DIUSULKAN OLEH:
ANDRA DIHAT PUTRA G6401211053 dari Jurusa Ilmu Komputer | Institut Pertanian Bogor
Pertanian merupakan sebuah aspek penting yang melandasi kehidupan masyarakat di suatu negara yang di dalamnya ikut serta terikat berbagai bidang lainnya; pangan, ekonomi, dan kesehatan. Sektor pertanian diharapkan menjadi perhatian utama karena berkaitan erat dengan ketahanan pangan nasional. Karena itu, ketahanan pangan menjadi sesuatu yang memiliki urgensi yang tinggi sehingga harus diupayakan sebuah cara untuk mencegah terjadinya krisis pangan terutama di Indonesia. Selain itu, pesatnya angka pertumbuhan penduduk di Indonesia turut melengkapi ancaman yang hadir menyerang bidang pangan. Rata-rata pertumbuhan penduduk Indonesia setiap tahunnya berkisar 3,26 juta jiwa. Berdasarkan data Badan Pusat Statistik (2021), pertumbuhan penduduk Indonesia pada periode 2010-2020 sebanyak 1,25% per-tahun, sedangkan pada dekade sebelumnya, yaitu 2000-2010, rata-rata pertumbuhan penduduk Indonesia mencapai 1,49%. Angka pertumbuhan penduduk yang sangat pesat ini menimbulkan kekhawatiran akan pemenuhan ketersediaan pangan di masa yang akan datang. Hal ini jelas merupakan sebuah ancaman serius bagi bangsa kita dan harus segera dicari penyelesaiannya. Tidak mengherankan jika dalam Millenium Development Goals (MDGs) yang dideklarasikan oleh PBB dalam mengatasi masalah kekurangan pangan menjadi tujuan nomor 1 dan dilanjutkan sebagai tujuan nomor 2 dalam Sustainable Development Goals (SDGs). Artinya, masalah ketahanan pangan adalah sebuah problem global yang harus dihadapi masyarakat dunia. Bagi Indonesia, sebagai negara berpenduduk terbesar keempat di dunia, masalah pangan ini jelas sangat penting untuk diatasi dengan sesegera mungkin agar berbagai ancaman bisa terselesaikan.
Sebagai respon dari urgensi masalah pangan yang ada, pemerintah diharapkan untuk memperkuat produksi pertanian dan ketersediaan pangan lokal. Hal ini dapat dilakukan dengan mendegradasi ketergantungan terhadap komoditas pangan impor melalui penerapan smart farming 4.0 atau pertanian cerdas sehingga kemampuan produksi pertanian dalam negeri bisa meningkat. Smart farming adalah pendekatan pertanian yang mengintegrasikan teknologi untuk memfasilitasi aktivitas petani (MSMB 2018). Berbagai penelitian menunjukkan bahwa teknologi memiliki kapabilitas untuk menjalankan tugas pertanian dengan kecepatan dan presisi yang melebihi manusia (Popa 2011). Transformasi digital di sektor pertanian telah memasuki era revolusi 4.0, dan smart farming 4.0 memiliki potensi besar untuk meningkatkan pendapatan petani serta memberikan kontribusi terhadap keberlanjutan pertanian. Salah satu keuntungan smart farming adalah kemampuannya meningkatkan akurasi dalam pemberian input kepada tanaman dan optimalisasi penggunaan lahan pertanian (Knierim et al. 2019). Perkembangan revolusi teknologi ini akan mengakibatkan transformasi signifikan pada praktik budidaya pertanian. Penggunaan smart farming tidak hanya terbatas pada negara-negara maju, karena di tengah perkembangan teknologi informasi yang pesat, seperti penggunaan ponsel dan internet, beberapa negara berkembang termasuk di dalamnya Indonesia juga telah mengadopsi metode pertanian presisi atau smart farming berbasis IoT.
