyesalan
pembelian teknologi di kalangan pembeli adalah ketidaksesuaian berikutnya antara hasil yang
diharapkan dan tujuan yang tidak jelas tentang apa yang mungkin dicapai dengan teknologi yang dibeli.
Menurut Gartner, 67% orang yang terlibat dalam keputusan pembelian teknologi bukanlah profesional
TI, dan hal itu menimbulkan masalah. Teknologi cloud baru, bahkan untuk solusi umum, memerlukan
migrasi dan melibatkan kurva pembelajaran sebelum beroperasi penuh [8]. Namun, cara kerja pertanian
berubah di depan mata kita [9].
Kecenderungan membawa lebih banyak kecerdasan ke sistem pemantauan dan kontrol pertanian diamati
secara luas. Sistem cerdas (IS) dapat didefinisikan sebagai sistem yang menggabungkan kecerdasan ke dalam
aplikasi yang diproses mesin. Ini adalah sistem canggih yang dapat mengumpulkan, menganalisis, menyimpan,
dan merespons data yang dikumpulkannya dari lingkungan. Itu dapat beroperasi dan berkomunikasi dengan
pengguna atau sistem komputer lainnya. Ia juga bisa belajar dari pengalaman dan beradaptasi sesuai dengan
data terkini [10,11].
Kemajuan teknologi digital mengarah pada pengembangan sistem cerdas yang dapat
memantau [12], mengontrol, dan memvisualisasikan berbagai operasi pertanian [13] dan
status hewan secara real-time. Jaringan sensor nirkabel dan sistem manajemen perangkat
lunak aplikasi cloud berbasis Internet of Things (IoT) digunakan untuk merancang sistem
pemantauan cerdas untuk lingkungan pertanian fasilitas [14]. Sistem pemantauan cerdas
yang didasarkan pada visi mesin, model identifikasi otomatis, klien Web, dan server cloud
dikembangkan di [15].
Aplikasi pertanian pintar berbasis IoT dan menghasilkan data dalam jumlah besar dan beresolusi
tinggi. Di [16], sebuah studi disajikan tentang sensor yang diimplementasikan untuk mendeteksi dan
melaporkan perilaku sapi secara real-time. Penulis menggunakan berbagai sensor untuk mengukur
tekanan dan percepatan. Di [17], platform terukur berbasis IoT untuk menyimpan dan menganalisis data
yang dikumpulkan disajikan. Sistem pertanian cerdas yang menyediakan pemrosesan data besar yang
diperoleh secara real-time dari perangkat IoT disajikan di [18]. Riset di [19] mengusulkan sistem kamera
untuk merekam sekelompok sapi perah yang sedang menyusui, yang bertujuan untuk melakukan
analisis aktivitas kawanan sapi dan untuk mencapai segmentasi contoh kerja.
Teknik identifikasi IoT seperti kode Radio Frequency Identification (RFID) atau Quick Response (QR)
dapat diterapkan untuk mengenali hewan [20,21] untuk memberikan perawatan hewan yang lebih
personal dan efisiensi produksi yang lebih tinggi. Identifikasi tersebut memiliki nomor elektronik yang
khas untuk organisme tertentu dan menghubungkan hewan yang ditandai dengan database yang
relevan [22]. Di [23,24], pembacaan kode QR, pemrosesan, dan tampilan detail diusulkan. Penelitian
menunjukkan bahwa, dengan cara ini, pemantauan beberapa parameter fisiologis organisme individu
dapat dicapai dengan menggunakan data yang dikumpulkan.
Di [25]'s, terminal inspeksi cerdas RFID dikembangkan, di mana algoritma Particle Swarm
Optimization (PSO) diadopsi untuk mengoptimalkan Jaringan Syaraf Tiruan (JST) untuk memproses
data pemantauan sistem dengan pemfilteran Gaussian. Model klasifikasi yang diterima didasarkan
pada data dari pemosisian RFID dan teknologi pemantauan nirkabel. Penting untuk memanfaatkan
sepenuhnya data yang dihasilkan di peternakan pintar untuk mengekstraksi potensi penuh dari
sistem teknologi tinggi yang diimplementasikan dengan sensor, perangkat IoT, dan modul
komunikasi. Meskipun solusi berbasis data telah memberikan berbagai manfaat di bidang
pertanian, proses integrasi data, pemrosesan, dan pemanfaatan data masih menjadi tantangan
utama [4].
Dapat disimpulkan dari artikel referensi bahwa ada upaya serius yang dilakukan untuk
mengumpulkan dan menganalisis data terkait pertanian cerdas. Berbagai teknik dan pendekatan
telah dipilih untuk melakukan analisis terhadap data yang terkumpul. Selain itu, sistem yang diteliti
tidak bersumber terbuka dan tidak mengizinkan integrasi perangkat IoT eksternal atau sumber
data eksternal.
Sensor2022,22, 6566 3 dari 26

Visualisasi memainkan peran utama saat mengekstrak wawasan yang berguna dari data yang
dikumpulkan dan analisis yang dilakukan pada data tersebut. Sistem dengan visualisasi data yang
dibangun ke dalam solusinya dibahas di [26–29]. Penelitian menunjukkan bahwa visualisasi data dapat
membantu dalam pemahaman informasi dalam jumlah besar, selain itu, penting untuk mengevaluasi
pengembangan pertanian. Ada banyak alat visualisasi data yang tersedia yang menawarkan banyak fitur
yang disempurnakan dan dapat bekerja dengan data real-time. Namun, penting untuk memilih alat yang
sesuai dengan persyaratan yang dibutuhkan [30]. Studi tentang berbagai jenis bagan yang tersedia
untuk aturan visualisasi dan analisis data untuk domain IoT bersama dengan ikhtisar tantangan utama
dalam visualisasi IoT diusulkan di [31].
Beberapa publikasi menunjukkan bahwa banyak upaya telah dicurahkan untuk membentuk
arsitektur perangkat lunak yang berkaitan dengan smart farming [32]. Perlu dicatat bahwa tidak ada
solusi universal yang mempertimbangkan persyaratan dalam berbagai tahap pemrosesan data dan
visualisasi data IoT dalam pertanian cerdas. Dalam penelitian ini, diusulkan untuk mengembangkan
jembatan teknologi yang memungkinkan petani memantau dan melacak perkembangan pertanian
mereka dengan mudah, terjangkau, dan komprehensif. Untuk mencapai tujuan tersebut, beberapa
tantangan [33,34] harus diperhatikan:
1. Kurangnya standar yang mempersulit pemrosesan data. Sulit bagi satu sistem untuk kompatibel
dengan perangkat IoT yang berbeda.
2. Pengelolaan data dan informasi. Perangkat IoT menghasilkan data yang terfragmentasi, tidak
konsisten, berisik, dan heterogen yang harus diubah.
3. Ketidakmampuan organisasi untuk mengelola kompleksitas IoT. Data perlu diatur dan
divisualisasikan dalam format yang dapat dimengerti, terlepas dari kurangnya pendekatan
analisis standar dan visualisasi hasil keseluruhan yang tepat
4. Privasi dan keamanan. Ada empat kelas serangan dunia maya — serangan data, serangan jaringan
dan peralatan, rantai pasokan, dan serangan relevan lainnya dalam ekosistem pertanian cerdas.
Oleh karena itu, semua titik masuk dan keluar sistem harus dilindungi dua kali lipat.
Tujuan utama dari pekerjaan ini adalah untuk merancang dan mengusulkan sistem pemantauan cerdas
berbasis data yang dapat memungkinkan integrasi perangkat IoT yang ada ke dalam sistem yang sudah
dibangun yang diterapkan di peternakan pintar. Arsitektur yang diusulkan membantu pengembangan solusi
komprehensif untuk proses penggalian data dari perangkat IoT, penyimpanan data, persiapan dan transformasi
data, pemodelan, dan visualisasi. Streaming data dari perangkat IoT ke laporan langsung interaktif bersama
dengan model pembelajaran mesin (ML) bawaan disertakan. Sebagai hasil dari sistem pemantauan cerdas yang
diusulkan, data yang dikumpulkan dan hasil pemodelan ML divisualisasikan secara interaktif menggunakan
dasbor dinamis yang canggih, yang memungkinkan pengguna memantau berbagai parameter di seluruh
tambak dan menyediakan cara yang mudah diakses untuk menemukan tren, penyimpangan, dan pola dalam
data dan hasil ML. Visualisasi berbasis data dengan filter dinamis dan interaktivitas berbasis kode QR
memungkinkan petani untuk memeriksa, mengatur, dan merepresentasikan data yang dikumpulkan pertanian
dengan tujuan untuk melayani kebutuhan mereka dengan lebih baik.

Solusi yang diusulkan sepenuhnya berbasis cloud, yang juga membantu mengurangi dampak
lingkungan dari penggunaan TI [35]. Microsoft Azure digunakan dalam proses desain dan
implementasi sistem yang diusulkan. Azure adalah platform komputasi awan dengan ekosistem
yang luas dari layanan dan sumber daya awan terkelola seperti VPC, penyimpanan, basis data,
jaringan, perangkat lunak, analitik, dan kecerdasan.
Menurut laporan Gartner [36], Microsoft adalah pemimpin pasar dengan Azure IoT, serangkaian
layanan yang diberikan pada platform Azure, di antara 18 lainnya yang dianggap sebagai penyedia cloud.
Kekuatan utama platform ini adalah IoT yang fleksibel, pendekatan penerapan solusi AI/ML, pendekatan
keamanan yang kuat, ekosistem mitra global, dan banyak lagi. Sistem yang diusulkan diilustrasikan
dalam contoh peternakan, tetapi pendekatan yang dikembangkan dapat digunakan hampir seluruhnya
di bidang pertanian cerdas lainnya.
Sisa dari makalah ini disusun sebagai berikut. Bagian2memperkenalkan bahan dan metode
yang digunakan untuk desain arsitektur untuk kebutuhan sistem yang diusulkan. Alat IoT
dijelaskan. Tinjauan sistem pemantauan disediakan bersama dengan konsep arsitektur berbasis
data yang disertakan. Kode QR sebagai alat interaktivitas untuk mengakses orang-
Sensor2022,22, 6566 4 dari 26

informasi yang direalisasikan dijelaskan. Di bagian3, pipeline berbasis data dijelaskan, dibuat,
dan diuji. Selain itu, alur kerja pembelajaran mesin dan teknik visualisasi data disajikan.
Keterbatasan sistem dibahas. Bagian4memberikan diskusi rinci tentang elemen-elemen
sistem yang diusulkan. Akhirnya, Bagian5menyimpulkan artikel.

2. Bahan-bahan dan metode-metode

Studi ini mempertimbangkan sebuah peternakan pintar untuk penelitian dan pengujian sistem
pemantauan yang dikembangkan. Sebagian besar peternakan besar, sedang, dan bahkan kecil memiliki
sistem bawaan yang memantau parameter tertentu seperti jumlah susu, suhu, kelembapan, tingkat gas,
dll., tetapi datanya hanya disajikan dalam bentuk mentah tabular. Mereka perlu disimpan, diproses,
dimodelkan, dan divisualisasikan dalam bentuk pemahaman yang cocok dan mudah untuk setiap
pengguna akhir, seperti petani, dokter hewan, atau pedagang hewan.

