Ilmu mikroekonomi telah mengalami perkembangan pesat dalam beberapa dekade terakhir, terutama dalam hal metodologi dan aplikasi di dunia nyata. Dahulu, mikroekonomi klasik berfokus pada model sederhana seperti penawaran-permintaan dan keseimbangan pasar kompetitif. Namun, perkembangan teknologi, kompleksitas pasar, dan kebutuhan analisis yang lebih mendalam telah mendorong lahirnya pendekatan baru.

Salah satu perkembangan terbesar adalah integrasi ekonomi perilaku (behavioral economics) ke dalam analisis mikroekonomi. Jika sebelumnya asumsi rasionalitas sempurna (homo economicus) mendominasi, kini para ekonom seperti Richard Thaler dan Daniel Kahneman menunjukkan bahwa manusia sering membuat keputusan tidak rasional karena bias kognitif. Contohnya, petani mungkin tetap menanam padi meskipun harga turun karena faktor budaya atau ketakutan akan risiko, meskipun secara matematis beralih ke komoditas lain lebih menguntungkan.

Selain itu, ekonomi eksperimental semakin banyak digunakan untuk menguji teori mikroekonomi di lapangan. Misalnya, eksperimen lapangan di pedesaan India menunjukkan bahwa petani cenderung mengadopsi teknologi baru hanya jika mereka melihat tetangganya sukses melakukannya—sebuah fenomena yang sulit dijelaskan dengan model tradisional tetapi dapat dipahami melalui lensa game theory dan social learning.

Di sektor pertanian, perkembangan precision agriculture (pertanian presisi) berbasis data juga mengubah cara petani mengambil keputusan. Dengan bantuan machine learning, petani sekarang dapat mengoptimalkan penggunaan pupuk, air, dan pestisida secara real-time, yang pada dasarnya adalah aplikasi mikroekonomi dalam alokasi sumber daya.

Perkembangan lain yang signifikan adalah ekonomi lingkungan mikro, di mana insentif ekonomi dirancang untuk mendorong praktik pertanian berkelanjutan. Contohnya, sistem carbon credit memberikan kompensasi finansial kepada petani yang mengurangi emisi karbon melalui metode pertanian ramah lingkungan.

Dengan demikian, mikroekonomi modern tidak lagi sekadar teori abstrak, tetapi telah menjadi alat kebijakan yang sangat aplikatif, terutama di sektor pertanian.

Nash Equilibrium dan Relevansinya dalam Mikroekonomi Pertanian

Nash Equilibrium (NE) adalah konsep sentral dalam game theory yang menggambarkan situasi di mana tidak ada pemain yang bisa meningkatkan payoff-nya dengan mengubah strategi secara unilateral (dengan asumsi strategi lawan tetap). Konsep Nash Equilibrium, yang diperkenalkan oleh John Nash pada tahun 1950, telah menjadi fondasi penting dalam analisis mikroekonomi, khususnya dalam memahami interaksi strategis antar pelaku ekonomi. Dalam konteks pertanian, konsep ini membantu menjelaskan mengapa petani sering terjebak dalam situasi yang tidak optimal meskipun solusi yang lebih baik sebenarnya tersedia.

Nash Equilibrium tercapai ketika setiap petani memilih strategi yang memberikan hasil optimal berdasarkan strategi aktual yang dipilih petani lain. Pada titik ini, tidak ada satupun pihak yang termotivasi untuk mengubah keputusannya karena perubahan tersebut justru akan menurunkan keuntungan mereka.

Dalam permainan dengan n petani, kombinasi strategi (s1∗,s2∗,…,sn∗)(s1∗​,s2∗​,…,sn∗​) adalah NE jika untuk setiap pemain i:
ui ​(si∗​,s−i∗​) ≥ ui​(si​, s−i∗​) ∀ si​ ∈Si

• ui​ = payoff petani i,
• si∗ ​= strategi petani  i dalam NE,
• si ​= strategi petani  i diluar NE,
• s−i∗ ​= strategi petani selain i dalam NE,
• Si = himpunan strategi pemain i.

Dengan kata lain, si∗ adalah respons terbaik petani i terhadap strategi petani lain (s−i∗).

Petani tidak bisa meningkatkan utilitas (ui) dengan mengubah strateginya sendiri (si) dari si∗ ke strategi lain (si​), selama pemain lain tetap pada strategi optimal mereka (s−i∗​).

