Beranda IoT Database IoT: Cara Menyimpan, Mengolah, dan Memvisualisasikan Data Sensor

IoT

Database IoT: Cara Menyimpan, Mengolah, dan Memvisualisasikan Data Sensor

Pelajari database IoT untuk menyimpan, mengolah, dan memvisualisasikan data sensor. Kenali time-series database, SQL, NoSQL, InfluxDB, dan arsitektur data IoT.

RPM21 Agu 202611 Menit5 Tayangan0

Pada Level 12, kita telah membahas berbagai platform IoT dan cloud, seperti AWS IoT, Azure IoT, ThingsBoard, Blynk, dan Node-RED.

Namun ada satu pertanyaan penting yang belum kita jawab:

Setelah sensor mengirimkan data ke platform IoT, data tersebut disimpan di mana?

Bayangkan sebuah sensor temperatur membaca data setiap 5 detik.

Dalam satu menit saja kita mendapatkan:

10:00:00 → 28.5°C
10:00:05 → 28.7°C
10:00:10 → 28.8°C
10:00:15 → 29.0°C
...

Jika hanya ada satu sensor, jumlah data mungkin terlihat kecil.

Tetapi bagaimana jika terdapat:

1.000 device  ×  10 sensor/device  ×  1 data/5 detik

Dalam waktu singkat, sistem dapat menghasilkan jumlah data yang sangat besar.

Karena itu, sistem IoT membutuhkan mekanisme yang mampu:

menerima data sensor;
menyimpan data;
mengorganisasi data;
mencari data tertentu;
mengolah data;
mempertahankan histori;
membuat agregasi;
dan menampilkan data dalam bentuk yang mudah dipahami.

Di sinilah database IoT menjadi sangat penting, ini adalah Level 13 dari Kurikulum Internet of Things Raja Putra Media tentang bagaimana mengenali time-series database, SQL, NoSQL, InfluxDB, dan arsitektur data IoT.

Daftar isi

Apa Itu Database IoT?

Database IoT adalah sistem penyimpanan data yang digunakan untuk menyimpan, mengelola, mengambil, dan memproses data yang dihasilkan oleh perangkat Internet of Things.

Secara sederhana:

Sensor   → ESP32   → Network   → IoT Platform   → Database   → Query / Processing   → Dashboard

Database menjadi tempat di mana data sensor dapat disimpan sehingga tidak hilang setelah dikirim oleh perangkat.

Misalnya:

Device: ESP32-001
Sensor: Temperature
Value: 29.5
Unit: °C
Timestamp: 2026-08-21 10:00:00

Data tersebut kemudian dapat digunakan kembali untuk:

melihat kondisi saat ini;
membuat grafik;
menghitung rata-rata;
mendeteksi anomali;
membuat laporan;
melakukan analisis historis;
dan mengambil keputusan.

Mengapa Database Sangat Penting dalam IoT?

IoT bukan hanya tentang mengambil data.

Nilai sebenarnya muncul ketika data tersebut dapat digunakan.

Perhatikan perbedaan berikut.

Tanpa database

Sensor
 ↓
Data
 ↓
Ditampilkan

Data hanya terlihat saat itu.

Dengan database

Sensor   → Data   → Database   → Historical Data   → Analytics   → Dashboard   → Decision

Sekarang kita dapat mengetahui:

"Berapa rata-rata temperatur selama 30 hari terakhir?"

atau:

"Kapan temperatur mencapai titik tertinggi?"

atau:

"Apakah konsumsi energi meningkat dibandingkan minggu sebelumnya?"

Pertanyaan seperti inilah yang membuat database sangat penting dalam sistem IoT.

Karakteristik Data IoT

Sebelum memilih database, kita perlu memahami karakteristik data IoT.

Data IoT biasanya memiliki beberapa karakteristik berikut.

1. Memiliki Timestamp

Hampir setiap data sensor berkaitan dengan waktu.

Contoh:

10:00:01 → 28.5°C
10:00:02 → 28.6°C
10:00:03 → 28.6°C

Karena itu, waktu merupakan elemen fundamental dalam data IoT.

