Application of Digital Technologies For Ensuring

Machine Translated by Google
Heliyon 9 (2023) e22601
Daftar isi tersedia di ScienceDirect
Heliyon
beranda jurnal: www.cell.com/heliyon
Penerapan teknologi digital untuk menjamin

produktivitas pertanian
Rambod Abiri A , Nastaran Rizan b,*, Siva K. Balasundram B , Arash Bayat Shahbazi C,
Hazandy Abdul-Hamid a,d,**
A
Departemen Ilmu Kehutanan dan Keanekaragaman Hayati, Fakultas Kehutanan dan Lingkungan Hidup, Universiti Putra Malaysia, Serdang, 43400, Malaysia b
Jurusan Teknologi Pertanian, Fakultas Pertanian, Universiti Putra Malaysia, Serdang, 43400, Malaysia
C
Departemen Sistem Informasi, Sekolah Komputasi, Fakultas Teknik, Universiti Teknologi Malaysia, Johor Bahru, 81310, Malaysia
D
Laboratorium Pengelolaan Sumberdaya Hayati, Institut Kehutanan Tropis dan Hasil Hutan (INTROP), Universiti Putra Malaysia, Serdang, 43400,
Malaysia
INFO PASAL ABSTRAK
Kata kunci: Selama beberapa dekade, ketahanan pangan pertanian telah menjadi salah satu permasalahan paling kritis di dunia.
Pertanian digital
Teknologi produksi pertanian pangan berkelanjutan dapat diandalkan dalam mengentaskan kemiskinan yang
Internet untuk segala
disebabkan oleh tingginya permintaan pangan. Baru-baru ini, penerapan teknologi sistem pertanian pangan telah
Teknologi digital
membawa perubahan besar pada dunia karena adanya kekuatan eksternal dan internal.
Data besar
Pertanian cerdas Pertanian digital (DA) adalah teknologi pionir yang membantu memenuhi permintaan global akan produksi pangan
berkelanjutan. Mengintegrasikan berbagai sub-cabang teknologi DA seperti kecerdasan buatan, otomatisasi dan
robotika, sensor, Internet of Things (IoT) dan analitik data ke dalam praktik pertanian untuk mengurangi limbah,
mengoptimalkan input pertanian, dan meningkatkan produksi tanaman. Hal ini dapat membantu peralihan dari proses
yang membosankan ke proses yang terus diotomatisasi, sehingga meningkatkan produksi pertanian dengan
memungkinkan ketertelusuran produk dan proses. Penerapan DA memberikan pengamatan yang akurat dan real-
time kepada produsen pertanian pangan mengenai berbagai fitur yang mempengaruhi produktivitas mereka, seperti
kesehatan tanaman, kualitas tanah, kondisi cuaca, dan tekanan hama dan penyakit. Menganalisis hasil yang dicapai
DA dapat membantu produsen dan akademisi pertanian membuat keputusan yang lebih baik untuk meningkatkan
hasil, meningkatkan efisiensi, mengurangi biaya, dan mengelola sumber daya. Fokus inti dari penelitian ini adalah
untuk memperjelas manfaat beberapa sub-cabang DA dalam meningkatkan efisiensi produksi pertanian,
mendiskusikan tantangan praktis DA di lapangan, dan menyoroti perspektif DA di masa depan. Makalah tinjauan ini
dapat membuka arah baru untuk mempercepat penerapan DA di pertanian dan menghubungkan pertanian tradisional
dengan teknologi pertanian modern.
1. Perkenalan
Selama beberapa dekade, meningkatnya permintaan untuk memasok produk pertanian pangan telah mempengaruhi pola pertanian di
seluruh dunia. Selain itu, perubahan gaya hidup manusia dan peningkatan populasi manusia serta urbanisasi berdampak langsung pada produksi dan
* Penulis yang sesuai.

** Penulis yang sesuai. Departemen Ilmu Kehutanan dan Keanekaragaman Hayati, Fakultas Kehutanan dan Lingkungan Hidup, Universiti Putra Malaysia, Serdang, 43400,
Malaysia.
Alamat email: nastaran.rizan@gmail.com (N.Rizan), hazandy@upm.edu.my (H.Abdul Hamid).
https://doi.org/10.1016/j.heliyon.2023.e22601 Diterima 14
Desember 2022; Diterima dalam bentuk revisi 9 November 2023; Diterima 15 November 2023 Tersedia online 21 November
2023
2405-8440/© 2023 Penulis. Diterbitkan oleh Elsevier Ltd. (http:// Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND
creativecommons.org/licenses/by-nc-nd/4.0/).
R. Abiri dkk. Heliyon 9 (2023) e22601
konsumsi produk pertanian pangan [1]. Nilai finansial tanaman strategis dan kelangkaan sumber daya alam untuk pertanian telah mendorong produsen tanaman
dan peneliti pertanian menemukan cara baru untuk mengatasi krisis pangan. Sejauh ini, berbagai teknologi modern dan strategi efisien telah diterapkan di sektor
pertanian pangan [2]. Namun, laporan-laporan menunjukkan adanya kebutuhan untuk menemukan dan/atau meningkatkan sarana pertanian pangan yang ada
saat ini untuk mengatasi masalah kelaparan dan kesenjangan permintaan-penawaran dengan meningkatkan efisiensi produksi. Oleh karena itu, dalam skala
global, “pertanyaan apakah penemuan ilmiah mampu memberi makan semua orang secara berkelanjutan dan efektif pada tahun 2050” merupakan kekhawatiran
utama mengenai masa depan sektor pertanian pangan [1].
Penerapan teknologi digital dapat memberikan “teknologi serbaguna yang akan merevolusi produksi pangan di sebagian besar wilayah kritis di seluruh
dunia” [2]. Secara umum, Pertanian Digital (DA) saat ini dipahami sebagai penggunaan alat-alat modern, pemantauan dan analisis data, serta solusi berbasis
data di bidang pertanian untuk meningkatkan dan/atau mengoptimalkan sistem pertanian, meningkatkan kualitas dan hasil panen, mengurangi limbah, dan
mengelola hama dan penyakit. tekanan [2]. Dengan menggunakan DA, produsen pertanian, dan peneliti dapat menggunakan teknologi informasi dan komunikasi
(TIK) dengan mengumpulkan data, yang diperoleh dari satelit, sensor, objek yang terhubung, ponsel pintar, penyimpanan, dan protokol transfer data (cakupan
3G/4G/5G , jaringan terestrial atau satelit berkecepatan rendah, awan) [3]. DA dapat digunakan di berbagai ekosistem pertanian dan pada berbagai tingkat
produksi, baik di pertanian (optimasi operasi tanam), dalam layanan pendukung (layanan konsultasi pertanian baru berdasarkan data yang dikumpulkan secara
otomatis), atau lebih luas lagi di tingkat teritorial. tingkat (pengelolaan air). Hal ini juga dapat digunakan dalam rantai nilai (meningkatkan input seperti benih,
meningkatkan keselarasan antara produksi dan pasar) [3].
Pemahaman umum tentang apa yang dimaksud dengan “teknologi digital di bidang pertanian” terutama berfokus pada perluasan data yang dikumpulkan “di
lapangan”, kontribusi kecerdasan buatan, protokol konektivitas, dan otomatisasi [1]. Banyak operasi, termasuk perencanaan operasi pertanian, pembiayaan,
pelaporan, pemantauan berbagai operasi, dan kinerja, disederhanakan oleh teknologi digital. Teknologi digital di bidang pertanian telah diterapkan di berbagai
segmen pertanian, termasuk peralatan peternakan, fasilitas penanganan hewan, agronomi, dan komunikasi [4]. Menariknya, DA mencakup beragam aspek
sektor pertanian pangan mulai dari penerapan dasar, seperti penggunaan perangkat seluler untuk mendapatkan bantuan teknis dan pemantauan pertanian,
hingga penerapan yang lebih komprehensif, seperti penggunaan satelit dan Global Positioning System (GPS) untuk memprediksi cuaca. kondisi dan pemetaan
lapangan [1]. Pada tingkat lanjutan, Sistem Informasi Manajemen Pertanian (FMIS) dan Perangkat Lunak Manajemen Pertanian (FMS) khusus membantu
produsen mengendalikan pertanian atau pembibitan mereka dari platform terpusat, termasuk tugas-tugas seperti rotasi tanaman, perencanaan, manajemen
inventaris, dan pelacakan keuangan [3 ]. Sejarah pertama DA dimulai pada pertengahan abad ke-20, ketika komputer digunakan untuk menganalisis data
pertanian dan satelit digunakan untuk memantau pertumbuhan tanaman. Meskipun demikian, DA menemukan jalannya sendiri di abad ke-21, ketika sistem dan
teknologi komputasi yang kuat dan terjangkau, termasuk GPS, ponsel pintar, drone, dan sensor, semakin tersedia [5]. Pertanian Presisi (PA), yang dikembangkan
pada awal tahun 1900an, merupakan dasar dari DA.
Baru-baru ini, teknologi baru DA, seperti Internet of Things (IoT), Artificial Intelligence (AI), dan blockchain diperkenalkan [1]. IoT, AI, sensor nirkabel, robotika,
mekanisasi, sensor, dan analisis data berpotensi meningkatkan produktivitas, meningkatkan pemanfaatan air dan sumber daya pertanian lainnya. Teknologi ini
dapat membantu menumbuhkan ketahanan dan keberlanjutan jangka panjang dalam produksi tanaman dan ternak [5].
Berdasarkan pemahaman terkini mengenai penerapan DA dan potensi penerapannya di berbagai sistem produksi pangan, pertanyaan penelitian berikut ini
relevan:
• Teknologi digital apa saja yang telah digunakan di bidang pertanian? •

Bagaimana teknologi ini dapat mempengaruhi industri pertanian dalam kaitannya dengan produksi pangan berkelanjutan? •
Bagaimana status adopsi teknologi ini? • Apa saja tantangan
penerapan teknologi ini di bidang pertanian?
Tujuan dari tinjauan ini adalah untuk menguraikan potensi keuntungan dan hambatan penggunaan DA, dan untuk memperjelas cara-cara dimana teknologi
ini dapat dimanfaatkan untuk mendukung keberlanjutan, efisiensi, dan produktivitas pertanian. Sepengetahuan penulis, tinjauan ini merupakan dokumentasi
komprehensif mengenai DA sebagai pendekatan yang berpotensi dapat diandalkan untuk meningkatkan hasil pertanian dan mengatasi permasalahan pertanian
pangan global.
1.1. Motivasi penelitian
Kajian ini dilatarbelakangi oleh potensi manfaat teknologi digital dalam sistem pertanian, yang dapat memberikan solusi strategis untuk meningkatkan
efisiensi dan efektivitas produksi pertanian. Selain itu, transformasi digital dapat memungkinkan penerapan teknik produksi pangan modern seperti hidroponik,
aeroponik, dan aquaponik, termasuk pertanian vertikal, yang dapat membantu mengatasi tantangan kelangkaan pangan. Namun, terdapat permasalahan dan
kendala terkait transformasi ini yang harus ditangani secara hati-hati agar dapat sepenuhnya mewujudkan potensi DA, seperti yang disoroti di tempat lain [6].
Beberapa penelitian telah membahas tren yang muncul dalam DA dengan memberikan beberapa gambaran tentang penerapan signifikan, manfaat, dan
tantangan penelitian terkait pertanian cerdas [7, 8]. Kajian-kajian tersebut hanya sebatas menjelaskan aspek-aspek umum sambil berfokus pada satu atau
beberapa teknologi digital yang bertujuan untuk meningkatkan kinerja rantai pasok pertanian, mendorong agronomi berkelanjutan melalui pertanian presisi, atau
menyarankan kerangka kerja pertanian cerdas.
Oleh karena itu, penting untuk mengkaji evolusi DA dari berbagai sudut pandang untuk mendorong diskusi di lapangan. Studi ini bertujuan untuk menguraikan
potensi keuntungan dan hambatan penggunaan DA, dan untuk memperjelas cara bagaimana teknologi modern ini dapat dimanfaatkan untuk mendukung
keberlanjutan, efisiensi, dan produktivitas pertanian.
2
2. Bahan dan metode
Sumber informasi berikut digunakan untuk tinjauan literatur: Scopus (https://www.scopus.com/), Tautan Springer (http://link.springer.com/ ), Sains
Langsung (http://www.sciencedirect.com/) dan Perpustakaan Pertanian Nasional (https://www.nal.usda.gov/ ). Google Cendekia (https://
scholar.google.com/) juga digunakan untuk memperluas penelitian untuk publikasi yang berpotensi bermanfaat yang tidak diindeks dalam sumber
yang disebutkan di atas.
Penelitian ini memilih untuk menggunakan database penelitian akademis yang paling terkemuka, seperti Scopus, karena cakupannya yang luas
terhadap jurnal akademis global dan lokal serta keandalannya. Basis data ini dipilih karena berisi metadata penting dan memungkinkan ekstraksi data
dengan mudah dibandingkan dengan basis data lainnya. Scopus dicari menggunakan istilah pencarian utama berikut: “Pertanian Digital, Teknologi
Presisi, Pertanian Digital, Pertanian Presisi, Pertanian Cerdas, Teknologi Pertanian Digital.”
Setiap pencarian didokumentasikan dalam tabel berisi kata kunci yang digunakan, sumber, dan jumlah publikasi yang ditemukan. Tinjauan awal
dilakukan untuk mengidentifikasi publikasi yang berpotensi relevan untuk penelitian ini dengan mengevaluasi abstrak setiap publikasi. Keputusan
untuk memasukkan atau mengecualikan publikasi karena berpotensi relevan dibuat setelah setiap peninjauan. Setelah peninjauan sebagian terhadap
publikasi yang berpotensi relevan, analisis mendalam terhadap setiap publikasi dilakukan dengan membaca keseluruhan publikasi untuk menentukan
apakah publikasi tersebut menjawab pertanyaan penelitian. Informasi relevan dari publikasi diambil jika memungkinkan.
2.1. Ancaman terhadap validitas
Metodologi yang digunakan dalam penelitian ini mengikuti prosedur standar tinjauan literatur, yang melibatkan strategi pencarian, ekstraksi catatan,
dan pelaporan hasil [9]. Review jenis ini cocok digunakan sebagai metode penelitian bila tujuannya adalah untuk memberikan pandangan luas
terhadap penelitian di berbagai bidang pada subjek tertentu dan untuk menganalisis kemajuan penelitian atau membandingkan penelitian tentang
topik tersebut lintas disiplin ilmu. Pendekatan ini dapat diterapkan untuk menyelidiki tema, perspektif teoritis, atau isu-isu tertentu dalam suatu bidang
atau disiplin penelitian, yang bertujuan untuk mengidentifikasi ide atau pendekatan baru serta perspektif atau isu teoritis. Tinjauan yang baik harus
dapat ditiru secara independen, sehingga memberikan nilai ilmiah yang lebih besar [10].
Tinjauan literatur yang disajikan rentan terhadap ancaman validitas karena pencarian dilakukan hanya dengan menggunakan lima repositori
online. Ada kemungkinan bahwa publikasi relevan lainnya mungkin terlewatkan karena tidak mengeksplorasi sumber lain. Jika tinjauan literatur ini
direplikasi, ada kemungkinan bahwa publikasi yang berbeda dapat ditemukan. Perbedaan ini mungkin disebabkan oleh perbedaan pilihan pribadi
selama tahap penyaringan dan kelayakan, namun kecil kemungkinannya bahwa keseluruhan temuan akan berubah.
Gambar 1. Komponen dasar DA dari ponsel hingga teknologi blockchain.
3
3. Tantangan yang dihadapi pertanian
Sektor pertanian pangan mengalami peningkatan tekanan akibat peralihan gaya hidup tradisional ke modern di seluruh dunia. Selain itu, terdapat peningkatan
populasi yang harus diberi makan, meskipun pola makan mereka berubah [7]. Untuk memastikan keberlanjutan pertanian dalam jangka panjang, industri harus
mempercepat proses adaptasi dan mengembangkan metode produksi tanaman dan ternak inovatif yang secara efektif meminimalkan dampak lingkungan, meningkatkan
kesejahteraan hewan, berkontribusi pada penyerapan karbon dioksida, dan melestarikan lingkungan. keanekaragaman hayati [3]. Selama tujuh dekade terakhir,
dinamika pertanian secara konsisten mendukung intensifikasi dan spesialisasi. Globalisasi telah membuat meluasnya fenomena persaingan harga di industri pertanian
(sektor pertanian) menjadi semakin parah. Intinya, petani adalah korban dari dinamika kekuasaan yang timpang antara pihak-pihak yang mempunyai kepentingan yang
berbeda, bahkan bertentangan [6].
Selain itu, pertanian dilakukan di wilayah-wilayah yang, dalam banyak kasus, telah berkembang menjadi spesialisasi, sehingga menciptakan ketidakseimbangan.
Sebagai akibat dari spesialisasi dan saling ketergantungan, terjadi peningkatan kompleksitas yang signifikan, yang memperbesar ketidakstabilan, meningkatkan
kemungkinan kegagalan, dan pada akhirnya menimbulkan hambatan signifikan terhadap perubahan [2]. Oleh karena itu, penting untuk menerapkan strategi sesegera
mungkin untuk meningkatkan metode dan pendekatan produksi untuk menyusun sistem pertanian pangan guna memperkuat ketahanannya [1].
4. Pertanian digital (DA)
DA didasarkan pada lima pendorong tindakan berikut yang, jika dimobilisasi bersama-sama, akan menghasilkan inovasi: (1) kelimpahan data karena pengembangan
sensor (dari sensor nano hingga satelit) dan komunikasi dan penyimpanan yang difasilitasi, (2) peningkatan jumlah data. daya komputasi, yang memungkinkan
penerapan kecerdasan buatan dan metode pemodelan baru, (3) konektivitas dan antarmuka pertukaran informasi, (4) manajemen pengetahuan dan rekayasa untuk
pendukung keputusan di bidang pertanian, (5) otomatisasi, kontrol dan robotika [5,11 ]. Dalam tiga dekade terakhir, praktik pertanian telah mengalami revolusi dengan
meluasnya penerapan teknologi seperti sistem otomasi dan kontrol, alat analisis data, aplikasi berbasis web dan seluler. Tujuan utama dari inovasi ini adalah untuk
memaksimalkan produktivitas lahan dan sumber daya pertanian. Sejak awal tahun 1990an hingga 2010, para petani memantau lahan mereka dan mengidentifikasi
kekurangannya menggunakan GPS, peta satelit, dan peralatan penginderaan lokal seperti data logger. Pendekatan ini dikenal sebagai Pertanian Presisi (PA). Ke
depan, praktik PA dan pertanian cerdas telah berevolusi menuju digitalisasi dengan munculnya Kendaraan Udara Tanpa Awak (UAV), sensor nirkabel jarak jauh, dan
perangkat IoT. Hal ini memberikan harapan baru untuk meningkatkan keberlanjutan pasokan pangan. Komponen dasar pertanian digital digambarkan pada Gambar 1.
Untuk mengidentifikasi masalah dan meningkatkan produktivitas pertanian dengan memanfaatkan sumber daya yang tersedia secara efektif, PA menggunakan
data yang tersedia yang dikumpulkan dari berbagai sumber, seperti foto satelit dan platform penginderaan bergerak. Secara bersamaan, pertanian cerdas dan digital
memanfaatkan robotika, sistem nirkabel, aplikasi seluler, dan otomatisasi berbasis IoT untuk mendeteksi, menilai, dan mengendalikan kondisi tanah, pasokan air, dan
fluktuasi cuaca di lahan pertanian untuk meningkatkan efisiensi lahan dan meminimalkan biaya [ 11 ,12]. Di bidang otomatisasi, penerapan irigasi pintar, pengendalian
kehilangan air, dan identifikasi tingkat nutrisi tanah secara terus menerus di tempat-tempat terpencil semuanya mendapat manfaat dari sensor nirkabel dan perangkat
IoT [12].
Adopsi dan penggunaan teknologi DA bervariasi di berbagai wilayah di dunia, dan terdapat beberapa faktor yang mempengaruhi variasi ini. Di Eropa, terdapat
tingkat adopsi dan penggunaan teknologi DA yang relatif tinggi, khususnya di negara-negara dengan tingkat produksi pertanian yang tinggi, seperti Perancis, Jerman,
dan Belanda. Uni Eropa juga telah mempromosikan penerapan praktik kawasan lindung melalui Kebijakan Pertanian Bersama (Common Agricultural Policy) [13]. Di
Amerika Utara dan Selatan, adopsi dan penggunaan teknologi DA relatif tinggi, dan Amerika Serikat, Brasil, dan Kanada termasuk di antara negara-negara terkemuka
dalam bidang ini. Negara-negara ini merupakan negara-negara yang pertama kali mengadopsi praktik perlindungan lingkungan dan berinvestasi dalam penelitian dan
pengembangan teknologi baru. Di Asia, adopsi dan penggunaan teknologi DA berkembang pesat, dan Tiongkok menjadi negara terdepan dalam bidang ini. Pemerintah
Tiongkok telah mempromosikan penggunaan teknologi PA untuk meningkatkan hasil panen dan mengurangi dampak lingkungan [14].
Di Afrika, adopsi dan penggunaan teknologi DA masih relatif rendah, karena berbagai faktor seperti terbatasnya akses terhadap teknologi dan infrastruktur, serta
rendahnya tingkat investasi dalam penelitian dan pengembangan. Namun, ada inisiatif yang bertujuan untuk mempromosikan penggunaan teknologi DA di Afrika,
seperti proyek Layanan Pertanian Digital dari African Agricultural Technology Foundation [15].
Secara keseluruhan, adopsi dan penggunaan teknologi DA bervariasi di berbagai wilayah di dunia, dan dipengaruhi oleh faktor-faktor seperti akses terhadap teknologi
dan infrastruktur, kebijakan dan inisiatif pemerintah, serta investasi dalam penelitian dan pengembangan [16].
5. Kemajuan teknologi yang signifikan dalam pertanian digital
Karena digitalisasi, petani kini dapat mengelola lahan pertanian dan operasional pertanian mereka dengan lebih efisien dari jarak jauh.
Sensor pertanian, aktuator, dan gadget semuanya akan terhubung dalam waktu dekat melalui IoT, memungkinkan interaksi, pengendalian, dan pengambilan keputusan
secara real-time dan otomatis. Hal ini dapat mengurangi kebutuhan akan tenaga kerja manusia, yang pada akhirnya meningkatkan produktivitas dan pendapatan [17].
Alat manajemen pertanian berbasis cloud seperti SmartFarm dan Agrivi berupaya menggabungkan informasi ini dari berbagai sumber dan memasukkannya ke dalam
proses pengambilan keputusan mereka. Kombinasi faktor-faktor ini memberikan petani data untuk perencanaan pengelolaan dinamis yang sebelumnya hanya tersedia
bagi perusahaan besar berskala besar [18].
5.1. Penginderaan jauh berbasis UAV
Penginderaan jauh berbasis UAV dianggap sebagai penerapan kendaraan udara tak berawak (UAV), untuk mengumpulkan gambar dan informasi permukaan bumi
(dalam laporan ini mengacu pada bidang pertanian) dari atas [17]. Teknologi ini dilengkapi dengan berbagai jenis
4
sensor seperti radar, lidar, termal, multispektral, sensor hiperspektral yang memfasilitasi penangkapan data resolusi tinggi dari badan air, vegetasi, tanah, dan fitur buatan serta alam.
Dibandingkan dengan foto yang diperoleh dari satelit, kumpulan data yang dikumpulkan oleh drone yang terintegrasi dengan sensor pencitraan resolusi tinggi dapat memberikan presisi
yang lebih tinggi kepada petani. Penginderaan jauh berbasis UAV terutama digunakan untuk mengamati karakteristik tanah dan stres tanaman [19]. Hal ini menghasilkan informasi
berharga yang dapat digunakan untuk mengembangkan sistem pendukung keputusan untuk pengendalian hama, pemupukan, dan pengelolaan irigasi yang cerdas. Ada berbagai
macam UAV, misalnya sayap tetap (pesawat), rotor tunggal (helikopter), sistem hybrid (lepas landas dan mendarat vertikal), dan multirotor (drone).
[20]. Diantaranya, drone (teknologi multi-rotor) yang diangkat dan digerakkan oleh empat rotor (quadrotor) atau enam (hex-rotor), menjadi semakin populer di sektor pertanian karena
kesederhanaan mekanisnya dibandingkan dengan helikopter, yang mengandalkan mekanisme kontrol pelat yang jauh lebih canggih [21].
Penginderaan jarak jauh merupakan alat pertanian digital yang ampuh dan dapat digunakan untuk berbagai tujuan. Misalnya, data berskala besar dapat digunakan dalam
meramalkan dampak cuaca yang tidak diinginkan dan patogenisitas penyakit terhadap produktivitas tanaman di lapangan [19].
Petani dapat menggabungkan penginderaan jarak jauh dengan teknologi lain termasuk analisis data besar, IoT, dan AI untuk meningkatkan manajemen pertanian [22].
Semua data dan perkiraan terperinci dapat membantu petani meningkatkan produktivitas dengan mengurangi stres tanaman melalui pengendalian hama dan penyakit yang efektif serta
pengelolaan unsur hara. Akurasi yang tinggi dari perangkat sensor berbasis penginderaan jauh telah memungkinkan diperolehnya informasi yang lebih rinci tentang senyawa spesifik
berbasis tanah, interaksi molekuler, stres tanaman dan karakteristik biofisik atau biokimia tanaman (23). Pengukuran terkait pertumbuhan tanaman memungkinkan untuk menentukan
kebutuhan nutrisi tanaman, kandungan nutrisi dalam tanah, kebutuhan air tanaman dan kebutuhan pengendalian gulma [24]. Selain itu, penginderaan jarak jauh tidak hanya
meningkatkan produktivitas, namun juga melindungi lingkungan, karena memungkinkan petani menemukan kesesuaian yang lebih baik antara pertumbuhan tanaman dan serapan air/
hara. Terdapat banyak diskusi mengenai penggunaan penginderaan jauh secara tradisional, namun sangat sedikit diskusi mengenai kombinasinya dengan teknologi lain [20,25]. Baru-
baru ini, penginderaan jauh berbasis UAV menjadi lebih populer karena kemajuan dalam sistem sensor dan ketersediaan drone berbiaya rendah yang menjadikannya alat pertanian
yang berharga bagi produsen tanaman, ilmuwan, dan peneliti. Tabel 1 menunjukkan pro dan kontra penginderaan jauh berbasis UAV di bidang pertanian.
Meskipun terdapat kemajuan dalam penerapan penginderaan jauh berbasis UAV, penerapan penginderaan jauh berbasis UAV ke dalam
sektor pertanian pangan lambat karena masalah-masalah seperti [20]:
• Biaya: Biaya untuk memperoleh dan memelihara peralatan penginderaan jauh bisa jadi tinggi, sehingga dapat menjadi hambatan bagi banyak petani. • Kompleksitas: Data yang
dihasilkan oleh teknologi penginderaan jauh bisa jadi rumit, sehingga menyulitkan petani untuk menafsirkan dan menerapkannya pada operasi mereka. • Standardisasi: Kurangnya
standarisasi dalam pengumpulan dan
analisis data, sehingga menyulitkan perbandingan data dari berbagai sumber atau teknologi. • Kualitas data: Kualitas data penginderaan jauh dapat bervariasi, tergantung pada
peralatan yang digunakan dan kondisi pengumpulan
data. Hal ini dapat menimbulkan ketidakpastian seputar efektivitas teknologi. • Akses: Terbatasnya akses terhadap data dan koneksi internet yang andal dan berkualitas tinggi dapat
menjadi tantangan bagi banyak petani, khususnya di petani
negara berkembang atau daerah terpencil.

