Topik Disertasi Teknik Pertanian: Tren 2011–2026

Mengapa Teknik Pertanian Penting pada Tahun 2026

Teknik pertanian semakin penting pada 2026 karena pertanian harus menghasilkan pangan secara lebih produktif, presisi, hemat air dan energi, serta adaptif terhadap perubahan iklim. Teknik pertanian adalah bidang yang menerapkan prinsip rekayasa, teknologi, sains hayati, dan sistem untuk merancang serta mengelola mesin, air, tanah, energi, lingkungan, dan proses produksi pertanian. Teknik pertanian merupakan ilmu yang berkembang di berbagai peradaban manusia. Penelitian tentang masyarakat Casarabe di Amazon yang telah membangun peradaban sejak abad ke-6 Masehi sebelum bangsa Eropa datang ke Amerika Latin menunjukkan bagaimana rekayasa drainase dan penyimpanan air pada masa lalu memungkinkan produksi jagung sepanjang tahun. Penelitian ini memberikan perspektif bahwa rekayasa pengelolaan air merupakan bagian fundamental dari kemampuan pertanian beradaptasi terhadap lingkungan.

Secara internasional, tantangan pertanian pada 2026 semakin bergeser dari sekadar peningkatan produksi menuju efisiensi sumber daya dan ketahanan sistem pangan. Konferensi Pan African Conference of Agricultural Engineering, misalnya, menempatkan pengelolaan air, teknologi hemat air, sumber daya nonkonvensional, konservasi tanah-air, perubahan iklim, dan transfer teknologi sebagai agenda penting pertanian berkelanjutan dan tangguh. Perkembangan teknologi juga bergerak menuju pertanian presisi, otomatisasi, kecerdasan buatan, dan sistem budidaya terkendali. 

Di Indonesia, Teknik Pertanian menjadi semakin relevan karena kebutuhan swasembada pangan harus berjalan bersamaan dengan modernisasi produksi, efisiensi sumber daya, diversifikasi pangan, dan adaptasi terhadap perubahan lingkungan. UGM mengembangkan Smart Agri Plant Factory yang memadukan hidroponik, otomatisasi, pemantauan kualitas air dan udara, kecerdasan buatan, drone, robot, serta traktor otonom untuk membangun sistem produksi yang lebih efisien dan berkelanjutan. Pada 2026, pengembangan teknologi pertanian presisi tersebut juga mencakup biosensing untuk pemantauan kondisi tanaman secara cepat, akurat, dan non-destruktif. Di sisi lain, kegiatan IPB pada produksi mi sagu menunjukkan bahwa teknik pertanian juga berperan dalam menghubungkan teknologi produksi dengan diversifikasi pangan dan ekonomi lokal. Dengan demikian, bidang ini berada pada persimpangan antara ketahanan pangan, teknologi, lingkungan, dan hilirisasi pertanian. 

Perkembangan Penelitian Teknik Pertanian 2011–2026

Teknik Pertanian pada periode 2011–2026 memperlihatkan evolusi dari pendekatan rekayasa dan pengukuran objek pertanian menuju sistem produksi yang semakin terhubung, presisi, otomatis, dan berbasis kecerdasan komputasional. Perubahan tersebut tidak berarti bahwa penelitian konvensional menghilang. Sebaliknya, mekanisasi, irigasi, pengolahan hasil, pengelolaan lingkungan, dan energi tetap menjadi fondasi, tetapi semakin banyak dipadukan dengan sensor, penginderaan jauh, pemodelan numerik, machine learning, computer vision, robotika, dan sistem kendali.

Jika ditelusuri dari referensi yang tersedia, evolusinya dapat dibaca dalam lima era utama.

2011–2014 — Pengukuran presisi sistem pertanian

Pada awal periode, penelitian masih sangat kuat pada persoalan bagaimana mengukur kondisi sistem pertanian secara lebih akurat dan bagaimana menggunakan sumber daya secara lebih efisien. Penginderaan jauh mulai semakin penting untuk memperoleh informasi tanaman dan air dalam skala yang lebih luas. Review Mulla (2013), misalnya, menunjukkan perkembangan panjang remote sensing dalam precision agriculture dan sekaligus mengidentifikasi kesenjangan pengetahuan yang masih perlu dipecahkan.

Pada 2014, isu air terlihat sangat dominan. Penelitian mencakup pemetaan sifat hidraulik tanah, irigasi tetes bawah permukaan, evapotranspirasi berbasis satelit, status air tanaman, penggunaan air olahan, serta adaptasi irigasi terhadap perubahan iklim.