2.1. Bahan
Untuk mencapai tujuan artikel ini, kami menggunakan alat IoT kami, yang disajikan di [37], dan
perangkat dari dua peternakan lain dengan mesin IoT berbeda yang sudah dibangun dan diterapkan
(Gambar1dan2) yang mengumpulkan dan menyimpan data mereka dalam database; Tabel Excel
digunakan untuk visualisasi. Perangkat ini terhubung ke sistem yang disajikan dalam makalah ini untuk
tujuan pengujian.

(sebuah) (b)

Gambar 1.(sebuah) Sistem pemerahan otomatis yang mencatat jumlah susu harian untuk setiap
sapi; (b) sistem manajemen lingkungan pertanian. Ini mengukur suhu (T), kelembaban (RH), dan
indeks kelembaban suhu (THI).

(sebuah) (b)

Gambar 2.(sebuah) Perangkat leher sapi dengan sensor untuk gerakan dan (b) perangkat kaki sapi dengan sensor untuk deteksi
panas, identifikasi hewan, dan peringatan melahirkan.

Tag telinga hewan di UE memiliki atribut wajib seperti singkatan nama negara dan
nama area. Mereka juga harus memasukkan nomor pendaftaran hewan dari daftar
hewan lokal negara tersebut. Tag telinga harus berisi informasi yang disandikan
Sensor2022,22, 6566 5 dari 26

baik sebagai linear (1D) atau initialism (2D matrix) untuk respon cepat. Tag biasanya memiliki
warna dasar kuning, dan atribut tag wajib di-laser dengan warna hitam. Tidak ada
persyaratan untuk posisi atribut dan ukuran font di area tag.
Angka3a menunjukkan kode respons cepat (QR) berbagai ukuran dalam sentimeter. Kode QR
adalah kode matriks 2D yang dirancang dengan mempertimbangkan dua poin. Ini menyediakan
pemindaian cepat, kapasitas penyimpanan data yang tinggi (4296 karakter alfanumerik), koreksi
kesalahan (kode yang diminta juga dapat dibaca dengan sukses), dan banyak lainnya [38]. Angka3b
menunjukkan tag telinga standar. Ini memberikan informasi hanya untuk nomor pendaftaran hewan
(yang sama tertulis di tag telinga) dalam format teks saat kode QR dipindai.

(sebuah) (b)

Gambar 3.(sebuah) Kode QR dengan ukuran berbeda dalam sentimeter, dan (b) tag telinga standar dengan kode QR.

Tes lapangan harus dilakukan untuk menentukan ukuran yang sesuai dari laser kode QR
pada tag telinga. Rencana pengujian harus mencakup pencahayaan di kandang, kontaminasi tag
telinga, gerakan kepala hewan, dan jarak pemindaian minimum kode QR yang dilakukan dengan
berbagai perangkat seperti ponsel, tablet, dan lainnya.

2.2. Metode
Konsep sistem pemantauan cerdas berbasis data cloud untuk pertanian cerdas interaktif
ditunjukkan pada Gambar4. Sistem ini memungkinkan pengumpulan berbagai data hewan dan
peternakan melalui perangkat IoT dengan sensor. Dua jenis pemantauan, yaitu jarak jauh dan
lokal, diperbolehkan. Pemantauan jarak jauh membuat pelacakan parameter tersedia melalui
perangkat apa pun dari lokasi berbeda, dan, dengan bantuan koneksi internet, data sensor dikirim
ke cloud tempat data disimpan, difilter, diproses, dimodelkan, dan divisualisasikan.

Gambar 4.Konsep Sistem Pemantauan Ternak Cerdas.

Interaktivitas visual dicapai dengan menggunakan laporan yang menampilkan data historis atau real-
time, namun tidak keduanya. Mereka memungkinkan peternak untuk mengikuti kondisi hewan dan status
lingkungan peternakan dari hewan yang dipantau dari jarak jauh. Selain itu, peternak diperbolehkan menyaring
hewan sesuai dengan kriteria tertentu dan menerima alarm peringatan ketika peristiwa telah terjadi atau
diperkirakan akan terjadi, yang sangat memudahkan proses pemotongan hewan.
Sensor2022,22, 6566 6 dari 26

peternakan. Data historis (catatan kesehatan) dan data real-time disajikan hanya dalam
visualisasi yang disertakan di dasbor Power BI.
Laporan dan dasbor dapat diakses melalui antarmuka web di komputer atau tablet atau
melalui aplikasi seluler. Pemantauan di tempat dilakukan dengan memindai tag telinga QR,
disajikan pada Gambar5, yang memicu filter hewan dinamis.

Gambar 5.Identifikasi pribadi dengan kode QR.

Informasi yang dipersonalisasi untuk setiap hewan ternak dapat diakses secara dinamis secara
instan, saat bepergian, melalui fitur identifikasi interaktif ini. Fungsionalitas ini juga membantu
menginformasikan dokter hewan atau peternak dengan cepat tentang status kesehatan hewan saat ini
dan sebelumnya.

2.3. Arsitektur Sistem Berbasis Data

Sistem cerdas mencakup aliran perilaku antara komponen perangkat keras dan
perangkat lunak [39]. Desain sistem cerdas mencakup beberapa karakteristik utama [40,41]:
- Sensor—mengumpulkan data dari lingkungan dan mengirimkannya ke inti sistem untuk
identifikasi dan analitik.
- Identifikasi—sistem cerdas harus secara otomatis mengenali informasi tertentu dan
mengirimkannya ke layanan atau saluran berlangganan.
- Analisis data—fungsi penting dari sistem cerdas adalah kemampuannya untuk memproses data yang
dikumpulkan.
- Belajar mandiri—sistem cerdas perlu menyertakan fungsi kecerdasan buatan atau
pembelajaran mesin.
- Komunikasi real-time—sistem cerdas perlu memiliki kemampuan untuk mensimulasikan atau meniru
secara real-time atau mendekati real-time.
- Pengalaman Pengguna (UX) – untuk berinteraksi dengan pengguna, sistem cerdas harus memiliki
antarmuka seperti halaman web, laporan, dasbor, atau jenis visualisasi lainnya.
- Manajemen sistem jarak jauh—sistem cerdas memungkinkan pengguna untuk berinteraksi dengannya dari
lokasi mana pun.
- Interoperabilitas dan konektivitas — sistem cerdas harus menggabungkan elemen-elemennya ke
dalam proses komunikasi holistik.
- Perlindungan—ekosistem, jaringan, dan komunikasi sistem cerdas harus aman agar
tersedia dan andal agar berfungsi dengan baik.
Angka6menunjukkan arsitektur yang dikembangkan dari sistem pemantauan cerdas
yang diusulkan yang mencakup karakteristik kunci untuk desain sistem cerdas. Ini terdiri dari
bagian IoT, berbagai layanan cloud, dan koneksi di antara mereka. Menerapkan seluruh
proses dari ekstraksi data hingga penyimpanan, pemfilteran, pemrosesan, peramalan, dan
visualisasi sangatlah kompleks dan membutuhkan pemilihan layanan cloud yang menyeluruh
dan metode komunikasi di antara mereka.
Sensor2022,22, 6566 7 dari 26

Gambar 6.Arsitektur sistem Smart Livestock.

Dalam proses pengembangan arsitektur cloud yang dibangun, lima pilar sistem yang
dirancang dengan baik [42] diikuti. Mereka dioptimalkan untuk keandalan, keamanan, optimalisasi
biaya, keunggulan operasional, dan efisiensi kinerja. Mereka menjelaskan prinsip desain dan
praktik arsitektur terbaik untuk merancang dan menjalankan beban kerja cloud. Mengikuti pilar-
pilar ini membantu menghasilkan sistem cloud yang berkualitas tinggi, stabil, andal, dapat
diskalakan, dan efisien.
Arsitekturnya terdiri dari dua bagian—satu dibangun di tempat dengan perangkat IoT dan yang kedua
disebarkan di lingkungan cloud. Bagian Cloud dikembangkan dengan menggunakan enam layanan yang saling
berhubungan. Semua layanan dipilih tanpa server karena tidak memerlukan manajemen server dan secara
inheren dapat diskalakan, diperbarui dengan cepat, fitur mengurangi latensi, dan mengarah pada
pengurangan biaya yang signifikan. Setiap layanan memiliki konteks yang dibatasi dengan jelas dan tanggung
jawab tunggal, dan setiap layanan dapat bekerja dengan hasil yang lain. Layanan yang digunakan [43–47]
dalam arsitektur yang disajikan adalah sebagai berikut:

- IoT Hub—memungkinkan proses komunikasi dua arah yang andal dan aman antara
perangkat IoT dan Cloud. Ini adalah layanan IoT yang berfungsi yang dihosting di
Cloud. Selain itu, hub IoT menyediakan perpesanan perangkat-ke-cloud dan cloud-
ke-perangkat yang dapat diskalakan serta komunikasi yang aman. IoT Hub adalah
satu-satunya titik masuk eksternal untuk sistem. Bagian dari IoT Hub adalah
layanan Pembela untuk IoT, yang menyediakan pendaftaran dan identifikasi
perangkat bersama dengan pemantauan dan peringatan komprehensif jika ada
deteksi ancaman terhadap lingkungan IoT. Ini adalah layanan mandiri yang
dirancang untuk menambahkan lapisan tambahan perlindungan ancaman untuk
IoT Hub dan perangkat IoT terdaftar. Selain itu, Pembela IoT menggunakan alamat
IP bertopeng dan memproses serta menyimpan data di lokasi geografis yang
berbeda dari IoT Hub.
- Stream Analytics—Stream Analytics adalah mesin pemrosesan aliran yang memproses volume
besar data streaming cepat dengan latensi minimal dari berbagai sumber secara bersamaan.
Itu dapat bekerja dengan data dari berbagai sumber input termasuk perangkat IoT,
kendaraan tanpa pengemudi, dan berbagai aplikasi. Outputnya dapat mengirimkan data ke
layanan lain untuk peringatan dan tindakan, dasbor dinamis, pergudangan data, dan
penyimpanan. Stream Analytics adalah bagian logis dari arsitektur. Semua data yang
melewatinya difilter berdasarkan kueri yang telah ditentukan, disortir, dan kemudian dikirim
ke layanan berlangganan.
- Blob (binary large object) Storage adalah penyimpanan data objek. Itu adalah bagian dari Azure DataLake.
Selain itu, ini dioptimalkan untuk menyimpan data tidak terstruktur dalam jumlah besar, seperti teks,
gambar, data IoT, video, dan audio. Ada dua jenis penyimpanan gumpalan—penyimpanan panas dan
penyimpanan dingin. Tingkat penyimpanan panas adalah untuk penyimpanan yang sering diakses
Sensor2022,22, 6566 8 dari 26

data—data yang membutuhkan durabilitas tinggi, ketersediaan, dan waktu akses yang cepat. Tingkat
penyimpanan dingin adalah untuk menyimpan data yang berumur panjang dan jarang diakses.
Penyimpanan blob digunakan untuk menyimpan data mentah dan terfilter serta log operasional sistem.
- Layanan pembelajaran mesin sepenuhnya berbasis cloud dan mandiri. Ini menampilkan lingkungan
pengembangan, pengujian, dan produksi yang lengkap untuk membuat solusi analitik prediktif
dengan cepat. Ini adalah bagian analitik data dan pembelajaran mesin dari sistem. Di dalamnya,
data diubah dan dimodelkan untuk membangun model pembelajaran mesin untuk memprediksi
nilai masa depan.
- Power BI adalah visualisasi data interaktif dan alat intelijen bisnis yang mengubah data dari
berbagai sumber data menjadi dasbor interaktif dan laporan dinamis. Data dapat
dimasukkan dengan membaca langsung dari database, dialirkan oleh perangkat IoT,
halaman web, atau file terstruktur seperti spreadsheet excel, CSV (comma-separated value),
XML (Extensible Markup Language), dan JSON (JavaScript Object Notation). Kekuasaan
BI adalah bagian representasi dari arsitektur. Laporan dan dasbor interaktif dirancang dan
dibangun. Mereka memvisualisasikan prediksi pembelajaran mesin, data real-time, dan
informasi statistik berdasarkan data historis mentah menggunakan bagan, tabel, dan alat
visual lainnya.