Salah satu hal yang sering luput dari perhatian dalam penerapan konsep smart farming adalah pada dimensi keamanan sistem. Meskipun konsep smart farming memberikan dampak yang besar pada produktivitas, penggunaan perangkat yang heterogen dan terhubung ke internet memungkinkan potensi serangan siber dan kerentanan di sektor pertanian. Serangan-serangan ini membuka kemungkinan untuk mengendalikan dan mengeksploitasi sensor dan sistem otomatis di lapangan secara jarak jauh. Berbagai potensi serangan tersebut dapat menciptakan lingkungan pertanian yang tidak aman dan tidak produktif. Serangan semacam ini dalam skala besar juga disebut sebagai agro-terorisme (Streng 2016). Salah satu contoh kasus agro-terorisme bisa ditemukan pada peristiwa 5 Februari 2021, di Oldsmar, pantai barat Florida yang mengalami serangan siber pada water supply. Seorang peretas mengambil alih Industrial Control Systems (ICS), dan meningkatkan tingkat natrium hidroksida hingga 100 kali lebih tinggi dari biasanya. Keracunan natrium hidroksida ini dapat menyebabkan luka bakar, muntah, sakit parah, dan pendarahan. Selain itu, pada 21 Juli 2021, di Amerika Serikat, telah terjadi serangan siber yang mengambil kendali Colonial pipeline melalui serangan ransomware, sehingga mengganggu pasokan bahan bakar, mengakibatkan kekurangan bahan bakar, panic buying, antrian panjang, dan pada akhirnya menimbulkan kekacauan yang jauh lebih besar lagi di masyarakat. Salah satu penyebabnya adalah karena sistem keamanan IoT yang rentan sehingga menjadi ancaman besar terhadap keamanan sistem yang ada. Perangkat IoT umumnya memiliki keterbatasan kapasitas pemrosesan dan memori yang menjadikannya lebih ringan dibandingkan media komputasi lainnya. Batasan ini menyulitkan penerapan solusi keamanan yang kompleks. Secara umum, ada tiga tantangan utama dalam mengenali serangan malware di IoT. Pertama, daya komputasi yang rendah pada sebagian besar perangkat IoT membuat keterbatasan algoritma keamanan. Kedua, lonjakan serangan malware yang tak terlihat di sistem IoT memerlukan mekanisme deteksi yang dapat beradaptasi dengan cepat. Ketiga, dengan pesatnya adaptasi perangkat IoT yang ada maka risiko keamanan semakin tinggi, sehingga membutuhkan mekanisme perlindungan yang sangat efektif.
Menilik permasalahan diatas, maka penulis memiliki suatu gagasan kreatif dengan judul “GARUDA : Sistem Keamanan Siber pada Perangkat Pertanian Cerdas berbasis Artificial Immune System (AIS) dengan Algoritma Genetika sebagai Pendukung Kedaulatan Sistem Pertanian Presisi di Indonesia” sebagai solusi kerentanan sistem keamanan perangkat IoT dalam sistem pertanian presisi dalam upaya pencegahan agroterorisme dan mewujudkan kedaulatan sistem pertanian presisi yang ada di Indonesia.
Gagasan yang Ditawarkan
GARUDA merupakan sebuah konsep yang menggabungkan keamanan siber, kecerdasan buatan, dan teknologi pertanian presisi. Dengan memanfaatkan teknologi Artificial Immune System (AIS) yang terinspirasi dari sistem kekebalan tubuh manusia dan Algoritma Genetika, GARUDA bertujuan untuk menjaga keamanan dan kedaulatan sistem pertanian presisi di Indonesia. Konsep GARUDA dimulai dengan pembentukan suatu sistem keamanan siber yang menerapkan prinsip AIS. AIS akan bertugas seperti “sistem kekebalan” untuk mendeteksi dan mengenali pola-pola yang normal atau “self” dalam konteks sistem pertanian presisi. Deteksi intrusi atau pola yang tidak sesuai dengan “self” akan dianggap sebagai potensi ancaman atau serangan, dan langkah-langkah perlindungan akan diaktifkan.
