Akhir-akhir ini, tren untuk menerapkan teknologi Internet of Things (IoT) di sektor pertanian semakin meningkat. Hanya saja, implementasinya masih jauh dari harapan. Bahkan, pemanfaatan teknologi IoT di sektor pertanian belum mampu menghasilkan hasil panen yang efektif dan efisien. Dalam konteks ini, idealnya produksi komoditas pertanian mampu diserap pasar dengan baik tanpa menyisakan hasil panen yang mangkrak dan membusuk di penyimpanan.
Sebagai ilustrasi, seorang pemilik lahan merugi karena jumlah panennya melebihi permintaan pasar. Pemilik tersebut merasa dilema dengan sisa hasil panennya yang tidak terjual. Jika sisa panennya dijual murah, maka dia akan rugi besar. Namun, jika tetap ditimbun, hasil panen akan busuk dan berujung pada kerugian juga.
Pada suatu waktu, sang pemilik lahan ditawari produk teknologi Internet of Things (IoT) untuk kebutuhan precision farming. Dia merasa teknologi IoT tersebut tidak berguna untuk menunjang kebutuhan pertaniannya. Pasalnya, masalah yang dihadapinya bukan tentang precision farming yang bisa meningkatkan produksi panen dari lahannya. Menurutnya, masalah utama yang dihadapinya terkait dengan proses paska-panen dan penjualan hasil panennya.
Data
Data yang dikoleksi secara otomatis oleh IoT Precision Farming bukan hanya berpeluang untuk menaikkan produksi hasil lahan, tapi juga berguna untuk mengontrol kapasitas produksi lahan yang diperlukan untuk menghindari over production & over stok paska panen. Dalam hal ini, data-data IoT Precision Farming ini perlu digabungkan dengan data produksi lahan dan data penjualan. Oleh karena itu, penting bagi pemilik lahan untuk turut mendigitalisasikan proses pengolahan paska panen untuk memperoleh data yang lebih komprehensif.
Sebagai tambahan, pemilik lahan juga perlu berkerjasama dengan ahli Pertanian untuk mendefinisikan jenis data yang diperlukan oleh IoT guna mengukur proses produksi berbagai komoditas pertanian di lahan yang tersedia. Dalam hal ini, sang ahli bisa membantu mendefinisikan data-data yang mampu merepresentasikan alur proses paska panen. Dengan kata lain, ahli pertanian tersebut memiliki peran kunci untuk mendefinisikan secara detail tentang kebutuhan standarisasi data pertanian yang diperlukan.
Analytic
Data-data terkait pertanian di atas bisa menjadi aset yang bermanfaat. Nilai manfaat ini bukan hanya ketika berhasil didefinisikan dan disimpan secara digital semata. Lebih dari itu, data-data tersebut akan terlihat potensi nilai maksimalnya ketika sudah dilakukan proses Analytic.
Analytic sendiri terdiri dari empat proses yang saling berurutan dan berkaitan satu sama lain. Proses Analytic setelahnya tidak mungkin dilakukan jika Analytic sebelumnya belum matang. Oleh karena itu, penting untuk memastikan keempat tahapan Analytic ini berjalan dengan baik secara runut.
Pertama, Descripstive Analytic yang mengacu kepada cara untuk memperoleh dan memahami data hasil produksi lahan serta data hasil penjualan yang sudah berlalu. Anaylytic jenis ini merujuk kepada cara kita dalam mengumpulkan data lalu memonitor data-data yang dihasilkan oleh sensor-sensor IoT tersebut secara visual menjadi informasi yang mudah kita pahami. Untuk melakukan Analtyc jenis ini, kita memerlukan peran Data Analyst dan Data Engineer.
Kedua, Diagnostik Analytic yang merujuk kepada paramater precision farming hasil IoT yang mempengaruhi produksi lahan. Untuk melakukan Analytic ini diperlukan peran seorang ahli Matematika Statistik yang bisa menganalisis suatu data yang memiliki efek inference ke data lainnya.
Adapun yang ketiga disebut Predictive Analytic yang merujuk kepada tren penjualan ke depan dengan melihat kepada tren produksi lahan sesuai dengan musim yang dibandingkan dengan kondisi cuaca hasil pengukuran IoT. Untuk melakukan Analytic ini diperlukan seorang Machine Learning Engineer yang bisa membuat model-model komputasi forecasting dengan predicting power yang bagus.
Terakhir, berjuluk Prescriptive analytic yang merujuk kepada rekomendasi precision farming yang perlu dikendalikan supaya target hasil prediksi produksi lahan ke depan sesuai dengan hasil analisa permintaan pasar pada masa yang akan datang. Analytic ini berperan untuk menjaga hasil panen pertanian agar sesuai dengan kebutuhan pasar dan tidak mengalami kelebihan produksi. Untuk melakukan analytic ini, para Data Analyst, Machine Learning Engineer, serta ahli Matematika Statistik harus berkolaborasi secara lebih matang.
Tentu saja, aktivitas Analytic tersebut baru bisa dilakukan setelah aset data yang dimilikinya baik dan tidak memiliki isu kualitas data. Umumnya, tantangan terbesar dalam isu kualitas data yang paling sederhana terjadi ketika data-data yang dibutuhkan tidak ada. Bila pun aset datanya ada, seringkali kita tidak mengetahui letak aset data yang diperlukan tersebut berada. Di Indonesia sendiri, seringkali akar permasalahan data terletak dalam proses pencatatan data yang belum atau bahkan tidak pernah dilakukan secara rutin. Masalah lainnya, sistem dan pihak penyedia data rutinnya melakukan pencatatan data yang kualitasnya belum sesuai untuk memenuhi berbagai kebutuhan Analytic di atas, seperti: inkosistensi data antara pihak penyedia data penjualan, produksi pertanian, paska-panen, serta sistem IoT.***
Author Profile
- Associates Pengkaji di bidang Data Management. Pernah berkuliah di Teknik Kimia Institut Teknologi Bandung. Dalam dua dasawarsa terakhir, berpengalaman sebagai konsultan Data Management di berbagai lini, termasuk Data Strategy, Data Governance, Business Intelligence, Data Quality Management, Master Data Management, Data Architecture, Big Data, Data Analytic, dan Artificial Intelligence.
