Pemimpin pemikiran
Mengapa masalah data pertanian adalah masalah AI — dan bagaimana tanaman dapat membantu

Poin utamaAI pertanian gagal karena mengandalkan data lingkungan eksternal alih-alih sinyal…
Lihat selengkapnya
- AI pertanian gagal karena mengandalkan data lingkungan eksternal alih-alih sinyal biologis langsung dari tanaman.
- Tanaman yang direkayasa untuk memberi sinyal kondisi internal seperti penyakit menyediakan kelas baru data biologis yang dapat ditindaklanjuti bagi AI.
- Akuisisi The Climate Corporation senilai $1,1 miliar menjadi contoh hiperbola selama satu dekade atas strategi data eksternal yang cacat.
Setiap beberapa tahun, sektor teknologi pertanian mendapatkan solusi baru yang digadang-gadang mampu mengatasi semua masalah. Pada 2013, narasinya adalah big data akan mengubah pengelolaan usaha tani — akuisisi The Climate Corporation oleh Monsanto senilai 1,1 miliar dolar AS diharapkan membuka era baru pertanian prediktif. Beberapa tahun kemudian, rumah kaca berbasis AI diharapkan menghadirkan Revolusi Hijau kedua. Lalu muncul janji pemanenan robotik, agronom virtual berbasis AI generatif, dan kini AI agentik yang konon akan mengambil keputusan secara mandiri mewakili petani di seluruh dunia.
Polanya mestinya sudah dikenal: setiap gelombang sensasi bertumpu pada gelombang sebelumnya, tetapi investasi modal ventura di AgTech terus mengecewakan, dan hasil yang benar-benar membawa perubahan tetap sulit dicapai. Mengapa? Bukan karena para insinyur tidak berbakat atau karena ilmu yang mendasari AI keliru. Masalahnya lebih dalam, yakni pada data yang menjadi tumpuan sistem AI pertanian.
Jika kita tidak memikirkan ulang secara mendasar data apa yang dikumpulkan dan bagaimana mengumpulkannya, revolusi AI pertanian akan terus menjadi janji abadi, bukan kenyataan saat ini.
Tiga alasan AI pertanian terus gagal
Pertanian adalah salah satu lingkungan paling menantang yang dapat dibayangkan untuk pengembangan AI. Tantangannya bukan masalah rekayasa sepele, melainkan struktural. Berikut hal-hal yang membuat pendekatan AI yang lazim begitu sulit diterapkan di bidang ini:
Siklus umpan balik mengikuti kecepatan biologi, bukan perangkat lunak
Sistem AI modern dirancang untuk iterasi cepat. Model perangkat lunak dapat dilatih ulang dalam hitungan jam; uji obat membutuhkan waktu bertahun-tahun. Pertanian lebih dekat dengan kasus kedua. Inovasi Norman Borlaug pada 1970-an yang diakui melalui Hadiah Nobel sebagian berkaitan dengan mempersingkat siklus pemuliaan tanaman dari sekali menjadi dua kali setahun. Perusahaan benih paling maju saat ini mampu menjalankan tiga siklus per tahun, tetap sangat lambat menurut ukuran AI. Ketika data acuan yang menunjukkan hasil nyata baru tersedia saat panen, perbaikan model memerlukan waktu bertahun-tahun, bukan sprint pengembangan singkat.
Kompleksitas pertanian mematahkan asumsi lazim AI
Ajukan pertanyaan yang tampak sederhana — berapa banyak nitrogen yang perlu diberikan pada lahan ini? — dan jumlah variabel segera bertambah: komposisi tanah, rotasi tanaman sebelumnya, riwayat patogen, iklim mikro, riwayat peternakan selama puluhan tahun, kemampuan menahan air, praktik pengolahan tanah, dan puluhan faktor lain yang saling berinteraksi. Penelitian tentang keterbatasan penalaran AI menunjukkan bahwa akurasi model runtuh dalam lingkungan berdimensi tinggi. Pertanian bukan sekadar berdimensi tinggi, melainkan salah satu bidang dengan dimensi terbanyak yang pernah dicoba dimodelkan manusia.