Gambar 1: Mekanisme Artificial Immune GARUDA vs Biological Immune System
Algoritma Genetika digunakan sebagai pendukung untuk meningkatkan dan mengoptimalkan respons sistem terhadap ancaman. Dengan memanfaatkan konsep evolusi biologis, Algoritma Genetika akan memodifikasi dan menghasilkan varian-varian dari metode keamanan yang ada, sehingga sistem menjadi semakin adaptif dan efektif dalam menghadapi ancaman yang berkembang. Penerapan GARUDA pada perangkat pertanian cerdas atau IoT dalam konteks pertanian presisi menjadikannya sebagai solusi yang holistik. Keamanan sistem pertanian presisi akan memastikan keberlanjutan produksi pangan, menghindari potensi ancaman seperti agroterorisme, dan meningkatkan kedaulatan pangan di Indonesia. Konsep ini menghadirkan integrasi yang unik antara keamanan siber, kecerdasan buatan, dan teknologi pertanian modern untuk mendukung ketahanan pangan dan keberlanjutan pertanian presisi.
Bentuk Implementasi GARUDA
Gambar 2:
Gambar 2: Layer Implementasi Jaringan GARUDA
Bentuk GARUDA adalah sebuah sistem keamanan siber terpadu yang diimplementasikan pada perangkat pertanian cerdas atau Internet of Things (IoT) dalam konteks pertanian presisi. Ini mencakup perangkat keras dan perangkat lunak yang bekerja sama untuk melindungi, mendeteksi, dan merespons potensi serangan siber terhadap infrastruktur pertanian. Secara teknis, GARUDA berupa platform yang memanfaatkan konsep Artificial Immune System (AIS) dan Algoritma Genetika untuk menciptakan keamanan yang
adaptif dan proaktif. Perangkat kerasnya dapat mencakup sensor-sensor pintar, kendaraan otonom, dan perangkat IoT lainnya yang digunakan dalam pertanian presisi. Sementara itu, perangkat lunaknya mencakup program-program keamanan, algoritma AIS, dan logika kontrol yang diterapkan pada berbagai tingkat sistem pertanian. Jadi, secara sederhananya, GARUDA dapat dianggap sebagai suatu interkonektivitas solusi perangkat keras dan perangkat lunak yang terintegrasi untuk melindungi sistem pertanian presisi dari serangan siber dan ancaman keamanan lainnya yang mungkin akan terjadi.
Perancangan Cara Kerja GARUDA
GARUDA, sistem keamanan siber pada perangkat pertanian cerdas berbasis Artificial Immune System (AIS) dengan Algoritma Genetika, memiliki cara kerja sebagai berikut:
Gambar 1: Alur Kerja Sederhana Sistem GARUDA
Pertama-tama, GARUDA memahami lingkungan pertanian presisi dengan mengidentifikasi perangkat seperti sensor tanah, drone, kendaraan otonom, dan perangkat IoT lainnya. Selanjutnya, sistem menginisialisasi populasi AIS, yang terdiri dari detektor-detektor keamanan merepresentasikan pola normal (self) dari operasi perangkat pertanian. GARUDA terus-menerus memantau aktivitas perangkat dalam lingkungan pertanian, termasuk analisis data sensor, pergerakan kendaraan otonom, dan komunikasi antar perangkat IoT. Ketika AIS mendeteksi pola aktivitas yang tidak sesuai dengan pola normal, dianggap sebagai anomali atau potensi intrusi. Melalui seleksi negatif, GARUDA mengidentifikasi detektor-detektor yang tidak dapat mengenali pola anomali, dan Algoritma Genetika berjalan paralel untuk mengoptimalkan performa deteksi. Jika intrusi terkonfirmasi, GARUDA merespons dengan langkah-langkah keamanan yang sesuai, seperti isolasi perangkat terinfeksi atau pemutakhiran kebijakan keamanan. Sistem ini terus memperbarui dirinya dengan informasi terbaru dan pola baru yang muncul, memastikan adaptabilitas terhadap serangan baru dan optimalisasi keamanan seiring waktu. Dengan pendekatan yang adaptif dan dinamis, GARUDA membawa konsep AIS dan Algoritma Genetika ke dalam konteks pertanian modern untuk meningkatkan keamanan pertanian presisi.