Fokus utama:

• efisiensi irigasi dan penggunaan air;
• pemetaan karakteristik tanah;
• pengukuran kondisi tanaman;
• penginderaan jauh dan spectral measurement;
• optimasi mesin dan traktor;
• pengelolaan lingkungan rumah kaca;
• pemanfaatan biomassa dan limbah pertanian.

Contoh arah penelitian:

• pemetaan soil hydraulic conductivity untuk manajemen air;
• estimasi evapotranspirasi menggunakan citra satelit;
• deteksi status air tanaman melalui spektrum vegetasi;
• pengembangan emitter untuk irigasi presisi;
• optimasi traksi dan kendali torsi traktor;
• penggunaan energi angin untuk sistem irigasi;
• analisis adaptasi irigasi terhadap perubahan iklim.

Dengan demikian, ciri periode ini adalah membuat kondisi tanaman, tanah, air, dan mesin semakin terukur. Teknologi presisi mulai berkembang, tetapi belum sepenuhnya menjadi sistem otomatis.

---

2015–2017 — Robotika pertanian awal

Memasuki pertengahan 2010-an, objek penelitian mulai bergeser dari sekadar pengukuran menuju otomatisasi keputusan dan operasi lapangan. Review Bechar dan Vigneault (2016) tentang agricultural robots memperlihatkan semakin kuatnya perhatian terhadap robot untuk operasi pertanian.

Pada saat yang sama, computer vision mulai digunakan untuk persoalan yang sebelumnya membutuhkan pengamatan manusia. Contohnya adalah deteksi dini kepincangan sapi melalui video tiga dimensi dan penghitungan hama pada sticky traps menggunakan algoritma visi komputer pada 2017.

Penelitian pada periode ini juga mulai menggabungkan model matematis, sensor, dan sistem kendali. Salah satu contohnya adalah model predictive control untuk perencanaan lintasan dan path tracking mesin pertanian.

Fokus utama:

• robotika pertanian;
• navigasi dan kendali mesin;
• computer vision;
• otomatisasi pemantauan ternak dan tanaman;
• pemodelan dan simulasi;
• pengendalian lingkungan produksi.

Contoh arah penelitian:

• robot untuk operasi lapangan;
• navigasi otomatis mesin pertanian;
• path tracking traktor;
• deteksi penyakit atau gangguan pada ternak melalui video;
• penghitungan serangga secara otomatis;
• pengukuran karakteristik tanaman dengan kamera;
• pengendalian lingkungan rumah kaca berbasis sensor.

Era ini penting karena Teknik Pertanian mulai bergerak dari “mesin yang dikendalikan manusia” menuju “mesin yang mampu merasakan dan merespons lingkungan.”

---

2018–2020 — Sensor cerdas pertanian

Pada 2018–2020 terjadi penguatan integrasi antara perangkat fisik dan infrastruktur digital. Penelitian mulai menggambarkan pertanian sebagai sistem cyber-physical.

Contohnya adalah agricultural cyber-physical system untuk pengelolaan irigasi presisi bertenaga surya, platform smart farming berbasis IoT yang menghubungkan edge dan cloud computing, serta optimasi prediksi kebutuhan air menggunakan artificial intelligence.

Pada periode yang sama, teknik spektroskopi dan machine learning semakin banyak digunakan dalam evaluasi kualitas produk pertanian. Review mengenai machine learning applications to non-destructive defect detection menunjukkan bahwa AI mulai masuk ke tahap pascapanen, bukan hanya produksi di lapangan.

Fokus utama:

• Internet of Things;
• sensor dan biosensor;
• edge/cloud computing;
• precision irrigation;
• machine learning;
• non-destructive quality assessment;
• integrasi sistem produksi dengan data digital.

Contoh arah penelitian:

• irigasi presisi berbasis sistem cyber-physical;
• prediksi kebutuhan air dengan AI;
• platform IoT untuk pertanian;
• deteksi cacat produk secara non-destruktif;
• prediksi kematangan buah menggunakan spektroskopi;
• estimasi hasil tanaman menggunakan citra UAV;
• aplikasi variable-rate input berdasarkan informasi spasial.

Pada fase ini, data mulai menjadi komponen rekayasa yang sama pentingnya dengan mesin, air, tanah, dan energi.

---

2021–2023 — Pemodelan digital pertanian

Periode 2021–2023 memperlihatkan akselerasi yang lebih jelas menuju pertanian berbasis AI dan data multimodal. Machine learning tidak lagi hanya menjadi alat tambahan, tetapi mulai digunakan untuk memprediksi kondisi tanaman, emisi, pertumbuhan, waktu panen, kualitas hasil, dan kondisi lingkungan.