3. Hasil
Sistem pemantauan berbasis data yang diusulkan ditunjukkan pada Gambar6berbasis cloud. Itu
tergantung pada layanan Azure Cloud dan teknologi serta infrastruktur seperti Azure IoT Hub, Blob
Storages, layanan Streaming, Azure Machine Learning Studio, Power BI, dan lainnya. Setiap layanan yang
digunakan memiliki tanggung jawab masing-masing, mengikuti pendekatan tanggung jawab tunggal.
Menggunakan layanan dan teknologi dari penyedia tunggal juga membantu mencapai konsistensi antara
pengembangan, penerapan, dan pemeliharaan sistem yang diusulkan.
Sistem dibangun dengan menggunakan langkah-langkah berikut:

• Membangun pipeline berbasis data di Azure Cloud:

# Menyiapkan Azure IoT Hub untuk menerima pendaftaran Perangkat IoT.
# Menyiapkan Akun Azure Storage dengan Blob Storages untuk mempertahankan data historis
dan real-time IoT.
# Menyiapkan Azure Stream Analytic untuk memproses data IoT.
# Pemantauan dan pengujian pipeline berbasis data.
• Merancang dan mengimplementasikan Alur Kerja Pembelajaran Mesin Azure.
• Merancang dan membangun laporan dan dasbor Power Bi yang interaktif.
• Integrasikan kode QR dengan laporan interaktif Power Bi.
• Tentukan batasan sistem.

3.1. Pipeline Berbasis Data

Pipeline berbasis data direalisasikan menggunakan layanan Azure Cloud seperti Azure IoT
Hub, Stream Analytics, dan Blob Storages.

3.1.1. IoT Hub untuk Registrasi dan Komunikasi Perangkat IoT

Ini adalah layanan yang memungkinkan pertukaran data antara perangkat IoT fisik dan layanan berbasis Cloud.
Ini sepenuhnya dikelola oleh Azure, tetapi memerlukan penyiapan yang sesuai sesuai dengan kebutuhan pengguna
untuk memungkinkan penyediaan perangkat IoT.
Penyediaan perangkat IoT ke sistem pemantauan ternak Cerdas dicapai dengan
mendaftarkan perangkat ke IoT Hub. Registri identitas IoT Hub digunakan untuk membuat
identitas perangkat dan kredensial yang menyediakan identifikasi perangkat unik.
Perangkat IoT yang terhubung ke IoT Hub dikelola menggunakan fungsi bawaan seperti:
- Metadata perangkat IoT dan informasi status untuk semua perangkat yang terhubung disimpan,
disinkronkan, dan ditanyakan.
- Status perangkat IoT diatur baik per perangkat atau dalam grup tergantung pada struktur tambak.
Sensor2022,22, 6566 9 dari 26

- Perubahan status pada perangkat IoT dapat ditanggapi secara otomatis dengan menggunakan
integrasi perutean pesan.
Untuk setiap perangkat IoT yang terdaftar di IoT Hub, ID perangkat unik, kunci utama, dan
string koneksi dibuat secara otomatis. String koneksi unik didasarkan pada kunci utama, dan
digunakan untuk autentikasi perangkat di semua panggilan API selama komunikasi perangkat
dengan IoT Hub. Koneksi perangkat IoT yang berhasil harus mengikuti dua langkah utama.
Pertama, semua paket Azure IoT yang diperlukan harus diinstal atau direferensikan di perangkat
IoT dan, kedua, rangkaian koneksi utama yang dihasilkan harus diatur dalam kode untuk
memungkinkan komunikasi resmi dengan IoT Hub.
Hub IoT memiliki kemungkinan untuk berkomunikasi di luar lingkungan cloud. Ini menggunakan
IoT Defender untuk perlindungan tambahan untuk memberikan deteksi ancaman end-to-end untuk
lingkungan IoT/OT.

3.1.2. Akun Penyimpanan Azure dengan Penyimpanan Blob

Penyimpanan blob Azure adalah solusi cloud untuk menyimpan berbagai jenis data tidak terstruktur [48].
Ini terkait dengan Akun Penyimpanan Azure yang menyediakan alat untuk secara unik mengidentifikasi objek
yang disimpan di infrastruktur Azure.
Sistem yang diusulkan membutuhkan dua penyimpanan blob—satu untuk menyimpan data mentah,
yang lainnya untuk menyimpan data yang telah disiapkan dan difilter. Penyimpanan blob yang menyimpan
data mentah terhubung ke layanan Power BI untuk membuat laporan dinamis dengan informasi dari masa kini
dan masa lalu. Penyimpanan blob yang menyimpan data yang difilter dan disiapkan terhubung ke studio
pembelajaran Mesin Azure.

3.1.3. Analisis Aliran

Layanan analitik real-time yang dapat diskalakan disediakan oleh Azure. Pekerjaan digunakan untuk membangun
jaringan pipa streaming untuk menyerap data dari berbagai sumber data dan menyimpannya di penyimpanan cloud
asli. Ini juga memiliki kemampuan pembelajaran mesin bawaan [49].
Tugas dibuat di layanan Stream Analytics, yang terdiri dari input, kueri, dan output. Pekerjaan
menggunakan data yang diserap dari IoT Hub sebagai masukan. Kueri didasarkan pada bahasa kueri
SQL untuk menyortir dan menggabungkan kueri pada streaming data. Tugas aliran memiliki beberapa
keluaran seperti penyimpanan blob dan layanan Power BI.
Angka7menampilkan pipeline data dari IoT Hub yang digunakan sebagai input melalui
Stream Analytic Job (kueri) ke Power BI (output). Metrik menggunakan jendela waktu 30 menit. Ada
123 peristiwa input terdaftar di IoT Hub untuk jendela tersebut. Jumlah dalam byte untuk semua
peristiwa input adalah 30 kB. Peristiwa ini diserap oleh layanan Tugas Stream Analytics tempat
kueri dijalankan. Tidak ada filter atau penyortiran data yang diatur dalam kueri saat ini, dan
seluruh rangkaian peristiwa ditransmisikan ke layanan output (Power BI). Hasilnya, layanan Power
BI menerima 122 dari 123 peristiwa. Acara terakhir masih dalam proses penerimaan karena
penundaan 6 detik (periode penundaan bervariasi).
Angka8menampilkan pipeline data dari IoT Hub (input) melalui Stream Analytic Job
(kueri) ke penyimpanan Blob di Akun Penyimpanan (output). Dalam rentang waktu 30 menit,
ada 122 peristiwa input yang terdaftar di IoT Hub. Jumlah byte peristiwa input adalah 29,8
kBs. Peristiwa input yang tertunda dan kesalahan deserialisasi input adalah 0. Proses ini
dilakukan dua kali. Dalam proses pertama, kueri di Tugas Stream Analytics menghapus
semua data dari penulisan langsung ke penyimpanan blob. Dalam proses kedua, kueri berisi
sekumpulan variabel yang dipilih dan memiliki klausa "di mana" tambahan yang disetel untuk
menghapus nilai nol dan tidak valid. Sebagai hasil dari proses tersebut, akun penyimpanan
menerima 122 dari 122 kejadian. Penundaan tanda air adalah 0 detik. Ada dua kontainer blob
yang dibuat di ruang grup sumber daya IoT.
Sensor2022,22, 6566 10 dari 26

Gambar 7.Pipeline data—IoT Hub (input), Stream Analytic Job (kueri), Power BI (output).

Angka 8.Pipeline data—dari IoT Hub melalui Stream Analytic Job ke Blob Storage.

3.1.4. Pemantauan dan Pengujian Pipeline Sistem Berbasis Data

Pemantauan pipeline yang dibuat diperlukan untuk mendeteksi kondisi seperti peristiwa masukan
per detik, peristiwa keluaran per detik, peristiwa terlambat per detik, jumlah kesalahan runtime, dan
banyak lagi. Metrik digunakan untuk menyiapkan tolok ukur awal untuk proses pengujian pipeline data.

Pekerjaan mungkin sulit untuk dipantau karena beberapa pekerjaan streaming mungkin memiliki pola
data masuk yang rumit dan tidak dapat diprediksi serta output yang dihasilkannya.
Arsitektur sistem berbasis data yang diusulkan melibatkan data dari perangkat IoT yang
mengirimkan data secara berkala (proses terjadwal), oleh karena itu, IoT Hub menerima data hanya
selama interval tertentu dan menghasilkan output ketika ada data baru atau beberapa kondisi langka.
Sensor2022,22, 6566 11 dari 26

terjadi. Proses ini memberikan prasyarat terjadinya kesalahan dalam pengiriman data antar
layanan—khususnya dalam layanan analitik streaming. Kesalahan seperti itu dapat dengan mudah
terlihat di metrik sistem yang tersedia untuk saluran pipa.
Metrik penting yang menunjukkan kinerja pemrosesan data dan tingkat keberhasilan adalah:
- Jumlah peristiwa input dan output yang dideserialisasi dan dikirim ke target,
- Pengukuran penundaan antara peristiwa input dan output dalam pekerjaan aliran,
- Jumlah dan jenis kesalahan yang terjadi pada stream job,
- Persentase penggunaan prosesor dan penggunaan memori selama eksekusi pekerjaan.
Beberapa jenis error yang paling umum adalah error runtime, error deserialisasi input, dan error konversi
data. Kesalahan runtime adalah kesalahan yang terkait dengan pemrosesan kueri. Mereka mengecualikan
kesalahan yang ditemukan saat menyerap peristiwa atau mengeluarkan hasil. Kesalahan deserialisasi input
adalah peristiwa input yang tidak dapat dideserialisasi. Kesalahan konversi data adalah jenis kesalahan keluaran
di mana peristiwa keluaran tidak dapat dikonversi ke skema keluaran yang diharapkan. Karena kebijakan
kesalahan, acara tersebut dapat diubah menjadi acara "Jatuhkan".
Angka9menampilkan jumlah peristiwa harian masukan dan keluaran dalam tugas Analisis
Aliran. Peristiwa masukan adalah jumlah rekaman yang dideserialisasi dari IoT Hub. Peristiwa
keluaran adalah jumlah data yang dikirim oleh tugas Stream Analytics ke target keluaran dalam
sejumlah peristiwa.

Gambar 9.Jumlahkan kejadian input dan jumlahkan kejadian output untuk tugas streaming perangkat ternak per hari. Garis biru
menunjukkan jumlah peristiwa masukan. Garis Merah menunjukkan jumlah peristiwa keluaran. Garis putus-putus menunjukkan
bahwa tidak ada data yang diserap untuk periode tersebut (saat perangkat IoT dalam mode tidur).

