Model Deteksi Intrusi IoT-Drone Trajectory Berbasis DeepLearning untuk Pertanian Presisi di Perkebunan Teh

Abstract

Internet of things (IoT) berintegrasi dengan unmanned aerial vehicle (UAV) atau drone dengan tugas dalam pemantauan jarak jauh atau remote sensing untuk precision agriculture (PA) pada area rural seperti perkebunan teh sangat penting untuk mendapatkan hasil yang optimal. Namun, karakteristik area rural menghadirkan tantangan luar biasa untuk transmisi data, khususnya dalam menjaga komunikasi yang efektif antara drone dan ground control station (GCS). Teknologi long range (LoRa), yang terkenal karena kemampuan komunikasi IoT, digunakan untuk membatasi paket data drone ke GCS, mengintegrasikan hasil komputasi citra drone dan informasi dari drone on-board sensor. Oleh karena itu penelitian ini bertujuan untuk melakukan edge computing drone dalam menentukan kelayakan panen area kebun teh. Inovasi yang diusulkan adalah pemanfaatan machine learning dalam proses computer vision dari citra drone dengan klasifikasi berdasarkan tingkat green leaf index (GLI) menggunakan algoritma artificial neural network (ANN) untuk proses edge computing sehingga drone menjadi cerdas. Tujuan penelitian ini membentuk metadata payload drone berbasis LoRa dengan mengintegrasikan hasil edge computing drone tersebut dengan data on-board sensor dari drone. Proses integrasi metadata payload drone ini menjadi bagian dari proses akuisisi data pada IoT-drone trajectory planning untuk pemantauan terhadap kelayakan pemetikan pada area rural perkebunan teh. Model IoT-drone trajectory planning ini menjadi peran penting dalam implementasi PA dalam mengatasi keterbatasan sumber daya drone seperti bandwidth, energi baterai dan karakteristik area rural kebun teh yang luas. Model tersebut bertujuan untuk mendapatkan optimalisasi konsumsi energi baterai drone, throughput dari transmisi data dan pemantauan lokasi drone dalam melakukan tugas sehingga mendapatkan jalur terpendek dan efisien bagi drone dengan pendekatan traveling salesman problem (TSP) menggunakan algoritma simulated annealing (SA). Di sisi lain, keterbatasan drone dalam komunikasi dengan GCS dalam jaringan LoRa di area perkebunan teh yang luas menjadi potensi kerentanan mendapatkan gangguan cyber security. Untuk itu solusi yang diusulkan dalam penelitian ini adalah model deteksi intrusi (IDS) terhadap informasi IoT-drone trajectory untuk memonitor komunikasi jaringan LoRa antara drone dan GCS. Pendekatan deep learning-convolutional neural network (CNN) digunakan untuk mendeteksi anomali trafik jaringan berdasarkan informasi sinyal radio SDR (software-defined radio). IDS ini mampu mengklasifikasikan berbagai jenis serangan seperti Denial of service (DoS), Jamming, Replay attack, dan trafik Normal. Hasil penelitian ini diantaranya kinerja model Sequential ANN mampu membuat Drone dapat memprediksi dari citra drone, klasifikasi kelayakan pemetikan pada area kebun teh berakurasi 75%. Paket metadata payload drone yang sesuai kebutuhan PA perkebunan teh terbentuk dengan berhasil mengintegrasikan hasil klasifikasi edge computing drone dan data on-board sensor berbasis LoRa dengan ukuran 160 byte. Paket metadata payload drone ini melalui jaringan LoRa berhasil dikirim oleh Drone ke GCS rata-rata 46 paket setiap penerbangan secara real time untuk mendukung pembentukan IoT-drone trajectory. Sesuai kebutuhan PA pada perkebunan teh, IoT-drone trajectory planning memberikan kontribusi optimal terhadap hubungan antara throughput, daya drone, dan konsumsi energi payload terhadap persentase keberhasilan prediksi kelayakan pemetikan oleh drone pada rata-rata altitude 16,41 meter selama durasi 8,35 menit waktu penerbangan drone. Transmisi data drone yang optimal menghasilkan throughput rata-rata 17,31 byte/s dengan daya optimal 522,82 watt dan konsumsi energi dari drone payload 57,72 watthour (Wh). Khusus pada parameter location trajectory menghasilkan graf baru dengan nilai rute terpendek yang optimal hasil dari pendekatan TSP dengan algoritma Simulated Annealing. Manfaat dari IoT-drone trajectory planning ini, pertimbangan penggunaan drone terhadap keterbatasan sumber daya terkait energi baterai, bandwidth dan efisiensi terhadap prioritas lokasi kelayakan pemetikan area kebun teh lebih teridentifikasi dengan rute terpendek oleh para pemetik. Terkait dengan kinerja model IDS IoT-drone trajectory berbasis CNN berhasil mengklasifikasi kategori intrusi terhadap trafik sinyal radio jaringan LoRa dengan status Normal, Jamming, DoS, Replay attack menghasilkan akurasi 98,7%. Penelitian terkait IDS IoT-drone trajectory bertujuan untuk meningkatkan keamanan sistem IoT-drone dalam jaringan komunikasi di area rural pertanian khususnya perkebunan teh. Kebaruan dari penelitian ini mencakup pengembangan sistem terintegrasi yang memanfaatkan algoritma ANN pada edge device drone untuk klasifikasi citra secara lokal dan pembentukan paket metadata payload berbasis LoRa sehingga mendapatkan efisiensi komunikasi, pembangunan model IoT-drone trajectory planning yang optimal berdasarkan hasil klasifikasi tersebut dan keterbatasan sumber daya drone, dan pengembangan model IDS IoT-drone trajectory berbasis CNN yang inovatif untuk mendeteksi anomali pada sinyal radio SDR dalam jaringan LoRa sehingga terpantau status trafik transmisi data di lingkungan pertanian presisi pada perkebunan teh.