Pada 2021, misalnya, penelitian mencakup pemodelan emisi CO₂ pada rotasi jagung-kedelai menggunakan machine learning, identifikasi benih okra melalui hyperspectral imaging dan deep learning, serta prediksi pertumbuhan dan kualitas selada dalam rumah kaca berbasis IoT dan AI.

Pada 2022, hyperspectral imaging semakin kuat sebagai sarana evaluasi kualitas buah, sayuran, dan jamur. Pada 2023, perkembangan tersebut meluas ke UAV, CFD-DEM, precision seeding, hybrid-electric machinery, dan machine vision.

Fokus utama:

• artificial intelligence dan deep learning;
• UAV dan multispectral imaging;
• hyperspectral imaging;
• computer vision;
• pemodelan CFD-DEM;
• precision seeding;
• elektrifikasi mesin pertanian;
• otomatisasi rumah kaca dan akuakultur.

Contoh arah penelitian:

• estimasi biomassa dan hasil menggunakan citra UAV;
• identifikasi benih dengan hyperspectral imaging;
• prediksi pertumbuhan tanaman dengan AI;
• deteksi kualitas hasil secara non-destruktif;
• precision seed-metering;
• simulasi interaksi material pertanian menggunakan DEM;
• desain mesin panen dengan sistem penggerak elektrik;
• machine vision untuk pemberian pakan ikan.

Pada fase ini terlihat perubahan penting: penelitian tidak hanya bertanya “bagaimana membuat mesin bekerja lebih baik?”, tetapi juga “bagaimana mesin dapat memahami data dan membuat keputusan yang lebih baik?”

---

2024–2026 — Sistem pertanian otonom

Pada 2024–2026, arah penelitian menjadi semakin terintegrasi. AI, computer vision, UAV, robotika, sensor, simulasi, dan sistem kendali mulai diperlakukan sebagai komponen dari satu ekosistem produksi pertanian yang semakin otonom.

Contoh 2024 mencakup algoritma YOLO untuk mendeteksi bunga dan buah stroberi serta fixed-time sliding-mode control untuk path tracking traktor pertanian tanpa awak. Pada 2025, penelitian bergerak lebih jauh pada thermal imaging, CFD-DEM, rekonstruksi citra multispektral, dan elektrifikasi mesin panen.

Pada 2026, kecenderungannya semakin jelas. Penelitian tidak hanya mendeteksi objek, tetapi mulai melakukan pemahaman tiga dimensi, prediksi, pengendalian, dan optimasi secara simultan. Literatur terbaru juga menunjukkan peningkatan perhatian pada integrasi AI, UAV multispectral/thermal imaging, 3D point clouds, serta model multimodal.

Fokus utama:

• autonomous agricultural machinery;
• multimodal AI;
• 3D computer vision;
• UAV multispectral dan thermal imaging;
• digital modelling dan digital twins;
• intelligent livestock dan aquaculture;
• climate-responsive production;
• efisiensi energi dan emisi;
• circularity dan pengelolaan limbah.

Contoh arah penelitian:

• pengendalian lintasan traktor tanpa awak;
• deteksi bunga dan buah dengan deep learning;
• estimasi kondisi tanaman menggunakan kombinasi citra multispektral dan thermal;
• pemodelan 3D arsitektur tanaman;
• optimasi mesin panen menggunakan discrete element modelling;
• kendali lingkungan rumah kaca berbasis model iklim-hasil;
• pemantauan perilaku ternak menggunakan computer vision;
• prediksi emisi dan kontribusi litter pada produksi unggas;
• pengurangan emisi metana dari limbah peternakan;
• integrasi AI dengan sistem produksi untuk keputusan secara real time.

10 Tren Riset Utama Teknik Pertanian Tahun 2026

Memasuki 2026, riset Teknik Pertanian (Agricultural/Biosystems Engineering) semakin bergerak dari mekanisasi konvensional menuju sistem pertanian yang cerdas, otonom, adaptif, hemat sumber daya, dan rendah emisi. Kecenderungan ini terlihat dari penelitian terbaru yang menggabungkan artificial intelligence (AI), computer vision, Internet of Things (IoT), pemodelan berbasis Discrete Element Method (DEM), robotika, sensor multimodal, kendali adaptif, serta pemodelan lingkungan. Pada saat yang sama, agenda rekayasa pertanian semakin kuat dikaitkan dengan perubahan iklim, efisiensi air, pengurangan emisi gas rumah kaca, kesehatan ternak, dan pengurangan kehilangan hasil. Review terbaru tentang irigasi, misalnya, secara eksplisit menempatkan AI, IoT, dan remote sensing sebagai fondasi smart irrigation, sementara penelitian 2026 menunjukkan semakin eratnya integrasi pemodelan, sensor, dan otomasi pada mesin serta sistem produksi pertanian.