Seperti yang ditunjukkan gambar, jumlah total kejadian keluaran adalah 852 dari 852. Ini
menunjukkan bahwa pekerjaan dilakukan dengan benar dan tidak ada kerugian. Seluruh volume data
diteruskan dengan benar ke tujuan keluaran—Power BI dan akun Penyimpanan.
Tantangan utama lainnya adalah watermark delay yang mengindikasikan keterlambatan
pekerjaan pemrosesan data streaming. Penundaan tanda air ada di semua partisi dari semua
keluaran dalam pekerjaan. Ini sangat penting untuk sistem apa pun. Angka10menunjukkan nilai
minimum, maksimum, dan rata-rata untuk penundaan tanda air. Delay minimum 0 s, maksimum 7
s, dan delay rata-rata 5,19 s. Penundaan antara waktu saat ini dan penundaan tanda air relatif
kecil, yang merupakan indikator jelas bahwa pekerjaan mengikuti data yang masuk dan
menghasilkan hasil kueri tepat waktu.
Sensor2022,22, 6566 12 dari 26

Gambar 10.Penundaan tanda air. Garis biru menunjukkan rata-rata penundaan watermark. Garis Merah menunjukkan
penundaan tanda air minimum. Garis biru tua menunjukkan penundaan tanda air maksimum. Garis putus-putus menunjukkan
bahwa tidak ada data yang diserap untuk periode tersebut (saat perangkat IoT dalam mode tidur).

Jika penundaan tanda air melampaui ambang set-off, yaitu 40 detik, jumlah SU
(penggunaan memori sistem) perlu ditingkatkan atau kueri perlu diparalelkan.

Angka11menunjukkan bahwa selama pekerjaan streaming, tidak ada kesalahan (runtime,

deserialisasi, konversi data). Hasil ini cenderung berubah, dan perlu dipantau secara permanen.
Pemantauan dan intersepsi tepat waktu, pelacakan, dan koreksi kesalahan adalah beberapa tindakan
paling penting dalam jenis proses yang lebih baik. Bagan menunjukkan kurangnya kesalahan untuk
waktu yang singkat. Namun, bagan dapat berguna untuk menemukan kesalahan dengan mudah dalam
rangkaian jangka panjang jika terjadi di suatu tempat di sepanjang jalur pipa. Secara umum, kesalahan
terkait infrastruktur tidak mungkin diharapkan karena penyedia cloud terkenal dan memastikan bahwa
mereka menyediakan layanan dengan tingkat ketahanan, keandalan, dan ketersediaan yang tinggi.
Kesalahan konversi data dapat terjadi ketika pesan yang diterima ke dalam sistem tidak diformat dengan
benar. Struktur pesan dikendalikan oleh logika yang diterapkan di perangkat IoT. Semua pesan memiliki
antarmuka yang seragam dan dikirim ke sistem sebagai objek JSON.

Gambar 11.Stream jumlah error Job. Garis biru menunjukkan jumlah kesalahan runtime. Garis Merah menunjukkan
jumlah kesalahan input. Garis biru tua menunjukkan jumlah kesalahan konversi data. Garis putus-putus menunjukkan
bahwa tidak ada data yang diserap untuk periode tersebut (saat perangkat IoT dalam mode tidur).
Sensor2022,22, 6566 13 dari 26

Indikator penting tambahan dari operasi pipa data yang benar adalah Pemanfaatan% CPU
(unit pemrosesan pusat) dan Pemanfaatan SU% (penggunaan memori sistem). Angka12
menunjukkan persentase penggunaan CPU dan persentase memori yang digunakan oleh tugas
aliran yang dibuat; mereka, masing-masing, 78% dan 8%. Kedua indikator ini saling terkait satu
sama lain. Untuk pekerjaan yang efektif, persentase CPU tidak boleh melebihi 90%, dan persentase
SU tidak boleh melebihi 20%. Metrik ini memiliki lonjakan sesekali, yang dapat diterima.

Gambar 12.Persentase Pemanfaatan Pekerjaan Streaming. Garis biru menunjukkan persentase Pemanfaatan CPU. Garis Merah
menunjukkan persentase Pemanfaatan SU. Garis putus-putus menunjukkan bahwa tidak ada data yang diserap untuk periode
tersebut (saat perangkat IoT dalam mode tidur).

3.2. Pembelajaran Mesin Azure

Berikut arsitektur sistem yang disajikan pada Gambar6di bagian2, data terpilih yang disimpan
dalam penyimpanan blob diimpor ke layanan pembelajaran Mesin Azure. Sebelum mengembangkan
model pembelajaran mesin untuk memprediksi jumlah susu di masa mendatang, data yang diimpor
dibersihkan, dinormalisasi, diatur, dilatih, dan diuji. Seluruh alur kerja disajikan pada Gambar13. Alur
kerja yang disajikan adalah cara untuk menyelesaikan pekerjaan, dan diilustrasikan sebagai rangkaian
langkah-langkah yang harus diselesaikan secara berurutan.
Data pertanian yang digunakan untuk memandu pelatihan model pembelajaran mesin dikumpulkan melalui
berbagai perangkat dan alat IoT. Data yang dimasukkan secara manual oleh petani ke dalam spreadsheet Excel juga
digunakan.
Data terdiri dari pengamatan selama lebih dari 2 tahun. Mereka memiliki, secara total,
2.285.665 nilai disusun dalam 43 kolom dan 53.155 baris. Data dalam format mentah dan
memiliki beberapa tipe data, seperti datetime64[ns] (4 kolom), float64 (13 kolom), int64 (7
kolom), dan objek (19 kolom). Dari nilai-nilai tersebut, 11% adalah nilai nol.
Untuk implementasi yang benar dari alur kerja ini, di satu sisi, perlu untuk memilih
dengan benar fitur kerja (kolom) dari input dan variabel yang diprediksi (output) pada
langkah "Pilih kolom dalam database". “Harian” adalah variabel target untuk prediksi yang
mewakili jumlah harian susu per sapi. Karakteristik statistik adalah sebagai berikut: rata-rata
—33,115; simpangan baku—13,113; minimum—0,00; 25%—24.600; 50%—33.700; 75%—
42.400; maks—77.400; 70% nilai bukan nol.
Di sisi lain, pemilihan awal yang benar dari algoritma yang digunakan perlu dilakukan.
Eksperimen untuk memilih metode dan algoritme ML yang sesuai harus dilakukan secara
terpisah di ruang kerja pengujian lain.
Sensor2022,22, 6566 14 dari 26

Gambar 13.Alur kerja Pembelajaran Mesin Azure.

Semua fitur berbasis teks dikonversi ke tipe kategori dan, selanjutnya, ke int64, dan
setiap kategori diberi nilai unik. Musiman data juga dipertimbangkan.
Berdasarkan beberapa fitur, fitur baru telah dibuat untuk mengakomodasi pelatihan
model pembelajaran mesin yang tepat.
Metode Multivariate Imputasi by Chained Equations (MICE) digunakan untuk melakukan langkah
selanjutnya, “Bersihkan data yang hilang”, di mana nilai baru diberikan untuk setiap nilai yang hilang, yang
dihitung dengan metode MICE [50], di mana suatu kondisi dimodelkan secara terpisah untuk setiap variabel
data yang hilang, menggunakan data dari variabel lain yang berdekatan sebelumnya untuk mengisi nilai yang
hilang. MICE dianggap karena heterogenitas data dan musiman. Menggunakan metode lain yang tersedia
seperti penggantian rata-rata, median, modus, dan lain-lain memperkenalkan kebisingan atau secara signifikan
mengurangi jumlah pengamatan yang digunakan.
Normalisasi data dilakukan pada tahap selanjutnya. Z-score (1) merupakan metode yang dipilih
untuk normalisasi data karena mampu menangani outlier dengan lebih baik. Tidak seperti metode lain
seperti Standard Scaler dan Min-Max, Z-score menunjukkan berapa banyak unit standar deviasi
pengamatan individu jauh dari rata-rata. Itu melakukan perhitungan dalam interval kepercayaan (−3σ: 3
σ) [51] (hlm. 64).
x -μ
Z= (1)
σ
di manax—nilai fitur mentah,μ—mean nilai fitur, danσ—standar deviasi fitur.

Fakta bahwaz-skor milik distribusi normal standar memungkinkan untuk menggunakan skor-
z untuk membandingkan nilai-nilai heterogen dari pengukuran primer.
Data yang dibersihkan dan dinormalisasi diumpankan ke langkah berikutnya,
"Pemilihan Fitur Berbasis Filter", yang menggunakan perhitungan statistik berbeda untuk
menentukan subset fitur dengan daya prediksi tertinggi. Metode penilaian fitur yang dipilih
adalah korelasi Pearson (2) di mana, untuk setiap dua variabel, nilai dikembalikan yang
menunjukkan kekuatan korelasi. Metode ini dipilih dibandingkan alternatifnya seperti
korelasi Spearman dan Kendal karena data terdistribusi secara normal dan karena prediksi
Sensor2022,22, 6566 15 dari 26

numerik tetapi bukan hasil kategorikal. Selanjutnya, metode ini tidak terpengaruh oleh perubahan
skala variabel yang digunakan [51] (hlm. 66).

n∑xy -(∑x)(∑y)
r=√ (2)
[n∑x2−(∑x)2][n∑y2−(∑y)2]

di manan—jumlah pasangan skor,∑xy—jumlah produk skor berpasangan,∑x-jumlah

darixskor,∑y—jumlah skor y,∑x2—jumlah kuadratxskor, dan∑y2—jumlah kuadrat yskor.

Sebagai hasil dari langkah ini, dua belas fitur diuraikan yang memiliki kekuatan prediksi
terkuat dan dapat digunakan untuk memprediksi jumlah produksi susu. Ini adalah Laktasi (periode
antara satu anak sapi dan berikutnya), Umur, DIM (hari dalam susu), Kering (tahap siklus laktasi
mereka di mana produksi susu berhenti sebelum melahirkan), Musim, Kelembaban, Suhu, Breed,
Kebisingan Hewan Level, Motion, Days in Group, dan BCS (Body Condition Scoring).
Data siap-transformasi dilatih dan diuji dengan algoritma Boosted Decision Tree.
Regresi Pohon Keputusan yang Didorong adalah algoritme ML untuk menyelesaikan tugas
regresi yang membuat model prediksi dalam bentuk ansambel pohon keputusan [52,53],
sehingga memungkinkan prediksi nilai variabel target dengan mempelajari aturan keputusan
sederhana, disimpulkan dari fitur data. Pohon keputusan adalah struktur di mana setiap
node internal mewakili "ujian" atribut; setiap cabang mewakili hasil tes. Sangat cocok untuk
kumpulan data ketika ada beberapa fitur pelatihan.
Algoritma Boosted Decision Tree membangun model secara bertahap, seperti yang dilakukan metode
boosting lainnya, dan menggeneralisasikannya, memungkinkan optimalisasi fungsi arbitrer dengan berbagai
kerugian. Setiap pohon dibuat secara iteratif:

# Output dari pohonht(x) diberi bobotwdibandingkan dengan keakuratannya,

# Output dari ansambel adalah jumlah tertimbang:

ŷ(x) =∑wtht(x) (3)

t

# Setelah setiap iterasi, setiap sampel data diberi bobot berdasarkan klasifikasinya. Tujuannya
adalah untuk meminimalkan fungsi:

