Pemerintah memiliki peran dalam stabilisasi harga pangan sehingga memerlukan estimasi luas lahan. Salah satu komoditas yang memiliki fluktuasi tinggi adalah komoditas sayuran atau hortikultura. Hal ini disebabkan karena umur komoditas hortikultura relatif lebih pendek karena mudah busuk jika dibandingkan dengan komoditas pangan seperti beras dan jagung. komoditas pangan memiliki masa penyimpanan yang cukup panjang dengan mengurangi tingkat kadar air. Namun tidak dengan komoditas hortikultura. Masyarakat lebih senang mengonsumsi sayuran dalam keadaan segar.

Tidak jarang kita menjumpai fenomena petani membuang bawang merah, cabai pada saat panen raya. Ada beberapa hal penyebab mengapa ini terjadi. salah satu masalah yang terjadi adalah sistem supply chain yang belum terbentuk dengan baik. petani hanya mengandalkan pasar tradisional sebagai satu-satunya pintu masuk untuk hasil panennya. Karena permintaan masyarakat terhadap sayuran relatif stabil, maka wajar jika terjadi kelebihan pangan/komoditas saat panen raya.

Antisipasi yang dilakukan pemerintah dalam menanggulangi fenomena ini biasanya melakukan penyerapan pasar untuk menanggulangi harga yang sudah terlanjur jatuh. tindakan ini kurang efektif karena menunggu terjadinya kelimpahan produk terlebih dahulu. Antisipasi lain dapat dilakukan dengan melakukan estimasi luas panen komoditas hortikultura.

estimasi luas panen komoditas hortikultura ini sebenarnya dapat dilakukan dengan cara melakukan forecasting atau menentukan bulan apa saja yang sering terjadi kelebihan produk pertanian. biasanya saat iklim dan cuaca mendukung, produktivitas petani akan meningkat. sebagai contoh, musim kemarau biasanya produksi bawang merah lebih bagus ketimbang musim hujan. karena musim hujan dan panas di Indonesia cukup mudah diidentifikasi, maka pemerintah ataupun stakeholder yang berkaitan dapat mengupayakan tindakan preventif sebelum terjadinya fenomena turun dan naiknya harga.

Bagaimanapun, pendugaan berdasarkan waktu belum terlalu akurat. hal ini disebabkan karena pemerintah perlu dengan pasti menghitung berapa supply dan demand. bias yang terjadi pada penggunaan forecasting bisa cukup besar. selain itu, petani hortikultura biasanya tidak menanam satu komoditas saja dalam satu wilayah. petani akan bergerak secara ekonomis untuk mendapatkan keuntungan yang optimal dengan merotasi beberapa tanaman hortikultura. Bisa jadi, tahun ini petani menanam bawang merah di saat harganya sedang baik, namun tahun depan di musim yang sama petani tersebut menanam cabai merah karena harganya lebih baik dibandingkan bawang merah.

Penggunaaan Google Earth Engine dalam estimasi luas lahan

Salah satu solusi yang dapat dilakukan untuk melakukan stimasi luas lahan hortikultura adalah penggunaan google earth engine. saat artikel ini ditulis, estimasi luas lahan menggunakan google earth engine masih jarang. produk pangan seperti padi adalah komoditas yang sudah memanfaatkan pencitraan dengan tingkat advanced. Mengapa pencitraan satelit belum banyak digunakan untuk komoditas hortikultura?

pertama, petani umumnya membudidayakan komoditas hortikultura dengan luas lahan yang kecil. selain kecil mereka juga mengelola tanaman sayuran dengan lokasi yang berpencar. bahkan tidak jarang mereka melakukan rotasi tanaman atau pergantian tanaman. hal ini menyebabkan tingkat kerumitan yang tinggi. berbeda dengan komoditas padi yang biasanya ditanam sepanjang tahun, sehingga lahannya bersifat baku. identifikasi luas lahan hanya dilakukan berdasarkan perbedaan warna hijau yang ditangkap oleh satelit yang selanjutnya dibuat sebuah indeks bernama NDVI (biasanya).