1. Pertanian otonom berbasis AI

Salah satu tren paling kuat adalah pergeseran dari mesin pertanian yang hanya mekanis menjadi mesin yang mampu merasakan kondisi lingkungan, mengambil keputusan, dan melakukan tindakan secara otomatis. Referensi 2026 menunjukkan perkembangan pada robot pemanen, robot penyerbuk, kendaraan perkebunan, precision seeding, deteksi penyakit, hingga koordinasi multi-robot. Penelitian tentang sistem navigasi rice transplanter bahkan menggabungkan machine vision, GNSS, path planning, dan operasi otonom di sawah.

Topik penelitian potensial:

• Pengembangan robot otonom untuk penyiangan tanaman berbasis deep learning.
• Sistem robot pemanen buah berbasis instance segmentation.
• Navigasi kendaraan pertanian menggunakan kombinasi LiDAR, kamera, GNSS, dan IMU.
• Sistem multi-robot untuk panen tanaman hortikultura.
• Robot pertanian yang dapat beroperasi secara kolaboratif dengan pekerja manusia.
• Adaptive path planning untuk kendaraan pertanian pada medan tidak beraturan.
• Sistem AI untuk menentukan waktu optimal pemanenan secara otomatis.
• Digital twin untuk simulasi operasi robot pertanian.

2. Smart farming berbasis Internet of Things

Tren kedua adalah pembangunan sistem persepsi pertanian multimodal, yaitu penggabungan kamera RGB, inframerah, LiDAR, sensor lingkungan, sensor tanah, sensor fisiologis, dan data satelit. Penelitian pemantauan perilaku sapi menggunakan Raspberry Pi, pencitraan inframerah dan deep learning, misalnya, menunjukkan bagaimana perangkat komputasi murah dapat digunakan untuk pemantauan biologis secara otomatis selama 24 jam. Review 2026 juga menempatkan IoT dan remote sensing sebagai komponen penting dalam pengelolaan irigasi cerdas.

Topik penelitian potensial:

• Sensor multimodal untuk pemantauan kesehatan tanaman secara real time.
• IoT untuk pemantauan mikroklimat lahan pertanian.
• Sensor murah untuk deteksi stres air tanaman.
• Integrasi IoT–UAV–satelit untuk pemantauan lahan.
• Edge AI untuk analisis data sensor langsung di mesin pertanian.
• Sistem sensor nirkabel untuk peternakan presisi.
• Pemantauan perilaku ternak berbasis kamera dan sensor inframerah.
• Sensor fusion untuk diagnosis kondisi tanaman dan tanah.

3. Irigasi presisi 

Efisiensi air menjadi salah satu pusat penelitian Teknik Pertanian 2026. Riset tidak lagi hanya berfokus pada desain sprinkler atau emitter, tetapi bergerak menuju irigasi adaptif yang menentukan kapan, di mana, dan berapa banyak air diberikan. Review terbaru mengidentifikasi integrasi AI, IoT, dan remote sensing untuk optimasi jadwal irigasi, sementara penelitian lain mengembangkan model flow-deformation coupling untuk memahami hubungan antara desain saluran drip tape, tekanan, deformasi, dan distribusi air.

Topik penelitian potensial:

• AI-based irrigation scheduling berdasarkan kondisi tanah dan tanaman.
• Irigasi presisi berbasis citra satelit dan sensor kelembapan tanah.
• Prediksi kebutuhan air tanaman menggunakan machine learning.
• Variable-rate irrigation berbasis zona.
• Optimasi emitter drip irrigation menggunakan CFD dan FSI.
• Prediksi dan pencegahan penyumbatan emitter.
• Irigasi tenaga surya dengan sistem kendali adaptif.
• Optimasi konsumsi energi pada pompa irigasi.
• Digital twin sistem irigasi.

4. Pemodelan DEM untuk desain mesin pertanian

Simulasi komputasional semakin menjadi laboratorium virtual bagi Teknik Pertanian. Daftar penelitian 2026 menunjukkan penggunaan DEM untuk pemodelan tanaman, jerami, biji-bijian, proses perontokan, pemanenan, pemotongan, dan interaksi material dengan komponen mesin. Pada sisi lain, CFD digunakan untuk aliran udara pada sprayer, UAV, vertical farm, dan sistem irigasi. Perkembangan ini menunjukkan pergeseran dari sekadar trial and error menuju desain mesin berbasis simulasi. DEM sendiri telah lama berkembang sebagai metode penting untuk memodelkan material granular pertanian, tetapi penelitian terbaru memperluasnya dengan kopling dan kalibrasi dinamis.