• Privasi dan keamanan: Ada kekhawatiran seputar privasi dan keamanan data yang dikumpulkan melalui teknologi penginderaan jauh,
khususnya yang berkaitan dengan informasi sensitif seperti hasil panen dan penggunaan lahan.
Secara keseluruhan, permasalahan ini telah memperlambat penerapan teknologi penginderaan jarak jauh di bidang pertanian, namun upaya untuk mengatasinya masih terus dilakukan
tantangan-tantangan ini dan meningkatkan adopsi teknologi ini.
5.2. Produksi pertanian dengan penggunaan traktor elektronik dan robot
Perkembangan sistem kelistrikan terutama didorong oleh meningkatnya tuntutan akan pengurangan kebisingan dan emisi gas buang.
Tabel
1 Kelebihan dan kekurangan penginderaan jauh berbasis UAV.
Keuntungan Kerugian
Peningkatan pemantauan tanaman: Ini dapat memberikan informasi rinci tentang kesehatan tanaman, pola Baterai dan waktu terbang: Saat ini baterai lithium-ion banyak digunakan karena kapasitasnya lebih besar
pertumbuhan, dan stres, memungkinkan petani mendeteksi masalah sejak dini dan mengambil tindakan dibandingkan baterai konvensional. Namun peningkatan kapasitas baterai akan menambah bobot
perbaikan. drone.
Pengelolaan sumber daya yang lebih baik: Hal ini dapat membantu petani mengoptimalkan penggunaan Kompleksitas teknis: Data yang dihasilkan oleh teknologi penginderaan jarak jauh bisa jadi rumit, sehingga
sumber daya seperti air dan pupuk, mengurangi biaya dan meminimalkan dampak lingkungan. menyulitkan petani untuk menafsirkan dan menerapkannya pada operasi mereka.
Peningkatan produktivitas: Dengan memberikan informasi yang terperinci dan tepat waktu, hal ini dapat Kualitas data: Kualitas data penginderaan jauh dapat bervariasi, tergantung pada peralatan yang
membantu petani membuat keputusan yang lebih tepat, sehingga menghasilkan hasil yang digunakan dan kondisi pengumpulan data, sehingga dapat menimbulkan ketidakpastian mengenai efektivitas
lebih tinggi dan peningkatan profitabilitas. teknologi.
Penggunaan lahan yang efisien: dapat membantu petani mengidentifikasi area lahan mereka yang kurang Akses yang terbatas: Terbatasnya akses terhadap data yang andal dan berkualitas tinggi dapat
dimanfaatkan atau dimanfaatkan secara berlebihan, sehingga memungkinkan mereka memanfaatkan menjadi tantangan bagi banyak petani, khususnya di negara-negara berkembang atau daerah terpencil
sumber daya dengan lebih baik dan memaksimalkan produktivitas. daerah.
Pemetaan yang akurat: Dapat memberikan pemetaan lahan pertanian yang akurat, Masalah privasi dan keamanan: Mungkin ada kekhawatiran seputar privasi dan keamanan data yang
memungkinkan petani untuk lebih memahami lahan mereka dan membuat keputusan yang lebih tepat dikumpulkan melalui teknologi penginderaan jauh, khususnya yang berkaitan dengan informasi sensitif
mengenai penanaman, pemanenan, dan aktivitas lainnya.
5
Robot dan traktor listrik yang menggunakan sumber energi terbarukan digunakan di DA sebagai mesin modern untuk meningkatkan keberlanjutan dan
meminimalkan harga bahan baku. Dengan menggunakan mesin atau robot tersebut, banyak peternakan dapat menghasilkan listrik menggunakan sumber
terbarukan [26]. Proyek SunBot dari Kemitraan Inovasi Eropa, Produktivitas dan Keberlanjutan Pertanian, adalah ilustrasi dari strategi dalam tindakan ini (EIP-
AGRI). Proyek ini, yang dimulai pada akhir tahun 2018, berfokus pada otomatisasi traktor dan mesin pemotong rumput bertenaga surya untuk pemanfaatan sumber
daya yang efisien di kebun buah beri [27]. Tujuan dari proyek ini adalah untuk mengotomatisasi traktor listrik bebas emisi, yang pada akhirnya akan meningkatkan
kualitas panen. Proposal tersebut memerlukan traktor kebun berpenggerak dua roda universal dengan penggerak serba listrik yang menggunakan baterai lithium
iron phosphate (LiPO4) dan memiliki output penggerak antara 20 dan 30 kW. Traktor elektronik harus dilengkapi dengan three-point linkage C1 depan dan
belakang untuk menopang implementasi, serta mesin pemotong rumput berbilah ganda yang digerakkan secara elektrik (400 kg/10 kW) yang didukung oleh
konektor daya listrik AEF [26 ]. Traktor listrik dan robot bergerak menggantikan pengemudi manusia dan operator manusia dengan kecerdasan buatan, sehingga
berkontribusi terhadap transformasi digital pertanian. Terlepas dari potensi kontribusinya, teknologi ini masih dalam tahap percobaan pengembangannya dan
menunggu implementasi pada skala komersial atau operasional besar [28].
Dalam produksi pertanian, sistem kolaboratif antara robot dan manusia dapat diterapkan untuk mencapai tujuan bersama. Pendekatan ko-robotik ini telah
terbukti efisien dalam pengelolaan gulma, menghasilkan pengurangan lebih dari 50% kebutuhan tenaga kerja manusia [29]. Penggunaan robotika secara signifikan
dapat meningkatkan efektivitas tugas yang berulang [30]. Sebagai respons terhadap pandemi COVID-19, beberapa bisnis tertentu telah beralih dari menggunakan
mesin pemotong manusia menjadi robot untuk memfasilitasi langkah-langkah pembatasan sosial. Transisi ini berpotensi tidak hanya menurunkan biaya tenaga
kerja, namun juga meningkatkan efisiensi dan akurasi dalam operasi pertanian pangan [31].
Terdapat kendala signifikan yang menghambat pemanfaatan robotika secara penuh dalam industri pertanian. Prototipe dan platform yang tersedia secara
komersial saat ini terbatas pada pelaksanaan tugas tertentu, dan kemampuan adaptasinya terhadap tanaman atau lingkungan berbeda masih dipertanyakan [32].
Selain itu, industri robotika pertanian menghadapi banyak tantangan terkait interoperabilitas dan standarisasi, termasuk komunikasi antara berbagai platform dan
masalah keselamatan. Hambatan-hambatan ini menimbulkan hambatan yang signifikan terhadap kemajuan. Sangat penting untuk memperluas cakupan
kemampuan robotik di luar laboratorium dan lingkungan rumah kaca hingga ke lingkungan luar ruangan, di mana mereka dapat merasakan dan beroperasi secara
efektif dalam kondisi yang keras dan tidak dapat diprediksi [31]. Terlepas dari hambatan teknisnya, terdapat banyak skeptisisme terkait tantangan sosial, ekonomi,
dan etika dalam robotika pertanian. Peralihan tenaga kerja dari pekerjaan yang berulang-ulang ke pekerjaan teknik dengan keterampilan tinggi dan penerapan
teknologi pertanian yang tidak seimbang oleh para petani diperkirakan akan menimbulkan implikasi sosial. Kecerdasan canggih dan kemampuan pengambilan
keputusan dari robot menghasilkan perdebatan tentang aspek moral dan, secara keseluruhan, siapa yang bertanggung jawab atas tindakan tersebut [27]. Selain
itu, tingginya biaya teknologi canggih dan kebutuhan akan sumber daya dan infrastruktur untuk menerapkan robotika di lapangan akan menghadirkan tantangan
kelayakan yang signifikan terhadap penerapan robotika pertanian secara luas. Namun, seiring dengan bergeraknya industri menuju era sistem cerdas, platform
robotik akan menjadi komponen penting dalam operasi pertanian [29].
Platform robot pertanian memiliki kemampuan untuk mengotomatisasi beberapa praktik di pertanian luar dan dalam ruangan - termasuk pembibitan,
penyiraman, pemupukan, penyemprotan, pemantauan tanaman, dan fenotipe [33]. Robot pertanian menggunakan kombinasi teknologi baru seperti visi komputer,
jaringan sensor nirkabel, sistem navigasi satelit, AI, komputasi awan, dan IoT, sehingga meningkatkan produktivitas dan kualitas produk pertanian [34].
5.3. Proses otomatis menggunakan penginderaan nirkabel dan IoT
Sistem otomasi berbasis IoT terdiri dari node sensor, beberapa repeater, dan penerima yang saling terhubung di seluruh bidang
Gambar 2. A) Demonstrasi skema pengukuran lapangan dan pengumpulan data menggunakan jaringan sensor nirkabel dan B) Pemantauan IoT dan
analisis data berbasis cloud.
6
R. Abiri dkk.
Heliyon 9 (2023) e22601
meningkatkan produktivitas dan profitabilitas pertanian digital melalui pemahaman yang lebih baik tentang interaksi antara tanah, tanaman, dan cuaca
[31]. Akses data terbatas dalam sistem pemantauan nirkabel karena node penerima menyimpan data pada host lokal. Sebaliknya, node penerima dalam
sistem pemantauan berbasis IoT mengunggah data ke server web sehingga perangkat klien mana pun yang terhubung ke internet dapat mengaksesnya
[35]. Pengukuran yang diperoleh dari banyak sensor nirkabel dimasukkan ke dalam Sistem Pendukung Keputusan (DSS) tradisional atau model
pertumbuhan tanaman, yang didukung oleh algoritme AI, melalui pemanfaatan koneksi internet dan sistem streaming berbasis cloud di pertanian skala
besar, yang pada akhirnya tujuan memaksimalkan efisiensi produksi dan profitabilitas [36]. Gadget IoT telah terbukti berguna untuk meningkatkan
pengelolaan sumber daya pertanian dan meningkatkan keberlanjutan hasil [35,36]. Gambar 2a menunjukkan pengukuran lapangan dan pengumpulan
data menggunakan jaringan dan perangkat sensor nirkabel, dan Gambar 2b menunjukkan pemantauan IoT dan analisis data berbasis cloud. Kisaran
jarak antara pengirim dan perangkat pemantau dalam jaringan sensor nirkabel biasanya antara 1 m hingga 100 km. Namun jarak ini menjadi tidak terbatas
ketika menggunakan IoT dan analisis data berbasis cloud.
Untuk memastikan pengumpulan data yang berkelanjutan, peternakan skala besar memerlukan pertimbangan yang cermat terhadap faktor-faktor
seperti jumlah node sensor, lokasi repeater, penggunaan daya, frekuensi operasi, dan jarak antara pemancar dan penerima [37]. Mengembangkan
arsitektur IoT dan berhasil menerapkan pemancar dan penerimanya di lapangan pada dasarnya merupakan sebuah tantangan. Kebanyakan gateway
menggunakan komputer papan tunggal yang dilengkapi dengan prosesor ARM, sementara sebagian besar aplikasi perangkat lunak ditujukan untuk
prosesor x86. Hal ini mengakibatkan masalah kompatibilitas dan perilaku yang tidak terduga [38]. WiFi, Bluetooth Low Energy (BLE), LoRaWAN, SigFox,
NB-IoT, dan LTE adalah protokol radio yang memiliki aplikasi IoT paling luas [35–37].
Ada berbagai jenis WSN, yang dikategorikan berdasarkan lingkungan tempat penerapannya. Ini termasuk Jaringan Sensor Nirkabel Terestrial
(TWSN), Jaringan Sensor Bawah Tanah Nirkabel (WUSN), Jaringan Sensor Nirkabel Bawah Air (UWSN), Jaringan Sensor Multimedia Nirkabel (WMSN),
dan Jaringan Sensor Nirkabel Seluler (MWSN) [39]. Dalam aplikasi pertanian, TWSN dan UWSN banyak digunakan. Di TWSN, node ditempatkan di atas
permukaan tanah, terdiri dari sensor untuk mengumpulkan data di sekitarnya. Varian kedua dari WSN adalah versi bawah tanahnya, WUSN, dimana node
sensor ditanam di dalam tanah. Dalam pengaturan ini, frekuensi yang lebih rendah dengan mudah menembus tanah, sedangkan frekuensi yang lebih
tinggi mengalami redaman yang parah [37,40]. Oleh karena itu, jaringan memerlukan jumlah node yang lebih banyak untuk mencakup area yang luas
karena terbatasnya radius komunikasi.
Banyak artikel penelitian tersedia dalam literatur yang membahas penggunaan WSN untuk berbagai aplikasi luar ruangan dan dalam ruangan, seperti
pengelolaan irigasi, penilaian kualitas air, dan pemantauan lingkungan. Studi-studi ini berfokus pada pengembangan arsitektur WSN yang disederhanakan,
berbiaya rendah, hemat energi, dan terukur. Namun, berbagai faktor yang terkait dengan WSN memerlukan perhatian lebih lanjut, seperti pemeliharaan
minimum, arsitektur yang kuat dan toleran terhadap kesalahan, serta interoperabilitas [37,40].
Penerapan proses otomatis menggunakan penginderaan nirkabel dan IoT di DA memiliki beberapa tantangan. Banyak petani yang mungkin tidak
menyadari potensi manfaat penginderaan nirkabel dan perangkat IoT, sehingga membuat mereka enggan berinvestasi pada teknologi ini [41].
Perangkat penginderaan nirkabel dan IoT mungkin rumit dan memerlukan pengetahuan khusus untuk menyiapkan dan menggunakannya secara efektif,
sehingga dapat menjadi hambatan bagi banyak petani yang mungkin tidak memiliki akses terhadap dukungan teknis. Selain itu, beberapa petani mungkin
tidak memiliki akses terhadap infrastruktur yang diperlukan, seperti konektivitas internet yang andal, untuk mendukung penginderaan nirkabel dan
perangkat IoT [42]. Mungkin ada kekhawatiran seputar privasi dan keamanan data yang dikumpulkan melalui penginderaan nirkabel dan perangkat IoT,
terutama yang berkaitan dengan informasi sensitif seperti hasil panen dan penggunaan lahan. Selain itu, hambatan peraturan juga dapat mencegah
penggunaan penginderaan nirkabel dan perangkat IoT di bidang pertanian, seperti pembatasan penggunaan frekuensi tertentu untuk komunikasi nirkabel
[43]. Mengatasi masalah adopsi ini sangat penting untuk memastikan adopsi proses otomatis yang efektif dan luas menggunakan penginderaan nirkabel dan IoT di DA
Hal ini dapat dicapai melalui peningkatan kesadaran dan pendidikan, mengatasi tantangan biaya dan infrastruktur, memastikan privasi dan keamanan
data, dan menetapkan protokol dan peraturan standar untuk mendukung interoperabilitas dan kompatibilitas data [44].
5.4. Analisis data besar
Perkembangan pesat dalam teknologi IoT dan komputasi awan telah meningkatkan jumlah data secara signifikan. Data ini, juga disebut sebagai Big
Data (BD), mencakup konten tekstual (yaitu terstruktur, semi terstruktur, dan tidak terstruktur), dan konten multimedia (misalnya video, gambar, audio)
[45]. Proses pemeriksaan data ini untuk mengungkap pola tersembunyi, korelasi yang tidak diketahui, tren pasar, preferensi pelanggan, dan informasi
berguna lainnya disebut sebagai analisis data besar (BDA). Big data biasanya dikarakterisasi menurut lima dimensi yang ditentukan oleh lima V, yaitu:
(1) Nilai, (2) Volume, (3) Kecepatan (4) Variasi, dan (5) Kebenaran [ 46]. Paradigma pertanian cerdas berbasis BD relatif baru, namun tren penerapannya
positif karena memiliki kapasitas untuk membawa perubahan revolusioner dalam rantai pasokan pangan dan ketahanan pangan melalui peningkatan
produksi. BD Pertanian biasanya dihasilkan dari berbagai sektor dan tahapan dalam pertanian, yang dapat dikumpulkan baik dari lahan pertanian melalui
sensor darat, kendaraan udara, maupun kendaraan darat dengan menggunakan kamera dan sensor khusus; dari badan pemerintah dalam bentuk laporan
dan
Tabel 2
Alat dan layanan big data di bidang pertanian.
Kategori layanan Alat dan teknik yang digunakan Sumber data besar Jenis pertanian Tingkat kedewasaan
Air dan lingkungan Pemodelan dan simulasi tanaman, analisis geospasial Stasiun cuaca, database historis Udara terbuka Konseptual
pengelolaan Sensor,
Pengelolaan tanaman Pengelompokan, prediksi, dan klasifikasi. Mendukung mesin historis, dan data petani. Udara terbuka Konseptual
vektor.
Pengelolaan irigasi Aplikasi berbasis cloud. Platform berbasis cloud, dan layanan Standar industri data Udara terbuka Konseptual,
web sensor Hidroponik prototipe
7
peraturan; dari organisasi swasta melalui layanan web online; dari petani berupa pengetahuan melalui survei; atau dari media sosial [47]. Data tersebut dapat berupa
data lingkungan (cuaca, iklim, tingkat kelembapan), biologis (misalnya hama/penyakit tanaman, unsur hara tanaman), atau geo-spasial tergantung pada domain
pertanian dan berbeda dalam volume, kecepatan, dan format. Data yang dikumpulkan disimpan dalam database komputer dan diproses oleh algoritma komputer
untuk membangun penilaian relasional terhadap karakteristik benih, pola cuaca, sifat tanah, operasi pemasaran dan perdagangan, perilaku konsumen, dan
manajemen inventaris [45,48].
Ringkasan alat dan layanan yang digunakan untuk menguraikan BD di bidang pertanian disajikan pada Tabel 2. Pembelajaran mesin, platform berbasis cloud,
Pemodelan dan simulasi adalah teknik yang paling umum digunakan. Khususnya, alat pembelajaran mesin digunakan dalam masalah prediksi, pengelompokan,
dan klasifikasi. Sedangkan platform cloud digunakan untuk penyimpanan data skala besar, pra-pemrosesan, dan visualisasi [45]. Masih banyak potensi daerah yang
belum tercakup secara memadai dalam literatur yang ada, dimana BDA dapat diterapkan untuk mengatasi berbagai permasalahan pertanian. Misalnya, hal ini
mencakup rumah kaca yang intensif data dan sistem pertanian vertikal dalam ruangan, pengendalian kualitas dan pemantauan kesehatan tanaman di pertanian luar
dan dalam ruangan, rekayasa genetika, platform pendukung keputusan untuk membantu petani dalam merancang pertanian vertikal dalam ruangan, dan model
ilmiah untuk pembuat kebijakan. untuk membantu mereka dalam pengambilan keputusan mengenai keberlanjutan ekosistem fisik. Sebagian besar sistem masih
dalam tahap prototipe [49].
Penerapan BDA di DA terus meningkat dalam beberapa tahun terakhir. Banyak perusahaan dan organisasi pertanian kini menggunakan analisis canggih dan
teknik pembelajaran mesin untuk mengekstrak wawasan dari kumpulan data yang besar dan kompleks, seperti data cuaca, sampel tanah, dan citra satelit. Wawasan
ini dapat membantu petani mengambil keputusan yang lebih tepat mengenai pengelolaan tanaman, seperti kapan menanam, mengairi, dan memanen, serta
mengidentifikasi potensi masalah seperti wabah penyakit dan kehilangan hasil. Mereka juga dapat mendukung penggunaan sumber daya yang lebih efisien, seperti
air, pupuk, dan energi [50,51].
5.5. Kecerdasan buatan di bidang pertanian
Kecerdasan buatan (AI) melibatkan pengembangan teori dan sistem komputer yang mampu melakukan tugas-tugas yang membutuhkan kecerdasan manusia,
seperti persepsi sensorik dan pengambilan keputusan [50]. Dikombinasikan dengan komputasi awan, IoT, dan BD, AI, khususnya dalam aspek Machine Learning
(ML) dan Deep Learning (DL), dianggap sebagai salah satu pendorong utama di balik digitalisasi pertanian. Teknologi ini mempunyai potensi untuk meningkatkan
produksi tanaman dan meningkatkan pemantauan, pemanenan, pemrosesan, dan pemasaran secara real-time [51]. Beberapa sistem pertanian cerdas telah
dikembangkan menggunakan algoritma ML dan DL untuk mendeteksi gulma, memprediksi hasil, atau mengidentifikasi penyakit tanaman. Sistem ini dibahas dalam
dua sub-bagian berikutnya.
5.5.1. ML di bidang pertanian

