Electronic Theses and Dissertation

Transformasi pertanian melalui teknologi digital menjadi kebutuhan penting untuk meningkatkan efisiensi dan produktivitas petani, khususnya dalam menghadapi tantangan perubahan iklim dan keterbatasan lahan. Salah satu teknologi yang mulai dikembangkan adalah smart farming, yang memanfaatkan sensor berbasis Internet of Things (IoT) seperti sensor pupuk untuk membantu menentukan dosis pemupukan secara tepat. Di tingkat global, pasar teknologi sensor pertanian terus tumbuh dengan proyeksi mencapai USD 7,19 miliar pada 2034 (Precedence Research, 2024), dan telah diterapkan secara luas di negara maju. Namun, adopsi teknologi ini di negara berkembang seperti Indonesia masih sangat terbatas, terutama di wilayah pedesaan. Penelitian ini dilakukan di Kabupaten Aceh Tengah, yang merupakan salah satu sentra utama produksi kopi rakyat di Indonesia. Meskipun memiliki potensi produksi yang besar, produktivitas kopi di daerah ini masih tergolong rendah akibat penggunaan teknik konvensional, keterbatasan akses informasi, dan belum meratanya dukungan terhadap penerapan teknologi. Sensor pupuk yang menjadi fokus kajian ini masih dalam tahap pengembangan dan belum diterapkan di lapangan. Oleh karena itu, penelitian ini bertujuan untuk mengukur tingkat kesiapan petani dalam mengadopsi teknologi smart farming, khususnya sensor pupuk, serta mengidentifikasi faktor-faktor dan hambatan utama yang memengaruhinya. Penelitian ini menggunakan pendekatan kuantitatif dengan instrumen kuesioner yang disebar kepada 100 responden petani kopi yang tersebar di 4 kecamatan: Atu Lintang, Pegasing, Bebesen, dan Bies, masing-masing satu desa. Teknik pengambilan sampel dilakukan melalui metode multistage cluster random sampling, dengan mempertimbangkan perbedaan karakteristik geografis dan produksi kopi. Hasil penelitian menunjukkan bahwa dari tiga indikator kesiapan, yaitu pengetahuan, ketersediaan sumber daya, dan motivasi, mayoritas petani berada pada kategori cukup siap. Rata-rata skor tertinggi terdapat pada indikator motivasi. Sementara itu, dua variabel independen, yaitu karakteristik petani (X1) dan akses informasi serta infrastruktur (X2), terbukti memiliki pengaruh langsung dan signifikan terhadap kesiapan adopsi smart farming (Y1), masing-masing dengan koefisien 0,419 dan 0,245 (p < 0,05). Hal ini menunjukkan bahwa usia, pendidikan, pengalaman bertani, serta kemudahan akses informasi berperan penting dalam meningkatkan kesiapan petani. Namun, terdapat fenomena menarik pada dua variabel lainnya. Variabel dukungan kelembagaan (X3) dan persepsi petani terhadap teknologi (X4), meskipun memperoleh skor rata-rata yang tinggi dalam kuisioner (di atas 3,5 atau masuk kategori “baik”), secara statistik menunjukkan koefisien positif tetapi tidak signifikan terhadap kesiapan adopsi. Fenomena ini mengindikasikan bahwa dukungan kelembagaan memang ada, tetapi belum secara langsung relevan atau menjangkau semua petani secara merata. Kemungkinan lainnya adalah bentuk dukungan yang diberikan belum spesifik terhadap teknologi baru seperti sensor pupuk, dan belum ada program pelatihan atau pendampingan yang langsung terkait dengan teknologi ini. Dengan demikian, terjadi ketidaksesuaian antara persepsi umum petani (yang merasa sudah cukup didukung) dan efektivitas nyata dari dukungan tersebut dalam mendorong kesiapan adopsi teknologi. Situasi ini memperlihatkan adanya kesenjangan antara kesiapan teknologi dan kesiapan pengguna. Oleh karena itu, penelitian ini menegaskan pentingnya merancang strategi peningkatan kesiapan adopsi petani dengan memperkuat akses informasi, literasi teknologi, serta bentuk dukungan kelembagaan yang lebih spesifik terhadap teknologi smart farming. Selain itu, penelitian ini juga mengidentifikasi sejumlah hambatan internal dan eksternal yang turut memengaruhi kesiapan petani dalam mengadopsi teknologi smart farming. Hambatan internal mencakup rendahnya literasi digital, keterbatasan pemahaman teknologi, serta faktor usia dan pendidikan yang beragam. Di sisi lain, hambatan eksternal meliputi minimnya akses terhadap informasi dan infrastruktur pendukung, termasuk keterbatasan koneksi internet, kondisi jalan ke kebun yang tidak layak, serta kurang meratanya pelatihan dari lembaga terkait. Hal ini tercermin dari skor rata-rata akses informasi dan infrastruktur yang tergolong rendah (2,1), meskipun secara umum persepsi dan dukungan kelembagaan dinilai tinggi. Situasi ini menunjukkan adanya ketimpangan antara persepsi, fasilitas yang tersedia, dan kesiapan aktual petani dalam mengadopsi teknologi baru.