2. Datang Secara Terus-Menerus

Sensor biasanya menghasilkan data secara periodik.

Misalnya:

Every 1 second
Every 5 seconds
Every 1 minute

Artinya database harus mampu menerima continuous data ingestion.

3. Jumlah Data Bisa Sangat Besar

Satu sensor mungkin hanya menghasilkan sedikit data.

Tetapi:

10.000 device  ×  10 sensor  ×  data setiap menit

akan menghasilkan jutaan record.

Karena itu, database IoT harus dirancang dengan mempertimbangkan scalability.

4. Data Sering Berbentuk Time-Series

Data sensor biasanya dapat direpresentasikan sebagai:

Timestamp + Value

Misalnya:

10:00 → 29.1°C
10:01 → 29.3°C
10:02 → 29.7°C

Inilah alasan time-series database sangat relevan dalam sistem IoT.

Apa Itu Time-Series Database?

Time-series database (TSDB) adalah database yang dioptimalkan untuk menyimpan dan mengambil data yang memiliki dimensi waktu.

Struktur sederhananya:

Timestamp        Temperature
----------------------------
10:00:00         28.5
10:00:05         28.7
10:00:10         28.8

Data seperti ini sangat umum dalam IoT.

Selain temperatur, time-series data dapat digunakan untuk:

humidity;
pressure;
voltage;
current;
energy consumption;
GPS position;
vibration;
CPU usage;
water level;
air quality.

Mengapa Time-Series Database Cocok untuk IoT?

Bayangkan kita memiliki sensor yang mengirim data setiap detik.

Kita mungkin ingin melakukan query:

"Tampilkan temperatur antara pukul 08:00 dan 12:00."

Atau:

"Hitung rata-rata temperatur setiap 5 menit."

Atau:

"Tampilkan nilai maksimum selama 24 jam."

Query berbasis waktu seperti ini merupakan pola yang sangat umum dalam IoT.

Karena itu, database yang dioptimalkan untuk workload time-series dapat memberikan pendekatan yang lebih sesuai dibandingkan menggunakan database secara sembarangan.

SQL Database untuk IoT

Database relasional seperti PostgreSQL atau MySQL juga dapat digunakan untuk menyimpan data IoT.

Misalnya kita membuat tabel:

sensor_data

id
device_id
sensor_type
value
unit
timestamp

Contohnya:

id	device_id	sensor	value	unit	timestamp
1	ESP32-001	temperature	28.5	°C	10:00:00
2	ESP32-001	temperature	28.7	°C	10:00:05
3	ESP32-001	temperature	28.8	°C	10:00:10

Pendekatan ini mudah dipahami dan sangat berguna untuk belajar konsep database.

Kapan SQL Cocok untuk IoT?

Database SQL dapat menjadi pilihan ketika sistem membutuhkan:

relational data;
transaksi;
hubungan antar-entitas;
query kompleks;
integritas data;
metadata perangkat;
user management;
configuration data.

Misalnya:

Users   → Devices   → Sensors   → Sensor Data

Hubungan seperti ini sangat cocok dengan model relational database.

Contoh Struktur Database IoT

Kita dapat membagi data menjadi beberapa tabel:

USERS
│
├── user_id
├── name
└── email

DEVICES
│
├── device_id
├── device_name
└── location

SENSORS
│
├── sensor_id
├── device_id
├── type
└── unit

TELEMETRY
│
├── sensor_id
├── value
└── timestamp

Struktur tersebut memungkinkan kita memisahkan:

siapa pemilik perangkat;
perangkat apa yang digunakan;
sensor apa yang terpasang;
dan data apa yang dihasilkan.

NoSQL Database untuk IoT

Selain SQL, sistem IoT juga dapat menggunakan pendekatan NoSQL.

NoSQL memiliki berbagai model, termasuk:

document database;
key-value;
wide-column;
graph database.

Untuk IoT, NoSQL dapat berguna ketika data memiliki struktur yang fleksibel atau membutuhkan scalability tertentu.

Misalnya data perangkat:

</> JSON
{
  "device_id": "ESP32-001",
  "location": "Room A",
  "temperature": 29.5,
  "humidity": 71,
  "battery": 87
}

Struktur seperti ini dapat berkembang tanpa harus selalu mengikuti skema tabel tradisional.