Topik penelitian potensial:

• DEM untuk optimasi mesin perontok padi.
• DEM–MBD untuk desain mekanisme pemanen.
• CFD untuk optimasi distribusi udara pada sprayer.
• CFD untuk desain sistem ventilasi kandang.
• DEM–CFD untuk pengangkutan dan pengolahan hasil pertanian.
• DEM–FEM untuk simulasi kerusakan biji.
• FSI untuk desain emitter irigasi.
• Multiphysics modelling pada mesin panen.
• Optimasi mesin menggunakan simulasi dan machine learning.

5. Mesin pertanian adaptif

Mesin pertanian 2026 semakin diarahkan agar mampu menyesuaikan parameter operasional dengan kondisi material dan lingkungan. Contohnya adalah transfer and incremental learning untuk diagnosis penyumbatan pada sistem perontokan, diagnosis kerusakan drum combine harvester berdasarkan persepsi tumbukan material, serta kendali beban roda pengukur pada mesin tanam. Ini menandai perkembangan dari precision machinery menuju adaptive intelligent machinery.

Topik penelitian potensial:

• Self-diagnosis pada combine harvester.
• Prediksi kerusakan mesin berbasis machine learning.
• Predictive maintenance mesin pertanian.
• Kendali otomatis parameter mesin berdasarkan kadar air hasil panen.
• Sistem adaptif pada mesin tanam.
• Transfer learning untuk diagnosis mesin di berbagai kondisi lahan.
• Digital twin untuk pemeliharaan mesin pertanian.
• Sistem peringatan dini kerusakan komponen mesin.

6. AI untuk precision crop management

Computer vision semakin bergeser dari sekadar mendeteksi objek menjadi sistem untuk mengukur karakteristik biologis dan menentukan tindakan agronomis. Penelitian 2026 mencakup fenotiping tanaman dari point cloud, deteksi penyakit melalui Vis–NIR dan deep learning, prediksi hasil jagung berdasarkan karakteristik morfologi dan kinetik, hingga deteksi Fusarium menggunakan UAV.

Topik penelitian potensial:

• Fenotiping tanaman otomatis berbasis 3D point cloud.
• Deteksi penyakit tanaman menggunakan Vis–NIR.
• Deteksi penyakit melalui UAV.
• Estimasi hasil panen berbasis computer vision.
• Early warning system penyakit tanaman.
• Pengukuran biomassa tanaman otomatis.
• Deteksi gulma dan aplikasi herbisida variable-rate.
• Pengukuran plant growth traits secara non-destruktif.
• Explainable AI untuk diagnosis tanaman.

7. Robotika presisi untuk penyerbukan

Robotika pertanian mulai bergerak dari fungsi tunggal menuju rantai operasi pertanian yang terintegrasi. Referensi 2026 menunjukkan robot penyerbuk kiwi, robot pemanen tomat dan leci, sistem penentuan posisi robot panen, serta koordinasi multi-robot di kebun. Perkembangan ini juga memperluas robotika ke tanaman yang secara struktural sulit dipanen secara otomatis. Secara historis, robotika pertanian memang berkembang karena kebutuhan mengotomatisasi pekerjaan yang kompleks dan tidak terstruktur.

Topik penelitian potensial:

• Robot penyerbuk tanaman hortikultura.
• Robot panen tomat dengan dua lengan.
• Robot panen buah tropis Indonesia.
• Robot pemetik kopi.
• Robot pemanen cabai.
• Robot untuk pemangkasan tanaman.
• Sistem robotik stop-and-pick.
• Koordinasi armada robot pertanian.
• Human–robot collaboration untuk panen.

8. Vertical farming

Controlled Environment Agriculture (CEA) menjadi arena penting bagi Teknik Pertanian karena produksi tidak lagi hanya bergantung pada kondisi alam. Penelitian terbaru mencakup model dinamis hubungan iklim–pertumbuhan tanaman di vertical farm, optimasi distribusi cahaya, serta CFD untuk distribusi udara pada sistem pertanian bertingkat. Salah satu penelitian 2026 menunjukkan bahwa desain distribusi udara dapat digunakan untuk meningkatkan keseragaman lingkungan sekaligus menurunkan penggunaan energi kipas.

Topik penelitian potensial:

• Digital twin vertical farm.
• Optimasi LED berdasarkan pertumbuhan tanaman.
• Kendali mikroklimat berbasis AI.
• CFD untuk distribusi udara greenhouse.
• Optimasi energi vertical farming.
• Prediksi hasil tanaman berdasarkan mikroklimat.
• Climate-yield modelling.
• Sistem kendali otomatis CO₂, suhu, kelembapan, dan cahaya.
• Multi-objective optimisation produksi dan energi.

