Big Cloud Storage Dinamis

 Nama Anggota : - Kevin Nugraha Santika Permana (202231017) 

                            - Desi Fitriani Ramadan (202231032)

                            - Salwa Nagita Mauludini (202231034)

                            - Hafidz Nur Raihan (20223075)

                            - Ilham Tanzilal Aziizir (202231119)

Mata Kuliah     : Internet of Things (B) 

Big Cloud Storage Dinamis

1. Pengertian dan Contoh Cloud Storage Dinamis 

Sumber : Big Cloud

Cloud Storage Dinamis merupakan evolusi mutakhir dari sistem penyimpanan berbasis awan (cloud storage) yang telah menjadi kebutuhan penting dalam dunia teknologi informasi, khususnya pada era Internet of Things (IoT), big data, dan sistem berbasis mikroprosesor. Sistem ini bukan sekadar ruang penyimpanan digital untuk menyimpan file seperti pada layanan cloud konvensional (contohnya Google Drive, Dropbox, atau OneDrive), melainkan sebuah sistem penyimpanan yang bersifat aktif, adaptif, real-time, dan terotomatisasi untuk menangani lalu lintas data yang tinggi dan terus-menerus dari berbagai perangkat.

Secara umum, cloud storage dinamis tidak hanya berperan sebagai tempat penyimpanan data, melainkan juga sebagai sistem yang mampu mengelola aliran data secara real-time dari ribuan hingga jutaan sensor dan perangkat mikroprosesor. Sistem ini mampu melakukan auto-scaling, yaitu kemampuan untuk menyesuaikan kapasitas penyimpanan dan komputasi secara otomatis berdasarkan kebutuhan dan volume data yang masuk. Ketika sebuah sistem monitoring lingkungan mengirimkan data suhu, kelembaban, tekanan udara, dan kadar gas setiap detik dari ratusan lokasi, maka cloud storage dinamis akan secara otomatis memperbesar kapasitas dan mendistribusikan beban ke berbagai server untuk menjaga performa dan stabilitas sistem.

Salah satu aspek yang membedakan cloud storage dinamis dari penyimpanan awan konvensional adalah kemampuannya dalam pemrosesan data secara langsung saat data diterima (real-time processing). Hal ini sangat penting terutama pada sistem-sistem kritikal seperti monitoring kesehatan pasien, kendaraan otonom, atau sistem keamanan. Saat data dikirimkan oleh mikrokontroler atau perangkat IoT, sistem cloud dinamis mampu langsung memproses data tersebut dan memberikan respons secara cepat, misalnya dengan mengirimkan notifikasi peringatan, menyalakan sistem alarm, atau mengaktifkan aktuator tertentu (misalnya kipas, pompa, atau sistem locking) berdasarkan analisis data terkini.

Lebih jauh, integrasi cloud storage dinamis dengan kecerdasan buatan (AI) dan machine learning (ML) menjadikannya jauh lebih canggih. Dengan kemampuan ini, data yang tersimpan tidak hanya diamati dan dicatat, tetapi juga dianalisis untuk mengenali pola, melakukan prediksi, dan membantu pengambilan keputusan secara otomatis. Misalnya, dalam sistem pertanian cerdas (smart farming), data cuaca dan kelembaban tanah yang dikumpulkan dan dianalisis oleh sistem cloud dapat digunakan untuk memprediksi kapan waktu terbaik untuk menyiram tanaman, kapan harus memberikan pupuk, bahkan kapan potensi serangan hama akan meningkat berdasarkan data historis. Hal yang sama juga berlaku pada sistem logistik, kesehatan, atau smart city, di mana keputusan otomatis dapat diambil dengan sangat cepat dan akurat berkat pemrosesan data yang terus-menerus dan terpadu. Berbeda dengan penyimpanan konvensional yang cenderung pasif, cloud storage dinamis memiliki kemampuan aktif dalam hal:

1. Auto-Scaling

Auto-scaling merupakan salah satu fitur kunci dalam cloud storage dinamis yang memungkinkan sistem untuk secara otomatis menyesuaikan kapasitas penyimpanan dan daya komputasi sesuai dengan beban kerja dan volume data yang masuk. Artinya, ketika jumlah data yang dikirim oleh perangkat IoT atau sistem berbasis mikroprosesor meningkat secara tiba-tiba—misalnya pada saat kondisi darurat atau aktivitas pengguna sedang tinggi—maka sistem cloud secara cerdas akan menambah kapasitas penyimpanan dan mengalokasikan lebih banyak sumber daya (seperti CPU dan memori) untuk menangani lonjakan tersebut.

