Startup agritech di Makassar mengembangkan drone AI untuk memantau kebun sawit

En bref

• Startup agritech di Makassar mulai menggabungkan drone multispektral dan AI untuk pemantauan kebun sawit yang lebih cepat dan objektif.
• Data citra udara dipakai untuk menilai kesehatan tajuk, kepadatan tanaman, area stres air, hingga dugaan serangan hama/penyakit—lalu diterjemahkan menjadi rekomendasi tindakan.
• Ekosistem riset lokal menguat setelah agenda Monev Grant Riset Sawit BPDPKS di Makassar (Agustus 2025), yang mendorong riset tidak berhenti di laboratorium.
• Platform analitik berbasis peta drone mempercepat laporan operasional, membantu transparansi transaksi aset kebun dan keputusan pembiayaan.
• Isu global seperti ketegangan geopolitik dan serangan drone menjadi pengingat pentingnya tata kelola, keselamatan, dan kepatuhan saat mengoperasikan drone sipil.

Di Makassar, percakapan soal teknologi pertanian tidak lagi terdengar seperti jargon konferensi. Di warung kopi dekat kawasan kampus dan kantor-kantor logistik pelabuhan, orang mulai membahas peta tajuk sawit, indeks vegetasi, dan rute terbang yang “mengunci” koordinat secara otomatis. Sebuah startup agritech (kita sebut saja “LangitLestari”) tumbuh dari kebutuhan sederhana: mandor kebun butuh cara cepat melihat blok mana yang menurun produksinya, tanpa menunggu laporan manual yang bisa telat berminggu-minggu. Mereka menjawabnya dengan drone dan AI—bukan sekadar memotret dari udara, tetapi mengubah citra menjadi keputusan operasional.

Yang menarik, konteks Makassar membuat inovasi ini terasa “membumi”. Kota ini menjadi simpul manusia, riset, dan industri di Sulawesi Selatan; akses ke perkebunan di berbagai kabupaten relatif dekat, sementara jaringan universitas dan mitra industri memberi ruang uji coba. Setelah agenda Monitoring and Evaluation Grant Riset Sawit BPDPKS pada Agustus 2025 di Makassar, pembicaraan soal otomatisasi dan implementasi lapangan semakin konkret: robot pengumpul brondolan, drone pemotong pelepah, hingga sistem klasifikasi buah berbasis kecerdasan buatan. Dari sini, LangitLestari menangkap sinyal: kebun sawit membutuhkan alat ukur yang cepat, presisi, dan bisa dipertanggungjawabkan—karena keputusan pemupukan, perawatan, dan panen hari ini menentukan produktivitas berbulan-bulan ke depan.

Revolusi Pemantauan Kebun Sawit di Makassar: Dari Pemetaan hingga Keputusan Harian Berbasis Drone AI

Operasi pemantauan kebun sawit selama bertahun-tahun bertumpu pada patroli darat, catatan manual, dan intuisi mandor. Metode itu punya nilai, tetapi sering kalah oleh skala: ribuan hektare, variasi topografi, dan blok yang sulit dijangkau saat musim hujan. Di sinilah drone memainkan peran sebagai “mata kedua” yang konsisten. LangitLestari memosisikan perangkat terbang sebagai alat survei, bukan sekadar kamera; hasilnya adalah peta dan metrik yang dapat dibandingkan antarwaktu.

Teknisnya, drone terbang mengikuti jalur yang sudah diprogram, mengambil citra RGB dan, bila tersedia, spektrum tambahan untuk membaca respons tanaman. Data lalu diproses menjadi ortomosaik dan layer analitik yang bisa ditumpuk dengan peta blok, jalur panen, atau titik rawan genangan. AI masuk saat sistem mulai mengenali pola: perbedaan warna tajuk, keteraturan jarak tanam, sampai anomali yang sering luput dari mata manusia karena terjadi bertahap. Ketika suatu blok menunjukkan penurunan vigor, sistem memberi “alarm” yang mendorong inspeksi lapangan lebih terarah.

Di Makassar, beberapa pengelola kebun mengaitkan langkah ini dengan kebutuhan audit yang makin ketat. Mereka bukan hanya ingin tahu “apa yang terjadi”, melainkan ingin menunjukkan “bagaimana keputusan diambil” saat menghadapi masalah. Pendekatan berbasis data ini sejalan dengan tren administrasi publik dan tata kelola digital; topik yang juga ramai dibahas dalam konteks layanan berbasis kecerdasan buatan seperti pada penerapan AI di administrasi publik. Meski konteksnya berbeda, prinsipnya sama: keputusan yang baik butuh jejak data dan prosedur yang jelas.