SQL vs NoSQL untuk IoT

Perbandingan sederhananya:

Aspek	SQL	NoSQL
Struktur	Relasional	Fleksibel
Schema	Lebih terstruktur	Dapat lebih fleksibel
Relationship	Sangat kuat	Bergantung jenis database
Query relasional	Sangat baik	Bervariasi
Scalability	Bisa sangat baik	Sering dirancang untuk horizontal scaling
Cocok untuk	Data terstruktur	Data yang lebih fleksibel/skala tertentu

Tidak berarti NoSQL selalu lebih baik daripada SQL.

Pemilihannya bergantung pada workload, model data, kebutuhan query, dan arsitektur sistem.

Database IoT Tidak Harus Hanya Satu

Dalam sistem nyata, kita tidak harus menggunakan satu database untuk semua kebutuhan.

Misalnya:

                 IoT System
                     │
          ┌──────────┴──────────┐
          ↓                     ↓
   Device Metadata        Sensor Telemetry
          ↓                     ↓
       SQL DB              Time-Series DB

Database SQL dapat menyimpan:

Device
User
Location
Configuration

Sedangkan time-series database menyimpan:

Temperature
Humidity
Pressure
Energy

Pendekatan seperti ini dapat membuat arsitektur lebih sesuai dengan karakteristik masing-masing data.

Contoh Database untuk IoT

Ada berbagai teknologi database yang dapat digunakan dalam sistem IoT.

Beberapa yang sering dijumpai antara lain:

PostgreSQL;
MySQL;
MongoDB;
InfluxDB;
TimescaleDB;
Redis;
dan berbagai database cloud.

Namun masing-masing memiliki tujuan dan karakteristik berbeda.

InfluxDB untuk IoT

InfluxDB merupakan database yang berfokus pada time-series data.

Konsep dasarnya sangat cocok dengan data sensor:

Measurement
Tags
Fields
Timestamp

Misalnya:

temperature
device=ESP32-001
value=29.5
time=10:00:00

Data seperti ini dapat digunakan untuk membuat grafik historis.

InfluxDB juga memiliki ekosistem yang dirancang untuk ingest, query, dan visualisasi data time-series.

TimescaleDB

TimescaleDB merupakan extension untuk PostgreSQL yang dirancang untuk workload time-series.

Ini menarik karena kita dapat menggabungkan:

PostgreSQL  +  Time-Series

Dengan demikian, developer yang sudah familiar dengan PostgreSQL dapat memanfaatkan konsep relational database sekaligus fitur yang ditujukan untuk data berbasis waktu.

MongoDB untuk Data IoT

MongoDB menggunakan model document.

Misalnya:

</> JSON
{
  "device": "ESP32-001",
  "timestamp": "2026-08-21T10:00:00Z",
  "data": {
    "temperature": 29.5,
    "humidity": 72,
    "pressure": 1012
  }
}

Model seperti ini dapat berguna ketika payload perangkat memiliki struktur yang beragam.

Namun, lagi-lagi, pilihan database harus ditentukan berdasarkan kebutuhan workload, bukan sekadar karena database tersebut populer.

Bagaimana Data Sensor Masuk ke Database?

Sekarang kita masuk ke bagian yang sangat penting.

Sensor biasanya tidak langsung menulis ke database.

Arsitektur yang lebih umum adalah:

Sensor
 ↓
Microcontroller
 ↓
Network
 ↓
MQTT / HTTP
 ↓
IoT Platform / Backend
 ↓
Database

Misalnya:

DHT22   → ESP32   → Wi-Fi   → MQTT   → MQTT Broker   → Backend   → InfluxDB

Kemudian dashboard membaca data:

InfluxDB
 ↓
Dashboard
 ↓
Grafik

Mengapa Sensor Tidak Langsung Terhubung ke Database?

Ada beberapa alasan.

Pertama adalah security.

Kita tidak ingin database terbuka langsung kepada semua perangkat.

Kedua adalah data validation.

Backend dapat memeriksa apakah data yang masuk valid.