GARUDA sistem keamanan siber pada perangkat pertanian cerdas berbasis Artificial Immune System (AIS) dengan Algoritma Genetika, mengimplementasikan mekanisme yang cermat untuk menjaga keamanan sistem pertanian presisi. Proses dimulai dengan identifikasi perangkat pertanian presisi seperti sensor tanah, drone, kendaraan otonom, dan perangkat IoT lainnya. GARUDA kemudian inisialisasi populasi AIS yang terdiri dari detektor-detektor keamanan yang merepresentasikan pola normal (self) dari operasi perangkat pertanian. Sistem terus-menerus memantau aktivitas perangkat dalam lingkungan pertanian, termasuk analisis data sensor, pergerakan kendaraan otonom, dan komunikasi antar perangkat IoT. Ketika AIS mendeteksi pola aktivitas yang tidak sesuai dengan pola normal, dianggap sebagai anomali atau potensi intrusi. Melalui seleksi negatif, GARUDA mengidentifikasi detektor-detektor yang tidak dapat mengenali pola anomali, dan Algoritma Genetika berjalan paralel untuk mengoptimalkan performa deteksi. Apabila intrusi terkonfirmasi, GARUDA merespons dengan langkah-langkah keamanan yang sesuai, seperti isolasi perangkat terinfeksi atau pemutakhiran kebijakan keamanan. Sistem ini terus memperbarui dirinya dengan informasi terbaru dan pola baru yang muncul, memastikan adaptabilitas terhadap serangan baru dan optimalisasi keamanan seiring waktu. Dengan pendekatan yang adaptif dan dinamis, GARUDA membawa konsep AIS dan Algoritma Genetika ke dalam konteks pertanian modern untuk menjaga keamanan pertanian presisi secara berkesinambungan.
Rumusan dan Target Implementasi GARUDA
Untuk merinci target implementasi GARUDA, penulis berkomitmen untuk menyusun rumusan target implementasi yang komprehensif dengan memanfaatkan kerangka kerja SMART. Kerangka kerja ini memastikan bahwa setiap target memiliki karakteristik yang jelas dan terukur untuk mendukung pencapaian tujuan secara efektif.
Spesifik (Specific)
GARUDA difokuskan pada integrasi dua elemen kunci, yaitu sistem imun buatan (AIS) dan Algoritma Genetika. Integrasi ini bertujuan untuk menciptakan keamanan yang terukur dan terdefinisi dengan baik. AIS digunakan untuk membuat representasi pola normal (self) dari operasi perangkat pertanian. Algoritma Genetika membantu meningkatkan performa deteksi melalui optimisasi berkelanjutan. Spesifikasi GARUDA mencakup analisis mendalam terhadap perangkat keras dan perangkat lunak yang digunakan dalam pertanian presisi. Sistem ini dirancang untuk memahami dengan cermat bagaimana setiap perangkat berkontribusi terhadap operasi pertanian secara keseluruhan. Melalui identifikasi yang akurat, GARUDA bertujuan untuk menciptakan landasan keamanan yang kuat, memastikan bahwa setiap perangkat beroperasi sesuai dengan pola normalnya.
Terukur (Measurable):
Dalam konteks GARUDA, terukur merujuk pada kemampuan sistem untuk menetapkan target spesifik dan mengukur keberhasilan pencapaian tersebut. Salah satu target yang diukur adalah peningkatan akurasi deteksi intrusi sebesar 15% dalam enam bulan pertama setelah implementasi.
