BRIN dan Konsorsium Riset Nasional Perkenalkan Teknologi AI untuk Prediksi Produktivitas Padi

BADAN Riset dan Inovasi Nasional (BRIN) bersama Konsorsium Riset Nasional (konsorsium riset teknologi pertanian yang melibatkan perguruan tinggi, lembaga penelitian, dan mitra internasional) menggelar Workshop & Diseminasi Pengembangan Teknologi Prediksi Produktivitas Padi Berbasis Artificial Intelligence (AI) untuk Mendukung Program Asuransi Pertanian di Gedung Sasana Widya Sarwono, BRIN Jakarta, pekan ini.

Kegiatan ini memperkenalkan rangkaian inovasi berbasis citra satelit, drone, dan algoritma kecerdasan buatan sebagai terobosan untuk meningkatkan akurasi monitoring pangan nasional dan mendukung modernisasi asuransi pertanian.

Kegiatan ini dibuka Umi Mu’awanah, PhD, Kepala Pusat Riset Ekonomi Industri, Jasa, dan Perdagangan, BRIN, dilanjutkan dengan pemaparan kegiatan Konsorsium Riset Teknologi Pertanian Berbasis Smart & Artificial Intelligence System oleh Dr. Arief Abdurrakhman selaku Ketua Konsorsium. Welcoming remarks disampaikan Assoc. Prof. M.D. Parvez Islam dari Ehime University, Jepang, yang menegaskan pentingnya integrasi AI dalam manajemen risiko pertanian di kawasan Asia.

Baca juga : Pemanfaatan AI di Pemerintahan Harus Tingkatkan Layanan Publik dan Akuntabilitas

Pada  sesi pertama, Prof. M.D. Parvez Islam memaparkan teknologi deteksi tanaman berbasis Hot YOLO, yaitu jaringan deteksi visual yang mampu mengidentifikasi dan mengklasifikasi kualitas panikel padi dalam grading A, B, dan C. Teknologi ini digunakan untuk menghitung jumlah panikel pada berbagai fase pertumbuhan tanaman dan menghasilkan grafik distribusi kualitas area tanam secara real-time.

Algoritma ini bersifat open-source, tanpa lisensi komersial, sehingga dapat dimanfaatkan luas untuk UMKM, lembaga riset, dan pemerintah. Akurasi deteksi Hot YOLO mencapai lebih dari 0,77, melampaui sejumlah jaringan deteksi kontemporer. Teknologi ini juga dapat digunakan untuk mendeteksi pergerakan manusia/hewan di lahan pertanian, serta secara otomatis melakukan pelabelan dataset baru yang mempercepat proses penelitian.

Giara Iman Nanda, S.Si, M.Sc dari Kementerian Pertanian memaparkan perkembangan Sistem Informasi Standing Crop (SISCrop) versi 2.0 yang menggunakan citra radar Sentinel-1 dengan resolusi 10 meter dan waktu kunjungan ulang (durasi) enam hari. Sistem ini mampu:

Baca juga : Guru sebagai Intelektual Publik

• Memantau 7,38 juta hektare sawah Indonesia tanpa terkendala awan.
• Mengidentifikasi enam fase pertumbuhan padi dengan akurasi > 80% di lahan irigasi
• Menghasilkan estimasi produksi padi tingkat provinsi dengan akurasi 81%
• Menghemat biaya survei hingga Rp265 miliar per tahun dibanding metode konvensional

SISCrop kini dapat diakses hingga tingkat kecamatan dan desa melalui peta interaktif daring. Tantangan pengembangan berikutnya adalah peningkatan akurasi di lahan rawa pasang surut serta pemisahan fase penggenangan dan banjir yang masih sulit diidentifikasi radar.

Dua Sistem

Dr. Dian Kusumaningrum dari Universitas Prasetiya Mulya ( Prasmul) memaparkan dua sistem prediksi produktivitas padi. Model yang pertama adalah pengembangan model CNN–PSO yang menggabungkan Convolutional Neural Network dengan teknik optimasi Particle Swarm Optimization pada data citra/foto lahan.  "Model ini berhasil mencapai nilai RMSE 0,2 dan R² sebesar 0,8," ungkap Dian Kusumaningrum.

