Journal Review #2 : Toward a Big Data Knowledge-Base Management System for Precision Livestock Farming

Sebuah karya Fabrice Nolack Fote, Amine Roukh, Said Mahmoudi, Sidi Ahmed Mahmoudi, dan Olivier Debauche. 

Big Data merupakan sebuah sekumpulan data yang sangat besar. Kegunaan Big Data di zaman penuh teknologi ini sebagai berikut : 

1. Mengumpulkan data yang besar, kompleks, dan heterogen yang berasal dari berbagai sumber 
2. Analisis dengan membersihkan, menormalkan, memverifikasi data secara nyata atau sebelum di simpan dalam penyimpanan
3. Penyimpanan database untuk kebutuhan di masa depan 
4. Ditampilkan kepada para pengguna dalam bentuk yang responsif dan interface yang user-friend

Data dapat menjadi sebuah wawasan, namun terdapat perbedaan antara data dengan wawasan, berikut adalah perbedaan proses data dan wawasan dalam pemecahan masalah dan proses data dan wawasan dalam perusahaan. 

Peternakan sekarang banyak di kembangkan untuk menggunakan Smart farming yang menggunakan alat Precision Livestock Farming, hal ini menghasilkan banyak data yang bersumber dari wireless sensor network, stasiun cuaca, drones (UAV), dan jasa eksternal. Dengan adanya perluasan IoT dan IoE, maka data yang dihasilkan dari berbagai sumber tersebut juga meningkat. Sehingga munculah Cloud Computing dan Big Data untuk mengatasi masalah proses dan penyimpanan semua kebutuhan yang dapat mendukung Smart Farming dalam beberapa kasus tertentu. 

Knowledge-based Management System 

Pengembangan dari solusi yang diajukan adalah membuat sebuah sistem baru untuk PLF, yaitu Knowledge-based Management System (KMBS). KMBS merupakan sebuah sistem manajemen basis pengetahuan yang mengintegrasikan sistem basis pengetahuan dan sistem manajemen basis data. Singkatnya, KMBS mengacu pada keunggulan pengetahuan besar yang berasal dari data yang memungkinkan penyimpanan dan pengambilan yang efisien. 

KMBS terdiri dari 4 proses besar , yaitu 

1. Akuisisi dan analisis data 

Dalam PLF, sebagian besar data dihasilkan oleh sensor terhubung yang umuman terdiri dari mikrokontoler, baterai, dan perangkat komunikasi, yang ditambahkan pengamatan manusia tepat waktu, mengukur ments dengan penginderaan jauh dan pencatatan sehari-hari.

Data dihasilkan oleh IMU dan GPS yang dikumpulkan oleh mikrokontroler pada kartu SD di frekuensi 100Hz selama 24 jam. Setelah data tekumpul dan disimpan, maka akan dianalisis dengan algoritma pohon keputusan untuk mengidentifikasi perilaku makro hewan seperti penggembalaan, pemamah biak, pemindahan atau lainnya untuk masing - masing hewan. 

2. Penemuan pengetahuan

Knowledge Discovery in Database (KDD) atau di kenal penemuan pengetahuan akan melalui proses mengarah ke pengetahuan dari data dengan proses lanjutan dengan mengikuti langkah - langka berikut 

3. Analisis dan pengetahuan 

Pengetahuan harus dievaluasi dan divalidasi dari waktu ke waktu dengan alat khusus. Beberapa contoh pemodelan evaluasi yang dilakukan : 

• Pemodeln simulasi untuk membandingkan dan memperkirakan ketersediaan pengetahuan 
• Pemodelan optimasi untuk menghitung rata - rata dari waktu ke waktu dan memperkirakan downgrade 
• Pemodelan prediktif untuk mengembangkan pola dari data/wawasan historis dan transasional 
• Metode preskriptif untuk menghasilkan aturan dengan menggunakan model prediktif atau teknik pengoptimalan. 

Analisis berulang dari deduksi sebelumnya memungkinkan untuk mengkonfirmasi bahwa pengetahuan yang diperoleh tetap benar pada waktunya dan misalnya memprediksi kapan hewan harus di pindahkan ke padang rumput lain. 

4. Sistem akhir

Proses terakhir yaitu untuk mengakses pengetahuan setiap saat, dimana saja melalui sistem pakar dan insinyur melalui DSS. Sistem pakar di rancang untuk memetakan pengetahuan, sub-pengetahuan, data dan semua wawasan untuk disajikan kepada pengguna sederhana sebagai sistem pemantauan diri manajemen. Sistem pendukung keputusan akan menyimpulkan konsekuensi berdasarkan analisis data dan akan diterjemahkan konsekuensi ini dalam bentuk baru interprestasi yang dapat dibaca manusia yang dibentuk dan dikirimkan ke pengguna akhir oleh sistem pemantauan dan manajemen. 

Selain itu, terdapat sistem peraturan berbagi yang di bagi menjadi dua langkah, yaitu : 

1. Berbagi keputusan antara DSS dan sistem pakar 

2. Berbagi deskripsi antara pakar dan MMS

Kesimpulan 

• Akuisisi data yang dihasilkan oleh banyak sumber dikumpulkan, diserap, di proses dengan alat big data dan kemudian model dirancang menggunakan data tersebut. Data akan disimpan dalam DBMS. 
• Ekstraksi pengetahuan dalam database dilakukan dengan Artificial Intelligence, matematika, dan setiap pengetahuan yang ditemukan disimpan ke dalam sistem manajemen yang dibangun khusus untuk tujuan itu. 
• Analisis pengetahuan oleh para ahli untuk verifikasi dan validasi data yang telah di dapatkan akan dapat diakses oleh pengambil keputusan, ahli, dan petani