Fitur ini sangat penting dalam memastikan sistem tetap berjalan lancar tanpa adanya gangguan seperti lag, data loss, atau server overload. Sebaliknya, ketika aktivitas menurun, sistem akan mengecilkan skala penggunaan sumber daya agar tetap efisien dan hemat biaya. Dengan demikian, auto-scaling bukan hanya mendukung performa, tetapi juga efisiensi operasional dan penghematan anggaran, karena pengguna tidak perlu menyewa kapasitas maksimum setiap saat. Hal ini sangat berguna pada sistem yang memiliki lalu lintas data tidak stabil atau bersifat musiman.

2. Real-Time Processing

Real-time processing adalah kemampuan sistem cloud untuk memproses data segera setelah data diterima dari perangkat pengirim, tanpa perlu menunggu batch data terkumpul terlebih dahulu. Dalam konteks cloud storage dinamis, fitur ini memungkinkan sistem untuk langsung menganalisis, mengklasifikasi, dan bahkan mengambil tindakan berdasarkan data yang baru saja diterima dari sensor atau perangkat IoT.

Contohnya, dalam sistem monitoring kesehatan pasien, data denyut nadi dan oksigen yang dikirim oleh perangkat wearable akan langsung diproses di cloud, sehingga jika ada indikasi bahaya—misalnya detak jantung terlalu tinggi atau terlalu rendah—sistem dapat segera memberikan notifikasi kepada dokter atau keluarga pasien.

Fitur ini sangat krusial dalam aplikasi-aplikasi yang memerlukan respons cepat dan tepat waktu, seperti kendaraan otonom, pengawasan keamanan, sistem pertanian cerdas, atau pemantauan kondisi mesin industri. Tanpa kemampuan real-time processing, sistem hanya akan bersifat pasif dan tidak mampu memberikan intervensi atau peringatan secara langsung.

3. Integrasi AI/ML (Artificial Intelligence / Machine Learning)

Integrasi dengan AI (Kecerdasan Buatan) dan ML (Pembelajaran Mesin) menjadikan cloud storage dinamis tidak hanya sebagai tempat menyimpan dan memproses data, tetapi juga sebagai pusat pengambilan keputusan cerdas. Dengan memanfaatkan data historis yang terus dikumpulkan dan disimpan, sistem dapat "belajar" dari pola-pola yang terjadi di masa lalu untuk kemudian digunakan dalam membuat prediksi dan keputusan secara otomatis di masa depan.

Sebagai contoh, dalam sistem smart city, data lalu lintas yang dikumpulkan selama berminggu-minggu dapat digunakan untuk memprediksi kepadatan lalu lintas pada waktu tertentu, sehingga sistem dapat mengatur lampu lalu lintas atau memberikan rekomendasi rute alternatif bagi pengendara. Di bidang pertanian, AI/ML dapat digunakan untuk memprediksi kapan waktu terbaik untuk menyiram tanaman berdasarkan pola cuaca dan kondisi kelembaban tanah sebelumnya.

Dengan adanya integrasi ini, sistem menjadi jauh lebih adaptif dan preskriptif, tidak hanya bereaksi terhadap kondisi saat ini, tetapi juga mampu mengantisipasi kejadian yang mungkin terjadi. Hal ini membuka peluang besar dalam otomatisasi, efisiensi operasional, serta pengambilan keputusan yang lebih cerdas dan berbasis data.

Contoh Layanan Cloud Storage Dinamis 

Cloud storage dinamis kini banyak disediakan oleh berbagai platform global maupun lokal yang mendukung ekosistem Internet of Things (IoT). Berikut beberapa contoh beserta fitur teknis dan kegunaannya:

1. ThingSpeak

• Merupakan layanan open-source yang didesain khusus untuk aplikasi IoT.

• Mendukung integrasi langsung dengan MATLAB untuk melakukan pemrosesan dan analisis data secara langsung di dalam cloud.

• Cocok untuk akademisi dan peneliti karena memungkinkan eksperimen matematis dan statistik berbasis data sensor.

2. Blynk.Cloud

• Mendukung pembuatan antarmuka pengguna (UI) mobile tanpa menulis kode frontend.

• Dilengkapi fitur Blynk.Console untuk monitoring, pengaturan device, dan notifikasi.

• Mendukung berbagai jenis mikrokontroler seperti ESP8266, ESP32, STM32, hingga Arduino Nano.