HAI(x) =∑l(ŷsaya,ysaya) +∑Ω(ft) (4)

saya t

di manal(ŷsaya,ysaya)adalah fungsi kerugian—jarak antara kebenaran dan prediksi darisaya-th

sampel, danΩ(ft)adalah fungsi regularisasi—ia bertanggung jawab atas kompleksitas daritpohon
-th.
Model dilatih dan diuji dalam "model validasi silang" di mana dataset dibagi menjadi 10
subset (fold) [51] (hlm. 88). Model dibangun pada setiap subkumpulan data, kemudian sekumpulan
statistik dikembalikan untuk memperkirakan kinerja setiap lipatan. Seluruh dataset data untuk
pelatihan dan pengujian digunakan. Koefisien determinasi yang dihasilkan (R2) adalah 0,897885,
yang digunakan untuk mengevaluasi kinerja model.
Model siap pakai kemudian diterapkan di Azure Machine Learning sebagai layanan web.
Model dapat diakses di Power BI sebagai sumber web dan dimuat di Editor Power Query [44] (hlm.
77–81).
Ada beberapa peristiwa yang dapat memicu pembaruan model. Yang pertama dipicu
jika kinerja model mulai memburuk pada ambang batas yang telah ditentukan sebelumnya.
Proses pelatihan ulang dan penyempurnaan model kemudian dipicu. Lain dipicu jika skema
data berubah dan fitur baru diperkenalkan ke dalam model.
Model dilatih ulang dengan data baru dan data historis sebelum model diterapkan ke dalam
produksi. Perbedaannya adalah parameter model yang sudah diketahui digunakan sebagai titik
awal selama proses pelatihan ulang. Ini secara signifikan mengurangi waktu untuk membuat
model machine learning yang siap produksi.
Sensor2022,22, 6566 16 dari 26

3.3. Visualisasi Data Power BI (Pelaporan dan Dasbor)

Power BI adalah bagian interaktif dari sistem yang diusulkan. Dengan merancang dan
membuat laporan dan dasbor yang berisi data mentah dan olahan, pengguna akhir (petani,
dokter hewan, dll.) diberikan visualisasi yang dapat dipahami. Laporan dan dasbor di Power
BI memiliki tujuan berbeda dan fungsi yang diizinkan.
Ada dua jenis laporan. Jenis pertama berisi data historis. Tipe kedua berisi data real-time.
Laporan dengan data historis dapat menerima data baru (pembaruan) sesuai dengan periode
penyegaran jadwal yang telah ditentukan—misalnya, setiap hari pada waktu tertentu.
Laporan yang menyajikan data secara real-time (koneksi langsung) memperbarui data secara
otomatis segera setelah diserap oleh sistem dan tersedia di Blob Storage. Konten laporan dapat
difilter dengan menggunakan filter bawaan atau kustom. Konten dapat diakses melalui perangkat
web atau melalui kode QR.
Dasbor dapat berisi elemen dari beberapa laporan atau ubin kustom dengan data yang telah ditentukan
sebelumnya. Itu dapat menggabungkan data historis dan waktu nyata. Fungsi pemfilteran tidak diperbolehkan. Itu tidak
dapat diakses melalui kode QR, hanya melalui perangkat web.
Mengikuti arsitektur yang dirancang di Bagian2, Power BI adalah tujuan dalam alur data. Ini
menerima data dari tiga sumber. Sumber pertama adalah studio Azure Machine Learning, yang
mengirimkan model pembelajaran mesin siap pakai. Sumber kedua adalah layanan Stream Analytics,
yang mendorong data real-time. Sumber ketiga adalah penyimpanan Blob, yang mengirimkan data
mentah. Data dari sumber pertama dan terakhir digabungkan menjadi satu laporan umum, ditunjukkan
pada Gambar14dan15. Data real-time ditunjukkan pada Gambar16sebagai laporan tersendiri. Kombinasi
antar laporan disajikan pada dashboard pada Gambar17.

Gambar 14.Sistem pemantauan Smart Livestock—Laporan analitik. Tabel data menggunakan "aturan panas"
yang dibatasi pada dua warna dan gradien di antaranya. Nilai di atas rata-rata kolom memiliki latar belakang
hijau. Nilai di bawah rata-rata kolom memiliki latar belakang merah. Nilai yang mendekati rata-rata kolom
memiliki latar belakang gradien.
Sensor2022,22, 6566 17 dari 26

Gambar 15.Visualisasi model pembelajaran mesin.

Gambar 16.Laporan real-time dengan data dari perangkat IoT ternak.

Sensor2022,22, 6566 18 dari 26

Gambar 17.Sistem pemantauan Ternak Cerdas—Dasbor Dinamis. Tabel data menggunakan "aturan panas"
yang dibatasi pada dua warna dan gradien di antaranya. Nilai di atas rata-rata kolom memiliki latar belakang
hijau. Nilai di bawah rata-rata kolom memiliki latar belakang merah. Nilai yang mendekati rata-rata kolom
memiliki latar belakang gradien.

Angka14menunjukkan laporan analitik. Ini membantu pengguna dalam memperoleh

informasi tentang jumlah hewan, jenis kelamin, breed, umur rata-rata ternak, rata-rata
produksi susu, distribusi dan kelompok hewan, jumlah dan jenis morbiditas hewan, dan
jumlah hewan bunting dan lain-lain.
Dengan mengaktifkan filter laporan apa pun, kueri DAX (ekspresi analisis data) yang
kompleks dijalankan untuk memfilter data hewan tertentu dari peternakan, dan pengguna
dapat mengakses informasi tentang usia, ras, jumlah minimum, maksimum, dan rata-rata
susu, jenis , dan frekuensi penyakit (kejadian), jumlah kehamilan (laktasi), dan lainnya.
Berdasarkan data tersebut, berbagai parameter statistik dihitung yang mendukung proses
penilaian status kesehatan hewan. Laporan analitik memperbarui data dua kali sehari. Data
diambil dari penyimpanan Blob.
Angka15menunjukkan visualisasi model pembelajaran mesin regresi yang dikembangkan di
studio pembelajaran Mesin Azure. Ini divisualisasikan oleh diagram linier. Itux-sumbu
menunjukkan waktu data, dany-sumbu menunjukkan kuantitas harian susu. Periode perkiraan
yang ditetapkan adalah 15 hari. Hasil yang disajikan dalam periode yang lebih lama akan menjadi
tidak akurat dan mungkin menyesatkan. Ini karena spesifisitas variabel prediktor.
Sensor2022,22, 6566 19 dari 26

Untuk meningkatkan dan mempertahankan model yang dikembangkan, penting juga untuk
bekerja dengan data baru, dan untuk itu, periode penyegaran data terjadwal di Power Bi akan dilakukan
setiap hari. Saat data baru diambil, Power Bi juga memicu titik akhir Pembelajaran Mesin Azure untuk
mengevaluasi dan memberi skor terhadap data baru.
Angka16menampilkan laporan real-time dengan data yang berasal dari perangkat IoT ternak.
Laporan menerima data langsung dari layanan analitik aliran, dengan penundaan minimal
mengikuti metode FIFO (First-In, First-Out) [54]. Visualisasi laporan diperbarui segera setelah
perangkat IoT dihidupkan dan mulai mengirimkan data ke sistem. Data yang diserap disimpan
dalam tabel sementara berisi 200.000 baris karena kebijakan penyimpanan Power Bi.
Selain itu, notifikasi disertakan dalam laporan waktu nyata. Mereka diaktifkan dalam salah
satu kasus berikut, khususnya, data terdeteksi yang melebihi atau jatuh di bawah nilai pengukuran
rendah/tinggi yang telah ditetapkan sebelumnya, atau ada kesalahan memperbarui data dan
laporan diperbarui.
Angka17menampilkan dasbor dinamis yang berisi petak dari laporan waktu nyata dan petak
dari laporan data historis. Tujuan dari dashboard adalah untuk menyajikan semua informasi
penting dalam satu tempat agar proses monitoring menjadi lebih mudah, cepat, dan mudah
dipahami. Dasbor adalah satu-satunya cara untuk menggabungkan, di satu tempat, berbagai jenis
informasi (data waktu nyata, data terhitung, data mentah).
Karena dasbor dirancang dan dibuat dengan tujuan menyajikan semua data di satu
tempat, desain pola-F [55] diikuti. Karena pengguna manusia tidak membaca informasi tetapi
memindainya, mengikuti pola desain ini, lebih mudah bagi pengguna untuk mengidentifikasi
informasi penting.

3.4. Kode QR
Sistem yang disajikan menawarkan fungsionalitas baru untuk melacak data vital hewan dengan
memindai kode QR yang terkait dengan filter untuk memilih dan membuka laporan dengan informasi dinamis
yang dipersonalisasi tentang hewan (kartu sehat). Fungsionalitas ini membantu untuk menginformasikan
dengan cepat kepada dokter hewan atau peternak tentang kondisi kesehatan hewan saat ini dan sebelumnya
(yang datanya telah dikumpulkan dalam sistem).
Angka18a menunjukkan pengujian kode QR yang disesuaikan. Hasil pengujian menunjukkan
bahwa QR tag dengan dimensi tinggi = 2 cm dan berat = 1,5 cm memiliki jarak pemindaian
maksimum dengan kamera ponsel biasa 50 cm dan 80 cm dengan tablet. Jarak pemindaian
maksimum bertambah menjadi 1,80 m dengan ponsel dengan aplikasi khusus untuk membaca
kode QR dan 2,10 untuk tablet. Tingkat iluminasi pertanian konstan, dan bayangan tidak teramati.
Angka18b menunjukkan pengujian kode QR dilakukan dengan dua jenis perangkat tablet dan
ponsel. Hasil pengujian menunjukkan bahwa laporan khusus dibuka dengan benar di kedua
perangkat. Kontaminasi tag telinga yang mengganggu proses pemindaian tidak diamati.
Pergerakan kepala hewan tersebut halus dan juga tidak menghalangi proses pemindaian.

Berdasarkan hasil pengujian, dipastikan bahwa fungsionalitas sistem yang baru dibangun dapat
diterapkan dalam kondisi nyata, yang menjadikan penggunaan kode QR pada tag telinga bermanfaat.
Karena preferensi peternak untuk hanya menggunakan satu jenis hewan di peternakan,
hewan bisa sangat sulit dibedakan satu sama lain. Ini membuat proses pemantauan individu
menjadi lambat dan rumit. Dengan menggunakan tag QR, proses ini jauh lebih mudah dan disukai
oleh banyak pengguna.

3.5. Keterbatasan Sistem

Sistem saat ini dikonfigurasi untuk maksimal 400.000 pesan per hari per perangkat IoT.
Saat ini, jumlah maksimum perangkat yang dapat dihubungkan ke 1 IoT Hub adalah 200.
Batas maksimum untuk IoT Hub adalah 50 per akun Azure standar. Oleh karena itu, batas
sistem adalah 10.000 perangkat IoT. Jumlah total pesan harian adalah 4×109. Ukuran
maksimum satu pesan perangkat-ke-awan adalah 256 KB. Ukuran maksimum satu pesan
cloud-to-device adalah 64 KB.
Sensor2022,22, 6566 20 dari 26

(sebuah) (b)

Gambar 18.(sebuah) Tag telinga yang dipindai dengan kode QR laser—menguji di lingkungan nyata, dan (b) tag QR yang
dipindai oleh perangkat yang berbeda.