Sebagai contoh, bayangkan dua petani (Petani A dan B) yang harus memilih antara:

• Menanam padi (stabil, harga terjangkau, tetapi margin rendah).
• Menanam jagung (lebih menguntungkan, tetapi harga fluktuatif dan butuh lebih banyak air).
• kondisi optimal keduanya saat ini adalah menanam jagung.

Jika keduanya memilih padi, mereka mendapat keuntungan stabil. Namun, jika hanya salah satu beralih ke padi, ia bisa mendapat untung lebih kecil.

Dalam simulasi matematis, kita bisa melihat bahwa alokasi terbaik secara individu justru merugikan secara kolektif. Inilah yang disebut Prisoner’s Dilemma, di mana Nash Equilibrium menghasilkan situasi di mana kedua petani memilih jagung meskipun bersama-sama lebih baik jika menanam padi.

Kasus nyata terjadi di banyak negara, seperti di Thailand di mana petani kecil sering terjebak dalam siklus menanam beras secara berlebihan karena takut kehilangan pasar, meskipun diversifikasi ke tanaman lain lebih menguntungkan dalam jangka panjang.

Pemerintah bisa mengintervensi dengan kebijakan seperti subsidi harga minimum atau pelatihan diversifikasi tanaman untuk menggeser Nash Equilibrium ke arah yang lebih menguntungkan.

Game Theory vs. Linear Programming vs. Sistem Dinamis: Mana yang Cocok untuk Pertanian?

Meskipun sama-sama digunakan dalam optimasi, Game Theory, Linear Programming (LP), dan Sistem Dinamis memiliki perbedaan mendasar dalam pendekatan dan aplikasinya.

Game Theory: Analisis Interaksi Strategis

Game theory digunakan ketika keputusan satu pihak memengaruhi hasil pihak lain. Contohnya:

• Persaingan harga antara dua distributor hasil pertanian.
• Alokasi lahan di mana petani saling memantau pilihan tanaman tetangga.

Dalam kasus ini, solusi terbaik tidak hanya bergantung pada sumber daya sendiri, tetapi juga pada antisipasi tindakan kompetitor.

Linear Programming: Optimasi Individu

Berbeda dengan game theory, LP berfokus pada maksimisasi atau minimisasi suatu tujuan tunggal dengan kendala tertentu. Misalnya:

• Seorang petani ingin memaksimalkan keuntungan dengan kendala lahan, air, dan tenaga kerja.
• Sebuah koperasi tani perlu mengoptimalkan distribusi pupuk ke berbagai wilayah.

LP tidak mempertimbangkan interaksi strategis, sehingga cocok untuk pengambilan keputusan individu.

Sistem Dinamis: Pemodelan Perubahan Waktu

Sementara itu, sistem dinamis mempelajari bagaimana variabel berubah seiring waktu. Contoh aplikasi di pertanian:

• Prediksi populasi hama berdasarkan musim.
• Dinamika harga komoditas akibat perubahan iklim dan kebijakan.

Sistem dinamis berguna untuk perencanaan jangka panjang, tetapi tidak secara langsung mempertimbangkan strategi pesaing seperti dalam game theory.

Integrasi Ketiganya untuk Solusi Lebih Baik

Dalam praktiknya, ketiga pendekatan bisa digabungkan. Misalnya:

1. LP digunakan untuk menghitung alokasi lahan optimal seorang petani.
2. Game Theory menganalisis bagaimana keputusan petani lain memengaruhi pasar.
3. Sistem Dinamis memprediksi dampak jangka panjang dari pola tanam terhadap lingkungan.

Contoh nyata adalah kebijakan rotasi tanaman di Eropa, di mana pemerintah menggunakan LP untuk rekomendasi tanam, game theory untuk antisipasi respon petani, dan sistem dinamis untuk memantau dampak ekologis.

Contoh Konkret Game Theory dalam Pertanian dengan Python

Sekarang, kita akan melihat implementasi praktis menggunakan Python untuk memecahkan masalah nyata di sektor pertanian.

Kita akan menganalisis dua kasus:

1. Pemilihan Tanaman Strategis oleh petani (Prisoner’s Dilemma).
2. Alokasi Lahan Optimal dengan interaksi kompetitif.

Kasus 1: Pemilihan Tanaman (Prisoner’s Dilemma Pertanian)

Latar Belakang Masalah

Dua petani (A dan B) harus memilih antara:

• Menanam Padi (stabil, harga rendah).
• Menanam Jagung (lebih menguntungkan, tetapi berisiko).