LangitLestari juga menyadari bahwa adopsi teknologi pertanian tidak bisa memaksa kebun mengubah semuanya sekaligus. Mereka memulai dari kasus yang paling sering menguras biaya: pemupukan yang tidak tepat sasaran dan perawatan yang terlambat. Dari pemetaan berkala, mereka membuat “peta prioritas” untuk tindakan, misalnya blok yang butuh pemupukan tambahan, area yang harus dibersihkan karena gulma menutup piringan, atau titik yang perlu perbaikan drainase. Dampaknya terasa: tim lapangan bekerja lebih fokus, bahan habis pakai lebih hemat, dan evaluasi pekerjaan menjadi lebih objektif.

Contoh yang kerap diceritakan tim adalah kisah Pak Arman, asisten kebun di pinggiran Sulawesi Selatan, yang awalnya ragu. Ia terbiasa mengandalkan pengalaman, bahkan bisa menebak blok yang “lemah” dari tekstur tanah. Namun saat melihat peta hasil drone menunjukkan pola stres air yang mengikuti jalur parit tersumbat, ia menyadari sesuatu: intuisi benar, tapi data mempercepat pembuktian dan menyederhanakan komunikasi ke manajemen. Di akhir bulan, yang dibawa ke rapat bukan sekadar opini, melainkan bukti visual yang bisa dipahami semua orang. Insight yang tertinggal: drone bukan menggantikan pengalaman, melainkan memperkuatnya dengan pengukuran yang konsisten.

Bagaimana Startup Agritech Merancang Drone dan AI: Sensor, Model Deteksi, dan Alur Data yang Siap Operasional

Membangun solusi startup agritech bukan sekadar membeli drone lalu menjual jasa pemetaan. Tantangan sebenarnya adalah membuat alur kerja yang bisa diulang, tahan terhadap variasi lapangan, dan mudah dipahami operator non-teknis. LangitLestari merancang sistem dalam tiga lapis: pengambilan data, analitik AI, dan penyajian laporan. Setiap lapis harus stabil; jika satu lapis rapuh—misalnya data tidak konsisten—AI akan salah membaca, dan keputusan lapangan bisa keliru.

Pada tahap akuisisi, mereka menentukan standar: ketinggian terbang, overlap foto, waktu pengambilan (menghindari bayangan tajam), dan prosedur kalibrasi sederhana. Ini krusial karena kebun sawit punya variasi cahaya yang ekstrem, terutama saat awan bergerak cepat. Mereka juga menyiapkan “paket misi” untuk kebutuhan berbeda: pemetaan blok untuk inventarisasi, pemantauan rutin kesehatan tanaman, atau inspeksi infrastruktur seperti jalan kebun dan tanggul. Dengan standar ini, data antarbulan bisa dibandingkan “apel dengan apel”.

Model AI untuk pemantauan: dari deteksi anomali sampai klasifikasi kondisi tanaman

Di lapisan analitik, AI tidak selalu harus “serba bisa”. LangitLestari memulai dengan model yang fokus: deteksi anomali tajuk, penghitungan populasi pohon, dan segmentasi area bermasalah. Untuk penghitungan, mereka melatih model mengenali pola mahkota sawit dari citra resolusi tinggi, lalu memvalidasi dengan sampel hitung manual di beberapa blok. Dari sana, sistem bisa menandai titik kosong (missing stand) atau pohon yang tertutup gulma lebat.

Untuk kesehatan tanaman, mereka mengombinasikan indeks vegetasi dari kanal spektral dengan pembelajaran mesin yang memetakan skor risiko. Sistem tidak langsung menyimpulkan “penyakit X”, melainkan memberi tingkat prioritas inspeksi. Pendekatan ini lebih aman secara operasional, karena diagnosis akhir tetap perlu verifikasi lapangan. Cara kerja seperti ini juga sejalan dengan riset-riset yang mengarah ke pemantauan real-time berbasis arsitektur deteksi objek modern; yang penting bagi kebun adalah hasil bisa ditindaklanjuti, bukan sekadar grafik cantik.