4. Diskusi
4.1. Bahan dan metode
Konsep sistem cerdas dijelaskan dan divisualisasikan (Gambar4). Mengikuti konsep,
persyaratan fungsional sistem diuraikan. Desain arsitektur untuk sistem pemantauan
cerdas dikembangkan. Sebelum desain arsitektur, penelitian dilakukan pada analisis
awal masalah smart farming, sistem serupa lainnya, dan penyedia cloud yang tersedia
dengan layanan yang tersedia. Azure terpilih sebagai penyedia cloud. Enam layanan
Azure dipilih dari lebih dari dua ratus lainnya. Pendekatan penulis asli digunakan untuk
organisasi layanan, pengaturan, metode komunikasi, dan peran dalam sistem.
Arsitekturnya diimplementasikan selama pengembangan sistem pemantauan ternak
yang cerdas. Itu juga dapat diterapkan selama penerapan sistem lain yang terintegrasi
ke dalam pertanian cerdas.

4.2. Hasil
Arsitektur yang diusulkan diimplementasikan dengan membangun jalur pipa
berbasis data Azure otomatis, disajikan dalam Gambar7dan8, dan layanan berikut—IoT
Hub, Stream Analytics, Machine Learning, Blob Storage, dan Power BI. Kueri
diimplementasikan di blok logika dari setiap pipa. Blok logika mengontrol aliran data
berdasarkan persyaratan sistem. Setiap pipa dikerahkan di lingkungan produksi.

4.2.1. Hub Azure IoT

Armada perangkat IoT membantu umat manusia untuk hidup di dunia yang saling terhubung, di
mana industri besar seperti transportasi, otomasi, medis, pertanian, dan lainnya tidak dapat
membiarkan kegagalan. IoT Hub berbasis Azure Cloud yang dibangun adalah layanan yang sangat
mengurangi beban pemeliharaan manajemen armada IoT dengan menyediakan kemampuan terpusat
untuk mendaftarkan, mengoperasikan, memantau, dan memperbarui sejumlah besar perangkat IoT.
Solusi manajemen perangkat IoT terpusat juga memungkinkan wawasan langsung diperoleh tentang
kinerja sistem IoT secara keseluruhan dan mengurangi risiko keamanan. IoT Hub memiliki fitur
identifikasi di sini, yang merupakan salah satu fitur kunci utama dalam mengembangkan sistem cerdas.

4.2.2. Analisis Aliran

Pemrosesan dan komunikasi data waktu nyata adalah teknologi kunci untuk mencapai
tindakan dan interaktivitas waktu nyata. Selain itu, ini adalah karakteristik kunci dari sistem
cerdas. Ini dicapai dengan rangkaian analitik aliran yang tepat. Itu harus berbasis cloud
Sensor2022,22, 6566 21 dari 26

satu, dalam konteks jutaan perangkat IoT yang saling terhubung dan berton-ton pesan yang
dihasilkan perangkat tersebut dan mendorong pemrosesan dan analitik.
Layanan Stream Analytics yang dibangun dalam sistem bertanggung jawab untuk menerima data
dari hub IoT dan distribusi logisnya. Ini adalah bagian penting dari setiap pipa yang dibangun ke dalam
sistem. Ada tiga layanan titik akhir yang mengangkut data—penyimpanan data mentah, visualisasi data,
atau pemrosesan dan pemodelan data. Selain itu, artikel tersebut menyajikan hasil pemantauan proses
jaringan pipa yang dibangun (Gambar7dan8). Mereka menunjukkan bahwa selama periode pengujian,
jaringan pipa beroperasi tanpa kesalahan yang terlihat, dengan beban normal dan penundaan rata-rata
5,19 detik. Singkatnya, layanan yang dibangun dapat diskalakan, andal, dan peka waktu.

4.2.3. Pembelajaran Mesin Azure

Studio Pembelajaran Mesin Azure adalah alat yang dipilih untuk mengembangkan model ML.
Itu disediakan oleh Azure sebagai perangkat lunak sebagai layanan (SaaS). Ini adalah fitur penting
karena Azure menangani penyediaan dan pemeliharaan komputasi, penyimpanan, dan
infrastruktur global. Ini berisi dua karakteristik utama untuk mengembangkan sistem cerdas, yaitu
analisis data dan pembelajaran mandiri.
Sebagai hasil dari pendekatan yang diterapkan disajikan pada Gambar13, data yang
diserap dibersihkan, diubah, dan dinormalisasi. Kehilangan data dan nilai nol berkurang
secara signifikan. Model regresi dibuat untuk memprediksi jumlah susu di masa depan.
Model ini diimplementasikan sebagai layanan web. Kinerja model dipantau untuk mendeteksi
masalah dengan prediksi, seperti overfitting dan underfitting.

4.2.4. Power BI
Semua wawasan data penting karena membawa nilai bisnis ke pengambilan keputusan kritis.
Wawasan harus dilaporkan dan divisualisasikan secara intuitif. Jika ada pelaporan dan visualisasi yang
salah, hal itu akan sangat berdampak negatif pada proses pengambilan keputusan.
Power BI adalah layanan terpilih yang bekerja dengan penyimpanan data dan sumber streaming
serta memberikan kecerdasan dan wawasan tentang penggunaan antarmuka yang dibuat untuk
mendukung pengambilan keputusan pengguna. Laporan otomatis telah dikembangkan yang
menampilkan prediksi pembelajaran mesin, data real-time, dan informasi statistik berdasarkan data
historis mentah. Hasilnya disusun melalui berbagai elemen visual interaktif seperti bagan, tabel, grafik,
dan lain-lain. Isi semua laporan bersifat dinamis. Filter khusus yang menggunakan kueri DAX kompleks
dibuat di setiap laporan, yang memungkinkan pemfilteran data berdasarkan jangka waktu dan kategori
berbeda seperti peternakan, kawanan, nomor hewan, ras, dll.
Desain pola-F didasarkan pada hipotesis bahwa pengguna manusia tidak membaca
informasi melainkan memindainya. Perbandingan dibuat dari keunggulan desain pola F
dibandingkan yang lain. Dasbor dirancang dan dibangun dengan mana informasi yang
diperlukan diperoleh dengan memindai konten, tetapi tidak dengan membacanya. Ini
memudahkan pengguna untuk melihat informasi penting. Pekerjaan desain dan penataan
visual dilakukan dengan mengutamakan kepuasan petani. Sejumlah uji alfa-beta dilakukan
pada laporan dan visualisasi dasbor, yang menghasilkan pengalaman pengguna yang jauh
lebih baik.
Kemampuan publikasi memungkinkan penggunaan asli dari laporan yang dibuat dan dasbor pada
berbagai jenis perangkat seperti laptop, desktop, dan seluler. Layanan ini memiliki dua karakteristik
kunci dari sistem cerdas, yaitu pengalaman pengguna dan manajemen sistem jarak jauh.
Fungsionalitas baru dibangun, yang memungkinkan akses ke informasi spesifik per hewan
menggunakan kode QR dan filter yang diintegrasikan ke dalam laporan dinamis. Tes manual
dilakukan pada kode QR yang dikembangkan untuk menentukan ukuran yang sesuai dan jarak
dari mana mereka dapat dipindai dan informasi yang disandikan dikenali.

4.2.5. Pengujian dan Pemantauan Jalur Pipa

Pengujian dan pemantauan kinerja jalur pipa dilakukan. Karakteristik utama seperti
kehilangan data selama transmisi data antar layanan (Gambar9), data
Sensor2022,22, 6566 22 dari 26

penundaan transmisi (Gambar10), kesalahan (Gambar11), dan beban CPU (Gambar12) dipantau
dan dianalisis. Hasilnya menunjukkan kurangnya kehilangan data. Penundaan transmisi memiliki
rata-rata 5,19 detik. Tidak ada kesalahan yang terjadi selama operasi jalur pipa. Tingkat beban
sistem normal.

4.3. Keterbatasan Sistem dan Biaya

Setiap sistem memiliki batasan. Mengembangkan sistem IoT berbasis cloud memiliki manfaat
mengetahui batasan di awal dan merancang solusi yang lebih baik sesuai dengan batasan yang
diketahui. Di satu sisi, skalabilitas cloud sangat meningkatkan proses desain, dan keterbatasan sistem
dapat dengan mudah diatasi dengan menskalakan layanan cloud ke kemampuan yang diinginkan. Tentu
saja, semuanya harus dibayar dengan infrastruktur cloud yang lebih mahal. Perbedaan utamanya adalah
sistem cloud dapat diskalakan sesuai permintaan, dan biaya sistem dapat diprediksi dan direncanakan
dengan mudah di muka.
Keterbatasan utama dari sistem yang diusulkan adalah jumlah perangkat untuk IoT Hub dan
throughput pekerjaan analitik aliran. Keduanya dapat ditingkatkan ke kemampuan yang
diinginkan jika diperlukan.
Azure Cloud bekerja sesuai dengan model OpEx (Operating Expenses), yang memungkinkan sistem untuk
menaikkan atau menurunkan skala untuk memenuhi kebutuhan kapasitas tertentu. Berbeda dengan model
CapEx (Capital Expenditures) (yang digunakan untuk sistem on-premise), di mana biaya infrastruktur fisik dan
perencanaan biaya di muka diperlukan pada awal proyek, dalam model OpEx, penggunaan sumber daya
dibebankan berdasarkan penggunaan mengikuti model "pay-as-you-go". Salah satu manfaat utama dari model
OpEx adalah tidak ada sumber daya yang terbuang, karena jika penggunaan sumber daya tidak diperlukan,
maka sumber daya tidak tersedia dan selanjutnya tidak dibayar.
Sistem menggunakan tingkat harga standar (S1):
IoT Hub—$25 per bulan per unit IoT Hub.
Pertahanan untuk IoT—$0,001 per bulan per perangkat yang
terhubung. Analisis Aliran—$1 per bulan per perangkat.
Blob Storage (Hot)—$0,02 per GB untuk 50 terabyte (TB) pertama.
Pembelajaran Mesin Azure—$9,99 per bulan per ruang kerja studio ML dan $1 per jam
eksperimen studio.
Power BI Pro—$9,99 per bulan per pengguna.

4.4. Penelitian tentang Integrasi Sistem IoT yang Lebih Luas dalam Pertanian Cerdas
Ada banyak solusi IoT yang tidak memiliki platform analitik data dan tidak dapat memanfaatkan potensi
penuh dari data yang terkumpul. Sangat penting untuk mempopulerkan platform analitik berbasis cloud untuk
membantu mengintegrasikan lebih banyak sistem IoT dan perangkat yang berdiri sendiri. Semakin banyak data,
semakin baik analisis dilakukan. Perangkat IoT menggunakan protokol terkenal dan bekerja dengan tipe dan
format data terkenal. Menggunakan opsi skalabilitas Cloud yang hampir tak terbatas, saluran data dalam sistem
analitik dapat dengan mudah menyerap data dari lebih banyak perangkat dan sumber IoT, yang akan sangat
mengurangi biaya sistem dan membantu melakukan analisis yang lebih baik dan mencapai hasil keseluruhan
yang lebih baik.