3. AWS IoT Core

• Platform kelas enterprise dengan kemampuan untuk menangani jutaaan koneksi device simultan.

• Menggunakan Device Shadow untuk menyimpan status virtual perangkat, sangat berguna ketika perangkat offline.

• Bisa diintegrasikan dengan Amazon DynamoDB, S3, Lambda, dan Kinesis untuk proses lanjutan, seperti deteksi anomali atau pembelajaran mesin.

4. Microsoft Azure IoT Hub

• Menyediakan fitur manajemen perangkat canggih, termasuk Device Twin dan perintah langsung ke device.

• Sangat cocok untuk industri manufaktur, smart city, dan kendaraan otonom.

• Didukung oleh ekosistem Microsoft Power Platform, yang memungkinkan pengguna membuat dashboard tanpa coding.

5. InfluxDB Cloud

• Spesifik untuk time-series data, cocok untuk data sensor yang memiliki dimensi waktu seperti suhu per detik.

• Dilengkapi dengan Flux language, bahasa query untuk analisis kompleks.

• Sangat efisien dalam menyimpan dan mengambil data dari jutaan titik sensor secara simultan.

2. Proses komunikasi data dari sensor hingga tersimpan di cloud storage.

A. Layer 1 – Sensor (Data Acquisition Layer)

Layer pertama dalam arsitektur ini merupakan lapisan paling dasar yang bertanggung jawab langsung terhadap proses akuisisi data dari lingkungan fisik. Pada tahap ini, digunakan berbagai jenis sensor yang memiliki fungsi utama untuk menangkap, mengukur, dan mendeteksi parameter-parameter lingkungan yang relevan dengan sistem. Parameter yang dimaksud bisa berupa suhu udara, kelembaban, tekanan udara, intensitas cahaya, gas berbahaya, detak jantung, jarak, dan lain sebagainya tergantung pada tujuan sistem yang dibangun.

Sensor yang digunakan dapat diklasifikasikan ke dalam dua kategori besar, yaitu sensor analog dan sensor digital:

• Sensor Analog menghasilkan sinyal dalam bentuk kontinu, biasanya berupa tegangan listrik yang bervariasi secara proporsional dengan nilai fisik yang diukur. Contohnya adalah sensor suhu LM35, yang mengeluarkan output berupa tegangan linear sesuai dengan suhu yang terdeteksi (10 mV/°C). Data dari sensor analog biasanya memerlukan pengubah analog-ke-digital (ADC) agar bisa diproses oleh mikrokontroler atau mikroprosesor.

• Sensor Digital, di sisi lain, langsung menghasilkan data dalam bentuk digital (bit), yang mempermudah integrasi dengan sistem pemrosesan karena tidak memerlukan proses konversi dari analog ke digital. Contoh sensor digital yang umum digunakan adalah DHT11, yang dapat mengukur suhu dan kelembaban sekaligus dan mengirimkan data dalam bentuk digital langsung ke mikrokontroler.

Keakuratan dan keandalan sensor dalam mengukur kondisi lingkungan sangat mempengaruhi kualitas data secara keseluruhan, sehingga pemilihan jenis sensor, penempatan, serta metode kalibrasinya menjadi faktor krusial dalam arsitektur sistem ini.

B. Layer 2 – Mikroprosesor/Mikrokontroler (Edge Processing Layer)

Setelah data dari sensor diambil, lapisan berikutnya bertugas untuk melakukan pemrosesan awal terhadap data tersebut sebelum dikirim ke sistem cloud. Lapisan ini biasanya terdiri dari mikrokontroler atau mikroprosesor yang berfungsi sebagai pengolah data pada edge (sisi perangkat).

Beberapa perangkat yang sering digunakan di layer ini meliputi:

• ESP32: Mikrokontroler yang memiliki Wi-Fi dan Bluetooth terintegrasi, sangat cocok untuk proyek IoT karena efisiensinya dalam konsumsi daya serta kemampuan komputasi yang mumpuni.

• Raspberry Pi: Mikroprosesor miniatur berbasis Linux yang dapat menjalankan sistem operasi dan mendukung pemrosesan data yang lebih kompleks, cocok untuk sistem yang membutuhkan machine learning ringan di edge.

Tugas utama dari layer ini meliputi:

• Kalibrasi data sensor, seperti mengonversi sinyal analog ke nilai suhu yang dapat dimengerti manusia.

• Penyaringan data (filtering), seperti menghilangkan noise dari sinyal input menggunakan metode statistik seperti filter rata-rata bergerak (moving average) atau filter median.

