Implementasi Internet of Things dan Deteksi Anomali Suhu Menggunakan Algoritma Deep Learning Pada Distribusi BuahMelon

Abstract

Melon adalah tanaman holtikultura yang berpotensi meningkatkan perekonomian Indonesia dari sektor pertanian. Pertumbuhan ekonomi diipengaruhi oleh beberapa faktor salah satunya yaitu kegiatan ekspor. Ekspor hasil produksi pertanian khususnya melon dapat menjadi pilihan dalam meningkatkan perekonomian Indonesia. Namun, hal tersebut harus terlebih dahulu memperhatikan standar mutu yang ditetapkan oleh pemerintah dan negara tujuan ekspor. Oleh karena itu, upaya peningkatan perekonomian tersebut harus disertai dengan peningkatan kualitas produksi dan distribusi buah melon hingga sampai ke konsumen. Salah satu cara dalam menjaga kualitas buah melon adalah mengkombinasikan proses pemantuan suhu penyimpanan buah dan distribusi dengan penggunaan sensor suhu. Penggunaan sensor suhu dengan memanfaatkan teknologi internet of things dalam melakukan pemantauan suhu melon selama proses distribusi merupakan bentuk inovasi teknologi. Penelitian ini bertujuan untuk mengembangkan sistem distribusi buah melon dengan menerapkan perangkat IoT dalam melakukan pemantauan suhu gudang penyimpanan dan deteksi anomali suhu sebelum data tersebut ditransfer ke dalam sistem blockchain. Metode deteksi anomali suhu pada penelitian ini menggunakan algoritma deep learning. Autoencoder dipilih sebagai model arsitektur pada penelitian ini karena metode ini dapat membantu meminimalisir anomali data khususnya suhu. Hasil dari penelitian ini menunjukkan teknologi internet of things dan deteksi anomali suhu berhasil diterapkan dan berjalan dengan sangat baik. Berdasarkan hasil pengujian perangkat IoT diperoleh nilai kesalahan untuk suhu sebesar 8,26%. Hasil pengujian kinerja dengan parameter uji quality of service yaitu throughput sebesar 86,152 bps, delay sebesar 0,041199 ms dan packet loss 0,064%. Adapun hasil evaluasi model deteksi anomali suhu untuk precision, recall dan f1-score yaitu 0,9952, 1 dan 0,9658.

Melon is a horticultural plant with the potential to boost Indonesia's economy in the agricultural sector. Economic growth is influenced by several factors, one of which is export activities. Exporting agricultural products, especially melons, can be an option to enhance Indonesia's economy. However, this must first adhere to the quality standards set by the government and the export destination country. Therefore, efforts to improve the economy must be accompanied by improvements in the quality of melon production and distribution to consumers. One way to maintain the quality of melons is by combining temperature monitoring during storage and distribution using temperature sensors. Using temperature sensors with Internet of Things (IoT) technology to monitor melon temperatures during distribution represents an innovation in technology. This research aims to develop a melon distribution system by implementing IoT devices to monitor warehouse temperatures and detect temperature anomalies before transferring data into the blockchain system. The temperature anomaly detection method in this study utilizes deep learning algorithms. Autoencoders were chosen as the architectural model in this research because they help minimize data anomalies, particularly temperature-related ones. The results of this study demonstrate successful implementation of IoT technology and temperature anomaly detection. Based on the testing results, the IoT device achieved an error rate for temperature of 8,26%. Performance testing results with quality of service parameters, throughput was measured at 86,152 bps, delay at 0.041199 ms, and packet loss at 0.064%. The evaluation results of the temperature anomaly detection model for precision, recall, and F1-score were 0.9952, 1, and 0.9658, respectively.