Produktivitas kelapa sawit di Indonesia sering terkendala rendahnya kesuburan tanah akibat pemupukan yang tidak tepat. Banyak petani menggunakan metode manual yang subjektif dan tidak berbasis data aktual, menyebabkan ketidakseimbangan hara, penurunan hasil panen, dan biaya produksi tinggi. Penelitian ini mengembangkan sistem monitoring berbasis IoT dan kecerdasan buatan untuk mengolah data tanah dan memberikan rekomendasi pemupukan.
Sistem ini mengumpulkan data pH, nitrogen, fosfor, kalium, dan kelembapan tanah melalui sensor RS485 yang terintegrasi dengan mikrokontroler ESP32. Data dianalisis menggunakan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan kesuburan tanah menjadi kategori butuh atau tidak butuh pupuk. Hasilnya disimpan di database InfluxDB dan ditampilkan melalui dashboard Grafana, memungkinkan pemantauan real-time secara lokal via LCD OLED atau jarak jauh via website.
Hasil implementasi menunjukkan sensor memiliki error yang rendah untuk nitrogen, kalium, fosfor, kelembapan, dan pH setelah di kalibrasi. Model SVM mencapai akurasi tinggi, dengan precision, recall, dan F1-score di atas 90%. Pengujian pada 30 sampel pohon sawit menunjukkan rekomendasi pemupukan akurat pada 90% kasus, lebih konsisten dibandingkan metode manual. Sistem beroperasi otomatis 24 jam, didukung baterai 6000 mAh (dapat bertahan 30 jam) dan panel surya untuk mengisi ulang baterai. Penelitian ini mendukung pertanian berbasis data dan pengelolaan berkelanjutan perkebunan kelapa sawit skala kecil-menengah.