Teknik ML secara luas diklasifikasikan menjadi tiga kategori: 1) pembelajaran terawasi (regresi linier, pohon regresi, regresi non-linier, regresi linier Bayesian,
regresi polinomial, dan regresi vektor pendukung), 2) pembelajaran tanpa pengawasan (pengelompokan k-means, pengelompokan hierarki , deteksi anomali,
jaringan saraf (NN), analisis komponen utama, analisis komponen independen, algoritma a-priori dan dekomposisi nilai singular (SVD)); dan 3) pembelajaran
penguatan (proses keputusan Markov dan pembelajaran Q) [52]. Teknik dan algoritma ML diterapkan di sektor pertanian untuk prediksi hasil panen, deteksi penyakit
dan gulma, prediksi curah hujan, estimasi fisiko-kimia tanah (jenis, kadar air, suhu, pH, unsur hara), pengelolaan air, optimalisasi pupuk dan peternakan. produksi
dan manajemen [53].
Prediksi hasil panen adalah bidang penelitian yang banyak dieksplorasi. Regresi linier, jaringan saraf, hutan acak, dan mesin vektor pendukung adalah teknik
ML yang paling banyak digunakan dalam domain pertanian cerdas. Beberapa kasus penggunaan masih dalam tahap penelitian dan belum ada laporan penggunaan
komersial. Teknik AI jarang dieksplorasi dalam sistem pertanian vertikal rumah kaca dan dalam ruangan, khususnya hidroponik, aquaponik, dan aeroponik. Mengingat
tantangan keamanan siber dan privasi data, pendekatan baru seperti pembelajaran gabungan dan metode pelestarian privasi sedang dikembangkan untuk
memungkinkan DA [54]. Pendekatan ini membangun model ML dari parameter lokal tanpa membagikan sampel data pribadi, sehingga mengurangi masalah
keamanan.
5.5.2. DL di bidang pertanian

DL mewakili perpanjangan dari ML klasik yang dapat memecahkan masalah kompleks (klasifikasi dan prediksi) dengan sangat baik dan cepat karena lebih
banyak “kedalaman” (kompleksitas) ditambahkan ke dalam model. Keuntungan utama DL adalah pembelajaran fitur yang melibatkan ekstraksi fitur secara otomatis
(informasi tingkat tinggi) dari kumpulan data besar [55]. Algoritme DL yang berbeda mencakup Jaringan Neural Konvolusional (CNN), jaringan Memori Jangka
Pendek Panjang (LSTM), Jaringan Neural Berulang (RNN), Jaringan Adversarial Generatif (GAN), Jaringan Fungsi Basis Radial (RBFN), Perceptron Multi Lapisan
(MLP), Neural Buatan Network (ANN), Self Organizing Maps (SOM), Deep Belief Networks (DBN), Restricted Boltzmann Machines (RBM), dan autoencoder.
Penjelasan rinci tentang algoritma ini, arsitektur populer, dan platform pelatihan tersedia di berbagai sumber [56].
Di sektor pertanian, algoritma DL banyak digunakan untuk memecahkan masalah yang terkait dengan aplikasi visi komputer yang menargetkan prediksi variabel-
variabel utama, seperti hasil panen, kadar air tanah, kondisi cuaca, dan kondisi pertumbuhan tanaman termasuk deteksi penyakit, hama, dan identifikasi spesies
tanaman [57]. Visi komputer adalah bidang interdisipliner yang mendapatkan banyak perhatian dalam beberapa tahun terakhir karena lonjakan CNN. Di antara
algoritma DL, CNN atau Convet dan variannya adalah algoritma yang paling banyak digunakan dalam aplikasi pertanian. Varian CNN adalah CNN berbasis wilayah
(RCNNs), FastRCNNs, Faster-RCNNs, YOLO, dan Mask-RCNNs, di antaranya empat yang pertama banyak digunakan untuk memecahkan masalah deteksi objek.
Mask-RCNN, di sisi lain, digunakan untuk memecahkan masalah segmentasi instance [57]. Beberapa penelitian juga menggunakan teknik DL lainnya. Sebagian
besar model DL dilatih menggunakan kumpulan data gambar, sementara beberapa model dilatih menggunakan data sensor yang dikumpulkan dari lapangan. Hal ini
menunjukkan bahwa DL dapat diterapkan pada berbagai macam dataset. Meskipun DL berpotensi mengaktifkan DA, sebagian besar sistem masih dalam tahap
pengembangan.
Selain itu, tantangan baru yang ditimbulkan oleh masalah keamanan siber dan privasi memerlukan optimalisasi DL dan visi komputer saat ini
8
pendekatan [58].
5.5.3. Sistem Pendukung Keputusan (DSS) di bidang pertanian

DSS dapat didefinisikan sebagai sistem cerdas yang mendukung pengambilan keputusan untuk tuntutan dan masalah tertentu dengan memberikan jawaban operasional
kepada pemangku kepentingan dan pengguna potensial berdasarkan informasi berguna yang diambil dari data mentah, dokumen, pengetahuan pribadi, dan/atau model.
DSS bisa berbasis data, berbasis model, berbasis komunikasi, berbasis dokumen, dan berbasis pengetahuan [59].
Karena perkembangan DA, jumlah data pertanian telah meningkat pesat. Untuk mentransfer data heterogen ini ke dalam pengetahuan praktis, platform seperti DSS
pertanian diperlukan untuk membuat keputusan berbasis bukti yang tepat mengenai operasi pertanian dan tata letak fasilitas [60]. Selama beberapa tahun terakhir, DSS
pertanian telah mendapatkan banyak perhatian di sektor pertanian. Sejumlah DSS telah dikembangkan dengan fokus pada berbagai komponen pertanian, seperti
pengelolaan pertanian, pengelolaan air, dan pengelolaan lingkungan. Namun, sebagian besar DSS pertanian tidak mempertimbangkan pengetahuan pakar, yang sangat
berharga karena memfasilitasi pengembangan sistem sesuai kebutuhan pengguna. Permasalahan lain pada beberapa DSS pertanian adalah Graphical User Interface (GUI)
yang kompleks dan komponen perencanaan ulang yang tidak memadai, kurangnya kemampuan prediksi dan perkiraan, serta kurangnya kemampuan beradaptasi terhadap
faktor-faktor yang tidak pasti dan dinamis. Perlu juga dicatat bahwa sebagian besar DSS pertanian ditujukan untuk sistem pertanian luar ruangan. Penerapan DSS pertanian
untuk pertanian tak dinodai dalam ruangan masih belum dieksploitasi [61].
5.5.4. Sistem Fisik Siber Pertanian (CPS)

Sebagai teknologi utama yang memungkinkan DA, CPS mengacu pada sistem terdistribusi otomatis yang mengintegrasikan proses fisik dengan jaringan komunikasi
dan infrastruktur komputasi [62]. Ada tiga model arsitektur referensi CPS standar, yaitu 5C, RAMI 4.0, dan IIRA, dan penjelasan rincinya tersedia di Ref. [63]. Diantaranya,
5C adalah model referensi terkenal dengan penggunaan luas. Arsitektur 5C terdiri dari lima level yang disajikan pada Tabel 3.
CPS mendapat manfaat dari berbagai teknologi yang ada seperti sistem agen, IoT, komputasi awan, augmented reality, BD dan ML [65]. Implementasinya memastikan
peningkatan skalabilitas, kemampuan beradaptasi, otonomi, keandalan, ketahanan, keselamatan, dan keamanan.
CPS pertanian menggunakan teknologi elektronik canggih dan fasilitas pertanian untuk membangun sistem manajemen pertanian terintegrasi yang berinteraksi dengan
lingkungan fisik untuk menjaga lingkungan pertumbuhan tanaman yang optimal [66]. CPS pertanian mengumpulkan data penting dan tepat tentang iklim, tanah, dan
tanaman, dengan akurasi tinggi dan menggunakannya untuk mengelola penyiraman, kelembapan, dan kesehatan tanaman. Sebagian besar CPS yang dikembangkan untuk
pertanian, masih pada tingkat konseptual. Selain itu, sebagian besar penelitian dilakukan pada pertanian di luar ruangan, dan hanya sedikit penelitian yang diterbitkan
terkait dengan sistem rumah kaca berbasis tanah. Tidak ada penelitian yang ditemukan yang relevan dengan sistem pertanian dalam ruangan tanpa tanah. CPS telah
menarik minat penelitian yang signifikan karena penerapannya yang menjanjikan di berbagai domain. Penerapan model CPS dalam aplikasi kehidupan nyata masih menjadi
tantangan karena memerlukan perangkat keras dan perangkat lunak yang tepat [67].
6. Teknologi Blockchain di bidang pertanian
6.1. Dari TIK hingga blockchain
Blockchain adalah buku besar transaksi terdistribusi. Hal ini memungkinkan anggota komunitas untuk bertukar data dengan layanan lain tanpa keterlibatan pihak ketiga
dan melacak transaksi. Daripada menyimpan informasi di satu server, informasi tersebut didistribusikan ke beberapa server, sehingga sangat sulit untuk mengubah atau
menghapus catatan. Fitur anti-rusak ini memiliki merek dagang, serta metode yang menjamin semua data yang dimasukkan ke dalam blockchain adalah asli dan mendorong
kepercayaan komunitas [68]. Jaringan peer-to-peer digunakan untuk mendistribusikan dan memelihara blockchain. Itu bisa ada tanpa otoritas terpusat atau server yang
mengendalikannya karena ini adalah buku besar yang terdistribusi, dan kualitas datanya dapat dipertahankan menggunakan replikasi database dan kepercayaan komputasi.
Untuk menciptakan konsensus terdistribusi yang aman dan valid, tidak semua buku besar terdistribusi menggunakan rantai blok. Struktur blockchain membedakannya dari
jenis buku besar terdistribusi lainnya. Di blockchain, data dikumpulkan dan dienkripsi [69].
Buku besar terdistribusi adalah database yang mencakup beberapa node atau perangkat komputasi. Setiap node menduplikasi dan menyimpan salinan buku besar.
Setiap node anggota jaringan memperbarui dirinya sendiri secara independen. Biaya kepercayaan berkurang secara signifikan dengan teknologi buku besar terdistribusi.
Desain dan struktur buku besar yang terdistribusi dapat membantu kita mengurangi ketergantungan pada bank, pemerintah, pengacara, notaris, dan pejabat kepatuhan
peraturan [70]. Teknologi Blockchain dapat memantau asal makanan dan membantu membangun rantai pasokan makanan yang dapat dipercaya dan meningkatkan
kepercayaan pelanggan. Hal ini memungkinkan penggunaan teknologi berbasis data menjadi lebih mudah dan menjadikan pertanian sebagai cara yang lebih cerdas untuk menyimpan dat
Tabel 3
Arsitektur 5C untuk sistem cyber-fisik (diadaptasi dari [64]).
Ruang implementasi Tingkat 5C Fungsi
Ruang fisik Tingkat konfigurasi Konfigurasi diri untuk ketahanan, konfigurasi diri untuk variasi, optimalisasi diri untuk gangguan.
Ruang siber Tingkat kognitif Simulasi terpadu, sistem pendukung pengambilan keputusan, diagnostik dan visualisasi kolaboratif.
Tingkat dunia maya Pemodelan cyber-twin dan big data.