Dapat Diterima (Acceptable)
GARUDA memprioritaskan keberlanjutan dan penerimaan oleh masyarakat petani serta pemangku kepentingan di sektor pertanian presisi. Antarmuka pengguna sistem ini dirancang dengan kesederhanaan untuk memudahkan penggunaan oleh kalangan petani tanpa latar belakang teknologi yang mendalam. Kemampuan GARUDA untuk berintegrasi dengan teknologi pertanian modern juga memberikan nilai tambah yang signifikan. Penting untuk menekankan bahwa penerimaan oleh pengguna adalah kunci keberhasilan implementasi GARUDA. Oleh karena itu, antarmuka pengguna diterapkan secara cermat untuk memastikan keintuitifan dan keterjangkauan. Sistem ini tidak hanya dirancang untuk ahli teknologi, tetapi juga untuk petani dengan pemahaman teknologi yang terbatas, sehingga GARUDA dapat dengan mudah diadopsi dan digunakan dalam praktik pertanian presisi sehari-hari.
Realistis (Realistic)
GARUDA diperlengkapi dengan teknologi yang sudah terbukti, seperti AIS dan Algoritma Genetika, yang memiliki rekam jejak dalam meningkatkan keamanan sistem. Konsep-konsep ini telah diadopsi dalam berbagai konteks dan terbukti efektif dalam mendeteksi dan merespons ancaman keamanan. Dengan merancang GARUDA berdasarkan teknologi yang sudah ada dan terbukti, sistem ini memastikan bahwa implementasinya dapat diwujudkan secara nyata dan efisien di lingkungan pertanian presisi. Selain itu, GARUDA juga memperhitungkan faktor-faktor realitas, seperti keterbatasan sumber daya dan infrastruktur di lingkungan pertanian, sehingga solusi keamanan yang diusung tetap relevan dan dapat diintegrasikan dengan baik dalam skenario pertanian sehari-hari.
Tengat Waktu (Time-Bond)
Tahap 1: Perencanaan (Plan)
Pada tahap ini, GARUDA akan menyusun rencana implementasi yang strategis. Ini melibatkan pemilihan teknologi dengan cermat, termasuk pemahaman yang mendalam tentang lingkungan pertanian presisi dan identifikasi perangkat yang akan diintegrasikan. Garuda akan menetapkan metrik evaluasi yang jelas untuk mengukur keberhasilan implementasi, dengan mempertimbangkan aspek keamanan yang spesifik.
Tahap 2: Pelaksanaan (Do)
Implementasi GARUDA akan melibatkan pengembangan perangkat keras dan perangkat lunak yang memadai. Integrasi AIS dan Algoritma Genetika akan dijalankan dengan cermat, dan kinerja sistem akan diuji secara menyeluruh dalam simulasi lingkungan pertanian presisi. Pada tahap ini, GARUDA akan memastikan bahwa semua komponen bekerja secara sinergis untuk memberikan solusi keamanan yang efektif di masa-masa mendatang atau periode yang akan datang.
Tahap 3: Pengecekan (Check)
Evaluasi menyeluruh terhadap metrik yang telah ditetapkan akan dilakukan pada tahap ini. Ini mencakup analisis akurasi deteksi intrusi dan adaptabilitas sistem terhadap perubahan lingkungan yang mungkin terjadi. Pengecekan ini krusial untuk
memastikan bahwa GARUDA sesuai dengan tujuan keamanan dan mampu beroperasi dengan efektif dalam kondisi pertanian presisi yang berubah-ubah.
Tahap 4: Aksi (Action)
Berdasarkan hasil evaluasi, GARUDA akan melakukan tindakan korektif dan perbaikan yang diperlukan. Ini bisa melibatkan penyesuaian perangkat keras atau perangkat lunak, serta peningkatan algoritma keamanan. Langkah-langkah ini diambil untuk memastikan bahwa GARUDA mencapai tingkat keberhasilan yang diharapkan dan tetap relevan di tengah dinamika lingkungan pertanian presisi.