Setiap usaha tani merupakan kasus khusus tersendiri
Tidak ada sapi berbentuk bola dalam pertanian nyata. Setiap usaha memiliki kombinasi tersendiri antara akses teknologi, pandangan tentang tenaga kerja, keterbatasan modal, dan toleransi risiko. Model yang dilatih pada usaha besar dengan tanaman yang ditanam berbaris di kawasan Midwest Amerika Serikat akan gagal total ketika diterapkan pada usaha tani kecil dengan produksi beragam di kawasan barat laut AS yang berbatasan dengan Pasifik. Tidak ada yang mudah digeneralisasi, dan merancang solusi untuk setiap kasus khusus mendorong jumlah dimensi semakin jauh melampaui batas yang dapat diterapkan.
Jawabannya adalah data yang lebih baik, bukan lebih banyak
Naluri Silicon Valley dalam menghadapi kebanyakan masalah sulit adalah menambahkan daya komputasi dan data. Dalam pertanian, naluri itu menghasilkan angka mencengangkan: usaha tani rata-rata kini diperkirakan menghasilkan 500.000 titik data per hari. Satelit memotret setiap lahan di Bumi. Sensor mencatat suhu, kelembapan udara, dan kelembapan tanah secara sangat rinci.
Namun, komunitas AI pertanian secara luas mengakui kekurangan data berkualitas tinggi. Masalahnya bukan volume, melainkan relevansi. Semua data sensor, citra satelit, dan laporan uji tanah itu merekam apa yang terjadi di sekitar tanaman. Tidak satu pun merekam apa yang terjadi di dalam tanaman.
Bayangkan insinyur balap Formula 1 yang mencoba mengoptimalkan waktu putaran hanya dengan data pelacakan GPS. Kecepatan, posisi, dan lintasan memberi titik awal, tetapi tanpa telemetri mesin, sensor suhu ban, serta data aliran bahan bakar, model akan selalu menebak hubungan sebab-akibat. Data pertanian eksternal persis seperti itu. Data tersebut menunjukkan kondisi lingkungan, tetapi tidak bisa menunjukkan bagaimana tanaman sebenarnya merespons kondisi itu.
Ini menjelaskan sebagian kegagalan AI paling menonjol dalam pertanian. Gro Intelligence menghimpun lebih dari 120 juta dolar AS untuk membangun repositori data iklim pertanian terbesar di dunia, tetapi akhirnya tutup. Data eksternal yang lebih banyak, seberapa pun presisi pengumpulannya, tidak menyelesaikan masalah mendasar: kita mengukur hal yang salah.
Apa arti sebenarnya mendengarkan tanaman?
Bioteknologi baru kini untuk pertama kalinya memungkinkan kita memperoleh data langsung dari dalam tanaman yang dibudidayakan. Gagasan utamanya adalah merekayasa tanaman agar memberi sinyal tentang keadaan biologis internalnya sendiri. Tanaman menyampaikan stres, infeksi, atau kebutuhan sumber daya melalui keluaran terukur, bukan mengharuskan kita menyimpulkannya dari indikator pengganti di luar tanaman.
Awal tahun ini, salah satu pendekatan tersebut menghasilkan pencapaian bersejarah: tanaman kedelai yang direkayasa untuk memberikan sinyal fluoresen mengungkap infeksi jamur secara real-time sebelum gejala apa pun terlihat pada tanaman. Selama 10.000 tahun sejarah pertanian, petani belum pernah mampu mendeteksi penyakit pada tahap itu. Respons imun tanaman sendiri memicu sinyal tersebut. Tanaman itulah yang menyediakan datanya.
