"Analisis perbandingan synthetic data generation pada tumbuhan durian untuk Smart Farming IoT Device menggunakan Metode Monte Carlo dan GMM [AJG]"

Abstract

Dalam era pertanian digital, penerapan teknologi kecerdasan buatan (AI) dalam sistem pertanian cerdas (smart farming) menjadi semakin penting, terutama untuk meningkatkan efisiensi dan produktivitas. Salah satu tantangan utama dalam pengembangan model AI di sektor ini adalah keterbatasan data pertanian yang berkualitas, khususnya untuk komoditas hortikultura bernilai tinggi seperti durian (Durio zibethinus). Durian dikenal sebagai salah satu buah unggulan di Asia Tenggara dengan permintaan pasar yang terus meningkat, namun karakteristik pertumbuhannya yang kompleks membuat monitoring dan prediksinya menjadi tantangan tersendiri. Penelitian ini bertujuan untuk menganalisis dan membandingkan dua pendekatan dalam menghasilkan data sintetis untuk durian, yaitu metode Monte Carlo dan Gaussian Mixture Model (GMM). Metode Monte Carlo digunakan untuk menghasilkan variasi data secara acak berdasarkan distribusi probabilistik, sedangkan GMM digunakan untuk mengelompokkan dan memodelkan distribusi multivariat yang kompleks guna menghasilkan data yang menyerupai kondisi nyata. Penelitian ini mengevaluasi kualitas data sintetis dari kedua metode berdasarkan kesamaan distribusi statistik, serta implikasinya dalam pelatihan model machine learning untuk prediksi kondisi pertanian durian. Hasil eksperimen menunjukkan bahwa pendekatan berbasis GMM mampu menghasilkan data dengan struktur distribusi yang lebih realistis dan relevan untuk aplikasi prediktif, terutama ketika digunakan bersamaan dengan prinsip oversampling adaptif. Studi ini berkontribusi dalam penyediaan kerangka kerja penghasil data sintetis yang lebih andal, yang dapat memperkuat penerapan teknologi prediktif dalam sistem smart farming durian di Indonesia.