Tingkat konversi data ke informasi Algoritma untuk analisis data cerdas, dan perkiraan kinerja.
Tingkat fisik Tingkat koneksi cerdas Jaringan sensor, akuisisi data.
9
secara rahasia. Hal ini juga memungkinkan pembayaran cepat antar pemangku kepentingan, yang dapat dipicu oleh perubahan data blockchain sehubungan
dengan kontrak pintar [71].
6.2. Potensi manfaat teknologi blockchain bagi pertanian
Melalui teknologi blockchain, transaksi peer-to-peer dapat diselesaikan secara terbuka dan tanpa pihak ketiga, seperti bank (dalam kasus mata uang
kripto) atau perantara di sektor pertanian. Sebagai hasil dari penghapusan kebutuhan akan otoritas pusat, kepercayaan kini diberikan kepada arsitektur dan
kriptografi peer-to-peer daripada otoritas. Hal ini berkontribusi dalam memulihkan kepercayaan antara produsen dan pelanggan, menurunkan biaya transaksi
di sektor pertanian pangan [70].
Metode yang kuat untuk melacak transaksi antar individu anonim disediakan oleh teknologi blockchain. Dengan demikian, penipuan dan kesalahan bisa
segera ditemukan. Selain itu, menggabungkan kontrak pintar juga memungkinkan pelaporan masalah secara real-time [72]. Karena kompleksitas sistem
pertanian pangan, hal ini membantu memecahkan masalah penelusuran barang di sepanjang rantai pasokan yang luas. Dengan demikian, teknologi rantai
blok memungkinkan penghapusan masalah kualitas dan keamanan pangan, yang menjadi perhatian besar konsumen, dan pemangku kepentingan lainnya
[73].
Teknologi Blockchain meningkatkan transparansi di antara semua pihak terkait dan memungkinkan pengumpulan data yang andal dan dapat diverifikasi.
Dari produksi hingga kehancurannya, rantai nilai suatu produk dapat dicatat menggunakan teknologi blockchain. Pengembangan infrastruktur berbasis data
dan solusi asuransi yang menjadikan pertanian lebih cerdas dan mengurangi kerentanan, sangat bergantung pada data yang dapat diandalkan mengenai
proses pertanian [70].
6.3. Penerapan teknologi blockchain di sektor pertanian dan pangan
Empat kategori penerapan blockchain dalam industri pertanian dan pangan dibahas dalam bagian ini: (1) asuransi pertanian, (2) pertanian cerdas, (3)
rantai pasokan pangan, dan (4) transaksi produk pertanian [ 74]. Kategori-kategori ini dibahas di bagian berikut.
6.3.1. Asuransi pertanian

Asuransi indeks semakin berharga sebagai alat manajemen risiko, terutama bagi petani yang mempunyai minat besar dalam memitigasi risiko dasar.
Industri asuransi indeks dapat memperoleh manfaat dari teknologi blockchain dalam dua cara. Pertama, kontrak pintar dapat memastikan bahwa pembayaran
dilakukan sesuai jadwal dan tanpa campur tangan manusia, seperti ketika kondisi cuaca terpenuhi [75]. Kedua, peramal yang cerdas dapat mengotomatiskan
integrasi data meteorologi dan sumber data lainnya, seperti data pertumbuhan tanaman atau data yang diperoleh mesin pertanian, untuk memitigasi risiko
dasar dengan lebih baik dan menyederhanakan penghitungan indeks dan pembayaran. Telah terbukti bahwa kontrak pintar yang menggunakan oracle pintar
untuk memasukkan data eksternal bisa sangat berharga dalam konteks ekonomi kripto yang berbeda [76].
Prototipe awal kontrak asuransi indeks pintar telah dikembangkan atau dirilis. Misalnya, bisnis Swiss Etherisc1, yang menggunakan teknologi blockchain,
menawarkan asuransi tanaman terdesentralisasi dengan pembayaran berdasarkan data cuaca dalam token protokol asuransi terdesentralisasi sebagai
mata uang asli [70].
Selain manfaat asuransi terdesentralisasi berdasarkan kontrak pintar yang melakukan pembayaran otomatis, penerapan pembayaran mata uang kripto
untuk memberi kompensasi kepada petani harus dibuktikan di lapangan. Selain itu, petani di negara-negara terbelakang mungkin kekurangan akses terhadap
infrastruktur yang diperlukan untuk berpartisipasi dalam skema asuransi berbasis blockchain yang terdesentralisasi. Sebagai pilihan pertama, Etherisc,
misalnya, menyarankan agar perusahaan pihak ketiga menyediakan saluran pembayaran dan integrasi yang menghilangkan kebutuhan pelanggan akhir
untuk memiliki mata uang kripto [77].
Gambar 3. Aliran data dan informasi sepanjang rantai nilai pangan.
10
6.3.2. Pertanian cerdas

Sistem pertanian pangan didukung oleh data dan informasi tentang sumber daya alam yang mendukung semua jenis pertanian. Gambar 3 mengilustrasikan aliran data
dan informasi, aliran produk dari input ke output melalui berbagai tahap penambahan nilai, dan aliran uang dari output ke input. Ini menunjukkan bagaimana dan jenis
blockchain apa yang digunakan pada berbagai jenis platform (Ethereum atau Hyperledger) bersama dengan berbagai mekanisme konsensus yang mungkin cocok untuk
mengumpulkan data dan informasi pada berbagai tahap dalam sistem pertanian pangan tanaman [78].
Berbagai pelaku dan pemangku kepentingan menghasilkan dan mengelola data dan informasi tergantung pada kapasitas dan kebutuhan mereka. Memanfaatkan ICT,
IoT, dan berbagai alat pengumpulan dan analisis data kontemporer, seperti Kendaraan Udara Tak Berawak (UAV), sensor, dan pembelajaran mesin, merupakan komponen
penting dari pertanian cerdas [79]. Menciptakan sistem keamanan komprehensif yang memfasilitasi penggunaan dan pengelolaan data merupakan komponen penting dari
pertanian cerdas. Metode tradisional mengelola data secara terpusat dan rentan terhadap serangan dunia maya, data yang tidak akurat, distorsi data, dan penyalahgunaan.
Misalnya, data dari pemantauan lingkungan biasanya dikelola oleh lembaga pemerintah terpusat yang mempunyai kepentingan khusus. Mereka dapat mempengaruhi
keputusan yang dibuat sehubungan dengan data. Data pemantauan lingkungan hidup, misalnya, umumnya dikumpulkan oleh lembaga pemerintah terpusat yang mempunyai
kepentingan khusus. Mereka dapat mempengaruhi pengambilan keputusan berdasarkan data [80]. Sepanjang seluruh proses nilai tambah, mulai dari benih hingga
penjualan, hingga produksi produk pertanian, berbagai pelaku dan pemangku kepentingan menghasilkan data dan informasi yang dapat disimpan menggunakan teknologi
blockchain. Hal ini menjamin bahwa semua data yang tercatat tidak dapat diubah dan data serta informasi bersifat transparan kepada semua pihak yang terlibat. Berbeda
dengan metode yang mengandalkan “keamanan ketidakjelasan,” teknologi blockchain menghasilkan keamanan melalui desentralisasi [79].
Kombinasi teknologi IoT dan blockchain telah menghasilkan pengembangan dan penerapan beberapa skema pertanian cerdas. Misalnya, arsitektur ringan berbasis
blockchain untuk pertanian rumah kaca pintar diusulkan oleh Refs. [42,81]. Sensor IoT di rumah kaca berfungsi sebagai blockchain pribadi lokal yang dikontrol secara
terpusat oleh pemiliknya. Kerangka kerja pertanian cerdas berdasarkan blockchain dan IoT diusulkan oleh Lin [78] untuk implementasi skala besar. Tujuan utama dari
platform ini adalah untuk membangun kepercayaan antar pihak yang menggunakan blockchain. Agen yang terlibat dalam penjualan produk perkebunan dapat mengakses
data yang tercatat di blockchain menggunakan perangkat seluler. Untuk penerapan di tingkat lokal dan regional, Ref. [82] menyarankan model e-pertanian TIK berbasis
blockchain di mana setiap aktor memiliki data kualitas air real-time yang disimpan dalam blockchain. Selain itu, organisasi pertanian juga memanfaatkan blockchain untuk
meningkatkan praktik pertanian mereka dan menjadikannya lebih cerdas. Misalnya, kelompok irigasi pertanian Taiwan menggunakan blockchain untuk menyimpan data
secara kolektif dan meningkatkan komunikasi dengan publik [81,83].
6.3.3. Rantai pasokan makanan

Dari sudut pandang produsen, penggunaan teknologi blockchain menumbuhkan hubungan kepercayaan dengan pelanggan dan meningkatkan reputasi produk mereka
dengan menyajikan secara jelas informasi produk spesifik di blockchain. Perusahaan dapat meningkatkan daya saing mereka dengan mencapai nilai produk mereka secara
efektif. Akibatnya, penjual produk berkualitas rendah dan penipu akan kesulitan mempertahankan kehadirannya di pasar. Semua penjual perlu meningkatkan kualitas barang
mereka secara menyeluruh di industri pertanian dan pangan. Blockchain memberi pelanggan informasi yang akurat dan dapat dipercaya mengenai produksi dan distribusi
makanan. Ini mengatasi kekhawatiran pelanggan tentang keamanan pangan, kualitas, dan keramahan lingkungan [84, 85].
Penggunaan blockchain memungkinkan interaksi konsumen-produsen karena pelanggan dapat memahami proses produksi makanan secara lebih mendalam dan lebih
nyaman. Menurunkan hambatan perdagangan membantu pelanggan merasa lebih aman terhadap produk yang mereka beli dan integritas rantai pasokan makanan. Dari
sudut pandang otoritas pengatur, blockchain memfasilitasi penyebaran data yang kredibel dan akurat yang diperlukan untuk penerapan peraturan yang terinformasi dengan
baik dan efisien [86].
Seluruh sejarah suatu produk, dari titik asal hingga akhir penjualan, dapat dicatat dan diverifikasi menggunakan teknologi blockchain. Blockchain adalah teknologi buku
besar terdistribusi yang dapat menyimpan informasi secara aman dan permanen yang dikumpulkan dari sumber pengembangan suatu produk, seperti susunan genetik
ternak atau tingkat pestisida pada biji-bijian atau sayuran. Setiap peserta dalam rantai pasokan produk dapat meninjau dan memverifikasi data tersebut. Ketersediaan data
tersebut dapat membantu mengidentifikasi kegiatan ilegal, seperti skandal daging kuda tahun 2013 di Eropa [87,88]. Memiliki blockchain memastikan bahwa semua data
produksi, pemrosesan, penyimpanan, dan distribusi adalah asli dan tidak dapat dirusak. Dengan menggunakan teknologi blockchain dan IoT, Caro [71] mengusulkan sebuah
sistem yang dapat melacak asal dan tujuan produk.
Pada bulan Oktober 2016, Wal-Mart, Universitas Tsinghua, dan IBM menguji coba penerapan sistem blockchain hyper ledger pada manajemen rantai pasokan makanan
dengan menyelidiki rantai pasokan babi Tiongkok dan rantai pasokan mangga Amerika Serikat. Bersama dengan Australia Post, Alibaba menyelidiki teknologi blockchain
pada bulan Maret 2017 untuk mencegah gangguan makanan [70]. Wal-Mart, Nestlé, Dole, dan Golden Food termasuk di antara sepuluh pemasok makanan dan barang
konsumsi cepat saji (FMCG) terbesar di dunia ketika mereka bermitra dengan IBM pada bulan Agustus 2017 untuk mengintegrasikan blockchain ke dalam rantai pasokan
mereka untuk mendeteksi makanan penipuan pemasok secara efisien. Platform blockchain IBM digunakan dalam kemitraan ini untuk membantu produsen makanan dalam
meningkatkan transparansi rantai pasokan dan mengurangi risiko keamanan pangan [87].
6.3.4. E-commerce produk pertanian

Ada permasalahan signifikan yang perlu diatasi dalam e-commerce dan perdagangan produk pertanian. Menurut penelitian yang dilakukan oleh Oliveira [89], pelanggan
yang memiliki tingkat kepercayaan tinggi terhadap institusi pada umumnya lebih cenderung melakukan pembelian secara online. Namun, konsumen mungkin mengalami
kesulitan dalam memverifikasi dan mempercayai informasi dasar tentang produk pertanian. Sementara itu, kesulitan yang paling signifikan bagi pengecer online, terutama
yang beroperasi di negara-negara berkembang, adalah layanan cash on delivery dan logistik [90]. Selain itu, toko e-commerce harus berurusan dengan pesanan kecil yang
memakan waktu dengan berbagai macam barang, yang mengakibatkan biaya operasional yang signifikan bagi bisnis [91].
Banyak dari permasalahan ini dapat menemukan solusi yang memuaskan melalui teknologi blockchain, misalnya. (1) keamanan informasi: Untuk memenuhi
11
kebutuhan otentikasi, teknologi blockchain menawarkan enkripsi kunci pribadi, sebuah teknik yang ampuh untuk mengatasi kebutuhan ini [92]. Hasilnya, sistem ini
dapat menghubungkan data dari seluruh tahapan produksi pertanian, mulai dari penanaman hingga panen. (2) Manajemen rantai pasokan: Dengan mengurangi
biaya pengiriman dan penerimaan sinyal antar node, teknologi blockchain berpotensi membuat manajemen rantai pasokan lebih efisien dibandingkan metode
pemantauan saat ini [93]. Setiap bagian dari rantai pasokan, mulai dari produsen, titik asal, perusahaan pelayaran, tujuan akhir, transportasi multimoda, fasilitas
penyimpanan, dan jarak tempuh terakhir, mewakili “blok” informasi yang dapat dilacak secara individual atau sebagai sebuah keseluruhan untuk transparansi,
kontrol, efisiensi, dan keandalan yang lebih besar [94].
(3) Metode pembayaran: Teknologi Blockchain memungkinkan sistem pembayaran digital tanpa biaya transaksi. Selain itu, penggunaan mata uang kripto dalam
perdagangan barang pertanian akan mengurangi biaya transaksi secara signifikan [49]. (4) Kepercayaan konsumen: Sistem akuntansi terdistribusi Blockchain diberi
cap waktu melalui proses yang terdesentralisasi, menjadikan semua data yang tersimpan di dalamnya dapat diverifikasi dan tidak dapat diubah. Terbebas dari
ancaman barang palsu, konsumen akan kembali percaya pada kenyamanan dan keamanan berbelanja online [89,90]. (5) Mengurangi biaya petani: Rumah tangga
menciptakan berbagai macam barang pertanian. E-commerce tradisional tidak mampu atau tidak mau melayani pelanggan ini karena volume transaksi yang rendah
dan skala yang terbatas. Oleh karena itu, mereka terputus dari pasar. Teknologi Blockchain memiliki potensi untuk menurunkan biaya transaksi secara signifikan
dan memperkenalkannya kembali ke pasar [95].
6.4. Tantangan dalam implementasi blockchain
Diskusi sebelumnya menunjukkan meningkatnya adopsi teknologi blockchain di industri rantai pasokan. Meskipun teknologi blockchain dan buku besar
terdistribusi mempunyai potensi untuk menyelesaikan sebagian besar tantangan, penting untuk dicatat bahwa teknologi ini bukanlah obat yang dapat menyembuhkan
segalanya [96], terutama mengingat sifat rantai pasok pertanian yang kritis dan sering kali memiliki tekanan tinggi. . Selain itu, penerapan teknologi blockchain harus
mempertimbangkan berbagai faktor sosial, teknis, dan keuangan [97].
Burke [98] mengamati potensi dampak sosial dari penerapan blockchain di industri pertanian, dan mencatat bahwa sektor ini memiliki seperangkat aturan tidak
tertulis dan hubungan rumit yang tidak boleh diganggu. Rantai pasokan pertanian pangan sangat rumit dan ragu-ragu untuk mengadopsi teknologi blockchain karena
alasan berikut.
• Rendahnya tingkat pengetahuan teknologi di antara banyak pemangku kepentingan; •