Ini penting bagi hasil pertanian praktis. Deteksi penyakit lebih dini memungkinkan intervensi lebih dini, mengurangi kerugian serta penggunaan bahan kimia. Namun, hal ini sama pentingnya bagi AI pertanian karena menghadirkan kategori data yang secara mendasar baru.
Menyimpulkan biologi tanaman dari kondisi eksternal merupakan tugas yang pada dasarnya penuh derau, berdimensi tinggi, dan rentan terhadap faktor perancu. Sebagai gantinya, sistem AI kini dapat dilatih dengan pengukuran langsung fisiologi tanaman. Masalah jumlah dimensi menyusut drastis dan siklus umpan balik memendek. Masalah kasus khusus tidak hilang, tetapi lebih mudah ditangani ketika kita bekerja dengan sinyal yang dipancarkan tanaman sendiri, bukan variabel pengganti di lingkungan sekitar.
Paradigma data baru untuk era baru AI pertanian
Perbandingan dengan pengembangan kendaraan otonom memberi pelajaran berharga. Perusahaan seperti Waymo tidak meraih keberhasilan hanya dengan mencoba melatih model pada data jalan publik yang sudah ada. Mereka membangun rangkaian sensor milik sendiri dan menghasilkan kumpulan data besar berkualitas tinggi yang dikumpulkan sendiri, dengan tepat merekam apa yang perlu dipelajari model. Strategi data sama pentingnya dengan arsitektur model.
AI pertanian membutuhkan pemikiran ulang serupa. Jalan ke depan bukan menerapkan model lebih baik pada kumpulan data pertanian yang ada. Data tersebut memiliki keterbatasan mendasar: hanya mengamati lingkungan tanaman, bukan tanaman itu sendiri. Jalan ke depan adalah menghasilkan kategori data baru yang berlandaskan biologi tanaman sebenarnya dan membangun sistem AI yang dirancang untuk belajar darinya.
Data semacam itu — telemetri biologis berkelanjutan sepanjang musim dari tanaman di kawasan-kawasan pertanian utama — belum tersedia dalam skala besar. Namun, teknologi untuk menghasilkannya mulai menjadi kenyataan. Ketika data itu tersedia, model AI yang benar-benar membantu petani mengambil keputusan kompleks akan dimungkinkan: bukan dengan memaksakan daya komputasi melewati lautan variabel eksternal penuh derau, melainkan dengan memahami, mendekati waktu nyata, apa yang dibutuhkan tanaman itu sendiri.
Kesenjangan kualitas data dalam pertanian telah dibahas selama bertahun-tahun. Yang berubah adalah kini kita mempunyai jawaban yang dapat dipercaya, dan jawabannya bermula dari tanaman itu sendiri.
Jalan sesungguhnya menuju Revolusi Hijau berikutnya
Memberi makan 8 miliar orang secara berkelanjutan, ditambah 2 miliar orang lagi yang diperkirakan hadir pada 2050, sambil mengatasi gangguan iklim, biaya sarana produksi, dan kelangkaan air, merupakan salah satu tantangan utama abad ini. AI pertanian berpotensi membantu setiap bagian tantangan tersebut, tetapi hanya jika dibangun di atas data yang benar-benar mencerminkan apa yang terjadi di dalam tanaman yang hendak kita budidayakan.
Selama lebih dari satu dekade, industri mencoba menyelesaikan masalah itu dengan mengumpulkan lebih banyak data eksternal dan menambahkan daya komputasi. Pendekatan tersebut menghasilkan kemajuan bertahap, tetapi belum memberikan terobosan yang dibutuhkan sektor ini. Itu juga tidak akan terjadi, karena masalah data yang mendasar belum terselesaikan.
Revolusi Hijau berikutnya tidak akan bermula dari arsitektur model menjanjikan lainnya atau startup bermodal besar lainnya dengan alur pengolahan citra satelit yang lebih baik. Revolusi itu dimulai ketika sistem AI akhirnya dapat mendengar apa yang hendak disampaikan tanaman.