9. Teknik pertanian rendah karbon 

Ruang lingkup Teknik Pertanian semakin mencakup rekayasa emisi, terutama metana (CH₄), amonia (NH₃), VOC, dan gas rumah kaca lainnya dari peternakan dan pengelolaan limbah. Penelitian 2026 meliputi pemodelan CH₄, pengukuran emisi pada penyimpanan slurry, biochar sebagai bahan mitigasi, wet scrubber, biofilter, hingga pengaruh perlakuan air terhadap emisi amonia. Studi pemodelan ABM juga menunjukkan pentingnya validasi model terhadap pengukuran lapangan karena estimasi emisi dapat berbeda dari kondisi aktual.

Topik penelitian potensial:

• Pemodelan emisi CH₄ peternakan berbasis AI.
• Mitigasi NH₃ pada kandang ternak.
• Biochar untuk pengurangan emisi dari limbah peternakan.
• Optimasi biofilter udara kandang.
• Low-carbon manure management.
• Life-cycle assessment mesin pertanian.
• Optimasi energi mesin pertanian listrik.
• Pengembangan alat ukur emisi portabel.
• Carbon footprint sistem produksi pertanian.
• Sistem pertanian berbasis carbon-aware engineering.

10. Smart aquaculture berbasis pemantauan perilaku

Teknik Pertanian 2026 juga semakin memperluas konsep precision agriculture menjadi precision livestock dan precision aquaculture. Perilaku hewan diperlakukan sebagai sumber data untuk mengidentifikasi stres panas, kesehatan, konsumsi pakan, dan produktivitas. Referensi yang diberikan mencakup deteksi perilaku makan sapi selama 24 jam, deteksi panting ayam petelur untuk menghubungkan mikroklimat dengan heat stress, pemodelan CO₂ broiler, hingga pengenalan intensitas pemberian pakan ikan berbasis pembelajaran multimodal.

Topik penelitian potensial:

• Deteksi perilaku makan sapi berbasis computer vision.
• Deteksi heat stress ternak secara otomatis.
• Sistem peringatan dini penyakit ternak berbasis perilaku.
• Optimasi ventilasi kandang berdasarkan perilaku hewan.
• Prediksi konsumsi pakan berbasis AI.
• Precision feeding pada ternak.
• Deteksi intensitas makan ikan berbasis kamera bawah air.
• Behaviour-based decision support system untuk aquaculture.
• Integrasi sensor lingkungan dan perilaku hewan.

Apa Saja Topik Disertasi Teknik Pertanian yang Berdampak di Indonesia dan Dapat Tembus Q1?

Perkembangan Teknik Pertanian selama 2011–2026 memperlihatkan pergeseran dari mekanisasi dan otomasi menuju pertanian cerdas, presisi, adaptif, otonom, dan berorientasi keberlanjutan. Dalam konteks Indonesia, arah tersebut dapat dipertemukan dengan persoalan nyata seperti produktivitas sawah, keterbatasan air, fragmentasi lahan, penuaan petani, kehilangan hasil, perubahan iklim, emisi peternakan, serta kebutuhan mekanisasi untuk komoditas tropis. Penelitian 2026 di Jawa Barat sendiri menunjukkan bahwa adopsi smart farming telah menjadi objek riset empiris, tetapi tingkat penerapannya masih belum optimal dan dipengaruhi infrastruktur, biaya, kapasitas petani, serta dukungan kelembagaan.

1. Pengembangan Sistem Irigasi Presisi Berbasis AI–IoT untuk Optimasi Air dan Energi pada Sawah Beririgasi

Ketersediaan air menjadi persoalan penting dalam pertanian Indonesia, terutama ketika pola curah hujan semakin tidak menentu. Disertasi dapat mengembangkan sistem yang menggabungkan sensor kelembapan tanah, cuaca, kondisi tanaman, remote sensing, dan AI untuk menentukan kebutuhan irigasi secara spasial dan temporal.

Topik penelitian potensial:

• prediksi kebutuhan air tanaman berbasis machine learning;
• variable-rate irrigation pada petak sawah;
• integrasi sensor tanah–cuaca–citra satelit;
• optimasi simultan penggunaan air dan listrik pompa;
• kendali otomatis pintu air;
• digital twin sistem irigasi;
• pengujian sistem pada beberapa wilayah dengan karakteristik agroklimat berbeda.