Kesimpulan
GARUDA, sebagai sistem keamanan siber yang dikembangkan untuk pertanian cerdas berbasis Artificial Immune System (AIS) dengan Algoritma Genetika, bukan hanya merupakan langkah maju dalam mengamankan pertanian presisi tetapi juga sebuah inovasi yang menjanjikan untuk mengatasi tantangan keamanan yang semakin kompleks. Dengan menggunakan pendekatan adaptif dan dinamis, GARUDA memiliki potensi untuk mengubah lanskap keamanan pertanian dengan memanfaatkan kecerdasan buatan. Salah satu keunggulan GARUDA adalah kemampuannya dalam memahami lingkungan pertanian presisi. Sistem ini dapat mengidentifikasi perangkat seperti sensor tanah, drone, kendaraan otonom, dan perangkat IoT lainnya yang terlibat dalam operasi pertanian. Kemampuan ini membantu GARUDA untuk membangun pemahaman yang mendalam tentang pola normal (self) dari operasi perangkat pertanian, sehingga meningkatkan kemampuannya dalam mendeteksi anomali atau potensi intrusi. Integrasi AIS dan Algoritma Genetika menjadi ciri khas GARUDA. AIS, yang terinspirasi dari sistem kekebalan tubuh manusia, bekerja dengan detektor-detektor keamanan yang merepresentasikan pola normal dari operasi perangkat pertanian. Algoritma Genetika berperan dalam mengoptimalkan performa deteksi, menjadikan GARUDA sebuah sistem keamanan yang cerdas dan efisien.
DAFTAR PUSTAKA
Arab, N., Nemmour, H., & Chibani, Y. (2023). A new synthetic feature generation scheme based on artificial immune systems for robust offline signature verification. Expert Systems with Applications, 213, 119306.
Biermann, E., Cloete, E., & Venter, L. M. (2001). A comparison of intrusion detection systems. Computers & Security, 20(8), 676-683.
Dasgupta, D. (Ed.). (2012). Artificial immune systems and their applications. Springer Science & Business Media.
[Ditjen PDTT] Direktorat Jenderal Pembangunan Desa Tertinggal. (2019). Cerdas bertani di daerah tertinggal dengan smart farming 4.0 [Internet]. [diunduh 2020 Nov 20]. Tersedia dari: https://ditjenpdt.kemendesa.go.id/
G. Weimann. (2005). “Cyberterrorism: The Sum of All Fears?” Studies in Conflict &Terrorism, vol. 28, no. 2, pp. 129–149.
Hoque, M. S., Mukit, M. A., & Bikas, M. A. N. (2012). An implementation of intrusion detection system using genetic algorithm. arXiv preprint arXiv:1204.1336.
Knierim A, Kernecker M, Erdle K, Kraus T, Borges F, Wurbs A. (2019). Smart farming technology innovations – Insights and reflections from the German Smart-AKIS hub. NJAS – Wageningen J Life Sci. 10(03): 90–91(October):100314.
[MSMB] Mitra Sejahtera Membangun Bangsa. (2018). Smart farming 4.0: masa depan pertanian Indonesia [Internet]. [diunduh 2020 Nov 20]. Tersedia dari: https://msmbindonesia.com/ smart-farming-4-0-masa-depan-pertanian.
Popa, C. (2011). Adoption of Artificial Intelligence in Agriculture. Bulletin of University of Agricultural Sciences and Veterinary Medicine Cluj-Napoca-Agriculture, 68(1), 284–293. https://doi.org/10.15835/buasvmcn-agr:6454.
Sarker, I. H., Khan, A. I., Abushark, Y. B., & Alsolami, F. (2023). Internet of things (iot) security intelligence: a comprehensive overview, machine learning solutions and research directions. Mobile Networks and Applications, 28(1), 296-312.
Streng. (2016). ‘‘Food Industry Cybersecurity Summit: Meeting Report,’’ Food Protection and Defense Institute.
Add a Comment