4.5. Privasi dan Keamanan

Penggunaan perangkat IoT dan teknologi komunikasi cerdas meningkatkan ancaman dan
kerentanan keamanan siber di lingkungan pertanian cerdas yang memiliki atribut spesifik seperti
peralatan pertanian, pembagian tenaga kerja, serta pendekatan dan keputusan operasional.
Mengumpulkan data khusus peternakan seperti lokasi peternakan, hasil panen, jumlah
hewan dan kondisinya, jumlah produk yang tersedia di gudang, peralatan, shift staf, dan
lainnya yang menarik bagi pesaing, distributor, calon investor, dan lainnya dengan niat
jahat . Oleh karena itu, pengembangan sistem pertanian cerdas memerlukan perhatian lebih
dan tingkat keamanan yang tinggi. Sistem yang diusulkan dikembangkan di lingkungan
cloud karena tingkat keamanan yang tinggi hadir di setiap lapisan.
Pembela IoT adalah layanan tambahan yang digunakan untuk tingkat keamanan tambahan
untuk IoT Hub dan perangkat IoT individual. Dengan cara ini, ketika serangan fisik dilakukan
Sensor2022,22, 6566 23 dari 26

pada perangkat IoT, penyerang tidak akan menerima informasi sensitif apa pun, dan pemilik
akan segera diberi tahu.
Mendapatkan kendali atas sistem IoT yang tidak aman juga dapat digunakan nanti untuk meluncurkan
serangan DoS skala besar terhadap sistem berbasis internet lainnya, yang menyebabkan kerusakan besar [56].
Serangan dunia maya semacam itu berpotensi mengganggu ekonomi negara-negara yang sangat bergantung
pada pertanian cerdas.

4.6. Pekerjaan masa depan

Sistem direncanakan untuk diperbaiki dan diperkaya dengan fungsionalitas baru, seperti:
- Penelitian dan desain fitur baru untuk model ML.
- Penelitian dan pengembangan pendekatan, teknik, dan alat untuk menghitung BCS (Skor Kondisi
Tubuh) secara otomatis, untuk melacak status kesehatan dan kadar lemak hewan dengan
lebih baik bersama dengan kondisi umum kawanan.
- Penelitian analisis otomatis aktivitas hewan sehari-hari untuk meningkatkan deteksi dini
penyakit hewan.
- Merancang dan membangun laporan dan dasbor tambahan untuk memantau dan
meningkatkan interaktivitasnya.
- Pembuatan dan ekspor otomatis laporan harian, mingguan, bulanan, dan tahunan dengan
informasi statistik, baik untuk seluruh peternakan dan untuk setiap hewan. Analisis
komparatif otomatis terhadap hasil yang dihasilkan.
Setelah pengembangan fungsionalitas di masa mendatang, perlu ditambahkan layanan
baru dan peningkatan kapasitas sistem.

5. Kesimpulan
Sistem pemantauan cerdas berbasis data untuk pertanian pintar interaktif yang disajikan dalam
artikel ini adalah cloud murni dan berdasarkan lingkungan Azure Cloud. Ini menggunakan berbagai
layanan tanpa server. Sistem terbuka untuk bekerja dengan berbagai perangkat IoT eksternal dan
sumber data. Dengan pendekatan ini, sistem dapat menyelesaikan masalah besar bagi petani, seperti
memanfaatkan kapasitas penuh dari data yang dikumpulkan dan perangkat serta alat IoT yang dibeli di
bawah berbagai program terkait modernisasi teknologi di bidang pertanian.
Desain arsitektur yang diusulkan memiliki aliran data yang ketat dengan konsumen data yang
terdefinisi dengan baik. Sistem hanya memiliki satu titik masuk eksternal yang dipertahankan dengan
baik, yang secara signifikan meningkatkan tingkat keamanan sistem. Di bagian sistem cerdas, model
pembelajaran mesin telah dikembangkan yang memprediksi jumlah susu di masa depan. Laporan dan
dasbor interaktif yang dibuat untuk pengguna memungkinkan pemantauan jarak jauh dan lokal.
Menggunakan elemen visual yang intuitif dan mudah dipahami dalam laporan dan dasbor yang dibuat,
data historis dan data real-time bersama dengan prediksi pembelajaran mesin disajikan. Sistem dapat
mengontrol perangkat IoT untuk mengirim data sesuai permintaan dan menyetel alarm untuk
mengirimkan notifikasi saat peristiwa tertentu terjadi. Fungsionalitas baru diusulkan yang
memungkinkan akses ke informasi spesifik per hewan dengan memindai kode QR dan menyediakan
penggunaan penuh kode QR yang terletak di tag telinga. Solusinya adalah mendukung lingkungan hijau.
Azure Cloud menawarkan komputasi hijau dan pilihan penurunan jejak karbon. Server jarak jauh terletak
di tempat dengan iklim yang lebih dingin dan ketersediaan air yang alami. Dengan cara ini, biaya
pendinginan server dapat dikurangi secara signifikan, yang sangat mengurangi dampak lingkungan.

Sistem yang diusulkan adalah batu kunci dalam jembatan teknologi yang menghubungkan petani
dan solusi berbasis data teknologi modern.

Kontribusi Penulis:Konseptualisasi, KD dan TA; arsitektur, KD dan TA; perangkat lunak, KD;
pengujian, KD dan TA; menulis—penyusunan draf asli, KD dan TA; menulis—review dan editing, KD
dan TA; visualisasi data, KD; supervisi, TA Semua penulis telah membaca dan menyetujui versi
naskah yang diterbitkan.
Sensor2022,22, 6566 24 dari 26

Pendanaan:Penelitian yang mengarah pada hasil ini menerima dana dari Kementerian Pendidikan
dan Ilmu Pengetahuan Republik Bulgaria di bawah Program Sains Nasional PETERNAKAN CERDAS,
perjanjian hibah No. Д01-62/18.03.2021/.

Pernyataan Dewan Peninjau Kelembagaan:Tak dapat diterapkan.

Pernyataan Persetujuan yang Diinformasikan:Tak dapat diterapkan.

Pernyataan Ketersediaan Data:Tak dapat diterapkan.

Konflik kepentingan:Para penulis menyatakan tidak ada konflik kepentingan.

Referensi
1. Wolfert, S.; Ge, L.; Verdouw, C.; Bogaardt, M. Big Data di Smart Farming—Ulasan.Pertanian. Sistem.2017,153, 69–80. [CrossRef]
2. Oliveira, SEBAGAI; dos Santos Silva, BC; Ferreira, CV; Sampai, RR; Machado, BAS; Coelho, RS Menambahkan Evaluasi Keberlanjutan
Teknologi ke Pengembangan Produk: Usulan Metodologi dan Model Penilaian.Keberlanjutan2021,13, 2097. [CrossRef]
3. Bagaimana Pertanian Cerdas Mengembangkan Industri Pertanian. Tersedia daring:https://www.iot-now.com/2022/07/18/122382- how-
smart-agricult2ure-is-evolving-the-farming-industry/?source=seoarticle(diakses pada 20 Juli 2022).
4. Amiri-Zarandi, M.; Hazrati Fard, M.; Yousefinaghani, S.; Kaviani, M.; Dara, R. Pendekatan Platform untuk Pemrosesan Informasi Smart
Farm.Pertanian2022,12, 838. [CrossRef]
5. Sarri, D.; Lombardo, S.; Pagliai, A.; Perna, C.; Lisci, R.; De Pascale, V.; Rimediotti, M.; Cencini, G.; Vieri, M. Pengantar Pertanian
Cerdas di Kebun Anggur: Tinjauan Sistematis dan Proposal Baru.Keberlanjutan2020,12, 7191. [CrossRef]
6. Schönfeld, kapal selam; Heil, R.; Bittner, L. Big Data di Peternakan—Pertanian Cerdas. DiData Besar dalam Konteks; Brief Springer dalam Hukum; Hoeren,
T., Kolany-Raiser, B., Eds.; Springer: Cham, Swiss, 2017. [CrossRef]
7. Barnes, H. Mendorong Penyesalan Pembeli Teknologi Perusahaan. Atasi Tantangan Pembelian untuk Mempercepat Pertumbuhan Penjualan
Teknologi. Gartner, eBook. 2022. Tersedia daring:https://www.gartner.com/en/industries/high-tech/trends/pushing-beyond-enterprise-
techbuyer-regret?source=BLD-200123&utm_medium=social&utm_source=bambu&utm_campaign=SM_GB_YOY_GTR_SOC_BU1 _SM-BA-RM-
MISC-HT -OC-JB(diakses pada 23 Juli 2022).
8. Perjalanan Pembelian B2B Baru & Implikasinya terhadap Penjualan. Tersedia daring:https://www.gartner.co.uk/en/sales/insights/
b2bbuying-journey(diakses pada 28 Juli 2022).
9. Bernier, C. Revolusi AgTech: Bagaimana Teknologi Meningkatkan Industri Pertanian. 9 Juni 2022. Tersedia online: https://
www.automate.org/industry-insights/agtech-automation-of-agriculture(diakses pada 15 Agustus 2022).
10. Hine, E.; Leeson, M.; Pasarsayanez-RamHain, M.; Pardo, M.; Llobet, E.; Iliescu, D.; Yang, J. Sistem Cerdas: Teknik dan Aplikasi.
Pengocok. 2008. Tersedia daring:https://www.academia.edu/62853162/Intelligent_systems_techniques_and_ aplikasi(diakses
pada 14 Agustus 2022).
11. De-Pablos-Heredero, C. Sistem dan Jaringan Cerdas Masa Depan 2019. DiInternet Masa Depan; MDPI: Basel, Swiss, 2019. [
CrossRef]
12. GarcsayaAl.; Parra, L.; Jimenez, JM; Lloret, J.; Lorenz, P. Sistem Irigasi Cerdas Berbasis IoT: Gambaran Umum tentang Tren Terbaru pada
Sensor dan Sistem IoT untuk Irigasi di Pertanian Presisi.Sensor2020,20, 1042. [CrossRef]
13. Subeesh, A.; Mehta, CR Otomasi dan digitalisasi pertanian menggunakan kecerdasan buatan dan internet of things.Artifisial Intell.
Pertanian.2021,5, 278–291. [CrossRef]
14. Li, F.; Wang, H.; Sun, L.; Wang, Z.; Berlari, Y.; Xia, Y. Pengumpulan Data Sistem Pemantauan Digital Lingkungan Sarana
Pertanian, IPEC 2021.J.Fis. Konf. Ser.2021,1952, 042138. [CrossRef]
15. Guojia, S.; Shuhua, L.; Haolun, L.; Zelin, F.; Baojun, Y.; Ju, L.; Jian, T.; Qing, Y.; Jiajun, X. Sistem Pemantauan Cerdas Hama Bermigrasi
Berdasarkan Perangkap Lampu Sorot dan Visi Mesin.Depan. Tanaman Sci.2022,13, 897739. [CrossRef]
16. Antanaitis, R.; Juozaitienė, V.; Televičius, M.; Malašauskienė, D.; Urbutis, M.; Baumgartner, W. Pengaruh Ketosis Subklinis pada Sapi
Perah pada Perilaku Terkait Pencernaan Terdaftar dengan Sistem Real-Time.Hewan2020,10, 2288. [CrossRef]
17. Jayaraman, PP; Yavari, A.; Georgakopoulos, D.; Morshed, A.; Zaslavsky, A. Platform Internet of Things untuk Pertanian Cerdas:
Pengalaman dan Pelajaran.Sensor2016,16, 1884. [CrossRef]
18. Ouafiq, EM; Abdessamad, UGD; Mehdary, A.; Chehri, A.; Rachid, S.; Wahbi, M. IoT dalam Smart Farming Analytics, Arsitektur Berbasis Data Besar.
DiSistem Cerdas Berpusat pada Manusia; Springer: Singapura, 2021; hlm. 269–279. [CrossRef]
19. Salau, J.; Krieter, J. Segmentasi Instance dengan Masker R-CNN yang Diterapkan pada Sapi Perah Kandang Lepas dalam Pengaturan Multi-
Kamera. Hewan2020,10, 2402. [CrossRef] [PubMed]
20. Hao, S.; Cai, S.; Sun, R.; Li, J.; Cheng, C. Desain dan implementasi sistem pembibitan sapi potong berbasis IoT.Int. Pertanian. Eng. J. 2017,
26, 302–309.
21. Chen, PJ; Du, YC; Cheng, KA; Po, CY Pengembangan sistem manajemen dengan kode RFID dan QR untuk pencocokan dan
pemuliaan di peternakan babi Taiwan. Dalam Prosiding Konferensi Internasional ke-13 tentang Teknik Elektro/Elektronik,
Komputer, Telekomunikasi dan Teknologi Informasi, ECTI-CON 2016, Chiang Mai, Thailand, 28 Juni–1 Juli 2016. [CrossRef]
22. Dineva, K.; Atanasova, T.; Petrov, P.; Parvanov, D.; Mateeva, G.; Kostadinov, G. Menuju Sistem CPS/IoT untuk Pemantauan Smart Farm
Ternak. Dalam Prosiding 2021 International Conference Automatics and Informatics (ICAI), IEEE, Varna, Bulgaria, 30 September–1
Oktober 2021; hlm. 252–255. [CrossRef]
Sensor2022,22, 6566 25 dari 26