Alur kerja dan laporan: cepat, visual, dan dapat diaudit

Nilai tambah terbesar muncul saat hasil analitik bisa masuk ke ritme kerja kebun. LangitLestari meniru pola platform survei cerdas: unggah peta, proses otomatis, lalu laporan visual siap dibaca dalam waktu singkat setelah survei. Laporan mereka memuat peta anomali, ringkasan per blok, serta daftar titik yang harus diperiksa tim lapangan. Bagi manajemen, ini mempercepat rapat operasional karena diskusi berpijak pada peta yang sama, bukan versi cerita yang berbeda-beda.

Untuk memperjelas manfaat, mereka membuat tabel “output-ke-aksi” yang dipakai saat onboarding klien:

Di tengah dorongan otomatisasi, mereka tetap menekankan kendali manusia. Operator diberi pilihan untuk menandai “false alarm” agar model belajar dari konteks lokal. Dalam praktiknya, kebun sawit itu bukan laboratorium steril: ada awan, ada asap pembakaran liar dari luar kebun, ada perubahan warna tanah karena pekerjaan jalan. Insight akhirnya: sistem yang baik adalah yang mau “mendengar” lapangan, bukan memaksakan algoritma.

Untuk melihat ragam pendekatan visual pemetaan kebun dan contoh hasil, tim sering merujuk demo dan diskusi yang tersebar di video edukasi.

Ekosistem Inovasi Makassar: Dari Riset Unhas dan BPDPKS ke Komersialisasi Produk Startup

Makassar punya keunikan: di satu sisi ada kebutuhan industri yang nyata, di sisi lain ada kapasitas riset yang tumbuh. Agenda Monitoring and Evaluation Grant Riset Sawit BPDPKS pada 13–15 Agustus 2025 di Makassar menjadi momen penting karena memperlihatkan bagaimana riset diarahkan ke implementasi. Di forum itu, Universitas Hasanuddin memaparkan inovasi seperti robot pengumpul brondolan berbasis mekatronika dengan deteksi dan klasifikasi kondisi buah menggunakan AI, serta drone yang dirancang untuk membantu pemotongan pelepah dan buah. Arah kebijakannya jelas: riset tidak berhenti di jurnal, tetapi didorong sampai validasi, pendaftaran kekayaan intelektual, dan pengembangan produk.

Bagi LangitLestari, ekosistem seperti ini membuka dua peluang. Pertama, akses talenta: mahasiswa dan peneliti yang terbiasa dengan data dan eksperimen lapangan. Kedua, akses uji coba: laboratorium, mitra industri, dan kunjungan lapangan yang memungkinkan teknologi diuji di kondisi kebun sesungguhnya. Saat sebuah solusi diuji bersama pengguna, produk jadi lebih tahan banting. Banyak startup gagal bukan karena idenya buruk, melainkan karena tidak punya ruang untuk iterasi yang cepat dengan umpan balik nyata.

Kolaborasi kampus–industri–startup: pola yang makin matang

Kolaborasi yang matang biasanya terlihat dari pembagian peran. Kampus kuat di riset dasar dan validasi metodologi; industri menyediakan kasus nyata, data historis, dan standar operasional; startup menjembatani keduanya menjadi produk yang mudah dipakai. Di Makassar, pola ini terlihat ketika riset robot dan drone dipamerkan, lalu muncul diskusi soal integrasi ke workflow kebun: kapan alat dipakai, siapa yang bertanggung jawab, bagaimana mengukur ROI, dan bagaimana memastikan keselamatan kerja.

LangitLestari sering “menitipkan” pilot project kecil di kebun mitra: misalnya, satu estate dengan beberapa blok sampel. Mereka mengukur manfaat yang paling cepat terlihat, seperti pengurangan biaya survei manual atau percepatan identifikasi titik banjir. Setelah hasil awal terbukti, barulah skala diperluas. Strategi ini penting karena keputusan adopsi teknologi pertanian sering melibatkan banyak pihak—dari pemilik kebun sampai kepala divisi operasional.

Transparansi aset kebun dan kebutuhan lembaga keuangan

Selain urusan produksi, pemetaan drone dan analitik juga menyentuh aspek finansial. Di pasar, nilai kebun tidak hanya ditentukan oleh luas, tetapi juga kondisi tanaman, akses jalan, drainase, dan konsistensi perawatan. Laporan berbasis data membantu transaksi menjadi lebih adil karena kedua pihak melihat bukti yang sama. Lembaga keuangan pun diuntungkan: risiko pembiayaan bisa dinilai dengan lebih objektif, bukan sekadar survei singkat.