Adapun model prediksi produktivitas padi kedua adalah model hybrid penggabungan GLMM (Generalized Linear Mixed Model) dengan algoritma machine learning random forest.

Model ini dikembangkan dengan mempertimbangkan sebaran produktivitas padi, keragaman produktivitas padi antar area, dan hubungan antar variabel produktivitas padi dan variabel penjelas yang digunakan, yaitu: 
Citra satelit (NDVI, BAND8, BAND4)
Citra drone (NDVI).
Data survei ke petani (serangan hama, penggunaan pupuk, variasi padi, agroekosistem, dan lain lain.

Data hasil survei ubinan untuk penentuan prediksi produktivitas lahan yang disusun oleh BPS.Hasil penelitian menunjukkan bahwa model hybrid ini memiliki akurasi yang lebih tinggi dibandingkan dengan model-model yang umumnya digunakan, seperti regresi. Model tersebut menunjukkan bahwa NDVI, jumlah pupuk KCl dan organik yang digunakan, serta tingkat keparahan serangan hama memilik pengaruh paling signifikan dengan produktivitas padi.

 Selanjutnya, variasi produktivitas antar kecamatan sangat berpengaruh terhadap simulasi premi asuransi indeks produktivitas (IAE), yang berkisar antara Rp166.000 hingga Rp467.000. Riset lanjutan juga menyoroti kebutuhan pelatihan drone dan literasi digital bagi petani agar siap mengadopsi teknologi baru dalam program asuransi pertanian.

Dalam sesi diskusi yang dipimpin  Prof. Sahat Marulitua Pasaribu dari BRIN bersama para peserta dan pakar lainnya mengharapkan adanya koordinasi yang lebih intens diantara lembaga terkait, termasuk pentingnya harmonisasi data antara  BPS dengan Kementerian Pertanian untuk mendukung penentuan premi dan klaim asuransi pertanian secara cepat dan akurat. Ego sektoral dan keterbatasan akses data lapang menjadi hambatan yang harus diatasi bersama.

Dr. Albertus Sulaiman, Kepala Pusat Iklim dan Atmosfir, BRIN menambahkan bahwa integrasi data iklim jangka panjang hingga tahun 2100 serta teknologi drone hyperspectral sangat penting untuk memproyeksikan risiko produksi dan mendukung kebijakan ketahanan pangan nasional.

Menuju Asuransi Pertanian Wajib 

Pembahasan mengenai implementasi UU No. 19 Tahun 2013 menggarisbawahi potensi penerapan asuransi pertanian wajib bagi petani pada usaha tani padi pada lahan sawah nasional yang mencapai 14,6 juta hektare. Pengalaman pilot project di Karawang menunjukkan perlunya koordinasi pendanaan yang saat ini sebagian biaya preminya ditanggung sebagai subsidi (berasal dari APBN dan atau APBD) dan pentingnya integrasi teknologi untuk keberlanjutan program.

Teknologi AI, citra satelit, hyperspectral drone, dan sistem prediksi berbasis CNN–PSO diproyeksikan menjadi fondasi penting bagi model asuransi pertanian cerdas (Smart Agricultural Insurance) yang lebih adaptif, cepat, dan presisi dalam membaca kondisi lapang.

Kelanjutan riset dan arah pengembangan beberapa action items utama yang ditetapkan dalam workshop ini mencakup antara lain,Integrasi model produktivitas padi dengan data aktual satelit dan lapangan.Peningkatan akurasi klasifikasi fase tanam di SISCROP,eksplorasi penggunaan sensor hyperspectral pada drone.

Meningkatkan akurasi model CNN-PSO dengan mengujicobakan pada lokasi, musim tanam, varietas, dan kondisi lahan serta agroklimat yang berbeda. Harmonisasi data nasional lintas lembaga penyusunan rekomendasi kebijakan menuju implementasi petani wajib menjadi peserta asuransi pertanian. (H-2)