Ketiga adalah transformation.

Misalnya:

Raw Data   → Convert Unit   → Validate   → Store

Keempat adalah scalability.

Backend atau message broker dapat membantu menangani banyak perangkat.

Arsitektur Database IoT

Arsitektur sederhananya:

┌──────────────┐
│   Sensor     │
└──────┬───────┘
       ↓
┌──────────────┐
│ ESP32 / MCU  │
└──────┬───────┘
       ↓
┌──────────────┐
│ Wi-Fi / 4G   │
└──────┬───────┘
       ↓
┌──────────────┐
│ MQTT / HTTP  │
└──────┬───────┘
       ↓
┌──────────────┐
│ Backend /    │
│ IoT Platform │
└──────┬───────┘
       ↓
┌──────────────┐
│   Database   │
└──────┬───────┘
       ↓
┌──────────────┐
│  Dashboard   │
└──────────────┘

Ini merupakan salah satu pola dasar yang perlu dipahami sebelum masuk ke arsitektur IoT tingkat lanjut.

Data Ingestion: Pintu Masuk Data IoT

Data ingestion adalah proses menerima data dari perangkat untuk diproses dan disimpan.

Misalnya ESP32 mengirim:

</> JSON
{
  "device_id": "ESP32-001",
  "temperature": 29.5,
  "humidity": 72
}

Backend menerima payload tersebut.

Kemudian:

Receive   → Validate   → Transform   → Store

Jika valid:

Database   → Success

Jika tidak valid:

Reject / Log

Contoh Data Sensor

Misalnya sistem monitoring ruangan menghasilkan:

Device: ESP32-001

10:00 → 28.5°C
10:01 → 28.7°C
10:02 → 29.0°C
10:03 → 29.2°C

Data tersebut kemudian dapat digunakan untuk menghitung:

Minimum

28.5°C

Maximum

29.5°C

Average

28.98°C

Tetapi kita tidak hanya dapat menghitung statistik sederhana.

Kita juga dapat melakukan:

trend analysis;
anomaly detection;
threshold detection;
forecasting;
correlation;
alerting.

Dari Data Mentah Menjadi Informasi

Ini adalah konsep penting dalam IoT.

Data:

29.5
29.7
30.1
31.2

Data tersebut belum memberikan konteks yang cukup.

Setelah diolah:

Temperature meningkat 3°C dalam 10 menit terakhir.

Sekarang data menjadi informasi.

Kemudian sistem dapat mengambil tindakan:

Temperature > 32°C
        ↓
Trigger Alert
        ↓
Turn Fan ON

Inilah hubungan antara:

Data   → Information   → Decision   → Action

Data Aggregation

Sistem IoT sering menghasilkan data dalam jumlah besar.

Kita tidak selalu membutuhkan setiap titik data untuk ditampilkan.

Misalnya sensor mengirim data setiap 1 detik:

60 data / menit

Dashboard mungkin cukup menampilkan:

Average / minute

Atau:

Average / 5 minutes

Atau:

Maximum / hour

Proses ini disebut data aggregation.

Contohnya:

Raw Data   → 60 values   → Average   → 1 value

Dengan demikian, dashboard dapat menjadi lebih efisien.

Mengapa Data Aggregation Penting?

Bayangkan:

10.000 devices × 1 data / second

Sistem menghasilkan:

10.000 data/second

Jika semua data tersebut ditampilkan mentah pada dashboard, hasilnya tidak efisien dan sulit dibaca.

Kita dapat mengubahnya menjadi:

Per second → Raw data
Per minute → Average
Per hour   → Summary
Per day    → Report

Pendekatan tersebut membantu mengurangi beban pemrosesan dan membuat visualisasi lebih bermakna.

Retention Data

Data IoT dapat terus bertambah.

Karena itu kita perlu menentukan:

Berapa lama data harus disimpan?

Misalnya:

Raw Data
→ 30 hari

Aggregated Data
→ 1 tahun

Daily Summary
→ 5 tahun

Tidak semua data harus disimpan selamanya dalam bentuk mentah.