Transformasi kompleks yang dialami produk di seluruh rantai; • Peran dan bisnis yang heterogen
dari banyak pemangku kepentingan yang terlibat; • Fakta bahwa rantai pasok pangan tersebar
di wilayah geografis yang luas, terkadang mencakup benua yang berbeda
menciptakan hambatan interoperabilitas dan penerapan.
Masalah yang berkaitan dengan pengelolaan data, khususnya kepemilikan data dan penyimpanan data dalam blockchain, juga penting dan harus dipertimbangkan
dengan cermat [99]. Dari sudut pandang teknis, meskipun blockchain dapat berfungsi sebagai buku besar yang tidak dapat diubah, tidak ada jaminan keakuratan
data yang dimasukkan oleh sensor atau individu. Oleh karena itu, jika sensor gagal beroperasi dengan benar, informasi yang tercatat di blockchain tidak dapat
diandalkan [100]. Secara umum, terdapat tantangan dalam memantau, mengintegrasikan, dan mengevaluasi jenis data tertentu dalam rantai pasokan pertanian.
Misalnya, memperoleh dan menganalisis data lingkungan menggunakan metode obyektif merupakan suatu tantangan [101].
Pemilihan jenis blockchain yang tepat (publik, privat, berizin) dan penerapannya juga dapat menjadi masalah terkait. Sejumlah besar penelitian menggunakan
blockchain publik, dan hal yang sama berlaku untuk beberapa produk komersial (misalnya IBM food trust). Namun, trade-off kinerja penggunaan blockchain publik
dalam rantai pasokan pertanian pangan tidak selalu dibahas sepenuhnya.
Hal ini karena transaksi yang melibatkan banyak aktor memerlukan sejumlah besar waktu dan daya komputasi untuk diselesaikan pada blockchain publik [97].
Pemilihan jenis blockchain secara hati-hati sangat penting karena dapat berdampak pada kinerja ketertelusuran. Dari aspek keuangan, penerapan teknologi
blockchain dalam rantai pasokan makanan dapat meningkatkan transparansi dan kepercayaan konsumen, namun hal ini memerlukan biaya yang besar. Perusahaan
diharuskan menginvestasikan sejumlah besar uang dan waktu untuk melatih semua personel terkait dan memperoleh peralatan yang diperlukan [102]. Sebaliknya,
biaya yang terkait dengan investasi tersebut dalam hal waktu dan uang bisa sangat besar dan mungkin melebihi biaya produk, baik dalam jangka pendek maupun
jangka panjang.
Behnke [103] mempelajari tantangan penerapan blockchain di bidang pertanian dan menunjukkan delapan belas kondisi batas untuk ketertelusuran pangan,
lima di antaranya secara langsung diterapkan pada teknologi blockchain. Oleh karena itu, sejumlah besar hambatan terkait dengan persyaratan peraturan, rantai
pasokan internal, dan proses produksi, yang memerlukan perubahan organisasi yang signifikan untuk mendukung manfaat penuh dari ketertelusuran. Dalam konteks
yang sama, Kamilaris [104] menganalisis dampak blockchain pada rantai pasokan pertanian. Tantangan utama yang disoroti meliputi aksesibilitas terhadap teknologi
blockchain, tata kelola dan keberlanjutan, kebijakan dan regulasi, tantangan teknis dan keputusan desain yang harus diambil, serta menjembatani kesenjangan
digital antara negara maju dan berkembang untuk mencapai kesuksesan. Kamilaris [104] juga merujuk pada peran penting pemerintah dalam memimpin digitalisasi
administrasi publik.
7. Dampak solusi DA terhadap ketahanan pangan
DA telah diidentifikasi oleh para ilmuwan sebagai salah satu dari “sepuluh inovasi terbaik untuk adaptasi di bidang pertanian” yang dapat membantu mencapai
ketahanan pangan dalam menghadapi perubahan iklim sekaligus memberikan manfaat tambahan bagi kelestarian lingkungan, nutrisi, dan mata pencaharian [105].
Dengan menggunakan pendekatan big data untuk memecahkan masalah pembangunan dengan lebih cepat, lebih baik, dan dalam skala yang lebih besar, teknologi
ini dapat meningkatkan dampak pembangunan pertanian [106]. Beberapa negara, terutama Australia, meningkatkan upaya untuk menjamin ketahanan pangan
jangka panjang melalui pertanian digital berbasis presisi atau pertanian cerdas [107].
12
Memasukkan teknologi interaktif dan analisis data ke dalam pertanian dapat meningkatkan presisi, produksi, dan profitabilitas bagi petani skala kecil dan
membantu mereka lebih siap menghadapi perubahan iklim sekaligus mengurangi dampak buruk terhadap lingkungan di masa depan [108]. Mengintegrasikan
data tambahan dan alat digital ke dalam pertanian untuk meningkatkan produktivitas memiliki berbagai keuntungan potensial, seperti peningkatan efisiensi
input dan peningkatan nilai yang diperoleh dari bertani satu unit lahan, sehingga mengurangi motivasi untuk mengkonversi lebih banyak lahan untuk keperluan
pertanian (yang merupakan kontributor utama terhadap pertanian). emisi gas rumah kaca). Digitalisasi memungkinkan adanya hubungan baru dengan pasar,
yang membantu meningkatkan koordinasi rantai nilai dan mengurangi kerugian pasca panen dengan menggunakan data terkait produktivitas untuk analisis
dan perencanaan keberlanjutan di tingkat lanskap atau sistem [109].
Berkat berbagai teknologi digital dalam sistem pangan, konsumen dan produsen kini menjadi lebih terdidik dan terlibat, serta pertanian menjadi lebih
cerdas. Teknologi Blockchain untuk ketertelusuran rantai nilai dan berbagai konfigurasi presisi dan pertanian digital hanyalah beberapa contoh alat mutakhir
yang tersedia saat ini [106].
Berikut ini adalah manfaat paling signifikan dari pertanian presisi dan digital:
• Peningkatan kinerja sistem pangan, yang sangat penting untuk mencapai tujuan pembangunan berkelanjutan, • Peningkatan hasil
sistem pangan di pedesaan dan perkotaan dengan cara memperluas peluang digital untuk semua, termasuk
petani dan agrobisnis,
• Petani dan petani dapat meminimalkan biaya, membuat keputusan yang tepat, dan memiliki akses yang lebih baik terhadap informasi, pengetahuan, dan
pasar [106.110.111].
8. Tantangan pengembangan teknologi digital di industri pertanian
Kemajuan teknologi digital dalam masyarakat dan perubahan yang ditimbulkannya pada dasarnya disertai dengan serangkaian bahaya yang melekat pada
situasi tersebut. Kekhawatiran serupa juga diungkapkan mengenai apakah DA dapat memenuhi harapan, tantangan apa yang mungkin timbul, dan kelemahan
apa yang dapat disoroti dalam industri pertanian [112].
Kemajuan teknologi digital di bidang pertanian diyakini menimbulkan beberapa kekhawatiran, meskipun potensi yang dimilikinya sangat besar [113].
Kekhawatiran ini mencakup i) tidak terpenuhinya harapan dalam meningkatkan keramahan lingkungan dari sistem pertanian dan pangan, ii) hilangnya otonomi
dan meningkatnya kesenjangan, dan iii) terpeliharanya kedaulatan pangan. Sistem pangan yang terlalu rumit memperburuk kerentanan, melemahkan tata
kelola, dan mengurangi hasil panen. Investigasi terhadap ancaman-ancaman ini akan memungkinkan petani, penduduk, dan peneliti untuk mengevaluasi
metode, keputusan, dan prioritas mereka sehingga teknologi digital dapat melayani para pemangku kepentingan secara bertanggung jawab [112].
Kegagalan untuk mengatasi keinginan untuk melakukan pertanian yang lebih ekologis adalah bahaya pertama. Meskipun kemajuan teknologi digital telah
membuka peluang baru, terdapat beberapa kelemahan yang terlihat jelas, yaitu ketidakmampuan untuk dengan mudah beralih ke solusi lain dan kesulitan
dalam menerapkan perubahan sistematis pada struktur organisasi yang diperlukan untuk sepenuhnya mewujudkan manfaat lingkungan dan keuangan [113 ].
Selain itu, meluasnya adopsi antarmuka digital antara petani dan tumbuhan atau hewan, dalam konteks meningkatnya teknologi produksi pertanian, juga dapat
melemahkan hubungan dengan alam (terutama hubungan manusia-hewan). Meski begitu, masyarakat saat ini tidak diragukan lagi mencari jenis pertanian
yang lebih erat kaitannya dengan kehidupan di sekitar kita. Pertumbuhan peralatan dan proses pengumpulan data, transportasi, penyimpanan, dan komputasi
mungkin memperburuk dampak lingkungan. Selain itu, teknologi digital memiliki jejak ekologis yang berbeda yang belum sepenuhnya dipahami [114].
Dampak sosial dari penggunaan teknologi digital untuk mempercepat industrialisasi dan konsentrasi produksi di pertanian yang lebih besar dan produktif
juga dapat menimbulkan potensi komplikasi. Tren ini membawa risiko mengecualikan praktik pertanian yang digunakan oleh petani minoritas dengan kekuatan
produktivitas minimal [115]. Kemajuan dalam bidang robotika dapat menyebabkan ketidakamanan lapangan kerja di bidang pertanian, terutama bagi populasi
pekerja migran yang berpenghasilan rendah [116]. Tantangan dalam memperoleh akses terhadap teknologi digital juga dapat berkontribusi terhadap eksklusi
pertanian; hal ini mungkin terjadi pada individu (kurangnya keterampilan) atau teritorial (tingkat infrastruktur digital yang belum berkembang. Ada kekhawatiran
bahwa petani akan direduksi menjadi “pekerja data” sebagai akibat dari digitalisasi, yang dapat berdampak pada otonomi pengambilan keputusan mereka
( ketika menggunakan DSS) [117]. Pergeseran dinamika kekuasaan antara industri hulu dan hilir pertanian adalah masalah lain yang mungkin disebabkan oleh
digitalisasi. Karena semakin lazimnya industri hulu, teknologi digital berpotensi mempengaruhi pemahaman dan penggunaan alat-alat produksi , sehingga
mengakibatkan ketergantungan pada input tertentu yang bersifat spesifik.118 Dengan implikasi terhadap pembagian, tata kelola, dan bahaya pembentukan
anak perusahaan yang didorong oleh pihak hilir, teknologi data baru mungkin mengubah peran beberapa entitas (seperti bisnis di sektor hilir). industri digital)
di seluruh rantai nilai.
Dengan munculnya pemain dan alat yang bersifat monopoli, digitalisasi rantai makanan mungkin tidak bisa dihindari [115]. Pengendalian data merupakan
salah satu elemen kedaulatan digital, dan ada kemungkinan penyedia teknologi atau layanan digital menguasai informasi terkait pertanian. Untuk mendorong
inovasi, pertukaran data pertanian harus diatur, dan tata kelola data ini harus dibuat jelas [118]. Hal-hal yang terkait (misalnya sensor, robotika), ketersediaan
sistem geolokasi, dan isu pencegahan pembajakan data pertanian merupakan faktor-faktor penting yang perlu dipertimbangkan. Sistem pangan kita sangatlah
penting dan hingga saat ini sebagian besar tidak terpengaruh, sehingga menjadikannya target potensial di masa depan [119,120]. Digitalisasi sistem pertanian
dan pangan dapat menyebabkan peningkatan ketergantungan sumber daya di antara berbagai aktor dalam sistem [80]. Dapat memaparkan hal ini dalam arti
yang lebih luas, penting untuk ditekankan bahwa pertanian, bersama dengan industri hulu dan hilirnya, terdiri dari sistem sosioteknik yang kompleks, dan
dalam sistem ini, biaya energi secara keseluruhan semakin meningkat [121]. Hal ini penting agar hal ini tidak menutupi manfaat digitalisasi yang diharapkan.
Kemajuan teknologi digital berpotensi memperbesar dinamika kompleksitas yang semakin meningkat, oleh karena itu penting untuk mencegahnya memicu
kegilaan teknologi yang akan menjebak kita dalam siklus kompleksitas yang tidak terkendali [122,123].
13
Memanfaatkan peluang yang ditawarkan oleh teknologi digital untuk agroekologi dan menyeimbangkan kembali rantai nilai sambil mengidentifikasi
dan mengantisipasi risiko juga menimbulkan tantangan ilmiah, teknis, ekonomi, organisasi, dan politik [124]. Kami akan fokus secara rinci pada
tantangan ilmu pengetahuan dan teknologi serta tantangan manusia yang terkait untuk menanggapi empat jenis isu utama sistem pangan berkelanjutan:
(i) meningkatkan pengelolaan kolektif dan menggabungkan tingkat teritorial, (ii) meningkatkan pengelolaan pertanian, ( iii) menyeimbangkan kembali
rantai nilai antara hulu dan hilir dan (iv) menciptakan dan berbagi data dan pengetahuan [125,126].
8.1. Menyediakan alat digital untuk pengelolaan kolektif di tingkat regional
Tiga bidang utama telah diidentifikasi untuk mengatasi hambatan terkait penggunaan teknologi digital dalam pengelolaan lahan.
8.1.1. Pengukuran dan pemantauan dalam skala besar

Ambisi untuk mengurangi pertanian buatan, memaksimalkan aset lokal, dan menggunakan kembali sumber daya alam, akan ditentukan oleh
kapasitas untuk memanfaatkan aliran material, potensi regulasi biologis, dan fungsi di luar pertanian (misalnya, jasa ekosistem dan ekologi lahan).
Banyak interaksi yang berbeda hanya dapat dipahami melalui pendekatan sistemik [127].
(i) Beberapa karakteristik, seperti sejauh mana sebidang tanah dapat dilalui, hanya dapat dipahami dalam skala regional. Sebaliknya, hal-hal lain
harus dipertimbangkan seiring berjalannya waktu, seperti kapasitas ketahanan dan kecepatan pemulihan ketika menghadapi ancaman iklim.
Oleh karena itu, jika kita ingin menerapkan prinsip agroekologi, kita harus mengukur parameter yang sulit dideteksi seperti keanekaragaman
hayati, kualitas air tanah, emisi gas rumah kaca [124]. Teori informasi bergantung pada penyesuaian frekuensi pengambilan sampel (temporal
dan spasial). Sistem sering mengumpulkan data pada resolusi temporal dan geografis yang bervariasi (jaringan sensor) atau secara sporadis
(jaringan non-sensor) melalui crowdsourcing atau aplikasi seluler untuk mengelola data yang heterogen. Hal ini disebabkan oleh keragaman
dalam hal objek yang diamati, teknik penginderaan dan pengumpulan (termasuk crowdsourcing), pemangku kepentingan, parameter yang
diukur, format (nilai, gambar, lokalisasi), dan sifat metrologi (presisi, frekuensi). Tata kelola data juga merupakan masalah yang diperburuk
dalam sistem data multi-sumber [128,129].
8.1.2. Visualisasi data

Metode visualisasi perlu direvolusi untuk pengelolaan data di tingkat regional yang signifikan. Mengingat kekhasannya,
sektor pertanian telah mengajukan pertanyaan penelitian yang belum ada padanannya di bidang visualisasi, seperti [130]:
(i) Memvisualisasikan data multiskala, heterogen, data simbolik, data temporal, data variabel, data tidak lengkap, data kuantitatif, dan data kualitatif
tergantung pada variasi struktur seperti pemetaan dalam sistem informasi geografis (GIS) dan citra dari satelit atau drone.
(ii) Memvisualisasikan skala data ekstrem dari jangka pendek atau panjang, menghubungkannya dengan cara yang lancar dan jelas, dan
mengembangkan alat yang sesuai dan sesuai untuk agregasi dan
statistik [131]. (iii) Mengungkap informasi baru secara semi-otomatis dengan membandingkan peta atau data deret waktu, menyoroti kesimetrian, keteraturan,
tren dan korelasi.
(iv) Memenuhi kebutuhan yang kontradiktif seperti memvisualisasikan data yang sangat besar, namun dengan aplikasi seluler, atau membimbing pengguna sambil menghormati
otonomi mereka.
(v) Menemukan cara inovatif untuk merepresentasikan objek, ketergantungan, atau model kompleks yang mampu digunakan oleh individu
latar belakang yang beragam.
Pertanyaan-pertanyaan ini membuka prospek baru untuk mata pelajaran dasar tertentu, termasuk visualisasi ketidakpastian dan visualisasi tingkat
lanjut [125,132]. Namun demikian, belum banyak diskusi mengenai isu-isu yang berkaitan dengan privasi dan hak penggunaan data [131].
8.1.3. Perangkat digital untuk partisipasi, mediasi, dan tata kelola

