Keamanan pangan menjadi perhatian utama dalam dunia pertanian, terutama di negara dengan populasi padat seperti India. Dengan lebih dari 50% tenaga kerja bergantung pada sektor pertanian dan kontribusi sebesar 17–18% terhadap Produk Domestik Bruto (PDB), perkiraan produksi padi sangat penting dalam memastikan ketahanan pangan yang berkelanjutan. Penelitian ini bertujuan untuk mengembangkan metode prediksi berbasis pembelajaran mesin guna mengidentifikasi kesenjangan hasil padi (rice yield gap) dalam berbagai skenario perubahan iklim yang diproyeksikan hingga tahun 2030.
Penelitian ini menggunakan metode pembelajaran mesin seperti Cubist, Random Forest (RF), Gradient Boosting Machine (GBM), Multivariate Adaptive Regression Splines (MARS), Support Vector Machine (SVM), dan Extreme Gradient Boosting (XGB). Model ini diterapkan dengan mempertimbangkan enam parameter utama: elevasi, kelembaban tanah, curah hujan, suhu udara, suhu tanah, dan evapotranspirasi aktual. Skenario perubahan iklim diproyeksikan menggunakan Model Intercomparison Project Phase 6 (CMIP6 MIROC6) dengan dua jalur perkembangan sosio-ekonomi, yaitu SSP2-4.5 dan SSP5-8.5, untuk menilai dampak terhadap hasil panen.
Validasi hasil model dilakukan dengan membandingkan hasil prediksi dengan data observasi lapangan dari 1889 petani di wilayah Murshidabad, Purba Bardhaman, Birbhum, Paschim Medinipur, Bankura, Purulia, Jhargram, dan Paschim Bardhaman. Hasil menunjukkan bahwa model Cubist memberikan performa terbaik dengan nilai R² sebesar 0.73 dan kesalahan kuadrat rata-rata (RMSE) sebesar 0.798. Prediksi untuk tahun 2030 menunjukkan bahwa wilayah Murshidabad dan Purba Bardhaman akan tetap menjadi daerah dengan hasil padi tertinggi (5.56–3.49 t/ha), sementara wilayah seperti Bankura dan Purulia diperkirakan mengalami kesenjangan hasil yang signifikan akibat keterbatasan sumber daya air dan tantangan lingkungan lainnya.
Selain itu, pemetaan kesenjangan hasil padi menunjukkan bahwa wilayah dengan tingkat kesenjangan tertinggi (50-60%) berada di bagian utara dan barat (Bankura, Purulia, dan sebagian Birbhum), yang mencerminkan ketidakseimbangan antara potensi hasil optimal dan hasil aktual di lapangan. Model prediksi ini diharapkan dapat memberikan wawasan baru bagi perencanaan pertanian yang lebih adaptif terhadap perubahan iklim, serta mendukung strategi intensifikasi pertanian berkelanjutan untuk mencapai ketahanan pangan jangka panjang. Dengan meningkatnya tantangan perubahan iklim, penerapan teknologi berbasis pembelajaran mesin dalam pertanian menjadi semakin relevan. Model yang dikembangkan dalam penelitian ini memberikan pendekatan berbasis data yang dapat digunakan untuk mengidentifikasi daerah-daerah prioritas dalam upaya peningkatan hasil panen dan pengelolaan sumber daya secara efisien. Studi ini juga menegaskan pentingnya integrasi antara teknologi penginderaan jauh dan model statistik untuk mendukung pengambilan keputusan dalam sektor pertanian yang dinamis.
Sumber:
Leave a Reply