Strategi retention bergantung pada:

kebutuhan bisnis;
regulasi;
biaya storage;
kebutuhan analitik;
kebutuhan audit.

Data Lifecycle pada IoT

Kita dapat menggambarkan lifecycle data:

Sensor → Generate → Transmit → Ingest → Validate → Store → Process → Aggregate → Visualize → Archive / Delete

Ini merupakan konsep penting dalam IoT data management.

Bagaimana Data IoT Divisualisasikan?

Data yang tersimpan di database belum otomatis mudah dipahami manusia.

Kita membutuhkan data visualization.

Misalnya data temperatur:

28.5
28.7
29.1
29.5
30.2
31.0

Dapat ditampilkan menjadi grafik:

Temperature
32 ┤
31 ┤              ╭─●
30 ┤          ╭───╯
29 ┤    ╭─────╯
28 ┤ ●──╯
   └──────────────────
      Time →

Sekarang kita langsung dapat melihat bahwa temperatur meningkat.

Jenis Visualisasi Data IoT

Beberapa bentuk visualisasi yang umum digunakan adalah:

Line Chart

Cocok untuk:

temperatur;
humidity;
pressure;
energy;
sensor value dari waktu ke waktu.

Gauge

Cocok untuk:

Temperature: 29.5°C

atau:

Battery: 78%

Bar Chart

Cocok untuk membandingkan:

Energy Usage
Room A → 120 kWh
Room B → 95 kWh
Room C → 145 kWh

Heatmap

Cocok untuk melihat pola berdasarkan waktu dan lokasi.

Map

Sangat berguna untuk:

GPS;
fleet tracking;
smart city;
logistics.

Dashboard IoT

Dashboard merupakan interface yang memungkinkan manusia melihat kondisi sistem.

Contoh sederhana:

┌─────────────────────────────────────┐
│         IoT MONITORING              │
├──────────────┬──────────────────────┤
│ Temperature  │      29.5°C          │
│              │                      │
├──────────────┼──────────────────────┤
│ Humidity     │       72%            │
│              │                      │
├──────────────┴──────────────────────┤
│                                     │
│       Temperature History           │
│       ╭────╮                        │
│  ─────╯    ╰──────╮                 │
│                    ╰──              │
└─────────────────────────────────────┘

Dashboard dapat digunakan untuk:

monitoring real-time;
historical analysis;
alert;
device status;
reporting.

Tools untuk Visualisasi Data IoT

Ada banyak pilihan teknologi untuk membuat dashboard.

Beberapa yang populer antara lain:

Grafana;
ThingsBoard;
Blynk;
Node-RED Dashboard;
aplikasi web custom;
dashboard dari cloud platform.

Pemilihannya bergantung pada arsitektur.

Misalnya:

ESP32 → MQTT → InfluxDB → Grafana

Ini merupakan pola yang menarik untuk proyek monitoring.

Contoh Arsitektur ESP32 + MQTT + InfluxDB + Grafana

Kita dapat membuat sistem seperti:

┌────────────┐
│   DHT22    │
└─────┬──────┘
      ↓
┌────────────┐
│   ESP32    │
└─────┬──────┘
      ↓
     MQTT
      ↓
┌────────────┐
│ MQTT Broker│
└─────┬──────┘
      ↓
┌────────────┐
│   Telegraf │
│ / Backend  │
└─────┬──────┘
      ↓
┌────────────┐
│ InfluxDB   │
└─────┬──────┘
      ↓
┌────────────┐
│  Grafana   │
└────────────┘

Data bergerak dari sensor hingga menjadi grafik.

Apa Peran Grafana?

Grafana adalah platform observability dan visualization yang dapat mengambil data dari berbagai sumber dan menyajikannya dalam dashboard.

Dalam konteks IoT, Grafana dapat digunakan untuk:

grafik sensor;
monitoring;
historical data;
alert;
dashboard real-time;
analisis tren.

Misalnya:

InfluxDB   → Grafana   → Temperature Chart

atau:

PostgreSQL   → Grafana   → Energy Dashboard

Real-Time vs Historical Data

Database IoT harus mampu mendukung dua kebutuhan yang berbeda.

Real-Time

Pertanyaan:

"Berapa temperatur sekarang?"