• Penambahan metadata, seperti waktu pengambilan data (timestamp), ID perangkat, dan koordinat lokasi GPS agar data lebih bermakna dan dapat ditelusuri.

Setelah melalui proses tersebut, data akan dikemas dalam format terstruktur seperti JSON (JavaScript Object Notation), XML (eXtensible Markup Language), atau CSV (Comma Separated Values). Format ini memudahkan data untuk dikirim dan dipahami oleh sistem cloud.

C. Layer 3 – Komunikasi Data (Transmission Layer)

Lapisan ini berfungsi sebagai penghubung antara perangkat edge dan sistem cloud, memastikan bahwa data yang telah diproses dapat dikirim secara andal dan efisien. Dalam konteks ini, pemilihan protokol komunikasi sangat penting karena berkaitan erat dengan efisiensi bandwidth, keamanan, dan latensi.

Beberapa protokol umum yang digunakan dalam lapisan ini antara lain:

• MQTT (Message Queuing Telemetry Transport): Merupakan protokol ringan berbasis publish-subscribe yang sangat efisien dan ideal untuk sistem dengan sumber daya terbatas atau bandwidth rendah. MQTT banyak digunakan dalam IoT karena overhead-nya kecil, dan protokol ini memungkinkan pengiriman data dengan cepat dan hemat daya.

• HTTP/HTTPS: Protokol standar komunikasi web. HTTP relatif mudah untuk diimplementasikan, tetapi memiliki overhead yang lebih besar dibandingkan MQTT. HTTPS memberikan keamanan tambahan dengan enkripsi SSL/TLS, penting untuk aplikasi yang memerlukan perlindungan data tinggi.

• CoAP (Constrained Application Protocol): Protokol alternatif yang ringan dan dirancang khusus untuk perangkat embedded dengan kemampuan terbatas. CoAP memungkinkan interaksi serupa HTTP namun dengan ukuran paket yang jauh lebih kecil dan efisiensi tinggi.

Jaringan komunikasi yang digunakan dapat berupa Wi-Fi, GSM, LoRa, NB-IoT, atau bahkan satelit, tergantung pada lokasi dan kebutuhan proyek.

D. Layer 4 – Cloud Server (Cloud Layer)

Data yang berhasil dikirimkan melalui protokol komunikasi kemudian diterima oleh layanan cloud yang berfungsi sebagai pusat penyimpanan, pengelolaan, dan analisis data. Cloud layer merupakan komponen penting yang memungkinkan sistem memiliki skalabilitas tinggi dan dapat diakses dari mana saja.

Layanan cloud seperti Google Firebase, InfluxDB, atau Microsoft Azure Cosmos DB sering digunakan sebagai basis data utama untuk menyimpan informasi secara terstruktur. Selain itu, platform ini menyediakan berbagai layanan tambahan seperti autentikasi pengguna, manajemen API, serta layanan keamanan.

Pada tahap ini, data akan:

• Disimpan dalam basis data yang dirancang untuk menampung data dalam jumlah besar dan terus bertambah secara cepat.

• Dianalisis menggunakan alat analisis lanjutan seperti Google BigQuery, Microsoft Power BI, atau Grafana, yang memungkinkan pengguna melakukan visualisasi tren, mendeteksi anomali, dan menghasilkan insight dari data historis.

• Diindeks berdasarkan atribut seperti waktu (timestamp), lokasi geografis, jenis sensor, atau ID perangkat untuk mempermudah pencarian, pemfilteran, dan pengolahan data lebih lanjut.

Cloud juga dapat menjalankan proses otomatisasi, seperti menjalankan model machine learning untuk prediksi, atau mengaktifkan sistem keamanan jika terdeteksi pola aneh dalam data.

E. Layer 5 – Visualisasi & Aksi (Application Layer)

Layer terakhir berperan sebagai antarmuka antara sistem dan pengguna. Di sinilah data yang telah dikumpulkan dan dianalisis akan ditampilkan dalam bentuk visual yang mudah dipahami, serta digunakan sebagai dasar untuk pengambilan keputusan atau tindakan otomatis.

Visualisasi dapat dibuat dalam bentuk dashboard interaktif menggunakan platform seperti:

• Grafana: Untuk visualisasi data time-series.

• Node-RED: Untuk alur data visual dan otomasi IoT.

• Blynk: Untuk aplikasi mobile berbasis IoT.

• Power BI: Untuk visualisasi bisnis dan laporan analitik.