Payoff Matrix (dalam juta rupiah per musim):

Payoff	Petani B: Padi	Petani B: Jagung
Petani A: Padi	A: 8, B: 8	A: 5, B: 10
Petani A: Jagung	A: 10, B: 5	A: 6, B: 6

Tujuan Analisis

Menemukan Nash Equilibrium untuk memprediksi keputusan petani.

Langkah 1: Install Library Nashpy

!pip install nashpy

Langkah 2: Hitung Nash Equilibrium

import nashpy as nash
import numpy as np

# Payoff matrix untuk Petani A dan B
A = np.array([[8, 5], [10, 6]])  # Petani A
B = np.array([[8, 10], [5, 6]])   # Petani B (transpose untuk non-zero-sum)

#carakonvert tabl ke matrix
#A = np.array
    # B Padi | B Jagung
    #[8,      5],    # A Padi
    #[10,     6]     # A Jagung
# Payoff untuk Petani B (strategi kolom)
# Transpose dilakukan karena format nashpy memisahkan payoff pemain
#B = np.array
    # B Padi | B Jagung
    #[8,      10],    # A Padi
    #[5,      6]      # A Jagung

# Membuat permainan
game = nash.Game(A, B)

# Menghitung Nash Equilibrium
equilibria = list(game.support_enumeration())
print("Nash Equilibrium:", equilibria)

Hasil & Interpretasi:

Nash Equilibrium: [(array([0., 1.]), array([0., 1.]))]

Arti Hasil Nash Equilibrium [(array([0., 1.]), array([0., 1.]))]

Hasil ini menunjukkan bahwa satu-satunya Nash Equilibrium dalam permainan ini adalah strategi murni (pure strategy) di mana kedua petani memilih strategi kedua (Jagung). 

Struktur Hasil

• array([0., 1.]) untuk Petani A:
  • 0. = probabilitas memilih strategi pertama (Padi).
  • 1. = probabilitas memilih strategi kedua (Jagung).
    → Petani A memilih Jagung dengan kepastian 100%.
• array([0., 1.]) untuk Petani B:
  • 0. = probabilitas memilih strategi pertama (Padi).
  • 1. = probabilitas memilih strategi kedua (Jagung).
    → Petani B memilih Jagung dengan kepastian 100%.

Mengapa (Jagung, Jagung) adalah Nash Equilibrium?

1. Perspektif Petani A:
   • Jika B memilih Jagung, strategi terbaik A adalah:
     • Padi → 5 (payoff rendah).
     • Jagung → 6 (payoff lebih tinggi).
       → A memilih Jagung.
2. Perspektif Petani B:
   • Jika A memilih Jagung, strategi terbaik B adalah:
     • Padi → 5 (payoff rendah).
     • Jagung → 6 (payoff lebih tinggi).
       → B memilih Jagung.

Keduanya tidak punya insentif untuk menyimpang dari strategi ini karena perubahan hanya akan mengurangi keuntungan mereka.

Mengapa Bukan (Padi, Padi)?

• Jika keduanya memilih Padi:
  • Payoff A = 8, B = 8 (lebih tinggi secara kolektif).
• Tapi ini bukan Nash Equilibrium:
  • Jika A tetap memilih Padi, B bisa meningkatkan payoff dari 8 → 10 dengan menyimpang ke Jagung.
  • Jika B tetap memilih Padi, A bisa meningkatkan payoff dari 8 → 10 dengan menyimpang ke Jagung.

Keduanya termotivasi untuk “menipu” (defect). Ini adalah contoh klasik Prisoner’s Dilemma.

Langkah 3: Visualisasi Best Response

saya mengambil contoh kasus lain karena contoh matrix diatas memiliki 1 keputusan strategi saja. saya menggunakan contoh lain yang memiliki 3 NE.

Hasil visualisasi best response adalah sebagai beriku:

• Jika B memilih Padi dengan probabilitas < 0.5, Petani A lebih untung memilih Jagung (0) => lihat garis putus-putus biru.
• Jika B memilih Padi dengan probabilitas ≥ 0.5, Petani A lebih untung memilih Padi (1) => lihat garis putus-putus biru.
• Jika A memilih Padi dengan probabilitas < 0.3, B memilih Jagung (0). => lihat garis merah.