Potensi kontribusi: menghasilkan metode irigasi adaptif yang dapat direplikasi pada berbagai sistem sawah Indonesia, bukan sekadar prototipe IoT lokal.

---

2. Pengembangan Combine Harvester Adaptif Berbasis Digital Twin dan Machine Learning untuk Mengurangi Kehilangan Gabah

Kehilangan hasil pada saat panen merupakan persoalan yang sangat relevan bagi mekanisasi pertanian Indonesia. Mesin dapat dirancang agar secara otomatis menyesuaikan kecepatan, kecepatan drum, bukaan concave, dan parameter lainnya berdasarkan kondisi tanaman serta kadar air.

Topik penelitian potensial:

• sensor beban dan getaran pada combine harvester;
• deteksi kehilangan gabah secara real time;
• adaptive threshing control;
• prediksi kerusakan mesin;
• DEM untuk simulasi interaksi gabah–drum;
• digital twin combine harvester;
• reinforcement learning untuk optimasi parameter operasi.

Potensi kontribusi: mengubah combine harvester dari mesin dengan parameter operasi tetap menjadi mesin yang mampu beradaptasi terhadap kondisi tanaman.

---

3. Robot Otonom untuk Penyiangan dan Pemupukan Presisi pada Tanaman Pangan Indonesia

Robot pertanian dapat menjadi solusi terhadap meningkatnya biaya tenaga kerja dan keterbatasan tenaga kerja pertanian. Fokus penelitian dapat diarahkan pada robot berukuran kecil yang mampu bergerak di antara barisan tanaman tanpa merusak tanaman utama.

Topik penelitian potensial:

• deteksi tanaman dan gulma menggunakan deep learning;
• navigasi robot pada lahan berlumpur;
• row-following menggunakan kamera dan LiDAR;
• precision mechanical weeding;
• pemupukan variable-rate;
• koordinasi beberapa robot kecil;
• energy-efficient autonomous navigation.

Komoditas potensial: padi, jagung, kedelai, cabai, bawang merah, dan hortikultura dataran tinggi.

Potensi kontribusi: menghasilkan arsitektur robot yang sesuai dengan lahan kecil dan terfragmentasi, karakteristik yang berbeda dari sistem pertanian skala luas.

---

4. Sistem Computer Vision–UAV untuk Prediksi Produktivitas dan Deteksi Stres Tanaman secara Spasial

Penginderaan tanaman berkembang dari sekadar klasifikasi penyakit menuju pengukuran fenotipe, biomassa, stres, dan potensi hasil. Indonesia memiliki peluang besar karena variasi agroekologi dan komoditasnya menyediakan lingkungan eksperimen yang sangat beragam.

Topik penelitian potensial:

• fusi citra RGB, multispektral, dan LiDAR;
• deteksi stres kekeringan;
• estimasi biomassa;
• prediksi hasil padi atau jagung;
• deteksi penyakit sebelum gejala visual jelas;
• explainable AI untuk diagnosis tanaman;
• pemetaan produktivitas tingkat tanaman;
• integrasi UAV dengan data satelit.

Potensi kontribusi: membangun model yang tidak hanya akurat pada satu lokasi, tetapi dapat ditransfer antarwilayah dan musim tanam.

---

5. Pemodelan DEM–CFD–AI untuk Pengembangan Mesin Panen Tanaman Tropis

Sebagian besar mesin pertanian modern dikembangkan untuk komoditas dan kondisi tanaman tertentu. Indonesia menawarkan persoalan rekayasa yang menarik pada tanaman tropis dengan karakteristik fisik dan morfologi yang berbeda.

Topik penelitian potensial:

• DEM untuk interaksi buah–komponen mesin;
• CFD untuk sistem pemisahan dan pembersihan;
• FDEM untuk simulasi kerusakan batang;
• pemodelan mekanika tanaman;
• optimasi desain mesin panen;
• machine learning-assisted simulation;
• desain mesin panen untuk kopi, kelapa sawit, tebu, kakao, atau buah tropis.

Potensi kontribusi: menghasilkan metode desain mesin berbasis simulasi yang dapat digunakan untuk berbagai komoditas tropis.

---

6. Sistem Precision Livestock Berbasis Computer Vision untuk Deteksi Dini Heat Stress Ternak Tropis

Iklim tropis Indonesia menjadikan heat stress sebagai persoalan penting dalam produktivitas ternak. Penelitian dapat menghubungkan data mikroklimat dengan perilaku hewan dan respons fisiologis untuk menghasilkan sistem peringatan dini.

