Nalika udan musiman teka ing Indonesia, para petani asring nganggep yen ora pantes nandur modal kanggo pupuk kanggo panenane.Kadhangkala dheweke milih ora nandur tanduran taunan.Biasane, dheweke nggawe keputusan sing tepat, amarga wiwitan pungkasan musim udan biasane ana hubungane karo kahanan El Niño Southern Oscillation (ENSO) lan curah udan sing ora cukup ing sasi sing bakal teka.
Riset anyar sing diterbitake ing "Laporan Ilmu" nuduhake yen ENSO minangka siklus deformasi cuaca saka pemanasan lan pendinginan ing sadawane Samudra Pasifik ing sadawane khatulistiwa, lan ramalan kuat nganti rong taun sadurunge wit kakao dipanen.
Iki bisa dadi warta apik kanggo petani cilik, ilmuwan lan industri coklat global.Kemampuan kanggo prédhiksi ukuran panen ing advance bisa mengaruhi pancasan investasi farm, nambah program riset potong tropis lan ngurangi risiko lan kahanan sing durung mesthi ing industri coklat.
Peneliti ujar manawa cara sing padha nggabungake sinau mesin canggih kanthi koleksi data jangka pendek sing ketat babagan adat lan panen petani uga bisa ditrapake kanggo tanduran sing gumantung ing udan, kalebu kopi lan zaitun.
Thomas Oberthür, co-penulis lan pangembang bisnis saka African Plant Nutrition Institute (APNI) ing Maroko, ujar: "Inovasi utama riset iki yaiku sampeyan bisa ngganti data cuaca kanthi data ENSO kanthi efektif.""Nganggo metode iki, sampeyan bisa njelajah apa wae sing ana gandhengane karo ENSO.Tanduran karo hubungan produksi.
Udakara 80% saka tanah subur ing donya gumantung marang curah udan langsung (saben irigasi), sing kira-kira 60% saka total produksi.Nanging, ing pirang-pirang wilayah kasebut, data curah udan arang banget lan variabel banget, sing ndadekake para ilmuwan, pembuat kebijakan, lan kelompok tani angel adaptasi karo owah-owahan cuaca.
Ing panliten iki, panliti nggunakake jinis machine learning sing ora mbutuhake cathetan cuaca saka kebon kakao Indonesia sing melu sinau.
Nanging, dheweke ngandelake data babagan aplikasi pupuk, panenan, lan jinis tani.Dheweke nyambungake data kasebut menyang Bayesian Neural Network (BNN) lan nemokake yen tahap ENSO prédhiksi 75% saka owah-owahan ing asil.
Ing tembung liya, ing pirang-pirang kasus ing panliten kasebut, suhu permukaan segara ing Samudra Pasifik bisa kanthi akurat prédhiksi panen biji kakao.Ing sawetara kasus, prediksi akurat bisa ditindakake 25 wulan sadurunge panen.
Kanggo wiwitan, biasane bisa ngrayakake model sing bisa prédhiksi kanthi akurat babagan owah-owahan 50% ing produksi.Iki jenis akurasi ramalan jangka panjang saka panenan panenan langka.
Co-penulis lan peneliti kehormatan aliansi James Cock ujar: "Iki ngidini kita ngetrapake praktik manajemen sing beda-beda ing peternakan, kayata sistem pembuahan, lan nyimpulake intervensi sing efektif kanthi kapercayan sing dhuwur.“International Biodiversity Organization lan CIAT."Iki minangka owah-owahan sakabèhé kanggo riset operasi."
Cock, ahli fisiologi tanduran, ujar manawa uji coba sing dikontrol kanthi acak (RCTs) umume dianggep minangka standar emas kanggo riset, uji coba kasebut larang lan biasane ora mungkin kanggo ngembangake wilayah pertanian tropis.Cara sing digunakake ing kene luwih murah, ora mbutuhake koleksi cathetan cuaca sing larang, lan menehi pandhuan sing migunani babagan cara ngatur panen sing luwih apik ing cuaca sing ganti.
Analis data lan panulis utama panaliten Ross Chapman (Ross Chapman) nerangake sawetara kaluwihan utama metode pembelajaran mesin tinimbang metode analisis data tradisional.
Chapman ngandika: "Model BNN beda karo model regresi standar amarga algoritma njupuk variabel input (kayata suhu lumahing segara lan jinis farm) lan banjur kanthi otomatis 'sinau' kanggo ngenali respon saka variabel liyane (kayata panenan panen), "ujare Chapman."Proses dhasar sing digunakake ing proses sinau padha karo proses sing disinaoni otak manungsa kanggo ngenali obyek lan pola saka urip nyata.Kosok baline, model standar mbutuhake pengawasan manual saka macem-macem variabel liwat persamaan sing digawe sacara artifisial.
Sanajan ora ana data cuaca, learning machine bisa nyebabake prediksi asil panen sing luwih apik, yen model pembelajaran mesin bisa mlaku kanthi bener, para ilmuwan (utawa petani dhewe) isih kudu ngumpulake informasi produksi tartamtu kanthi akurat lan nggawe Data kasebut kasedhiya.
Kanggo peternakan coklat Indonesia ing panliten iki, para petani wis dadi bagian saka program latihan praktik terbaik kanggo perusahaan coklat gedhe.Dheweke nglacak input kayata aplikasi pupuk, nuduhake data iki kanthi bebas kanggo dianalisis, lan nyimpen cathetan sing rapi ing Institut Nutrisi Tumbuhan Internasional (IPNI) sing diatur lokal kanggo para peneliti.
Kajaba iku, para ilmuwan sadurunge mbagi peternakan dadi sepuluh klompok sing padha kanthi topografi lan kondisi lemah sing padha.Peneliti nggunakake data panen, aplikasi pupuk, lan asil saka 2013 nganti 2018 kanggo mbangun model.
Kawruh sing dipikolehi petani kakao menehi kapercayan babagan carane lan kapan nandur modal ing pupuk.Katrampilan agronomis sing dipikolehi dening klompok sing kurang beruntung iki bisa nglindhungi saka kerugian investasi, sing biasane kedadeyan ing kahanan cuaca sing ora becik.
Thanks kanggo kolaborasi karo peneliti, kawruh sing saiki bisa dienggo bareng ing sawetara cara karo petani saka crops liyane ing bagéan donya.
Cork ngandika: "Tanpa upaya bebarengan saka petani darmabakti IPNI lan organisasi dhukungan petani kuwat Community Solutions International, riset iki ora bakal bisa."Dheweke negesake pentinge kerjasama multidisiplin lan ngimbangi upaya para pemangku kepentingan.Beda kabutuhan.
Oberthür APNI ujar manawa model prediksi sing kuat bisa entuk manfaat kanggo para petani lan peneliti lan ningkatake kerjasama luwih lanjut.
Obertoor ujar: "Yen sampeyan petani sing ngumpulake data ing wektu sing padha, sampeyan kudu entuk asil sing nyata.""Model iki bisa nyedhiyakake informasi sing migunani kanggo para petani lan bisa menehi insentif kanggo nglumpukake data, amarga para petani bakal weruh yen dheweke nindakake.

suzy@lstchocolatemachine.com

www.lstchocolatemachine.com