Selain visualisasi, layer ini juga mendukung aksi otomatis berbasis logika atau peristiwa yang terdeteksi oleh sistem. Contohnya:

• Actuator control: Jika sensor kelembaban tanah mendeteksi kondisi terlalu kering, sistem secara otomatis dapat mengaktifkan pompa air.

• Notifikasi: Jika parameter tertentu melewati ambang batas, sistem akan mengirim notifikasi real-time ke pengguna melalui email, SMS, atau push notification.

Layer ini menjembatani antara data teknis dan pengalaman pengguna, memungkinkan sistem berjalan secara otonom namun tetap dapat diawasi dan dikendalikan.

3. Sistem Keamanan Data dalam Cloud Storage Dinamis

A. Enkripsi Data

Dalam sistem Internet of Things (IoT), enkripsi merupakan lapisan keamanan penting untuk menjaga kerahasiaan, integritas, dan autentikasi data, baik saat dikirimkan melalui jaringan (in-transit) maupun saat disimpan (at-rest). Proses enkripsi memastikan bahwa data tidak dapat dibaca atau dimanipulasi oleh pihak yang tidak berwenang. Beberapa jenis algoritma enkripsi yang umum digunakan dalam sistem IoT meliputi:

• TLS/SSL (Transport Layer Security / Secure Sockets Layer)
  TLS dan SSL digunakan untuk mengamankan komunikasi antara perangkat IoT dan server cloud melalui protokol HTTPS atau MQTT Secure. TLS menjamin keamanan dengan menyediakan autentikasi, enkripsi, dan integritas data melalui kriptografi yang kuat. Ini sangat penting untuk mencegah serangan man-in-the-middle (MitM).

• AES (Advanced Encryption Standard)
  AES merupakan algoritma enkripsi simetris yang sangat efisien dan cocok untuk perangkat IoT dengan keterbatasan daya dan memori. AES mendukung panjang kunci 128, 192, dan 256 bit, yang memberikan tingkat keamanan yang tinggi. AES biasanya digunakan untuk mengenkripsi data sensor sebelum dikirim ke cloud.

• RSA (Rivest–Shamir–Adleman)
  RSA adalah algoritma kriptografi asimetris yang menggunakan pasangan kunci publik dan privat. RSA lebih cocok digunakan untuk proses autentikasi dan pertukaran kunci (key exchange), bukan untuk enkripsi data dalam jumlah besar karena memerlukan lebih banyak sumber daya komputasi.

B. Autentikasi dan Otorisasi

Untuk mencegah akses ilegal dan penyalahgunaan sistem, diperlukan mekanisme autentikasi (verifikasi identitas) dan otorisasi (penentuan hak akses). Sistem IoT yang baik harus memiliki protokol otentikasi dan otorisasi yang kuat, seperti:

• API Key / JSON Web Token (JWT)
  Setiap perangkat yang terhubung ke sistem harus menyertakan API Key atau JWT saat mengirim data. JWT memuat informasi identitas dan hak akses yang telah dienkripsi dan ditandatangani secara digital, sehingga dapat diverifikasi tanpa menyimpan status di server (stateless authentication).

• OAuth 2.0
  Merupakan framework otorisasi yang umum digunakan dalam aplikasi berbasis cloud. OAuth memungkinkan pengguna memberikan akses terbatas ke sumber daya tertentu tanpa perlu membagikan kredensial utama, sangat berguna untuk sistem dengan banyak pengguna atau integrasi layanan pihak ketiga.

• Device Authentication
  Sistem hanya akan memproses data yang dikirim oleh perangkat yang telah terdaftar dan terverifikasi dalam sistem. Ini dapat dilakukan melalui identifikasi unik (Device ID), sertifikat digital, atau metode berbasis kriptografi.

C. Proteksi Tambahan

Untuk meningkatkan ketahanan terhadap serangan siber, sistem IoT juga menerapkan berbagai lapisan proteksi tambahan:

• Whitelisting Device ID
  Hanya perangkat dengan ID yang telah terdaftar dalam sistem yang diizinkan untuk berkomunikasi. Ini mencegah perangkat asing atau yang tidak dikenal mengakses sistem.

• Two-Factor Authentication (2FA)
  Pada sisi pengguna (misalnya saat mengakses dashboard atau aplikasi monitoring), sistem dapat menerapkan autentikasi dua faktor sebagai langkah tambahan untuk memastikan bahwa hanya pengguna yang sah yang dapat mengakses data sensitif.