Topik penelitian potensial:

• deteksi panting otomatis;
• analisis perilaku makan;
• pengukuran aktivitas ternak menggunakan kamera;
• hubungan THI dengan perilaku ternak;
• prediksi penurunan produktivitas;
• sistem ventilasi otomatis;
• precision cooling kandang;
• model prediksi heat stress berbasis AI.

Komoditas potensial: sapi perah, sapi potong, ayam petelur, dan broiler.

Potensi kontribusi: mengembangkan model heat stress yang mempertimbangkan karakteristik iklim dan sistem kandang tropis, bukan mengadopsi langsung model dari iklim temperate.

---

7. Rekayasa Sistem Pertanian Rendah Karbon untuk Mengurangi Emisi Metana dan Amonia Peternakan

Teknik Pertanian semakin berperan dalam pengukuran dan mitigasi emisi dari sistem peternakan. Indonesia dapat menjadi lokasi penting untuk mengembangkan teknologi mitigasi yang mempertimbangkan karakteristik iklim tropis, sistem kandang, manajemen slurry, dan kapasitas peternakan.

Topik penelitian potensial:

• sensor real-time CH₄ dan NH₃;
• pemodelan emisi berbasis AI;
• biofilter untuk udara kandang;
• biochar pada penyimpanan limbah;
• optimasi pengelolaan slurry;
• low-emission manure management;
• life-cycle assessment teknologi mitigasi;
• digital monitoring emisi peternakan.

Potensi kontribusi: menghasilkan teknologi pengurangan emisi yang sekaligus mempertimbangkan biaya, konsumsi energi, dan kelayakan penerapan pada peternakan Indonesia.

---

8. Digital Twin Greenhouse dan Vertical Farm untuk Optimasi Produksi serta Konsumsi Energi di Iklim Tropis

Greenhouse dan vertical farming menghadirkan persoalan rekayasa yang sangat sesuai dengan Teknik Pertanian: bagaimana mengendalikan cahaya, suhu, kelembapan, CO₂, air, dan energi secara simultan.

Topik penelitian potensial:

• model dinamis iklim–pertumbuhan tanaman;
• digital twin greenhouse;
• CFD distribusi udara;
• optimasi LED;
• kendali CO₂;
• prediksi hasil berdasarkan mikroklimat;
• multi-objective optimisation produksi–energi;
• sistem kendali berbasis reinforcement learning.

Potensi kontribusi: menghasilkan model controlled environment agriculture yang secara khusus mempertimbangkan beban pendinginan dan karakteristik iklim tropis, persoalan yang berbeda dari greenhouse di negara beriklim sedang.

---

9. Sistem Autonomous Precision Spraying Berbasis AI untuk Mengurangi Penggunaan Pestisida

Penggunaan pestisida dapat dibuat lebih presisi dengan mengubah penyemprotan dari aplikasi seragam menjadi aplikasi berdasarkan kebutuhan aktual tanaman. Penelitian dapat mengintegrasikan computer vision, pemodelan kanopi, sensor, dan sistem nozzle adaptif.

Topik penelitian potensial:

• deteksi tanaman sakit secara real time;
• pemetaan kepadatan kanopi;
• variable-rate spraying;
• kontrol nozzle individual;
• CFD distribusi droplet;
• prediksi spray drift;
• UAV untuk pemetaan kebutuhan aplikasi;
• optimasi dosis berdasarkan tingkat serangan penyakit.

Potensi kontribusi: mengembangkan sistem penyemprotan yang mengoptimalkan efektivitas pengendalian sekaligus mengurangi penggunaan bahan kimia dan spray drift.

---

10. Sistem Multi-Robot untuk Panen Presisi dan Pasca-Panen Komoditas Hortikultura Indonesia

Hortikultura Indonesia menawarkan persoalan kompleks karena bentuk tanaman, kematangan buah, struktur tajuk, dan kondisi kebun sangat bervariasi. Sistem multi-robot dapat menggabungkan robot pencari, robot pemetik, kendaraan pengangkut, dan sistem pemetaan hasil.

Topik penelitian potensial:

• deteksi buah matang menggunakan computer vision;
• 3D reconstruction struktur tanaman;
• grasp planning untuk buah yang mudah rusak;
• koordinasi multi-robot;
• path planning kebun;
• robot pengangkut hasil;
• pemetaan hasil tingkat pohon;
• optimasi waktu dan energi panen;
• integrasi robot panen dengan sistem pascapanen.

Komoditas potensial: mangga, jeruk, apel, alpukat, kopi, kakao, cabai, tomat, dan buah tropis lainnya.

Potensi kontribusi: menghasilkan sistem robotik yang dirancang untuk kebun tropis dengan struktur tanaman kompleks, sekaligus mengatasi persoalan tenaga kerja dan kehilangan mutu hasil.