23. Saravanan, K.; Saraniya, S. Sistem pemantauan dan identifikasi ternak baru berbasis Cloud IoT menggunakan UID.Sens. Rev.2018,38, 21–
33. [CrossRef]
24. Caria, M.; Sara, G.; Todde, G.; Polese, M.; Pazzona, A. Menjelajahi Kacamata Cerdas untuk Augmented Reality: Alat Berharga dan
Integratif dalam Peternakan Presisi.Hewan2019,9, 903. [CrossRef] [PubMed]
25. Zhang, W.; Zhao, B.; Yang, Q.; Zhou, L.; Jiang, H.; Niu, K.; Ding, J. Desain dan pengujian sistem inspeksi dan pemantauan cerdas untuk
penyimpanan bal kapas berdasarkan RFID.Sains. Reputasi.2022,12, 4491. [CrossRef]
26. Wark, JD Power Up: Menggabungkan Perangkat Lunak Pemantauan Perilaku dengan Alat Kecerdasan Bisnis untuk Meningkatkan Pelaporan Kesejahteraan
Hewan yang Proaktif.Hewan2022,12, 1606. [CrossRef]
27. Shao, C.; Yang, Y.; Juneja, S.; GSeetharam, T. Visualisasi data IoT untuk kecerdasan bisnis dalam keuangan perusahaan.Inf. Proses.
Kelola.2022,59, 102736. [CrossRef]
28. Kummar, L.; Al-Aani, FS; Kahtan, H.; Darr, M.; Al-Bashirl, H. Visualisasi Data untuk Smart Farming Menggunakan Aplikasi Mobile. Int.
J.Komput. Sains. Jaringan Detik.2019,19, 1–7.
29. Sungheetha, A. Asimilasi sensor IoT untuk Visualisasi Data di Lingkungan Kampus Cerdas.J. Komputer di mana-mana. Komunal.
Technol.2021,3, 241. [CrossRef]
30. Poonam, G.; Mittal, A. Alat Visualisasi Data Unggulan untuk Integrasi Big Data dengan IoT.Int. J.Adv. Res. Sains. Komunal.
Technol.2021,5, 131–134. [CrossRef]
31. Protopsaltis, A.; Sarigiannidis, P.; Margounakis, D.; Lytos, A. Visualisasi data di internet hal: Alat, metodologi, dan tantangan. Dalam
Prosiding Konferensi Internasional ke-15 tentang Ketersediaan, Keandalan, dan Keamanan, ARES'20, Acara Virtual, 25 Agustus 2020;
hlm. 1–11. [CrossRef]
32. Debauche, O.; Mahmoudi, S.; Manneback, P.; Lebeau, F. Cloud dan arsitektur terdistribusi untuk pengelolaan data di bidang pertanian
4.0: Review dan tren masa depan.Universitas J. King Saud-Comput. Inf. Sains.2021,dalam pers. [CrossRef]
33. Tawalbeh, L.; Muheidat, F.; Tawalbeh, M.; Quwaider, M. IoT Privasi dan Keamanan: Tantangan dan Solusi.Aplikasi Sains.2020,10, 4102. [
CrossRef]
34. Gupta, M.; Abdelsalam, M.; Khorsandroo, S.; Mittal, S. Keamanan dan Privasi dalam Pertanian Cerdas: Tantangan dan Peluang. Akses
IEEE2020,8, 34564–34584. [CrossRef]
35. Dineva, K.; Atanasova, T. Model Evaluasi Penyedia Layanan Cloud untuk Merancang Solusi Big Data IoT Real-Time Berkinerja
Tinggi, 2022. Dalam Prosiding Konferensi Ilmiah Internasional SWS ke-8 tentang Ilmu Sosial—ISCSS 2021, Wina, Austria, 7–8
Desember 2021. [CrossRef]
36. Velosa, A.; Friedman, T.; Thielemann, K.; Berthelsen, E.; Havart-Simkin, P.; Astaga, E.; Flatley, M.; Jones, L.; Quinn, K. Magic
Quadrant untuk Platform IoT Industri. Gartner. 2021. Tersedia daring:https://www.gartner.com/doc/reprints?id=1-27
IESWUW&ct=210922&st=sb(diakses pada 8 Agustus 2022).
37. Dineva, K.; Atanasova, T. Arsitektur IoT yang Dapat Diperluas untuk Peternakan di Pertanian 5.0. Dalam Prosiding Geokonferensi Ilmiah
Multidisiplin Internasional ke-21—SGEM 2021, 6.1, Albena, Bulgaria, 16–22 Agustus 2021; hlm. 147–154. [CrossRef]
38. Tiwari, S. Pengenalan Teknologi QR Code. Dalam Prosiding International Conference on Information Technology (ICIT),
Bhubaneswar, India, 22–24 Desember 2016; hlm. 39–44.
39. Lendel, V.; Špalekovsebuah,D.; Lendelovsebuah,L.; Šotek, M. Sistem Kecerdasan Inovatif—Alat untuk Menemukan Peluang
Inovatif dan untuk Memastikan Keberlanjutan dan Kemakmuran Bisnis.Keberlanjutan2021,13, 12305. [CrossRef]
40. Mankad, K. Pendekatan Desain Sistem Cerdas: Sebuah Tinjauan.Int. J.Eng. Kelola. Res.2015,5, 208–213.
41.Rovira Msebuahs, F.; Zhang, Q.; Hansen, A. Desain Sistem Cerdas. DiMekatronika dan Sistem Cerdas untuk Kendaraan Off-Road;
Springer: London, Inggris, 2010. [CrossRef]
42. Karthikeyan, S. Kerangka Arsitektur Baik Azure: Apa dan mengapa? DiMenguraikan Kerangka Kerja Azure Well-Architected; Apress:
Berkeley, CA, AS, 2021. [CrossRef]
43. Daher, Z.; Hajjdiab, Analisis Komparatif Penyimpanan Cloud H. Penyimpanan Sederhana Amazon vs. Penyimpanan Blob Microsoft Azure.Int. J.Mach.
Mempelajari. Komputer.2018,8, 85–89. [CrossRef]
44.Barnes,J.Pembelajaran Mesin Azure Microsoft Azure Essentials; Microsoft Press: Unterschleissheim, Jerman, 2015.
45. Dmitrieva, NY Power BI sebagai alat bantu biostatistik.Bukti Data Dunia Nyata.2022,2, 36–39. [CrossRef]
46. Sharma, S. Studi Banding Algoritma Machine Learning untuk Customer Churn Analytics dengan Power BI Dashboard. Fakultas
Manajemen dan Kewirausahaan Universitas. Universitas Teknologi Delhi. 2020. Tersedia online:http://dspace. dtu.ac.in:8080/
jspui/handle/repository/17995(diakses pada 12 Juli 2022).
47. Tsochev, G.; Trifonov, R. Persyaratan keamanan komputasi awan: Tinjauan.Konferensi TIO Ser. Mater. Sains. Eng.2022,1216, 012001. [
CrossRef]
48. Dokumentasi Penyimpanan Azure Blob. 2021. Tersedia daring:https://docs.microsoft.com/en-us/azure/storage/blobs/storageblobs-
overview(diakses pada 21 Juli 2022).
49. Dokumentasi Analisis Azure Stream. 2022. Tersedia daring:https://docs.microsoft.com/en-us/azure/stream-analytics/ stream-
analytics-introduction(diakses pada 21 Juli 2022).
50. Buuren, S.Imputasi Fleksibel untuk Data yang Hilang, edisi ke-2.; Chapman & Hall/CRC: Boca Raton, FL, AS, 2018.
51. Mund, S.Pembelajaran Mesin Microsoft Azure. Keahlian Profesional Disuling; Penerbitan Packt: Birmingham, Inggris, 2015.
52. Friedman, JH Greedy function approximation: Mesin penambah gradien.Ann. Stat.2001,29, 1189–1232. [CrossRef]
Sensor2022,22, 6566 26 dari 26

53. Ketipov, R.; Kostadinov, G.; Petrov, P.; Zankinski, I.; Balabanov, T. Genetic Algorithm Based Formula Generation for Curve Fitting in Time Series
Forecasting Diimplementasikan sebagai Mobile Distributed Computing.Lanjut Performa Tinggi. Komputer.2020,902, 40–47. [CrossRef]

54. Yuan, T.; Ou, D.; Wang, J.; Jiang, C.; Cérin, C.; Yan, L. PPCTS: Penjadwalan Tugas Berbasis Prediksi Kinerja di Awan. DiAlgoritma
dan Arsitektur untuk Pemrosesan Paralel; ICA3PP 2021, Catatan Kuliah Ilmu Komputer; Springer: Cham, Swiss, 2021; Jilid
13157. [CrossRef]
55. Martins, N.; Martins, S.; Mereksebuaho, D. Prinsip Desain dalam Pengembangan Dashboard untuk Manajemen Bisnis. Di
Perspektif Desain II; Seri Springer dalam Desain dan Inovasi; Raposo, D., Neves, J., Silva, J., Eds.; Springer: Cham, Swiss, 2022;
Jilid 16. [CrossRef]
56. Dineva, K.; Atanasova, T. Keamanan dalam Sistem IoT. Dalam Prosiding Geoconference Ilmiah Multidisiplin Internasional ke-19
SGEM 2019, Albena, Bulgaria, 30 Juni–6 Juli 2019; Volume 19, Buku nomor 2.1. hlm.569–578. [CrossRef]