Di tengah kondisi global yang penuh ketidakpastian—mulai dari konflik dan krisis kemanusiaan yang memengaruhi rantai pasok—pengambilan keputusan berbasis data menjadi semakin penting. Publik melihat dampak peristiwa besar melalui pemberitaan seperti krisis kemanusiaan di Sudan atau dinamika politik yang mempengaruhi stabilitas wilayah. Meski tidak berkaitan langsung dengan kebun, gelombang dampaknya dapat terasa pada logistik, biaya, dan preferensi pasar. Insight yang perlu dipegang: inovasi lokal di Makassar justru mendapat relevansi lebih besar ketika dunia bergerak tidak menentu—karena efisiensi dan transparansi menjadi “bantalan” menghadapi risiko.

Operasional Kebun Sawit Berbasis Otomatisasi: Dari Jadwal Terbang, Tim Lapangan, hingga SOP Keselamatan

Teknologi yang bagus akan kalah bila tidak menyatu dengan ritme operasional. Karena itu, LangitLestari merancang paket implementasi yang menekankan otomatisasi proses tanpa menghilangkan kontrol. Mereka menyusun kalender pemantauan: blok prioritas dipetakan lebih sering, blok stabil cukup dipantau berkala. Hasilnya bukan “banjir data”, tetapi aliran informasi yang sesuai kebutuhan keputusan.

Salah satu perubahan paling terasa adalah cara tim lapangan menerima instruksi. Jika dulu inspeksi berjalan menyusuri jalur yang sama, kini ada daftar titik prioritas dari peta AI. Mandor tetap memimpin, tetapi tim lebih fokus: “cek koordinat ini, foto kondisi piringan, ukur kedalaman genangan, catat status parit.” Di akhir hari, temuan lapangan diunggah kembali untuk memperkaya model dan memperbaiki rekomendasi. Siklus ini membuat pemantauan bukan kegiatan sekali jalan, melainkan proses belajar yang berkelanjutan.

Daftar praktik lapangan yang membuat teknologi benar-benar terpakai

Berikut praktik yang sering dipakai agar drone dan analitik tidak berhenti sebagai proyek demonstrasi:

• Standarisasi jam terbang: memilih waktu dengan pencahayaan stabil agar data antarbulan bisa dibandingkan.
• Checklist pra-terbang: baterai, propeller, pembaruan peta, dan izin area untuk menghindari gangguan operasional kebun.
• Protokol validasi: tiap “alarm” AI wajib dicek sampel lapangan sebelum menjadi keputusan besar.
• Penetapan PIC data: satu orang bertanggung jawab atas versi peta, penamaan file, dan arsip laporan.
• Rapat singkat berbasis peta: 15–20 menit dengan tampilan layer prioritas untuk menentukan pekerjaan hari itu.

Praktik sederhana ini sering lebih menentukan daripada pilihan merek perangkat. Kebun yang disiplin pada SOP biasanya melihat manfaat lebih cepat karena data yang terkumpul rapi dan konsisten.

Keselamatan, kepatuhan, dan sensitivitas publik terhadap isu drone

Di tahun-tahun terakhir, kata “drone” sering muncul di berita bukan hanya soal pertanian, tetapi juga konflik dan keamanan. Pemberitaan mengenai ketegangan Ukraina dan serangan drone misalnya, membuat publik makin peka terhadap penggunaan wahana tanpa awak. Karena itu, startup agritech harus proaktif menjelaskan perbedaan antara drone sipil untuk pemetaan dan penggunaan militer, sekaligus memastikan semua operasi mematuhi aturan penerbangan yang berlaku.

LangitLestari menerapkan area larangan terbang internal di sekitar perumahan pekerja, sekolah, dan fasilitas sensitif. Mereka juga menyusun etika penggunaan data: citra tidak dipakai untuk mengawasi individu, hanya untuk aset kebun. Dalam beberapa proyek, mereka bahkan mengadakan sesi sosialisasi dengan warga sekitar agar tidak muncul kecurigaan. Pendekatan ini penting, karena keberlanjutan bisnis bukan hanya ditentukan oleh teknologi, melainkan juga oleh kepercayaan sosial.

Ada juga pelajaran dari manajemen krisis non-teknis. Saat bencana terjadi di suatu daerah, bantuan logistik bisa menjadi rumit, seperti yang kerap muncul di berita bantuan banjir di Sumatra Barat. Di kebun, analoginya adalah musim ekstrem yang memutus akses jalan. Peta drone dan pemantauan infrastruktur memberi nilai tambah: kebun bisa memprioritaskan perbaikan akses yang paling kritis untuk menjaga panen tidak tertahan. Insight yang mengunci bagian ini: otomatisasi yang tepat bukan hanya soal efisiensi, tetapi juga ketahanan operasi ketika kondisi berubah cepat.