Pendekatan multi-aktor sangat penting di tingkat regional dan memerlukan alat pendukung. Mode produksi pengetahuan sedang berubah, dengan
penelitian transdisipliner yang memerlukan kontribusi signifikan dari pemangku kepentingan eksternal, yang mungkin lebih mudah dilakukan di era
digital [124]. Di sektor-sektor yang beroperasi di tingkat regional, semakin sering terjadi konflik kepentingan individu dan kolektif [133]. Perangkat digital
baru dari teknik regional diharapkan dapat memfasilitasi dialog dalam dunia pertanian dan dengan pemangku kepentingan regional lainnya.
8.1.3.1. Sistem untuk memantau hewan, tumbuhan, dan lingkungannya. Kesulitan yang umum dalam pertanian adalah memastikan bahwa petani
mempunyai informasi yang cepat dan mudah dipahami mengenai status tanaman atau peternakan mereka sehingga memungkinkan deteksi dini
masalah dan memfasilitasi intervensi yang tepat waktu. Akuisisi kumpulan data dalam jumlah besar berpotensi meningkatkan fenotip pertanian dalam
skala besar, yang penting untuk memperluas pemahaman menyeluruh tentang agroekologi [133]. Dalam konteks agroekologi, salah satu isu utama
adalah deteksi malfungsi, dengan kompromi antara “cakupan” (area yang dicakup oleh sistem deteksi) versus spesifisitas.
Pengukuran spesifik (misalnya, mendeteksi virus atau bakteri) bersifat kompleks karena kebutuhan untuk menjalin kontak, biaya, pasokan energi, dan
masalah alarm palsu dalam peternakan [134].
Penelitian tentang sistem akuisisi, sensor dan IoT, sistem manajemen data, dan model digital terkait yang terkait dengan pertanian dapat membantu
14
fokus pada [135]:
(i) Menciptakan sensor-sensor baru dengan tetap memperhatikan kendala-kendala yang umum terjadi pada pertanian (yaitu, penghematan,
biaya, penggunaan energi). Untuk meningkatkan pemahaman tentang sistem agroekologi, menjadi semakin jelas bahwa kita harus
memperhitungkan parameter fisik suatu lingkungan dan parameter biologisnya (mikrobiota hewan/tanah), yang akan menimbulkan kebutuhan
dalam hal metodologi
omics. (ii) Mengoptimalkan mode transfer data, sehingga data dapat ditransfer secara otomatis ke pusat pemrosesan.
Penelitian yang bertujuan membangun teknologi digital yang bertanggung jawab untuk pertanian berkelanjutan harus benar-benar memasukkan
(i) perspektif komprehensif mengenai pertanian dan dampak penerapan teknologi digital, (ii) pencarian efektivitas biaya baik dari segi ekonomi dan
lingkungan, (iii ) pencarian ketahanan dibandingkan optimasi ekonomi dalam sistem pangan, dan perlindungan otonomi petani, dan (iv) keamanan
siber (yaitu, serangan melalui IoT, pembajakan data, gangguan geolokasi), sebuah topik yang menjadi lebih penting karena hal ini mempengaruhi
kedaulatan pangan [136,137]. Tabel 4 merangkum tantangan-tantangan terkini dalam pengembangan teknologi digital di bidang pertanian.
9. Ringkasan temuan
Tujuan dari tinjauan ini adalah untuk menggambarkan teknologi digital mutakhir yang diintegrasikan ke dalam industri pertanian dan memperkirakan
arah DA di masa depan. Berdasarkan analisis ekstensif, dapat disimpulkan bahwa teknologi tertentu seperti big data dan analitik, jaringan sensor
nirkabel, dan sistem cyber-fisik belum dipelajari secara ekstensif dalam domain pertanian pangan. Tingginya biaya penerapan teknologi yang
kompleks dan maju di sektor pertanian pada tahap awal penerapannya dapat menjadi salah satu penyebabnya
Tabel
4 Tantangan pengembangan teknologi digital di bidang pertanian.
Resiko Faktor Referensi
Mengompromikan transisi ekologi di bidang Transisi agroekologi dan penguncian teknologi. [113.114,
pertanian Membawa manusia semakin jauh dari alam. 138]
Menumbuhkan jejak lingkungan dari teknologi digital.
Melebarnya ketimpangan dan ketimpangan kekuasaan Risiko pengecualian. [115.118,
Hilangnya otonomi bagi petani. 119]
Pengendalian hulu dan hilir.
Mengakses informasi dan pelatihan.
Hilangnya kedaulatan Hilangnya otonomi atas pasokan pangan. [115.118,
Penyitaan data pertanian. 119]
Hilangnya kendali atas peralatan produksi.
Sebuah tantangan bagi keamanan siber.
Menonjolkan kerentanan dan hasil negatif. Kerentanan sistem pertanian pangan. [121.123]
Meningkatnya kompleksitas, berkurangnya keuntungan, dan risiko terkait.
Menyediakan alat digital untuk pengelolaan Pemantauan dan pengukuran di tingkat regional. [124]
kolektif di tingkat regional Visualisasi.
Perangkat digital untuk partisipasi, mediasi, dan tata kelola.
Membantu petani mengatur perjalanan teknisnya Sistem akuisisi dan diagnostik. [124]
Tantangan yang ditimbulkan oleh robotisasi dan transformasi digital pada tenaga kerja pertanian: - Persepsi
dan interpretasi pemandangan dalam lingkungan yang dinamis.
- Pendekatan lanjutan untuk pengambilan keputusan.
- Merancang alat aktif baru -
Interaksi manusia-mesin dan otonomi bersama.
- Keamanan operasional.
- Beradaptasi dengan sistem produksi baru.
- Pemodelan untuk menggabungkan efek sistemik dan membangun alat pendukung keputusan yang praktis dan dapat digunakan.
- Tingkat integrasi pengetahuan ahli.
- Membangun sistem pendukung keputusan yang praktis bagi petani.
- Ketidakpastian dan penyebarannya.
Mentransformasi hubungan antar pemangku - Layanan konsultasi dan asuransi - [119]
kepentingan dalam sektor Mengembangkan alat pendukung keputusan yang mampu mengintegrasikan fitur spesifik individu
pertanian (pedoklimatik, teknik agronomi tradisional yang digunakan, peralatan pertanian) dan preferensi petani.
- Melanjutkan analisis ekonomi pengambilan keputusan yang dilakukan petani dan dinamikanya
untuk adopsi inovasi digital.
- Analisis kelembagaan tata kelola digitalisasi pertanian.
Ketertelusuran, transparansi rantai pasokan yang lengkap, siklus hidup data –
Tantangan teknis teknologi blockchain dan tata kelolanya.
- Penyimpanan dan integrasi data dari pertanian dan rantai makanan, yaitu data besar.
- Platformisasi dan konfigurasi ulang saluran.
Membuat dan berbagi data dan pengetahuan Data partisipatif (crowdsourcing). [139.140]
Tata kelola dan pembagian data dan pengetahuan.
Formalisasi dan berbagi pengetahuan.
15
alasan utama kesenjangan ini. Temuan dari tinjauan ini juga menunjukkan bahwa IoT telah mendapatkan daya tarik yang signifikan di bidang pertanian. Hal ini
terutama disebabkan oleh beragamnya fungsi yang ditawarkan IoT, termasuk pemantauan, pelacakan, penelusuran, mesin pertanian, dan pertanian presisi.
Meskipun IoT merupakan area fokus yang signifikan dalam DA, sangat sedikit penelitian yang memperhitungkan aspek-aspek seperti keamanan dan keandalan
data, skalabilitas, dan interoperabilitas dalam pengembangan sistem pertanian cerdas. Analisis kami menunjukkan bahwa sebagian besar use case di sektor
pertanian masih dalam tahap prototipe. Hal ini mungkin disebabkan oleh fakta bahwa proses pertanian melibatkan organisme hidup seperti hewan dan
tumbuhan, serta produk yang mudah rusak, sehingga membuat sistem pengembangan lebih menantang dibandingkan dengan sistem non-hidup. Meskipun
demikian, pertanian relatif lambat dalam mengadopsi kemajuan teknologi karena sifat industri yang kompleks dan multidisiplin.
Digitalisasi sistem pertanian menjadi rumit karena variasi spesies tanaman dan kondisi pertumbuhan. Hal ini menekankan perlunya upaya penelitian dan
pengembangan yang signifikan di bidang tertentu untuk menjamin keberhasilan penerapan DA di negara maju dan berkembang.
Potensi teknologi blockchain untuk membantu industri pertanian juga diperiksa. Penerapan teknologi blockchain dapat memberikan manfaat bagi sektor
pertanian dengan menyediakan penyimpanan data yang tidak dapat diubah dan tidak dapat diubah. Selain itu, teknologi blockchain dapat meningkatkan
kredibilitas dan berkontribusi secara signifikan terhadap industri pertanian pangan berkelanjutan. Meskipun blockchain mempunyai potensi untuk memastikan
ketertelusuran pangan, masih ada beberapa keterbatasan yang harus dipertimbangkan, seperti peraturan, hubungan dengan pemangku kepentingan,
kepemilikan data, dan skalabilitas. Untuk meningkatkan pemahaman teknologi dan memungkinkan terciptanya aplikasi baru, akan bermanfaat bagi peneliti dan
pengembang untuk menetapkan model penilaian yang komprehensif.
Penerapan teknologi baru oleh para pemangku kepentingan di sektor pertanian hanya mungkin terjadi jika teknologi tersebut mudah digunakan,
meningkatkan produktivitas, dan memberikan nilai tambah bagi pengguna akhir. Oleh karena itu, penerapan teknologi baru dalam lingkungan pertanian
tradisional merupakan tantangan besar yang harus dilakukan secara bertahap dan efisien, dengan keterlibatan aktif para pemangku kepentingan yang terkena
dampak langsung di seluruh rantai pasokan. Kompleksitas ekosistem pertanian menimbulkan serangkaian hambatan yang saling terkait yang menghambat
integrasi teknologi digital untuk implementasi DA. Oleh karena itu, penting untuk mengidentifikasi kemungkinan tantangan untuk merumuskan solusi strategis
untuk mengatasinya. Tinjauan ini bertujuan untuk mengkaji tantangan-tantangan ini.
Berbagai manfaat yang dapat mendorong petani dan pemangku kepentingan untuk mengadopsi teknologi digital di sektor pertanian diidentifikasi dan
dirangkum dalam Tabel 5. Manfaat-manfaat tersebut berpotensi mengoptimalkan produktivitas pertanian, meningkatkan kualitas produk, dan pada akhirnya
berkontribusi pada peningkatan ketahanan pangan.
10. Perspektif DA di masa depan
Kemungkinan penggunaan teknologi canggih untuk meningkatkan produksi tanaman dalam kondisi normal dan stres dapat mendorong pengembangan
pertanian digital dengan cara yang terukur untuk mempertahankan mata pencaharian dan meningkatkan pasokan pangan [106,110]. Meskipun teknologi digital
memiliki potensi yang sangat besar untuk memberikan kontribusi yang signifikan terhadap produksi dan perlindungan tanaman, penerapan teknologi modern ini
juga memiliki risiko, seperti kurangnya privasi, konsentrasi penyedia layanan yang berlebihan, pengucilan dan bahkan hilangnya pekerjaan pada kelompok
tertentu. pekerjaan, dan pelanggaran keamanan cyber [141,142]. Meskipun teknologi digital menawarkan banyak keuntungan, namun hal tersebut tidak boleh
dianggap sebagai solusi akhir. Pentingnya cabang ilmu tanaman lain seperti bioteknologi tanaman dan pemuliaan untuk menghasilkan varietas baru atau
meningkatkan mekanisme pertahanan varietas tanaman yang ada terhadap kondisi buruk harus dipertimbangkan. Selain itu, peran infrastruktur dan pentingnya
investasi, seperti perbaikan jalan, listrik yang tidak terputus, fasilitas penyimpanan pasca panen, dan peningkatan logistik untuk menghubungkan petani ke
pasar, tidak dapat dilebih-lebihkan. Iklim investasi yang lebih baik dan kebijakan pemerintah yang lebih baik dapat mendorong penerapan teknologi digital di
bidang pertanian [106].
11. Kesimpulan
Industri pertanian modern dan peningkatan metode produksi pertanian menjadi penting karena meningkatnya kekhawatiran terhadap krisis ketahanan
pangan dunia. Agenda Revolusi Industri 4.0, yang memelopori berkembangnya pendekatan berbasis data, telah melengkapi sektor pertanian dengan beragam
solusi kreatif untuk meningkatkan hasil pertanian, menurunkan harga, mengurangi limbah, dan mempertahankan input proses. Tinjauan ini menyajikan analisis
komprehensif mengenai kondisi teknologi digital yang ada saat ini di dunia
Tabel
5 Nilai Tambah DA.
Manfaat Penjelasan
Peningkatan ketangkasan Teknologi digital meningkatkan fleksibilitas dan daya tanggap operasi pertanian. Dengan memanfaatkan sistem pemantauan dan prediksi secara real-time, petani atau
spesialis pertanian dapat segera merespons setiap potensi perubahan kondisi lingkungan dan air untuk melindungi tanaman dari stres.
Proses hijau Platform digital dapat meningkatkan efisiensi pemanfaatan sumber daya dengan mengoptimalkan kuantitas dan kualitas hasil pertanian sekaligus mengurangi konsumsi air,
energi, pupuk, dan pestisida.
Waktu dan biaya Teknologi digital memungkinkan penghematan waktu dan biaya yang besar dengan mengotomatiskan berbagai operasi, seperti menabur, memanen, mengairi, dan mengatur
tabungan penggunaan pestisida atau pupuk.
Manajemen aset Teknologi digital memungkinkan pemantauan instan terhadap properti dan peralatan pertanian untuk mencegah pencurian, mempercepat penggantian komponen, dan melakukan
pemeliharaan rutin.
Keamanan produk Penerapan teknologi digital memastikan produktivitas pertanian yang memadai dan menjamin pasokan produk pertanian pangan yang aman dan sehat dengan mencegah
aktivitas penipuan terkait dengan pemalsuan, pemalsuan, dan penyempurnaan buatan.
16
sektor pertanian. Penilaian kami menunjukkan bahwa big data dan analitik, jaringan sensor nirkabel, dan sistem cyber-fisik masih dalam tahap awal. Sebagian besar
kasus penggunaan masih dalam tahap pengembangan dan belum mencapai pasar untuk penggunaan komersial. Selain itu, penggunaan blockchain terbukti bermanfaat
bagi petani dengan memungkinkan penyimpanan data yang tidak dapat diubah dan tidak dapat diubah. Pemanfaatan teknologi blockchain untuk mengamankan
ketertelusuran pangan dan penyimpanan data di seluruh rantai pasokan tampaknya memberikan harapan besar.
Selain itu, terdapat tantangan-tantangan tertentu yang diidentifikasi, yang harus diperiksa dan diatasi secara cermat untuk mencapai digitalisasi industri pertanian.
Tinjauan ini menyoroti dan menjelaskan nilai tambah teknologi digital dalam industri pertanian. Tinjauan ini diharapkan dapat memberikan kontribusi sumber daya yang
berharga bagi penelitian yang sedang berlangsung mengenai DA. Tinjauan ini memiliki dua keterbatasan utama.
Pertama, pencarian literatur dibatasi hanya pada lima repositori online, (Scopus, Springer Link, Science Direct, Perpustakaan Pertanian Nasional, Google Cendekia).
Kedua, ada kemungkinan bahwa penggunaan kata kunci dan sinonim tambahan dapat menghasilkan identifikasi penelitian yang lebih relevan untuk dimasukkan dalam
tinjauan ini. Namun demikian, dalam skenario mana pun, kemungkinan mengubah kesimpulan keseluruhan penelitian ini sangat kecil.
Informasi tambahan
Tidak ada informasi tambahan yang tersedia untuk makalah ini.
Pernyataan kontribusi kepenulisan CReditT
Rambod Abiri: Analisis formal, Sumber Daya, Visualisasi, Penulisan – draf asli. Nastaran Rizan: Investigasi, Metodologi, Penulisan – review & editing, Supervisi.
Siva K. Balasundram: Pengawasan, Validasi, Penulisan – review & editing. Arash Bayat Shahbazi: Analisis formal, Investigasi, Penulisan – review & penyuntingan.
Hazandy Abdul-Hamid: Akuisisi pendanaan, Metodologi, Pengawasan, Penulisan – review & editing.
Deklarasi kepentingan bersaing
Para penulis menyatakan bahwa mereka tidak mempunyai kepentingan finansial atau hubungan pribadi yang saling bersaing yang mungkin terlihat demikian
mempengaruhi pekerjaan yang dilaporkan dalam makalah ini.
Referensi
[1] Veronique Bellon-Maurel, Ludovic Brossard, Frédérick Garcia, Nathalie Mitton, Termier Alexandre, Memaksimalkan Teknologi Digital untuk Berkontribusi
pada Transisi menuju Pertanian Berkelanjutan dan Sistem Pangan, Université de Rennes, 2022.
[2] RW Scholz, dkk., Efek samping yang tidak diinginkan dari transisi digital: pesan ilmuwan Eropa dari meja bundar pakar berbasis proposisi, Keberlanjutan
(Swiss) 10 (6) (2018), https://doi.org/10.3390/su10062001.
[3] Veronique Bellon-Maurel, Huyghe Catherin, Inovasi untuk pertanian yang lebih berkelanjutan dan sejahtera, Geoeconomie 80 (2016) 159–180.
[4] C. Padhy, M. Reddy, RR-IJ dari N., dan belum terdefinisi, Peran teknologi digital dalam pertanian, 2022 Researchgate.net, Diakses: Maret. 23, 2023. [On line].
Tersedia: https://www.researchgate.net/profile/Chitrasena-Padhy/publication/360156670_Role_of_Digital_Technology_in_Agriculture/links/
626517f38e6d637bd1f8fa2e/Role-of-Digital-Technology-in-Agriculture.pdf.
[5] T. Banhazi, H. Lehr, J. Black, HC-IJ, dan tidak terdefinisi, Peternakan presisi: tinjauan internasional aspek ilmiah dan komersial, 2012 abepublishing.org, Maret. 23, 2023.
[On line]. Tersedia: https://www.abepublishing.org/~abepubli/journals/index.php/ijabe/article/view/599.
[6] Y. Liu, X. Ma, L. Shu, GP Hancke, AM Abu-Mahfouz, Dari industri 4.0 hingga pertanian 4.0: status saat ini, teknologi pendukung, dan tantangan penelitian,
IEEE Trans. Ind.Inf. 17 (6) (Juni 2021) 4322–4334, https://doi.org/10.1109/TII.2020.3003910.
[7] F. da Silveira, FH Lermen, FG Amaral, Tinjauan pembangunan pertanian 4.0: tinjauan sistematis terhadap deskripsi, teknologi, hambatan, keunggulan,
dan kekurangannya, Comput. Elektron. Pertanian. 189 (Oktober 2021), 106405, https://doi.org/10.1016/J.COMPAG.2021.106405.
[8] G. Idoje, T. Dagiuklas, M. Iqbal, Survei teknologi pertanian cerdas: tantangan dan permasalahan, Comput. listrik. bahasa Inggris 92 (Juni 2021), 107104, https://doi.org/
10.1016/J.COMPELECENG.2021.107104.
[9] H. Snyder, Tinjauan Pustaka sebagai metodologi penelitian: gambaran umum dan pedoman, J. Bus. Res. 104 (November 2019) 333–339, https://doi.org/10.1016/J.
JBUSRES.2019.07.039.
[10] G. Wong, dkk., Standar publikasi RAMESES: ulasan meta-naratif, J. Adv. Perawat. 69 (5) (Mei 2013) 987–1004, https://doi.org/10.1111/JAN.12092.
[11] B.Basso, JA-N. Keberlanjutan, dan tidak terdefinisi, Pertanian digital untuk merancang sistem pertanian berkelanjutan, 2020 nature.com, Diakses: Maret. 23 Agustus 2023.
[On line]. Tersedia: https://www.nature.com/articles/s41893-020-0510-0.
[12] R. Sparrow, M. Howard, Robot di bidang pertanian: prospek, dampak, etika, dan kebijakan, Precis. Pertanian. 22 (3) (Juni 2021) 818–833, https://doi.org/10.1007/
S11119-020-09757-9.
´
[13]EL Bolfe, dkk., Pertanian presisi dan digital: adopsi teknologi dan persepsi petani Brasil, Pertanian 10 (12) (2020) 653, https://doi. org/10.3390/PERTANIAN10120653.
[14] A.( Addis, Benyam, T. Soma, E. Fraser, Teknologi pertanian digital untuk pencegahan dan pengurangan kehilangan dan limbah pangan: tren global, peluang adopsi
dan hambatan, J. Clean. Melecut. 323 (November 2021), 129099, https://doi.org/10.1016/J.JCLEPRO.2021.129099.
[15] Taoufik Yatribi, Faktor-faktor yang mempengaruhi adopsi pertanian presisi: tinjauan literatur sistematis, Ekonomi 8 (2) (Desember 2020) 103–121, https://doi.org/
10.2478/EOIK-2020-0013.
[16] L. Raimi, M. Panait, R. Sule, Memanfaatkan pertanian presisi untuk ketahanan pangan berkelanjutan di Afrika sub-Sahara: wacana teoretis, dalam: Pergeseran Pola
Perdagangan Pertanian, Springer, Singapura, 2021, hlm. 491–509, https://doi.org/10.1007/978-981-16-3260-0_21.
[17] A. Lajoie-O'Malley, K. Bronson, S. van der, B.-E. Layanan, dan tidak terdefinisi, Masa Depan Pertanian Digital dan Sistem Pangan Berkelanjutan: Analisis Dokumen Kebijakan
Tingkat Tinggi, Elsevier, 2020. Maret. 23, 2023. [On line]. Tersedia: https://www.sciencedirect.com/science/article/pii/ S221204162030125X?
casa_token=tFSwB0toxykAAAAAA:jfSRUkEYGfW3GFcS2YbLp0mOR-hPh4GYmC5GohX3Fxq20sb-tbFm9q6ir0d4ex3sN8lnrb1z4zzM.
[18] A.Khanna, SK-C. dan elektronik di bidang pertanian, dan belum terdefinisi, dalam: Evolusi Internet of Things (IoT) dan Dampak Signifikannya di Bidang Pertanian Presisi,
Elsevier, 2019. Maret. 23 Agustus 2023 [Online]. Tersedia: https://www.sciencyirect.com/science/article/pii/s0168169918316417?casa_ token =
DXGWQQ1U3M4AAAAA: TR780W1ICFQQZH-9WZ4OTJBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBTAS AGTD_XMOMO8.
[19] L. Comba, dkk., Evaluasi indeks area daun di kebun anggur menggunakan awan titik 3D dari citra UAV, Precis. Pertanian. 21 (4) (Agustus 2020) 881–896, https://doi.org/
10.1007/S11119-019-09699-X.
17
´
[20] J. del Cerro, CC Ulloa, A. Barrientos, J. de Leon Rivas, Kendaraan udara tak berawak di bidang pertanian: survei, Agronomi 11 (2) (Jan. 2021) 203, https://doi.org/ 10.3390/AGRONOMI11020203.
[21] PN Patel, MA Patel, RM Faldu, YR Dave, B. Mekatronika, V. Vidyanagar, Quadcopter untuk pengawasan pertanian, Adv. Elektron. pilihan. bahasa Inggris 3 (4) (2013)
427–432. Berbaris. 26, 2023. [On line]. Tersedia: http://www.ripublication.com/aeee.htm.
[22] C. Garcer´ a, G. Doruchowski, PC-C. Perlindungan, dan tidak terdefinisi, Harmonisasi Ekspresi Dosis Produk Perlindungan Tanaman dan Penyesuaian Dosis untuk Tanaman 3D Tumbuh Tinggi:
Tinjauan, Elsevier, 2021. Maret. 23, 2023. [On line]. Tersedia: https://www.sciencedirect.com/science/article/pii/ S0261219420303501?
casa_token=M_PwfqHzTn0AAAAA:dREc9xFOdKXUT4u9LBhc3DSVoj-3Jmjwyd8tOxgET8Yzhwb5GG7ZVph7pwOY2Ew0WK6_ 9ZC3hez5.
[23] J. Bates, C. Montzka, M. Schmidt, FJ-R. Merasakan, dan tidak terdefinisi, Memperkirakan rangkaian waktu parameter kerapatan kanopi untuk gandum musim dingin menggunakan UAS Mounted
LiDAR, 2021 mdpi.com, Maret. 23, 2023. [On line]. Tersedia: https://www.mdpi.com/999610.
[24] O. Vergara-Díaz, dkk., Pendekatan penginderaan jauh baru untuk prediksi hasil jagung dalam berbagai kondisi pemupukan nitrogen, Front. Ilmu Tanaman. 7
(Mei 2016), https://doi.org/10.3389/FPLS.2016.00666/FULL.
[25] W. Guo, dkk., Fenotip tanaman berbasis UAS untuk aplikasi penelitian dan pemuliaan, downloads.spj.sciencemag.org (2021), https://doi.org/10.34133/2021/
9840192.
[26] S. Gorjian, H. Ebadi, M. Trommsdorff, HS-J. lebih bersih, dan tidak terdefinisi, Munculnya mesin pertanian listrik modern bertenaga surya: solusi untuk operasi pertanian berkelanjutan, Elsevier, 2021.
Maret. 23, 2023. [On line]. Tersedia: https://www.sciencedirect.com/science/article/pii/S095965262100250X?
casa_token=_w3d7RHcI_UAAAAA:m9boTy9WOAN_tdAK07jAtCg3Mk3Z8CArVvsi4KLcp9bpqra4mQhtvNFfYvbx4LLfX6xAFvBSxNLc.
[27] F. Mocera, V. Martini, AS-Energies, dan tidak terdefinisi, Analisis komparatif arsitektur listrik hibrida untuk traktor pertanian khusus, mdpi.com (2022), https://doi.org/10.3390/en15051944.
[28] G. Das, I. Gould, P. Zarafshan, JH-… dalam A. dan F., dan tidak terdefinisi, dalam: Penerapan Energi Robotik dan Surya dalam Pertanian Presisi dan Pertanian Cerdas,
Elsevier, 2022. Maret. 23, 2023. [On line]. Tersedia: https://www.sciencedirect.com/science/article/pii/B9780323898669000110.
[29] M. Pérez-Ruíz, DC Slaughter, FA Fathallah, CJ Gliever, BJ Miller, Sistem pengendalian gulma intra-baris co-robotik, Biosyst. bahasa Inggris 126 (Oktober 2014) 45–55, https://
doi.org/10.1016/J.BIOSYSTEMSENG.2014.07.009.
[30] F. Bader, S. Rahimifard, Tantangan untuk aplikasi robot industri di bidang manufaktur makanan, dalam: Seri Prosiding Konferensi Internasional ACM, September 2018,
https://doi.org/10.1145/3284557.3284723.
[31] D. Acemoglu, P. Restrepo, Otomasi dan tugas baru: bagaimana teknologi menggantikan dan mengembalikan tenaga kerja, J. Econ. Perspektif. 33 (2) (Maret 2019) 3–30, https://doi.
org/10.1257/JEP.33.2.3.
[32] Bunge Jacob, Jesse Newman, Tyson beralih ke robot tukang daging, didorong oleh wabah virus corona, Wall St.J.9 (2020).
[33] SO Araújo, RS Peres, J. Barata, F. Lidon, JC Ramalho, Mengkarakterisasi lanskap pertanian 4.0—tren, tantangan, dan peluang yang muncul,
Agronomi 11 (4) (Apr. 2021) 667, https://doi.org/10.3390/AGRONOMY11040667.
[34] A. Bechar, C. Vigneault, Robot pertanian untuk operasi lapangan: konsep dan komponen, Biosyst. bahasa Inggris 149 (September 2016) 94–111, https://doi.org/10.1016/J.
BIOSYSTEMSENG.2016.06.014.
[35] P. Sanjeevi, S. Prasanna, B. Siva Kumar, G. Gunasekaran, I. Alagiri, R. Vijay Anand, Pertanian presisi dan pertanian menggunakan internet of things berbasis nirkabel
jaringan sensor, Trans. Muncul. Telekomunikasi. Teknologi. 31 (12) (Desember 2020), https://doi.org/10.1002/ETT.3978.
[36] D. Popescu, F. Stoican, G. Stamatescu, L. Ichim, C. Dragana, Advanced UAV–WSN System for Intelligent Monitoring in Precision Agriculture, 2019, hlm. 18–21, https://doi.org /10.3390/s20030817,
mdpi.com.
[37] A. Barrios-Ulloa, P. Ariza-Colpas, HS-M.- Sensor, dan tidak terdefinisi, Pemodelan propagasi gelombang radio untuk jaringan sensor nirkabel di lingkungan bervegetasi: tinjauan literatur sistematis,
2022 mdpi.com, Maret. 23, 2023. [On line]. Tersedia: https://www.mdpi.com/1424-8220/22/14/5285.
[38] A. Kochhar, N. Kumar, U. Arora, Penilaian sinyal menggunakan ML untuk evaluasi kerangka WSN dalam pemantauan rumah kaca, Int. J.Sensor. Komunikasi Nirkabel.
Kontrol 12 (9) (Des. 2022) 669–679, https://doi.org/10.2174/2210327913666221220154338.
[39] MU Aftab, O. Ashraf, M. Irfan, M. Majid, A. Nisar, MA Habib, Kajian review jaringan sensor nirkabel dan keamanannya, Commun. jaringan. 7 (4) (2015)