29.5°C

Historical

Pertanyaan:

"Bagaimana temperatur selama 30 hari terakhir?"

Day 1 → 27°C
Day 2 → 28°C
...
Day 30 → 30°C

Keduanya penting.

Real-time digunakan untuk:

monitoring;
control;
alert.

Historical data digunakan untuk:

analisis;
laporan;
forecasting;
maintenance;
optimasi.

Real-Time Data Pipeline

Contoh pipeline:

Sensor → ESP32 → MQTT → Broker → Processing → Database → Dashboard

Jika kita membutuhkan respons cepat:

Temperature > 35°C
        ↓
     Alert
        ↓
     Fan ON

Data tidak harus menunggu analisis historis.

Historical Data Pipeline

Untuk analisis:

Database → Query → Aggregation → Analytics → Visualization

Misalnya:

30 Days Data
      ↓
Daily Average
      ↓
Trend
      ↓
Report

Edge Database vs Cloud Database

Tidak semua data harus langsung dikirim ke cloud.

Pada beberapa sistem, data dapat disimpan terlebih dahulu di edge.

Contohnya:

Sensor → ESP32 → Gateway → Local Database → Cloud

Keuntungan pendekatan ini antara lain:

tetap dapat bekerja saat internet terputus;
mengurangi traffic;
memungkinkan local processing;
meningkatkan responsiveness.

Setelah koneksi kembali:

Local Data
 ↓
Sync
 ↓
Cloud Database

Contoh Sistem IoT Tanpa Cloud

Untuk pembelajaran, kita bahkan dapat membuat:

ESP32 → ↓Wi-Fi → Raspberry Pi → MQTT → InfluxDB → Grafana

Semua berada di jaringan lokal.

Ini merupakan proyek yang sangat bagus untuk memahami:

MQTT;
database;
data ingestion;
time-series;
dashboard.

Contoh Sistem IoT dengan Cloud

Untuk skala lebih besar:

IoT Devices  → Internet  → Cloud IoT Platform  → Data Processing  → Cloud Database  → Analytics  → Dashboard

Kemudian:

10 Devices
   ↓
100 Devices
   ↓
1.000 Devices
   ↓
10.000 Devices

Arsitektur harus dirancang agar dapat berkembang.

Database IoT dan Security

Data sensor tidak selalu merupakan data sederhana.

Dalam sistem industri, data dapat berkaitan dengan:

mesin;
produksi;
energi;
lokasi;
operasional perusahaan.

Karena itu keamanan harus diperhatikan.

Beberapa aspek penting:

Authentication

Siapa yang boleh mengirim data?

Authorization

Apa yang boleh dilakukan device atau user?

Encryption

Apakah data terlindungi saat dikirim?

Database Security

Siapa yang boleh membaca database?

Network Security

Bagaimana database dilindungi dari akses tidak sah?

Kesalahan Umum dalam Database IoT

Menyimpan Semua Data Selamanya

Storage akan terus bertambah.

Solusinya adalah retention policy dan aggregation.

Tidak Menggunakan Timestamp

Tanpa timestamp, kita kehilangan konteks waktu.

Untuk data IoT, ini sangat penting.

Semua Data Disimpan dalam Satu Tabel

Pada sistem yang kompleks, desain seperti ini dapat menjadi sulit dikelola.

Kita perlu mempertimbangkan:

Device
Sensor
Telemetry
Events
Alerts
Users

Mengirim Data Terlalu Sering

Misalnya sensor mengirim data:

100 kali/detik

padahal perubahan nilai hanya terjadi sedikit.

Frekuensi pengiriman perlu disesuaikan dengan kebutuhan.

Mengirim Semua Data Mentah ke Cloud

Tidak semua data harus dikirim.

Edge processing dapat digunakan untuk:

Raw Data → Filter → Aggregation → Cloud

Hal ini dapat menghemat bandwidth dan storage.

Bagaimana Memilih Database IoT?

Gunakan beberapa pertanyaan berikut.

Apakah data memiliki timestamp?

Jika sebagian besar data berupa:

value + timestamp

pertimbangkan time-series database.

