Ketika hujan musiman datang terlambat di Indonesia, para petani sering kali menganggapnya sebagai pertanda bahwa tidak ada gunanya berinvestasi pada pupuk untuk tanaman mereka.Terkadang mereka memilih untuk tidak menanam tanaman tahunan sama sekali.Biasanya mereka mengambil keputusan yang tepat, karena terlambatnya musim hujan biasanya terkait dengan keadaan El Niño Southern Oscillation (ENSO) dan kurangnya curah hujan dalam beberapa bulan mendatang.
Penelitian baru yang diterbitkan dalam “Science Reports” menunjukkan bahwa ENSO adalah siklus deformasi cuaca pemanasan dan pendinginan di sepanjang Samudera Pasifik di sepanjang garis khatulistiwa, dan ramalan cuaca yang kuat hingga dua tahun sebelum pohon kakao dipanen.
Hal ini mungkin merupakan kabar baik bagi petani kecil, ilmuwan, dan industri coklat global.Kemampuan untuk memprediksi besarnya panen di awal dapat mempengaruhi keputusan investasi pertanian, meningkatkan program penelitian tanaman tropis dan mengurangi risiko dan ketidakpastian dalam industri coklat.
Para peneliti mengatakan bahwa metode yang sama yang menggabungkan pembelajaran mesin canggih dengan pengumpulan data jangka pendek yang ketat mengenai kebiasaan petani dan hasil panen juga dapat diterapkan pada tanaman lain yang bergantung pada hujan, termasuk kopi dan zaitun.
Thomas Oberthür, salah satu penulis dan pengembang bisnis di African Plant Nutrition Institute (APNI) di Maroko, mengatakan: “Inovasi utama dari penelitian ini adalah Anda dapat secara efektif mengganti data cuaca dengan data ENSO.”“Dengan metode ini, Anda bisa mengeksplorasi apa saja yang berhubungan dengan ENSO.Tanaman dengan hubungan produksi.”
Sekitar 80% lahan subur di dunia bergantung pada curah hujan langsung (berbeda dengan irigasi), yang menyumbang sekitar 60% dari total produksi.Namun, di banyak wilayah tersebut, data curah hujan sangat sedikit dan sangat bervariasi, sehingga menyulitkan para ilmuwan, pengambil kebijakan, dan kelompok petani untuk beradaptasi terhadap perubahan cuaca.
Dalam penelitian ini, para peneliti menggunakan jenis pembelajaran mesin yang tidak memerlukan catatan cuaca dari perkebunan kakao Indonesia yang berpartisipasi dalam penelitian tersebut.
Sebaliknya, mereka mengandalkan data mengenai penggunaan pupuk, hasil panen, dan jenis pertanian.Mereka memasukkan data ini ke Bayesian Neural Network (BNN) dan menemukan bahwa tahap ENSO memperkirakan 75% perubahan hasil.
Dengan kata lain, dalam sebagian besar kasus penelitian, suhu permukaan laut Samudera Pasifik dapat memprediksi panen biji kakao secara akurat.Dalam beberapa kasus, prediksi akurat dapat dibuat 25 bulan sebelum panen.
Sebagai permulaan, biasanya kita dapat merayakan model yang secara akurat dapat memprediksi perubahan produksi sebesar 50%.Keakuratan perkiraan hasil panen jangka panjang seperti ini jarang terjadi.
Rekan penulis aliansi dan peneliti kehormatan James Cock mengatakan: “Hal ini memungkinkan kami untuk menerapkan praktik pengelolaan yang berbeda di pertanian, seperti sistem pemupukan, dan menyimpulkan intervensi yang efektif dengan keyakinan tinggi.“Organisasi Keanekaragaman Hayati Internasional dan CIAT.“Ini adalah peralihan keseluruhan ke riset operasi.”
Cock, seorang ahli fisiologi tanaman, mengatakan bahwa meskipun uji coba terkontrol secara acak (RCT) umumnya dianggap sebagai standar emas untuk penelitian, uji coba ini mahal dan oleh karena itu biasanya tidak mungkin dilakukan di wilayah pertanian tropis yang sedang berkembang.Metode yang digunakan di sini jauh lebih murah, tidak memerlukan pengumpulan catatan cuaca yang mahal, dan memberikan panduan berguna tentang cara mengelola tanaman dengan lebih baik dalam menghadapi perubahan cuaca.
Analis data dan penulis utama studi ini Ross Chapman (Ross Chapman) menjelaskan beberapa keunggulan utama metode pembelajaran mesin dibandingkan metode analisis data tradisional.
Chapman berkata: “Model BNN berbeda dari model regresi standar karena algoritme mengambil variabel masukan (seperti suhu permukaan laut dan jenis pertanian) dan kemudian secara otomatis 'belajar' mengenali respons variabel lain (seperti hasil panen), kata Chapman.“Proses dasar yang digunakan dalam proses pembelajaran sama dengan proses belajar otak manusia dalam mengenali benda dan pola dari kehidupan nyata.Sebaliknya, model standar memerlukan pengawasan manual terhadap berbagai variabel melalui persamaan yang dihasilkan secara artifisial.”
Meskipun tidak adanya data cuaca, pembelajaran mesin dapat menghasilkan prediksi hasil panen yang lebih baik, jika model pembelajaran mesin dapat bekerja dengan baik, para ilmuwan (atau petani itu sendiri) masih perlu mengumpulkan informasi produksi tertentu secara akurat dan membuat data tersebut tersedia.
Bagi perkebunan kakao Indonesia dalam penelitian ini, para petani telah menjadi bagian dari program pelatihan praktik terbaik untuk sebuah perusahaan coklat besar.Mereka melacak masukan seperti pemberian pupuk, secara bebas membagikan data ini untuk dianalisis, dan menyimpan catatan yang rapi di Institut Nutrisi Tanaman Internasional (IPNI) yang diselenggarakan setempat agar dapat digunakan oleh para peneliti.
Selain itu, para ilmuwan sebelumnya membagi lahan pertanian mereka menjadi sepuluh kelompok serupa dengan topografi dan kondisi tanah yang serupa.Para peneliti menggunakan data panen, pemupukan, dan hasil dari tahun 2013 hingga 2018 untuk membangun model.
Pengetahuan yang diperoleh petani kakao memberi mereka keyakinan mengenai bagaimana dan kapan berinvestasi pada pupuk.Keterampilan agronomi yang diperoleh kelompok masyarakat kurang mampu ini dapat melindungi mereka dari kerugian investasi, yang biasanya terjadi pada kondisi cuaca buruk.
Berkat kolaborasi mereka dengan para peneliti, pengetahuan mereka kini dapat dibagikan kepada para petani tanaman lain di belahan dunia lain.
Cork berkata: “Tanpa upaya bersama dari petani IPNI yang berdedikasi dan organisasi pendukung petani yang kuat, Community Solutions International, penelitian ini tidak akan mungkin terjadi.”Beliau menekankan pentingnya kerja sama multidisiplin dan menyeimbangkan upaya para pemangku kepentingan.Kebutuhan yang berbeda.
Oberthür dari APNI mengatakan bahwa model prediktif yang kuat dapat bermanfaat bagi petani dan peneliti serta mendorong kerja sama lebih lanjut.
Obertoor berkata: “Jika Anda adalah seorang petani yang mengumpulkan data pada saat yang sama, Anda perlu mencapai hasil yang nyata.”“Model ini dapat memberikan informasi yang berguna kepada petani dan membantu memberikan insentif dalam pengumpulan data, karena petani akan melihat bahwa mereka melakukan kontribusi yang membawa manfaat bagi pertanian mereka.”

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com