Badan Riset dan Inovasi Nasional (BRIN) melalui Pusat Riset Sains Data dan Informasi (PRSDI) mengembangkan teknologi kecerdasan buatan (AI) untuk mendukung penerapan pertanian presisi sekaligus memperkuat ketahanan pangan nasional.
Kepala PRSDI BRIN Esa Prakasa menekankan pentingnya penguatan sistem manajemen serta pemantauan fenologi padi guna menjaga stabilitas produksi di tengah tantangan perubahan penggunaan lahan dan variabilitas iklim. Hal itu disampaikan dalam diskusi daring di Jakarta, Selasa, 10 Maret 2026.
Menurut Esa, integrasi data multidimensi dan teknologi berbasis AI dengan pendekatan federated learning membuka peluang membangun sistem pertanian yang lebih adaptif, kolaboratif, dan berbasis data. Ia menilai inovasi tersebut dapat membantu pengambilan keputusan yang lebih cepat dan akurat, sekaligus berkontribusi pada penguatan ketahanan pangan nasional secara berkelanjutan.
Esa menjelaskan, pemantauan fenologi padi—mulai dari tahap penanaman, perkembangan vegetatif, fase reproduktif hingga masa panen—merupakan komponen penting dalam perencanaan kegiatan pertanian. Selama ini, metode konvensional yang mengandalkan survei lapangan dinilai memiliki keterbatasan, antara lain cakupan wilayah yang sempit, biaya operasional tinggi, serta belum mampu menyediakan data secara real-time.
Ia menyebut perkembangan teknologi penginderaan jauh membuka peluang baru melalui analisis citra satelit optik maupun radar. Teknologi ini mencakup penggunaan indeks vegetasi seperti NDVI, serta polarisasi radar seperti VV dan VH, yang dapat dikombinasikan dengan pendekatan data multidimensi untuk mengotomatisasi klasifikasi tahap pertumbuhan tanaman.
Integrasi teknologi tersebut, kata Esa, memungkinkan pemantauan fenologi yang lebih akurat secara spasial dan temporal, sehingga mendukung pengembangan sistem pertanian presisi.
Di sisi lain, federated learning (FL) disebut sebagai paradigma baru dalam pembelajaran mesin terdistribusi. Pendekatan ini memungkinkan petani, pemerintah, dan institusi riset melatih model AI secara kolaboratif tanpa perlu memusatkan atau membagikan data mentah. Dengan konsep “membawa kode ke data”, metode ini ditujukan untuk pengembangan model AI yang aman dan terdesentralisasi.
Esa menambahkan, ketika dipadukan dengan data multidimensi—seperti citra satelit, data kondisi lapangan, serta algoritma yang dikembangkan menggunakan tool GeoAI—pendekatan tersebut berpotensi menghasilkan sistem pemodelan fenologi padi yang lebih adaptif, skalabel, dan partisipatif untuk berbagai wilayah pertanian di Indonesia.