Apakah membutuhkan relational data?

Jika sistem memiliki banyak relationship:

User
Device
Location
Organization

SQL dapat menjadi pilihan kuat.

Apakah schema sangat fleksibel?

Pertimbangkan NoSQL jika struktur data memang membutuhkan fleksibilitas.

Berapa volume data?

100 records/day

berbeda jauh dengan:

10 million records/day

Seberapa cepat data masuk?

Pertimbangkan:

Writes per second

Bagaimana pola query?

Apakah sistem sering melakukan:

WHERE timestamp BETWEEN...

Jika ya, time-series workload perlu diperhatikan.

Berapa lama data disimpan?

Retention policy harus dirancang sejak awal.

Arsitektur Database IoT yang Lebih Lengkap

Setelah menggabungkan materi Level 1 sampai Level 13, kita dapat membayangkan sistem IoT seperti ini:

                    ┌───────────────┐
                    │   Dashboard   │
                    └───────┬───────┘
                            ↑
                    ┌───────┴───────┐
                    │   Analytics   │
                    └───────┬───────┘
                            ↑
                    ┌───────┴───────┐
                    │   Database    │
                    └───────┬───────┘
                            ↑
                    ┌───────┴───────┐
                    │ IoT Platform  │
                    └───────┬───────┘
                            ↑
                    ┌───────┴───────┐
                    │ MQTT / HTTP   │
                    └───────┬───────┘
                            ↑
                    ┌───────┴───────┐
                    │ Network/Gateway│
                    └───────┬───────┘
                            ↑
                    ┌───────┴───────┐
                    │ ESP32 / Device│
                    └───────┬───────┘
                            ↑
                    ┌───────┴───────┐
                    │    Sensors    │
                    └───────────────┘

Sekarang kita dapat melihat bahwa database bukan komponen yang berdiri sendiri.

Database merupakan bagian dari data pipeline IoT.

Contoh Mini Project Database IoT

Jika ingin mempraktikkan konsep Level 13, kita dapat membuat proyek:

Smart Temperature Monitoring

Hardware

ESP32
DHT22

Communication

Wi-Fi
MQTT

Backend

MQTT Broker

Database

InfluxDB

Visualization

Grafana

Arsitektur:

DHT22  → ESP32  → Wi-Fi  → MQTT Broker  → InfluxDB  → Grafana

Dashboard dapat menampilkan:

Current Temperature
Current Humidity
24-Hour Chart
7-Day Average
Maximum Temperature
Minimum Temperature

Proyek sederhana ini sudah memperkenalkan kita pada konsep yang digunakan dalam banyak sistem monitoring IoT nyata.

Dari Database Menuju Data Analytics

Setelah data berhasil disimpan, kita dapat mulai melakukan analisis.

Misalnya:

Raw Data   → Clean Data   → Aggregated Data   → Trend Analysis   → Anomaly Detection   → Prediction

Contohnya:

Temperature
28°C
29°C
30°C
31°C

Sistem dapat mendeteksi:

Temperatur mengalami kenaikan konsisten.

Kemudian:

Trend → Prediction → Potential Overheating → Alert

Di sinilah database mulai menjadi fondasi untuk IoT analytics dan bahkan AI/ML.

FAQ Database IoT

Apa itu database IoT?

Database IoT adalah sistem yang digunakan untuk menyimpan, mengelola, mengambil, dan memproses data yang dihasilkan oleh perangkat IoT.

Database apa yang cocok untuk IoT?

Tidak ada satu database yang cocok untuk semua proyek. SQL, NoSQL, dan time-series database dapat digunakan tergantung karakteristik data dan kebutuhan sistem.

Apa itu time-series database?

Time-series database adalah database yang dirancang untuk data yang memiliki dimensi waktu, seperti temperatur, humidity, tekanan, energi, dan telemetry perangkat.

Apakah MySQL bisa digunakan untuk IoT?

Bisa. MySQL dapat digunakan untuk menyimpan data IoT, terutama ketika sistem membutuhkan model relational. Namun untuk workload time-series berskala besar, teknologi yang lebih khusus dapat dipertimbangkan.