172–179, https://doi.org/10.4236/CN.2015.74016.
[40] X. Yu, P. Wu, W. Han, Z. Zhang, Sebuah survei tentang infrastruktur jaringan sensor nirkabel untuk pertanian, Comput. Berdiri. Antarmuka. 35 (1) (Januari 2013) 59–64, https://doi.org/10.1016/
J.CSI.2012.05.001 .
[41] W. Osamy, AM Khedr, A. Salim, AI Al Ali, AA El-Sawy, Tantangan cakupan, penerapan dan lokalisasi dalam jaringan sensor nirkabel berdasarkan teknologi buatan
teknik intelijen: ulasan, IEEE Access 10 (2022) 30232–30257, https://doi.org/10.1109/ACCESS.2022.3156729.
[42] D. Thakur, Y. Kumar, A. Kumar, PK Singh, Penerapan jaringan sensor nirkabel dalam pertanian presisi: tinjauan, Wireless Pers. Komunitas. 107 (1) (April 2019) 471–512, https://doi.org/10.1007/
S11277-019-06285-2/METRICS.
[43] A. Abdollahi, K. Rejeb, A. Rejeb, MM Mostafa, S. Zailani, Jaringan sensor nirkabel di bidang pertanian: wawasan dari analisis bibliometrik, Keberlanjutan 13 (21)
(Oktober 2021), 12011, https://doi.org/10.3390/SU132112011.
[44] B. Wang, T. Chen, Memahami penggunaan berkelanjutan dalam jaringan sensor nirkabel kebijaksanaan pertanian, Int. J. Komunikasi Seluler. 17 (4) (2019) 422, https://
doi.org/10.1504/IJMC.2019.100502.
[45] U. Sivarajah, MM Kamal, Z. Irani, V. Weerakkody, Analisis kritis terhadap tantangan Big Data dan metode analisis, J. Bus. Res. 70 (Januari 2017) 263–286,
https://doi.org/10.1016/J.JBUSRES.2016.08.001.
[46] M. Chi, A. Plaza, JA Benediktsson, Z. Sun, J. Shen, Y. Zhu, Big data untuk penginderaan jauh: tantangan dan peluang, Proc. IEEE 104 (11) (November 2016)
2207–2219, https://doi.org/10.1109/JPROC.2016.2598228.
[47] K. Tesfaye, dkk., Menargetkan varietas jagung tahan kekeringan di Afrika bagian selatan: pendekatan pemodelan tanaman geospasial menggunakan data besar, Int. Agribus Pangan. Kelola.
Wahyu 19 (2016). Berbaris. 28, 2023. [Online]. Tersedia: https://cgspace.cgiar.org/handle/10568/76332.
[48] SA Osinga, D. Paudel, SA Mouzakitis, IN Athanasiadis, Data besar di bidang pertanian: antara peluang dan solusi, Agric. sistem. 195 (Januari 2022), 103298, https://doi.org/10.1016/
J.AGSY.2021.103298.
[49] A. Kamilaris, A. Kartakoullis, FX Prenafeta-Boldú, Tinjauan tentang praktik analisis data besar di bidang pertanian, Comput. Elektron. Pertanian. 143 (Desember 2017)
23–37, https://doi.org/10.1016/J.COMPAG.2017.09.037.
[50] R. Sharma, SS Kamble, A. Gunasekaran, V. Kumar, A. Kumar, Tinjauan literatur sistematis tentang aplikasi pembelajaran mesin untuk pertanian berkelanjutan
kinerja rantai pasokan, Comput. Operasi. Res. 119 (Juli 2020), 104926, https://doi.org/10.1016/J.COR.2020.104926.
[51] T. Talaviya, D. Shah, N. Patel, H. Yagnik, M. Shah, Implementasi kecerdasan buatan di bidang pertanian untuk optimalisasi irigasi dan penerapan pestisida dan herbisida, Artif. Intelegensi. Pertanian.
4 (Januari 2020) 58–73, https://doi.org/10.1016/J.AIIA.2020.04.002.
[52] L. Benos, AC Tagarakis, G. Dolias, R. Berruto, D. Kateris, D. Bochtis, Pembelajaran mesin di bidang pertanian: tinjauan komprehensif terkini, Sensor 21 (11) (Mei
2021) 3758, https://doi.org/10.3390/S21113758.
[53] KG Liakos, P. Busato, D. Moshou, S. Pearson, D. Bochtis, Pembelajaran mesin di bidang pertanian: ulasan, Sensor 18 (8) (Agustus 2018) 2674, https://doi.org/
10.3390/S18082674.
[54] G. Xu, H. Li, S. Liu, K. Yang, X. Lin, VerifyNet: pembelajaran gabungan yang aman dan dapat diverifikasi, IEEE Trans. Inf. Keamanan Forensik. 15 (2020) 911–926, https://doi.org/
10.1109/TIFS.2019.2929409.
[55] J. Schmidhuber, Pembelajaran mendalam dalam jaringan saraf: gambaran umum, Jaringan Syaraf Tiruan. 61 (Januari 2015) 85–117, https://doi.org/10.1016/J.NEUNET.2014.09.003.
[56] A. Canziani, A. Paszke, E. Culurciello, Analisis Model Jaringan Syaraf Dalam untuk Aplikasi Praktis, Maret. 28, 2023. [Online]. Tersedia: https://
arxiv.org/abs/1605.07678v4, Mei 2016.
[57] A. Kamilaris, FX Prenafeta-Boldú, Pembelajaran mendalam di bidang pertanian: survei, Comput. Elektron. Pertanian. 147 (April 2018) 70–90, https://doi.org/10.1016/J.
PERUSAHAAN.2018.02.016.
[58] S. Albawi, TA Mohammed, S. Al-Zawi, Pemahaman jaringan saraf konvolusional, dalam: Prosiding Konferensi Internasional tentang Teknik 2017
dan Teknologi, ICET 2017, Maret 2018, hlm. 1–6, https://doi.org/10.1109/ICENGTECHNOL.2017.8308186, 2018-Januari.
18
R. Abiri dkk.
Heliyon 9 (2023) e22601
[59] F. Terribile, dkk., Sistem pendukung keputusan spasial berbasis web untuk pengelolaan lahan dan konservasi tanah, Solid Earth 6 (3) (Jul. 2015) 903–928, https://
doi.org/10.5194/SE-6-903-2015.
[60] A. Felsberger, B. Oberegger, dan G. Reiner, “Tinjauan Sistem Pendukung Keputusan untuk Sistem Manufaktur”.
[61] P. Taechatanasat, L. Armstrong, Data sistem pendukung keputusan untuk pengambilan keputusan petani, Hasil penelitian 2014 hingga 2021, Maret. 28, 2023. [Online].
Tersedia: https://ro.ecu.edu.au/ecuworkspost2013/855,
¨ Januari 2014.
[62] L. Wang, M. Torngren, M. Onori, Status terkini dan kemajuan sistem cyber-fisik di bidang manufaktur, J. Manuf. sistem. 37 (Oktober 2015) 517–527, https://doi.org/10.1016/
J.JMSY.2015.04.008 .
[63] DGS Pivoto, LFF de Almeida, R. da Rosa Righi, JJPC Rodrigues, AB Lugli, AM Alberti, Arsitektur sistem cyber-fisik untuk aplikasi internet of things industri di Industri 4.0: tinjauan literatur,
J. Manuf. sistem. 58 (Januari 2021) 176–192, https://doi.org/10.1016/J.JMSY.2020.11.017.
[64] B. Bagheri, S. Yang, HA Kao, J. Lee, Arsitektur sistem cyber-fisik untuk mesin sadar diri di lingkungan industri 4.0, IFAC-PapersOnLine 48 (3)
(Januari 2015) 1622–1627, https://doi.org/10.1016/J.IFACOL.2015.06.318.
´
[65] AF Jimenez, PF Cardenas, F. Jimenez, A. Canales, A. Lopez, Agen kecerdasan cyber-fisik untuk penjadwalan irigasi pada tanaman hortikultura, Comput.
Elektron. Pertanian. 178 (November 2020), 105777, https://doi.org/10.1016/J.COMPAG.2020.105777.
[66] A. Selmani, dkk., Sistem siber-fisik pertanian yang diaktifkan untuk pengelolaan jarak jauh irigasi presisi bertenaga surya, Biosyst. bahasa Inggris 177 (Januari 2019) 18–30, https://
doi.org/10.1016/J.BIOSYSTEMSENG.2018.06.007.
[67] A. Nayak, R. Reyes Levalle, S. Lee, SY Nof, Berbagi sumber daya dalam sistem cyber-fisik: kerangka pemodelan dan studi kasus, Int. J.Prod. Res. 54 (23) (Desember 2016) 6969–6983,
https://doi.org/10.1080/00207543.2016.1146419.
[68] A. Corallo, R. Paiano, AL Guido, A. Pandurino, ME Latino, M. Menegoli, Pemantauan cerdas sistem berbasis Internet of Things untuk keterlacakan dan transparansi rantai nilai pertanian
pangan: kerangka kerja yang diusulkan, dalam: EESMS 2018 - Sistem Pemantauan Lingkungan, Energi, dan Struktural, Prosiding, Juli 2018, hlm. 1–6, https://doi.org/10.1109/
EESMS.2018.8405814.
[69] Marco Iansiti, Karim R. Lakhani, Kebenaran tentang blockchain, Harv. Bis. Wahyu 95 (2017) 118–127.
[70] H. Xiong, T. Dalhaus, P. Wang, J. Huang, Teknologi Blockchain untuk pertanian: aplikasi dan dasar pemikiran, Front. Blockchain 3 (Februari 2020) 7, https://doi.org/
10.3389/FBLOC.2020.00007.
[71] MP Caro, MS Ali, M. Vecchio, R. Giaffreda, Ketertelusuran berbasis Blockchain dalam manajemen rantai pasokan pertanian pangan: implementasi praktis, dalam: KTT vertikal dan
topikal IoT 2018 tentang pertanian - tuscany, IOT Tuscany 2018, Juni 2018, hlm. 1–4, https://doi.org/10.1109/IOT-TUSCANY.2018.8373021.
[72] Sam Haveson, Alan Lau, dan V.wong, “Melindungi Petani di Pasar Berkembang dengan Blockchain,” Newyork, NY: Cornell Tech.
[73] Organisasi WH dan Organisasi F. dan A., Aksi E-pertanian: blockchain untuk pertanian, peluang dan tantangan, dalam: Aksi E-pertanian:
blockchain untuk pertanian, peluang dan tantangan, 2019.
[74] GS Sajja, KP Rane, K. Phasinam, T. Kassanuk, E. Okoronkwo, P. Prabhu, Menuju penerapan blockchain di sektor pertanian, Mater. Hari ini Proc. (Agustus.
2021), https://doi.org/10.1016/J.MATPR.2021.07.366.
[75] V. Gatteschi, F. Lamberti, C. Demartini, C. Pranteda, V. Santamaría, Blockchain dan kontrak pintar untuk asuransi: apakah teknologinya cukup matang? mdpi.com (2018) https://doi.org/
10.3390/fi10020020.
[76] D. Harz, L. Gudgeon, AG-P. tahun 2019, dan tidak ditentukan 2019, Saldo: penyesuaian dinamis setoran mata uang kripto, dl.acm.org (Nov. 2019) 18, https://doi.org/
10.1145/3319535.3354221 .
[77] Christoph Mussenbrock, Stephan Karpischek, Buku Putih Etherisc, vol. 9, Ethersic GmbH, Munich, 2017, hlm.18–31.
[78] J. Lin, Z. Shen, A. Zhang, ketertelusuran pangan berbasis Blockchain dan IoT untuk pertanian cerdas, dl.acm.org (Jul. 2018) 1–6, https://doi.org/10.1145/
3265689.3265692. YC konferensi internasional ke-3 pada, dan tidak ditentukan pada tahun 2018.
[79] M. Torky, AH-C. dan E. di bidang Pertanian, dan tidak terdefinisi, Mengintegrasikan blockchain dan internet dalam pertanian presisi: analisis, peluang, dan tantangan, Elsevier, 2020.
Maret. 23, 2023. [On line]. Tersedia: https://www.sciencedirect.com/science/article/pii/S0168169919324329?casa_token=t-
cKFP2pWVEAAAAA:Fstt1T0E8_ZEk2nrxew3Q5XcqMSBfKiypkIY2dAefZCJvunDXFhM8jXzTR2XctwLbnjqtZiF07s.
[80] M. Gupta, M. Abdelsalam, SK-I. Akses, dan tidak terdefinisi, Keamanan dan privasi dalam pertanian cerdas: tantangan dan peluang, ieeexplore.ieee.org (2020).
Berbaris. 25 Agustus 2023 [Online]. Tersedia: https://ieeexplore.ieee.org/abstract/document/9003290/.
[81] M. Tripoli, J. Schmidhuber, Peluang yang Muncul untuk Penerapan Blockchain di Industri Agri-Makanan, Organisasi Pertanian, Pangan dan Pertanian Perserikatan Bangsa-
Bangsa, 2018.
[82] Y.-P. Lin, dkk., Blockchain: Langkah evolusi berikutnya untuk e-agriculture ICT, mdpi.com, (2017), https://doi.org/10.3390/environments4030050.
[83] A. Patil, B. Tama, Y. Park, KR-A. dalam CS dan, dan tidak terdefinisi, Kerangka kerja untuk pertanian rumah kaca pintar aman berbasis blockchain 474, Springer, 2018, hlm. 1162–
1167, https://doi.org/10.1007/978-981-10-7605-3_185.
[84] J. Astill, R. Dara, M. Campbell, JF-T. dalam FS, dan tidak terdefinisi, Transparansi dalam Rantai Pasokan Pangan: Tinjauan Solusi Teknologi yang Memungkinkan, Elsevier, 2019. Maret.
23 Agustus 2023 [Online]. Tersedia: https://www.sciencedirect.com/science/article/pii/S0924224418309178?casa_token=m871wlwoNBcAAAAA:
t0IvHGBLhzOM26w7MxtnHwfNfVmu4WnhaYp7SktaSnnAR-S4ZU73wzZ99awMU6A7YNKVgu7LsSP2.
[85] L. Ge, C. Brewster, J. Spek, A. Smeenk, dalam: J. Top, Blockchain untuk pertanian dan pangan: Temuan dari studi percontohan, 2017. Maret. 23 Agustus 2023 [Online].
Tersedia: https://library.wur.nl/WebQuery/wurpubs/530264.
[86] MA Resende-Filho, TM Hurley, Asimetri informasi dan insentif ketertelusuran untuk keamanan pangan, Int. J.Prod. ekonomi. 139 (2) (Oktober 2012) 596–603, https://
doi.org/10.1016/J.IJPE.2012.05.034.
[87] R. Kamath, Reshma Kamath, Ketertelusuran makanan di blockchain: pilot daging babi dan mangga Walmart dengan IBM, J. British Blockchain Assoc. 1 (1) (2018).
[88] M. Montecchi, K. Plangger, ME-B. Cakrawala, dan tidak terdefinisi, Ini nyata, percayalah! Menetapkan asal rantai pasokan menggunakan blockchain, Elsevier, 2019.
Berbaris. 23, 2023. [On line]. Tersedia: https://www.sciencedirect.com/science/article/pii/S0007681319300084?casa_token=Yia7owaq-OAAAAAA:
UPnJpsW9TQZjlSIw1QDJAe0Q6NgGkVuheeCV3ChkVG2vYVQ1-DABk_34q6R8JURQOTDl4Aiv4wIo.
[89] T.Oliveira, M.Alhinho, P.Rita, GD-C. dalam H. Perilaku, dan tidak terdefinisi, Pemodelan dan pengujian dimensi kepercayaan konsumen dalam e-commerce, Elsevier, 2017.
Berbaris. 23, 2023. [On line]. Tersedia: https://www.sciencedirect.com/science/article/pii/S074756321730064X?casa_token=TqzsAgjDZxQAAAAA:
ORvj2WJdD2GdPMcbNgwb2GxvEtAizCy2une_bvGQRYNdxTakezo7wj1G6ZM9k3gaGefoPKmFBGhl.
[90] N. Reddy, BD-PE dan Keuangan, dan tidak terdefinisi, Studi tentang Tantangan yang Dihadapi Perusahaan E-Commerce di India dan Metode yang Digunakan untuk Mengatasinya,
Elsevier, 2014. Maret. 23 Agustus 2023 [Online]. Tersedia: https://www.sciencedirect.com/science/article/pii/S2212567114002202.
[91] N. Boysen, R. De Koster, FW-EJ dari Operasional, dan tidak terdefinisi, Pergudangan di Era E-Commerce: Sebuah Survei, Elsevier, 2019. Maret. 23 Agustus 2023 [Online].
Tersedia: https://www.sciencedirect.com/science/article/pii/S0377221718307185?casa_token=v1qohOPLolMAAAAA:CWx-E3UJFtxVIpYAsCZxb2fIyJ-
WpSLe9vImN1a3BCPGJ08GOCrAk-sVMEUfiT8mBgPLSldz8IK3.
[92] X. Xu dkk., “Blockchain sebagai konektor perangkat lunak,” ieeexplore.ieee.org, doi: 10.1109/WICSA.2016.21.
[93] J. Chod, N. Trichakis, G. Tsoukalas, H. Aspegren, M. Weber, Tentang manfaat pembiayaan transparansi rantai pasokan dan adopsi blockchain, pubsonline.
informs.org 66 (10) (Oktober 2020) 4378–4396, https://doi.org/10.1287/MNSC.2019.3434.
[94] V. Babich, G. Hilary, Buku besar dan operasi terdistribusi: apa yang harus diketahui peneliti manajemen operasi tentang teknologi blockchain, Manuf. Melayani.
Operasi. Kelola. 22 (2) (Maret 2020) 223–240, https://doi.org/10.1287/MSOM.2018.0752.
[95] KM S, V.M, J.P, M.P, R. Jothikumar, Menerapkan Blockchain dalam Pertanian: Studi tentang Teknologi, Manfaat, dan Tantangan Blockchain, EAI/Springer
Inovasi dalam Komunikasi dan Komputasi, 2021, hlm. 167–181, https://doi.org/10.1007/978-3-030-60265-9_11/COVER.
[96] D. Mao, Z. Hao, F. Wang, H. Li, Pendekatan inovatif berbasis blockchain untuk lingkungan yang berkelanjutan dan kredibel dalam perdagangan pangan: studi kasus di Shandong
provinsi, Tiongkok, Keberlanjutan 10 (9) (Sep. 2018) 3149, https://doi.org/10.3390/SU10093149.
[97] K. Demestichas, N. Peppes, T. Alexakis, E. Adamopoulou, Blockchain dalam sistem ketertelusuran pertanian: tinjauan, Appl. Sains. 10 (12) (Juni 2020) 4113, https://
doi.org/10.3390/APP10124113.
[98] T. Burke, Blockchain dalam ketertelusuran makanan, Keterlacakan Makanan (2019) 133–143, https://doi.org/10.1007/978-3-030-10902-8_10.
19
[99] S. Pearson, dkk., Apakah teknologi buku besar terdistribusi merupakan obat mujarab untuk ketertelusuran pangan? Ketahanan Pangan Global. 20 (Maret 2019) 145–149, https://doi.org/10.1016/
J.GFS.2019.02.002.
[100] JF Galvez, JC Mejuto, J. Simal-Gandara, Tantangan masa depan dalam penggunaan blockchain untuk analisis ketertelusuran makanan, TrAC, Trends Anal. kimia. 107 (Oktober 2018)
222–232, https://doi.org/10.1016/J.TRAC.2018.08.011.
[101] M. Creydt, M. Fischer, Blockchain dan banyak lagi - ketertelusuran makanan berbasis algoritma, Food Control 105 (Nov. 2019) 45–51, https://doi.org/10.1016/J.
FOODCONT.2019.05.019.
[102] S. Mondal, KP Wijewardena, S. Karuppuswami, N. Kriti, D. Kumar, P. Chahal, Blockchain menginspirasi arsitektur informasi berbasis RFID untuk rantai pasokan makanan, IEEE Internet Things J. 6
(3) (Jun. 2019) 5803–5813, https://doi.org/10.1109/JIOT.2019.2907658.
[103] K. Behnke, MFWHA Janssen, Kondisi batas ketertelusuran dalam rantai pasokan makanan menggunakan teknologi blockchain, Int. J.Inf. Kelola. 52 (Juni 2020),
101969, https://doi.org/10.1016/J.IJINFOMGT.2019.05.025.
[104] A. Kamilaris, A. Fonts, FX Prenafeta-Boldÿ, Munculnya teknologi blockchain di bidang pertanian dan rantai pasokan makanan, Trends Food Sci. Teknologi. 91 (September 2019)
640–652, https://doi.org/10.1016/J.TIFS.2019.07.034.
[105] S. Wolfert, L. Ge, C. Verdouw, MJ Bogaardt, Data besar dalam pertanian cerdas – ulasan, Agric. sistem. 153 (Mei 2017) 69–80, https://doi.org/10.1016/J.
AGSY.2017.01.023.
[106] WB Group, Masa depan pangan: memanfaatkan teknologi digital untuk meningkatkan hasil sistem pangan, Maret. 23, 2023. [On line]. Tersedia: https://elibrary.
worldbank.org/doi/abs/10.1596/31565, 2019.
[107] Jurnal E. la K.-ES dan tidak terdefinisi, Penerapan Teknologi Digital dalam Pertanian, neliti.com Maret. 23, 2023. [On line]. Tersedia: https://www.neliti.
com/publications/340827/penerapan-teknologi-digital-dalam-pertanian, 2021.
[108] M. Trendov, S. Varas, MZ pertanian dan wilayah pedesaan: status, dan tidak terdefinisi, Teknologi digital di bidang pertanian dan pedesaan: laporan status, cabdirect.org
(2019). Berbaris. 23 Agustus 2023 [Online]. Tersedia: https://www.cabdirect.org/cabdirect/abstract/20198400418.
[109] RA Bahn, AAK Yehya, R. Zurayk, Digitalisasi untuk sistem pertanian pangan berkelanjutan: potensi, status, dan risiko bagi kawasan MENA, Keberlanjutan 13 (6)
(Maret 2021) 3223, https://doi.org/10.3390/SU13063223.
[110] L. Klerkx, DR-GF Security, dan tidak terdefinisi, Menangani Teknologi Pertanian 4.0 yang Mengubah Permainan: Bagaimana Kita Mengelola Keanekaragaman dan
Tanggung Jawab dalam Jalur Transisi Sistem Pangan? Elsevier, 2020. Maret. 23, 2023. [On line]. Tersedia: https://www.sciencedirect.com/science/article/pii/ S2211912419301804.
[111] C. Béné, dkk., Ketika sistem pangan memenuhi keberlanjutan – narasi terkini dan implikasinya terhadap tindakan, World Dev. 113 (Januari 2019) 116–130, https://doi.org/
10.1016/J.WORLDDEV.2018.08.011.
[112] M. Anitei, C. Veres, AP Prosiding, belum ditentukan, Penelitian tentang tantangan dan prospek pertanian digital, 2021, https://doi.org/10.3390/
proses2020063067 mdpi.com.
[113] JM Meynard, dkk., Penguncian sosio-teknis menghambat diversifikasi tanaman di Prancis, Agron. Mempertahankan. Dev. 38 (5) (Oktober 2018), https://doi.org/10.1007/S13593-
018-0535-1.
[114] JM Bos, B. Bovenkerk, PH Feindt, YK van Dam, Hewan yang diukur: peternakan presisi dan implikasi etis dari obyektifikasi, Makanan
Etika 2 (1) (Desember 2018) 77–92, https://doi.org/10.1007/S41055-018-00029-X/FIGURES/2.
[115] L. Klerkx, E. Jakku, PL-N.-W. jurnal ilmu hayati, dan tidak terdefinisi, dalam: Tinjauan Ilmu Sosial tentang Pertanian Digital, Pertanian Cerdas, dan Pertanian 4.0: Kontribusi Baru dan Agenda Penelitian
Masa Depan,”, Elsevier, 2019 [Online]. Tersedia: https://www.sciencedirect.com/science/article/pii/ S1573521419301769. (Diakses 23 Maret 2023).
[116] S.Fielke, B.Taylor, EJ-A. Sistem, dan tidak terdefinisi, Digitalisasi pengetahuan pertanian dan jaringan saran: Tinjauan mutakhir, Elsevier, 2020.
Berbaris. 24 Januari 2023 [Online]. Tersedia: https://www.sciencedirect.com/science/article/pii/S0308521X19310522.
[117] M. Carolan, Bertindak seperti algoritma: platform pertanian digital dan lintasan yang (tidak perlu) dikunci, Social Innov. Mempertahankan. Trans. (2022) 107–119,
https://doi.org/10.1007/978-3-031-18560-1_8.
[118] I. Carbonell, Etika data besar dalam pertanian besar, Kebijakan Internet Rev. 5 (2016). Berbaris. 30 Agustus 2023 [Online]. Tersedia: https://papers.ssrn.com/
abstrak=2772247.
[119] IS-J. Demokrasi dan Tahun 2020 yang Terbuka dan Tidak Terdefinisi, Tata Kelola Platform Digital dan Kecerdasan Buatan yang Demokratis? mengeksplorasi model tata kelola
Tiongkok, AS, UE dan Meksiko, J. Democr. Buka Pemerintahan. 12 (1) (2020) 1–24, https://doi.org/10.29379/jedem.v12i1.604.
[120] Payal Dhar, Laporan Keamanan Siber: “Pertanian Cerdas” Adalah Peternakan yang Dapat Diretas, EEE Spectrum–Risk Factor, 2021.
[121] J. Tainter, Kompleksitas, Keruntuhan, dan Pemecahan Masalah Berkelanjutan, dalam: Dunia Rapuh Kita: Tantangan dan Peluang untuk Pembangunan Berkelanjutan, Januari.
2001. Maret. 30 Agustus 2023, https://digitalcommons.usu.edu/envs_facpub/1288.
[122] JA Tainter, Pertanian dan spiral kompleksitas energi, Behav. Ilmu Otak. 39 (Januari 2016) e115, https://doi.org/10.1017/S0140525X15001193.
[123] L. Delannoy, PY Longaretti, DJ Murphy, E. Prados, Puncak minyak dan transisi energi rendah karbon: perspektif energi bersih, Appl. Energi 304 (Desember 2021),
117843, https://doi.org/10.1016/J.APENERGY.2021.117843.
[124] Jacques-Eric Bergez, Elise Audouin, Olivier Therond, Transisi Agroekologi: dari Teori ke Praktek dalam Desain Partisipatif Lokal, Springer Nature, Jan.
2019, hal. 335, https://doi.org/10.1007/978-3-030-01953-2.
[125] K. Charvat, dkk., Visualisasi tingkat lanjut dari data besar untuk pertanian sebagai bagian dari pengembangan databio, dalam: IEEE International Geoscience and Remote Sensing
Simposium (IGARSS) 2018-Juli, Oktober 2018, hlm. 415–418, https://doi.org/10.1109/IGARSS.2018.8517556.
[126] B. Dumont, JCJ Groot, M. Tichit, Ulasan: membuat ruminansia kembali hijau – bagaimana intensifikasi berkelanjutan dan agroekologi dapat bersatu untuk masa depan yang lebih baik?
Hewan 12 (s2) (Desember 2018) s210–s219, https://doi.org/10.1017/S1751731118001350.
[127] CR Anderson, dkk., Agroekologi sekarang - menghubungkan titik-titik untuk memungkinkan transformasi agroekologi, Agroecol. Mempertahankan. Sistem Pangan. 44 (5) (Mei 2020) 561–565,
https://doi.org/10.1080/21683565.2019.1709320.
[128] JY Courtonne, J. Alapetite, PY Longaretti, D. Dupré, E. Prados, Analisis aliran material penurunan skala: kasus rantai pasokan sereal di Prancis, Ecol. ekonomi.
118 (Oktober 2015) 67–80, https://doi.org/10.1016/J.ECOLECON.2015.07.007.
[129] SJ Fielke, R. Garrard, E. Jakku, A. Fleming, L. Wiseman, BM Taylor, Konseptualisasi DAIS: implikasi 'digitalisasi sistem inovasi pertanian' terhadap teknologi dan kebijakan di berbagai tingkat, NJAS -
Wageningen J.Ilmu Kehidupan. 90–91 (Desember 2019), 100296, https://doi.org/10.1016/J.
NJAS.2019.04.002.
[130] N. Boukhelifa, DJ Duke, Visualisasi ketidakpastian - mengapa bisa gagal?, dalam: Conference on Human Factors in Computing Systems - Proceedings, 2009,
hal.4051–4056, https://doi.org/10.1145/1520340.1520616.
[131] K. Potter, P. Rosen, CJ-I. kemajuan dalam informasi dan, dan tidak terdefinisi, Dari kuantifikasi hingga visualisasi: taksonomi pendekatan visualisasi ketidakpastian, Springer, 2012. Maret. 26
Januari 2023 [Online]. Tersedia: https://link.springer.com/content/pdf/10.1007/978-3-642-32677-6.pdf#page=242.
[132] J.-D. Fekete, D. Fisher, A. Nandi, M. Sedlmair, Analisis dan Visualisasi Data Progresif (Seminar Dagstuhl 18411), dalam: DROPS-IDN/10346, 2019, https://
doi.org/10.4230/DAGREP.8.10.1 jilid. 8, tidak. 10.
[133] J. Ryschawy, M. Moraine, M. Péquignot, G. Martin, Trade-off antara kinerja individu dan kolektif terkait dengan integrasi tanaman-ternak di antara
peternakan: studi kasus di barat daya Perancis, Org. Pertanian. 9 (4) (Desember 2019) 399–416, https://doi.org/10.1007/S13165-018-0237-7/METRICS.
[134] KN Dominiak, AR Kristensen, Memprioritaskan alarm dari model deteksi berbasis sensor dalam produksi ternak - tinjauan kinerja model dan alarm
metode pengurangan, Comput. Elektron. Pertanian. 133 (Februari 2017) 46–67, https://doi.org/10.1016/J.COMPAG.2016.12.008.
[135] A. Hill, E. Lucet, R. Lenain, Neuroevolution dengan CMA-ES untuk penyetelan penguatan waktu nyata dari pengontrol robot mirip mobil, dalam: Proceedings of the 16th International
Konferensi Informatika dalam Kontrol, Otomasi dan Robotika (ICINCO), 2019, hlm.311–319.
[136] R. Biggs, M. Schlüter, ML Schoon, Prinsip Membangun Ketahanan: Mempertahankan Jasa Ekosistem dalam Sistem Sosial-Ekologi, Cambridge University Press,
2015, https://doi.org/10.1017/CBO9781316014240.
[137] Inria, Keamanan Siber Tantangan saat ini dan arah penelitian Inria. Inria, Le Chesnay, Prancis, 2019. Maret. 26, 2023. [On line]. Tersedia: http://pauillac.
inria.fr/~remy/livre_blanc_cybersecurite/livre_blanc_cybersecurite.html.
20
R. Abiri dkk.
Heliyon 9 (2023) e22601
[138] H. Canton, Organisasi untuk Kerja Sama dan Pembangunan Ekonomi—OECD, dalam: The Europa Directory of International Organizations 2021, Juli 2021,
hal.677–687, https://doi.org/10.4324/9781003179900-102/ORGANISATION-ECONOMIC-CO-OPERATION-DEVELOPMENT.
[139] L. Wiseman, J. Sanderson, A. Zhang, E. Jakku, Petani dan data mereka: pemeriksaan terhadap keengganan petani untuk membagikan data mereka melalui kacamata undang-undang
yang berdampak pada pertanian cerdas, NJAS - Wageningen J. Life Sains. 90–91 (Desember 2019), 100301, https://doi.org/10.1016/J.NJAS.2019.04.007.
[140] A. Tesfaye, J. Hansen, GT Kassie, M. Radeny, D. Solomon, Memperkirakan nilai ekonomi dari jasa iklim untuk memperkuat ketahanan petani kecil terhadap risiko iklim di Ethiopia:
pendekatan eksperimen pilihan, Ecol. ekonomi. 162 (Agustus 2019) 157–168, https://doi.org/10.1016/J.
ECOLECON.2019.04.019.
[141] SA Cole, AN Fernando, 'Mobile'izing saran pertanian difusi dan keberlanjutan adopsi teknologi, Econ. J.131 (633) (Februari 2021) 192–219, https://
doi.org/10.1093/EJ/UEAA084.
[142] D. Acemoglu, Mengapa teknologi baru melengkapi keterampilan? Mengarahkan perubahan teknis dan ketimpangan upah, QJ Econ. 113 (4) (November 1998) 1055–1089, https://
doi.org/10.1162/003355398555838.
21