The transformation of agriculture through digital technology has become essential for improving farmers’ efficiency and productivity, particularly in facing challenges such as climate change and limited land availability. One of the emerging technologies being developed is smart farming, which utilizes Internet of Things (IoT)-based sensors, such as fertilizer sensors, to help determine precise fertilization doses. Globally, the agricultural sensor technology market continues to grow, with projections reaching USD 7.19 billion by 2034 (Precedence Research, 2024), and it has been widely adopted in developed countries. However, the adoption of such technologies in developing countries like Indonesia remains very limited, especially in rural areas. This study was conducted in Aceh Tengah Regency, one of Indonesia’s main smallholder coffee production centres. Despite its strong production potential, coffee productivity in this region remains relatively low due to the continued use of conventional farming techniques, limited access to information, and unequal support for technology adoption. The fertilizer sensor, which is the focus of this study, is still in the development stage and has not yet been applied in the field. Therefore, this research aims to measure farmers’ readiness to adopt smart farming technology, particularly fertilizer sensors, and to identify the key factors and barriers influencing this readiness. The study employed a quantitative approach using a structured questionnaire distributed to 100 smallholder coffee farmers across four subdistricts: Atu Lintang, Pegasing, Bebesen, and Bies, each represented by one village. The sampling technique used was multistage cluster random sampling, considering the geographical and production differences among the areas. The findings revealed that, among the three readiness indicators — knowledge, resource availability, and motivation — most farmers were categorised as moderately ready. The highest average score was found in the motivation indicator. Meanwhile, two independent variables — farmers’ characteristics (X1) and access to information and infrastructure (X2) — were found to have a direct and significant effect on smart farming adoption readiness (Y1), with coefficients of 0.419 and 0.245 respectively (p < 0.05). This indicates that age, education, farming experience, and ease of access to information play crucial roles in enhancing farmers’ readiness. However, two other variables — institutional support (X3) and farmers’ perception of technology (X4) — while showing high mean scores in the questionnaire (above 3.5, categorised as “good”), demonstrated positive but statistically insignificant coefficients toward readiness. This phenomenon suggests that institutional support exists but is not yet sufficiently relevant or equally distributed among farmers. Another possibility is that the existing support mechanisms are not specifically directed toward emerging technologies such as fertilizer sensors, and there are no dedicated training or mentoring programmes related to this technology. Consequently, there is a discrepancy between farmers’ general perception of being adequately supported and the actual effectiveness of such support in fostering readiness for technology adoption. This situation highlights a gap between technological readiness and user readiness. Therefore, this study underscores the importance of developing strategies to enhance farmers’ readiness through improved information access, technological literacy, and institutional support that is more specifically aligned with smart farming innovations. Furthermore, the study identifies several internal and external barriers affecting farmers’ readiness to adopt smart farming technology. Internal barriers include low digital literacy, limited technological understanding, and demographic factors such as age and educational background. On the other hand, external barriers involve limited access to information and supporting infrastructure, including poor internet connectivity, inadequate road conditions to plantations, and uneven distribution of training programmes by relevant institutions. This is reflected in the low average score (2.1) for access to information and infrastructure, despite the generally high assessments of perception and institutional support. This condition illustrates a mismatch between perception, available facilities, and farmers’ actual readiness to adopt new technology.