• Rate Limiting
  Untuk melindungi sistem dari serangan seperti Denial of Service (DoS) atau brute-force, sistem membatasi jumlah permintaan (requests) yang dapat dilakukan dalam jangka waktu tertentu. Permintaan berlebihan dari alamat IP yang sama dapat diblokir atau ditandai sebagai aktivitas mencurigakan.

4. Studi Pustaka dan Kasus Implementasi Nyata

A. Studi Literatur

Beberapa penelitian terdahulu telah membahas mengenai integrasi teknologi Internet of Things (IoT) dengan sistem cloud yang mengedepankan aspek keamanan, efisiensi, dan keandalan. Studi-studi berikut memberikan kontribusi penting terhadap pemahaman dan pengembangan sistem IoT berbasis cloud:

1. IEEE, 2021 – IoT-based Air Quality Monitoring
   Studi ini membahas implementasi sistem pemantauan kualitas udara berbasis IoT yang memanfaatkan platform Firebase sebagai media penyimpanan dan pemrosesan data di cloud. Sistem menggunakan protokol MQTT yang dienkripsi melalui TLS untuk menjamin keamanan transmisi data. Data yang dikumpulkan dari berbagai sensor ditampilkan secara real-time melalui dashboard berbasis web dan dimanfaatkan dalam pembuatan kebijakan lingkungan oleh pemerintah daerah.

2. Springer, 2020 – Secure Health System
   Penelitian ini menyoroti sistem kesehatan berbasis IoT yang mengintegrasikan Raspberry Pi dengan layanan AWS (Amazon Web Services). Sistem menggunakan otentikasi biometrik berupa sidik jari untuk mengakses dan mengaktifkan perangkat medis, guna menjamin keamanan pasien. Proses transmisi data medis dilindungi oleh sistem enkripsi hybrid antara AES (untuk efisiensi enkripsi data) dan RSA (untuk pertukaran kunci), yang memastikan kerahasiaan dan integritas informasi kesehatan sensitif.

3. ACM, 2022 – Survey on IoT Protocols
   Penelitian ini merupakan studi komparatif yang menganalisis kinerja tiga protokol komunikasi data utama dalam sistem IoT: MQTT, CoAP, dan HTTP. Berdasarkan parameter seperti konsumsi daya, latensi, dan kemudahan integrasi, penelitian ini menyimpulkan bahwa MQTT merupakan protokol paling efisien untuk digunakan pada perangkat IoT dengan sumber daya terbatas, terutama dalam kondisi jaringan yang tidak stabil atau bandwidth rendah.

B. Kasus Implementasi Nyata

Beberapa implementasi di lapangan menunjukkan bagaimana teknologi IoT berbasis cloud dapat diaplikasikan secara praktis untuk meningkatkan efisiensi dan keamanan dalam berbagai sektor:

1. Smart Irrigation System – Telkom Indonesia
   Telkom Indonesia mengembangkan sistem irigasi pintar berbasis IoT yang menggunakan mikrokontroler ESP32 yang terhubung dengan aplikasi Blynk sebagai dashboard monitoring dan kontrol. Sistem ini dilengkapi sensor kelembaban tanah yang secara otomatis mengaktifkan pompa air ketika tingkat kelembaban terdeteksi di bawah 30%. Selain itu, keamanan sistem dijaga melalui integrasi token API serta proteksi cloud yang memastikan hanya perangkat terverifikasi yang dapat berkomunikasi dengan server.

2. Sistem Monitoring Banjir – Universitas Indonesia (UI)
   Sistem ini menggunakan sensor ultrasonik untuk mengukur ketinggian permukaan air secara berkala, yang kemudian dikirim ke platform ThingSpeak untuk dianalisis dan divisualisasikan. Data dari ThingSpeak terintegrasi dengan bot Telegram yang secara otomatis mengirim notifikasi kepada masyarakat ketika tinggi air mencapai ambang batas tertentu. Sistem ini terbukti efektif dalam memberikan peringatan dini terhadap potensi banjir.

3. Monitoring Ruang Server – PT PLN (Persero)
   PLN memanfaatkan sensor suhu dan kelembaban yang dikendalikan oleh ESP8266 untuk memantau kondisi ruang server secara real-time. Data dikirim ke cloud dan divisualisasikan melalui dashboard interaktif menggunakan Grafana. Sistem ini juga dilengkapi autentikasi wajah yang diimplementasikan menggunakan modul kamera Raspberry Pi (PiCam), yang hanya mengizinkan personel tertentu untuk mengakses perangkat keras di ruang server, sehingga meningkatkan keamanan fisik infrastruktur IT.