Analisis Perbandingan Synthetic Data Generation untuk SmartFarming IoT pada Tanaman Durian Menggunakan MetodeMonte Carlo dan GMM

Abstract

Keterbatasan data pada sistem pertanian berbasis Internet of Things (IoT), khususnya
untuk tanaman seperti durian yang memiliki siklus panjang dan variabilitas lingkungan tinggi,
menjadi tantangan utama dalam pengembangan model kecerdasan buatan (AI) yang andal. Studi
ini mengevaluasi efektivitas dua metode generasi data sintetis, yaitu Monte Carlo Simulation dan
Gaussian Mixture Model (GMM), dalam menghasilkan dataset representatif untuk aplikasi Smart
Farming IoT. Tujuan dari penelitian ini adalah mengidentifikasi metode yang paling efisien dan
akurat dalam meniru distribusi data nyata dari sensor pertanian durian, terutama dalam kondisi data
terbatas. Kriteria evaluasi mencakup kesesuaian statistik, kompleksitas komputasi, serta dampaknya
terhadap performa model prediksi berbasis AI. Hasil awal menunjukkan bahwa GMM menghasilkan
distribusi data sintetis yang lebih akurat namun dengan kompleksitas waktu komputasi yang lebih
tinggi dibandingkan Monte Carlo. Studi ini memberikan kontribusi penting dalam pemilihan
metode generasi data sintetis yang ideal untuk mendukung implementasi AIoT di sektor pertanian
berkelanjutan.