Kedua, selain kecil dan terpisah-pisah, sulit membedakan daun pada sayuran. sebagai contoh daun bayam dan daun kangkung. mata kita dengan karunia yang luar biasa dari Allah SWT dengan mudah bisa membedakan. namun, satelit hanya menangkap pancaran pantulan matahari berupa warna dan ini akan sulit dilakukan pembeda kecuali dengan resolusi yang tinggi. tanaman padi pun sebenarnya sedikit sulit dibedakan dengan ilalang. namun karena terbantu dengan penentuan lokasi yang tepat sesuai kondisi pertama, kondisi ini dapat teratasi dengan mencocokkan waktu bera tanaman padi di wilayah tersebut.

ketiga, petani terkadang melakukan budidaya hortikultura dengan cara tumpang sari. tumpang sari dilakukan selain untuk mengejar efisiensi lahan, juga dapat menekan serangan hama penyakit. tentu google earth engine akan kesulitan dalam hal pencitraan dalam skala bedengan. terlebih, jika tanaman itu adalah tanaman daun sehingga tidak bisa dibedakan mana cabai dan mana terung.

Rapid Classification of Croplands Method

Sebuah publikasi sebagai hasil dari penelitian estimasi luas lahan menggunakan google earth engine dapat dilihat pda link berikut: Estimated Shallot Yield Area Using the Rapid Classification of Croplands Method | Jurnal Ilmu Pertanian Indonesia. namun, sebagai backup kami juga menyimpan publikasi tersebut disini:

tulisan ini menggunakan rapid classification of croplands sebagai metode yang ditawarkan dalam melakukan estimasi luas lahan bawang merah. alasan kami menggunakan bawang merah sebagai komoditas percobaan adalah biasanya bawang merah dibudidaya di luas lahan yang luas, lahan terbuka dan monokultur. sehingga ketiga permasalahan sebelumnya dapat diminimalisir.

metode rapid classification croplands secara sederhana merupakan metode cepat mengklasifikasi tanaman. hal yang perlu dilakukan dalam melakukan metode ini antara lain: (1) survey lahan dengan mengambil keterangan titik dan identifikasi tanaman yang ada dalam titik tersebut, misalnya kita beri keterangan bawnag merah, atau sawi, atau kacang, dan lain-lain. (2) titik-titik yang diperoleh dari hasil survey selanjutnya diinput dalam google earth engine untuk diproses. (3) melakukan pengambilan data satelit yang bersesuaian pada saat turun lapang. (4) melakukan forecasting atau estimasi luas lahan di suatu wilayah.

Tampaknya mudah dan memang metode ini lebih mudah dibandingkan harus mengkalkulasikan luas lahan secara manual di setiap kecamatan. tampaknya metode ini cepat dan memang cepat sesuai dengan namanya (rapid). jadi proses yang terjadi adalah : kita memanggil atau mendownload data di sentinel pada range waktu yang sesuai saat kita turun lapang. kemudian kita melakukan dreskipsi di titik-titik tertentu dengan deskripsinya masing-masing (bawang merah, perumahan, gedung, jalan, dll). Google earth dengan machine learningnya akan memproses bahwa warna ya g bersesuaian di titik tersebut telah dideskripsikan. sehingga, dengan titik yang cukup akan memudahkan google earth engine untuk memberikan estrimasi luas lahan komoditas tertentu. semakin banyak titik maka akan semakin banyak warna atau indeks yang terdeskripsikan.

Metode dalam penulisan ini menggunakan semua pita yang terdapat dalam gambar sentinel, berbeda dengan tanaman padi yang hanya menggunakan indeks NDVI atau warna kehijauan saja. mengapa demikian? karena permasalahan jenis dan daun yang sama sehingga kita memerlukan pita lainnya seperti akumulasi warna tanah yang akan merepresentasikan jarak tanam yang diperkirakan berbeda di setiap tanamannya.

Penulis berharap metode ini terus dikembangkan agar persoalan fluktuasi harga pangan terutama sayuran dapat teratasi. terlebih lagi, distribusi pangan dapat tersebar merata menjangkau wilayah yang kekurangan dengan memperbaiki rantai pasoknya.

Secara teknis, kami telah merekam langkah demi langkah dalam operasional google earth engine, silahkan simak salah satu video dalam artikel ini, atau silahkan berkunjung ke channel youtube kami, atau baca artikel lain dalam blog ini terkait google earth engine seperti: Tutorial Lengkap Google Earth Engine – Agung Budi Santoso

Terima Kasih