Apakah PostgreSQL cocok untuk IoT?

Bisa. PostgreSQL dapat digunakan untuk data IoT dan dapat dikombinasikan dengan teknologi yang dirancang untuk workload time-series.

Apa itu InfluxDB?

InfluxDB adalah database yang berfokus pada penyimpanan dan pengolahan data time-series, sehingga relevan untuk banyak jenis data sensor IoT.

Apa hubungan MQTT dengan database IoT?

MQTT merupakan protokol komunikasi, sedangkan database merupakan tempat penyimpanan data. MQTT dapat digunakan untuk membawa data dari perangkat menuju broker atau backend, kemudian data tersebut disimpan ke database.

Contohnya:

ESP32 → MQTT → Broker → Backend → Database

Apa fungsi Grafana dalam IoT?

Grafana dapat digunakan untuk memvisualisasikan data yang tersimpan pada berbagai sumber data dalam bentuk dashboard, grafik, panel, dan monitoring.

Apakah database harus berada di cloud?

Tidak. Database dapat berjalan:

di microcomputer;
server lokal;
gateway;
private cloud;
public cloud;
atau hybrid architecture.

Kesimpulan

Database IoT merupakan fondasi penting dalam pengelolaan data Internet of Things.

Perjalanan data sensor tidak berhenti ketika ESP32 mengirimkan data.

Alurnya dapat menjadi:

Sensor → Microcontroller → Network → MQTT / HTTP → IoT Platform / Backend → Database → Processing → Analytics → Visualization → Decision

Untuk memahami database IoT, setidaknya kita perlu mengenal beberapa konsep utama:

SQL untuk data relational dan terstruktur.

NoSQL untuk kebutuhan data yang lebih fleksibel dan pola scaling tertentu.

Time-Series Database untuk data yang sangat erat dengan timestamp.

Data Aggregation untuk mengurangi volume dan menghasilkan informasi yang lebih berguna.

Data Retention untuk menentukan berapa lama data perlu dipertahankan.

Visualization untuk mengubah data menjadi grafik, dashboard, dan informasi yang mudah dipahami.

Dan yang paling penting, kita harus memahami bahwa:

IoT bukan hanya tentang mengumpulkan data, tetapi bagaimana data tersebut disimpan, diolah, dianalisis, dan akhirnya digunakan untuk mengambil keputusan.

Pada tahap ini, kita sudah bergerak dari sekadar memahami device dan connectivity menuju pemahaman tentang data pipeline IoT. Begitu juga kita telah selesai mempelajari salah satu bagian yang sangat penting dalam membangun sistem Internet of Things pada Level 12 – Platform IoT dan Cloud: AWS IoT, Azure IoT, ThingsBoard, Blynk & Node-RED.

Namun semakin banyak data yang kita miliki, semakin besar pula tantangannya.

Bagaimana jika terdapat 10.000 perangkat yang mengirim data secara bersamaan?

Bagaimana sistem menangani jutaan pesan?

Bagaimana melakukan scaling tanpa membuat server menjadi bottleneck?

Bagaimana data diproses dengan cepat tanpa semuanya harus dikirim ke cloud?

Pertanyaan tersebut akan membawa kita ke level berikutnya.

Level 14 — Edge Computing untuk IoT: Memproses Data Lebih Dekat dengan Perangkat

Pada Level 14, kita akan membahas Edge Computing, yaitu pendekatan untuk memproses data lebih dekat dengan sumber data daripada selalu mengirim seluruh data ke cloud.

Materi akan mencakup:

Device   ↓Edge Device   ↓Local Processing   ↓Cloud

Kita akan membahas:

apa itu edge computing;
perbedaan edge dan cloud;
edge gateway;
local processing;
edge AI;
offline operation;
latency;
bandwidth;
Raspberry Pi sebagai edge device;
contoh arsitektur edge IoT;
dan kapan sebaiknya data diproses di edge atau cloud.

Dengan demikian, kita mulai memasuki tahap intermediate–advanced IoT architecture, di mana sistem tidak lagi hanya mengirim data ke cloud, tetapi mulai mampu berpikir dan mengambil tindakan lebih dekat dengan perangkat.