Penjelasan detilnya adalah sbb:

Berikut penjelasan detail untuk hasil Nash Equilibrium (NE) dengan tiga keseimbangan seperti pada output

Struktur Payoff Matrix

Petani A (Pemain Baris):

	B Padi	B Jagung
A Padi	10	3
A Jagung	5	8

Petani B (Pemain Kolom):

	B Padi	B Jagung
A Padi	9	2
A Jagung	4	7

Pure Strategy Nash Equilibrium

a. (A Padi, B Padi) → (array([1., 0.]), array([1., 0.])

• Analisis:
  • Jika A memilih Padi, B tidak ingin menyimpang ke Jagung karena:
    • B dapat 9 (jika tetap Padi) vs 2 (jika pilih Jagung).
  • Jika B memilih Padi, A tidak ingin menyimpang ke Jagung karena:
    • A dapat 10 (jika tetap Padi) vs 5 (jika pilih Jagung).
      → Keduanya tetap di Padi.

b. (A Jagung, B Jagung) → (array([0., 1.]), array([0., 1.])

• Analisis:
  • Jika A memilih Jagung, B tidak ingin menyimpang ke Padi karena:
    • B dapat 7 (jika tetap Jagung) vs 4 (jika pilih Padi).
  • Jika B memilih Jagung, A tidak ingin menyimpang ke Padi karena:
    • A dapat 8 (jika tetap Jagung) vs 3 (jika pilih Padi).
      → Keduanya tetap di Jagung.

3. Mixed Strategy Nash Equilibrium

Ini terjadi ketika kedua petani memilih strategi acak untuk membuat lawan indiferen (tidak peduli) terhadap pilihannya.

a. Probabilitas Petani A Memilih Padi/Jagung

b. Probabilitas Petani B Memilih Padi/Jagung

c. Hasil Mixed Strategy

• Petani A: [0.3, 0.7] → 30% Padi, 70% Jagung.
• Petani B: [0.5, 0.5] → 50% Padi, 50% Jagung.

Kasus 2: Alokasi Lahan Kompetitif

Latar Belakang Masalah

Dua petani mengalokasikan lahan 10 hektar antara:

• Padi (stabil).
• Sawit (untung tinggi, tetapi fluktuatif).

Payoff Matrix:

	Petani B: 7 Ha Padi	Petani B: 3 Ha Padi
Petani A: 7 Ha Padi	A: 80, B: 80	A: 60, B: 100
Petani A: 3 Ha Padi	A: 100, B: 60	A: 70, B: 70

Tujuan Analisis

Melihat dinamika alokasi lahan selama 5 tahun.

Langkah 1: Simulasi Dinamika

def land_dynamics(rounds=5):
    history = []
    a_padi, b_padi = 7, 3  # Awal: A alokasi 7 Ha Padi, B 3 Ha

    for year in range(rounds):
        # Hitung payoff
        if a_padi >= 7 and b_padi >= 7:
            a_profit, b_profit = 80, 80
        elif a_padi >= 7 and b_padi < 7:
            a_profit, b_profit = 60, 100
        elif a_padi < 7 and b_padi >= 7:
            a_profit, b_profit = 100, 60
        else:
            a_profit, b_profit = 70, 70

        history.append((a_padi, b_padi, a_profit, b_profit))

        # Update strategi: Jika profit rendah, kurangi Padi
        if a_profit < 80:
            a_padi = max(3, a_padi - 1)
        if b_profit < 70:
            b_padi = min(7, b_padi + 1)

    return history

history = land_dynamics()
for year, (a_padi, b_padi, a_profit, b_profit) in enumerate(history):
    print(f"Tahun {year+1}: A={a_padi} Ha Padi, B={b_padi} Ha Padi | Profit A={a_profit}, B={b_profit}")

Hasil:

Tahun 1: A=7 Ha Padi, B=3 Ha Padi | Profit A=60, B=100  
Tahun 2: A=6 Ha Padi, B=4 Ha Padi | Profit A=70, B=70  
Tahun 3: A=5 Ha Padi, B=5 Ha Padi | Profit A=70, B=70  
...  

Interpretasi:

• Petani A mengurangi padi karena profit rendah di Tahun 1.
• Pada Tahun 3, tercapai keseimbangan di mana kedua petani mendapat profit 70.

Referensi:

1. Thaler, R. H. (2015). Misbehaving: The Making of Behavioral Economics. W. W. Norton & Company.
2. Nash, J. (1950). Equilibrium Points in N-Person Games. Proceedings of the National Academy of Sciences.
3. Strogatz, S. H. (2018). Nonlinear Dynamics and Chaos: With Applications to Physics, Biology, Chemistry, and Engineering. CRC Press.