Application of Digital Technologies For Ensuring

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Application of Digital Technologies For Ensuring

Diunggah oleh

Hak Cipta:

Format Tersedia

Machine Translated by Google

Heliyon 9 (2023) e22601

Daftar isi tersedia di ScienceDirect

Penerapan teknologi digital untuk menjamin

INFO PASAL ABSTRAK

* Penulis yang sesuai.

R. Abiri dkk. Heliyon 9 (2023) e22601

• Teknologi digital apa saja yang telah digunakan di bidang pertanian? •

1.1. Motivasi penelitian

R. Abiri dkk. Heliyon 9 (2023) e22601

2. Bahan dan metode

2.1. Ancaman terhadap validitas

Gambar 1. Komponen dasar DA dari ponsel hingga teknologi blockchain.

R. Abiri dkk. Heliyon 9 (2023) e22601

3. Tantangan yang dihadapi pertanian

4. Pertanian digital (DA)

5. Kemajuan teknologi yang signifikan dalam pertanian digital

5.1. Penginderaan jauh berbasis UAV

R. Abiri dkk. Heliyon 9 (2023) e22601

negara berkembang atau daerah terpencil.

5.2. Produksi pertanian dengan penggunaan traktor elektronik dan robot

R. Abiri dkk. Heliyon 9 (2023) e22601

5.3. Proses otomatis menggunakan penginderaan nirkabel dan IoT

5.4. Analisis data besar

R. Abiri dkk. Heliyon 9 (2023) e22601

5.5. Kecerdasan buatan di bidang pertanian

5.5.1. ML di bidang pertanian

5.5.2. DL di bidang pertanian

R. Abiri dkk. Heliyon 9 (2023) e22601

5.5.3. Sistem Pendukung Keputusan (DSS) di bidang pertanian

5.5.4. Sistem Fisik Siber Pertanian (CPS)

6. Teknologi Blockchain di bidang pertanian

6.1. Dari TIK hingga blockchain

Tingkat dunia maya Pemodelan cyber-twin dan big data.

Tingkat fisik Tingkat koneksi cerdas Jaringan sensor, akuisisi data.

R. Abiri dkk. Heliyon 9 (2023) e22601

6.2. Potensi manfaat teknologi blockchain bagi pertanian

6.3. Penerapan teknologi blockchain di sektor pertanian dan pangan

6.3.1. Asuransi pertanian

Gambar 3. Aliran data dan informasi sepanjang rantai nilai pangan.

R. Abiri dkk. Heliyon 9 (2023) e22601

6.3.2. Pertanian cerdas

6.3.3. Rantai pasokan makanan

6.3.4. E-commerce produk pertanian

R. Abiri dkk. Heliyon 9 (2023) e22601

6.4. Tantangan dalam implementasi blockchain

• Rendahnya tingkat pengetahuan teknologi di antara banyak pemangku kepentingan; •

7. Dampak solusi DA terhadap ketahanan pangan

R. Abiri dkk. Heliyon 9 (2023) e22601

8. Tantangan pengembangan teknologi digital di industri pertanian

R. Abiri dkk. Heliyon 9 (2023) e22601

8.1. Menyediakan alat digital untuk pengelolaan kolektif di tingkat regional

8.1.1. Pengukuran dan pemantauan dalam skala besar

8.1.2. Visualisasi data

8.1.3. Perangkat digital untuk partisipasi, mediasi, dan tata kelola

R. Abiri dkk. Heliyon 9 (2023) e22601

fokus pada [135]:

R. Abiri dkk. Heliyon 9 (2023) e22601

10. Perspektif DA di masa depan

R. Abiri dkk. Heliyon 9 (2023) e22601

Tidak ada informasi tambahan yang tersedia untuk makalah ini.

Pernyataan kontribusi kepenulisan CReditT

Deklarasi kepentingan bersaing