Dari Data ke Dampak: Produktivitas, Transparansi, dan Daya Saing Global untuk Kebun Sawit Berkelanjutan

Pertanyaan paling sering dari pemilik kebun bukan “seberapa canggih AI-nya”, melainkan “apa dampaknya bagi produksi dan biaya”. LangitLestari menjawab dengan kerangka dampak yang mudah dipahami: kecepatan deteksi masalah, ketepatan tindakan, dan kemampuan membuktikan perbaikan. Misalnya, jika sebelumnya identifikasi genangan baru diketahui setelah panen terganggu, kini blok rawan bisa ditandai lebih dini. Biaya perbaikan drainase mungkin sama, tetapi kerugian karena keterlambatan jauh berkurang.

Dampak lain adalah transparansi internal. Di perusahaan perkebunan, pergantian staf adalah hal biasa. Tanpa sistem, pengetahuan sering hilang bersama orang yang pindah. Dengan peta berkala, histori kondisi kebun menjadi “ingatan organisasi”. Manajer baru bisa melihat tren per blok: kapan terjadi penurunan, tindakan apa yang diambil, lalu bagaimana hasilnya pada pemantauan berikutnya. Ini memperkuat akuntabilitas dan mengurangi ketergantungan pada individu.

Studi kasus kecil: dari dugaan ke pembuktian

Di satu kebun mitra, tim menduga ada penurunan produktivitas akibat pemupukan yang tidak merata. Dengan pemetaan, mereka menemukan pola yang mengikuti batas rute aplikasi pupuk. Sistem tidak menyalahkan pekerja; ia menunjukkan area yang tertinggal dan mengukur luasannya. Kebun kemudian mengubah cara pembagian beban kerja, menambah penandaan rute, dan melakukan pemantauan ulang. Hasilnya, variasi antarblok menurun dan diskusi internal menjadi lebih sehat karena berbasis bukti.

Di titik ini, inovasi terasa bukan karena ada perangkat terbang, melainkan karena budaya kerja berubah: dari reaktif menjadi proaktif. Pertanyaan rapat pun bergeser, dari “kenapa hasil turun?” menjadi “blok mana yang memberi sinyal awal, dan apa respons paling ekonomis?”

Membaca dunia luar: risiko geopolitik, reputasi, dan kebutuhan integritas

Industri sawit Indonesia bergerak dalam pasar global yang sensitif terhadap isu lingkungan dan integritas rantai pasok. Karena itu, agenda seperti Monev riset sawit yang menekankan industri berkelanjutan, bersih, dan berintegritas terasa relevan. Pelaku pasar ingin bukti praktik baik, bukan klaim. Data pemantauan dapat menjadi bagian dari bukti tersebut: menunjukkan perawatan drainase, pengelolaan akses, hingga respons terhadap area bermasalah.

Dunia luar juga menghadirkan risiko yang sulit dikendalikan. Ketegangan antarnegara, mobilisasi militer, hingga dinamika politik dapat mempengaruhi harga komoditas, biaya transportasi, dan persepsi investor. Pembaca melihat contoh eskalasi keamanan melalui berita seperti Kolombia mengirim militer ke perbatasan atau perkembangan politik di kawasan lain seperti serangan AS dan respons Venezuela. Untuk kebun, pelajarannya sederhana: ketika eksternal tidak stabil, internal harus makin tertata—efisiensi, keterlacakan, dan pengambilan keputusan cepat menjadi keunggulan kompetitif.

Menariknya, narasi daya saing sering datang dari tempat yang tidak terduga. Dalam olahraga pun, pergantian pelatih bisa mengubah strategi dan disiplin tim secara drastis; publik mengikuti dinamika itu lewat berita seperti arah baru Timnas Indonesia bersama John Herdman. Analogi ini dekat dengan kebun: ketika pola kerja berubah—lebih disiplin pada data dan eksekusi—kinerja kolektif ikut terangkat. Insight akhir bagian ini: teknologi pertanian berbasis drone dan AI menjadi bernilai tinggi ketika ia membentuk kebiasaan baru—mengubah data menjadi tindakan yang terukur, konsisten, dan bisa dipertanggungjawabkan.