CENDANA NETWORK, SEKITARKALTIM.ID – Badan Riset dan Inovasi Nasional (BRIN) terus mendorong pemanfaatan teknologi sains data, untuk memperkuat sistem pertanian yang adaptif dan berbasis data.
Integrasi teknologi penginderaan jauh, data multidimensi, serta pendekatan Federated Learning (FL) dinilai membuka peluang kolaborasi dalam pengembangan sistem pertanian presisi.
Tujuannya untuk mendukung ketahanan pangan nasional.
Hal itu disampaikan Kepala Pusat Riset Sains Data dan Informasi BRIN, Esa Prakasa, saat webinar DESAIN #2 (Dialog Eksplorasi Sains Data dan Informasi) yang dihelat daring, belum lama ini.
Agenda tersebut menjadi forum diskusi ilmiah bagi peneliti dan praktisi untuk membahas inovasi teknologi yang mendukung pengembangan smart farming di Indonesia.
Menurut Esa, optimalisasi sistem manajemen dan pemantauan fenologi padi sangat penting untuk menjaga stabilitas produksi pangan.
Terutama di tengah tantangan perubahan penggunaan lahan dan variabilitas iklim yang semakin meningkat.
Melalui integrasi teknologi penginderaan jauh, katanya, data multidimensi dan paradigma Federated Learning dapat melatih model kecerdasan buatan secara kolaboratif. Tanpa harus memindahkan data sensitif.
“Pendekatan ini membuka peluang untuk membangun sistem pertanian yang lebih adaptif, kolaboratif, dan berbasis data,” jelasnya.
Webinar ini, kata Esa, kegiatan kedua tahun 2026 yang dihelat Kelompok Riset Knowledge and Data Engineering di PRSDI BRIN.
Kelompok riset ini berfokus eksplorasi sains data dan informasi. Tujuannya untuk mendukung pengembangan pertanian presisi serta memperkuat ketahanan pangan nasional.
Dalam implementasinya, menurut Esa, pendekatan ini memanfaatkan pemetaan partisipatif, integrasi data multidimensi, serta model kecerdasan buatan berbasis federated learning untuk memantau fenologi padi secara real-time dan berkelanjutan.
Metode tersebut juga menjadi salah satu contoh penerapan citizen science, yang memungkinkan keterlibatan masyarakat dalam proses pengumpulan dan validasi data pertanian.
Ia menjelaskan, pemantauan fenologi padi mencakup berbagai fase pertumbuhan tanaman, mulai dari tahap penanaman, fase vegetatif, fase reproduktif, hingga panen. Informasi ini sangat penting dalam perencanaan produksi pertanian.
Namun, metode konvensional yang mengandalkan survei lapangan memiliki keterbatasan dalam cakupan wilayah, biaya operasional yang tinggi, serta belum mampu menyediakan informasi secara cepat dan real-time.
Perkembangan teknologi penginderaan jauh, menurut Esa, mampu memberikan solusi melalui analisis citra satelit optik dan radar.
Indeks vegetasi seperti NDVI serta parameter radar seperti VV dan VH dapat dimanfaatkan untuk mengidentifikasi tahap pertumbuhan tanaman secara otomatis.
Integrasi berbagai sumber data ini memungkinkan pemantauan fenologi yang lebih akurat baik secara spasial maupun temporal, sehingga mendukung pengembangan sistem pertanian presisi.
Meski demikian, Esa menegaskan hasil analisis citra satelit tetap memerlukan validasi lapangan untuk memastikan kesesuaian kondisi sebenarnya di lapangan.
Ia berujar, ketersediaan perangkat mobile serta sistem berbasis Internet of Things (IoT) membuka peluang besar dalam pengembangan federated learning di sektor pertanian.
Namun, keberhasilan implementasi teknologi ini sangat bergantung kualitas infrastruktur telekomunikasi yang mendukung pertukaran data dan model kecerdasan buatan secara optimal.
Melalui forum DESAIN #2 ini, BRIN berharap muncul gagasan inovatif serta peluang kolaborasi yang lebih luas antara PRSDI, Telkom University, pemerintah daerah, dan sektor industri.
Kolaborasi ini diharap mampu mempercepat penerapan hasil riset sains data dalam sistem pertanian nasional. Tentunya yang lebih cerdas, adaptif, dan berkelanjutan.
BRIN
