Menyediakan data hasil KSA untuk perhitungan prediksi hasil panen padi secara akurat.
"Menyediakan data pertanian yang lebih baik untuk kesejahteraan petani"
KSA itu Apa Sih?
KSA (Kerangka Sampel Area) adalah survei berbasis area yang dilakukan dengan pengamatan langsung terhadap sampel segmen dan bertujuan untuk mengestimasi luasan dengan ekstrapolasi dari sampel ke populasi dalam periode yang relatif pendek (rapid estimate). Survei KSA menggunakan metode pengambilan sampel yang menggunakan area lahan sebagai unit sampel, Mulai dari persiapan lahan hingga panen. Harapannya KSA menyediakan data luas panen yang objektif, modern, dan andal untuk mendukung terwujudnya ketahanan pangan.
Kegunaan KSA
Data Obyektif
Mengurangi subjektivitas dalam pengumpulan data luas panen padi.
Mengukur Estimasi Luas Panen
KSA dapat mengestimasi luasan tanaman padi dalam periode tertentu secara objektif dan akurat.
Modernisasi Statistik
Menggantikan metode konvensional dengan teknologi modern.
Dukungan Kebijakan Ketahanan Pangan
Mewujudkan visi negara (Sustainable Development Goals "Zero Hunger").
Metode KSA
Metode KSA merupakan pendekatan statistik spasial untuk mengestimasi luas panen dan produksi padi. Metode ini dikembangkan dengan dukungan FAO, USDA, dan Eurostat, lalu diterapkan oleh Badan Pusat Statistik (BPS) Indonesia sejak 2018. Dalam KSA, sebuah segmen adalah kumpulan sampel area pengamatan yang mewakili populasi sawah.
Satu Segmen terdiri dari 9 Subsegmen dengan total luas 9 hektar.
Setiap subsegmen berluas 1 hektar dengan jarak antar subsegmen 10 meter.
Koordinat segmen terpilih dikunci untuk diamati selama 7 hari terakhir setiap bulan.
Teknologi Machine Learning di Balik Prediksi
Menggabungkan model statistik dan machine learning — Markov Chain, Random Forest, dan LSTM Hybrid — untuk hasil prediksi fase tanam dan harga beras yang akurat dan real-time dalam mendukung ketahanan pangan.
Markov Chain & Random Forest
Kombinasi model statistik dan machine learning untuk memprediksi fase tumbuh padi (h+1, h+2, h+3 bulan). Markov Chain menghitung matriks transisi probabilistik antar fase, sementara Random Forest Classifier memanfaatkan fitur fase saat ini, fase sebelumnya, kecamatan, subsegmen, dan bulan dengan encoding sin/cos musiman untuk hasil yang lebih akurat.
LSTM Hybrid & Naive Baseline
Model deep learning LSTM yang memprediksi delta harga harian (bukan harga absolut), direkonstruksi menjadi proyeksi 30 hari ke depan, lalu di-blend secara adaptif dengan baseline naive (harga terakhir) berdasarkan volatilitas historis — semakin stabil harga, semakin besar bobot ke baseline; semakin volatil, semakin besar bobot ke LSTM. Hasil prediksi dibatasi (clipped) maksimal ±15% dari harga terakhir sebagai pengaman.
Visualisasi Geospasial
Kombinasi algoritma prediktif dipadukan dengan pemetaan geospasial interaktif, memudahkan pemantauan real-time sawah pada wilayah kota tasikmalaya, berdasarkan hasil pola musim & siklus fase tanam padi.
Siklus Pertumbuhan Padi
Kenali setiap fase dalam siklus hidup padi, dari persiapan lahan hingga masa panen yang menentukan.
Fase sejak tanaman padi ditanam sampai anak maksimum. Dengan ciri jarak antar tanaman terlihat dan daun belum rimbun.
Fase tumbuh dari anakan maksimum sampai sebelum keluar malai. Dengan ciri jarak antar tanaman sudah tidak terlihat jelas dan daun rimbun.
Fase tumbuh saat padi mulai dari keluar malai (bulir padi). Dengan ciri muncul malai/bulir padi yang masih muda.
Fase padi mengalami pematangan setelah keluar malai. Dengan ciri bulir dan daun padi mulai berubah warna menjadi menguning.
Fase padi sudah mengalami pematangan sempurna sampai sebelum panen. Dengan ciri warna bulir padi sudah menguning semua.
Fase pada saat padi sedang dalam proses pemanenan atau telah dipanen. Dengan ciri jika padi sudah dipanen hanya terlihat sisa batang padi.
Periode di mana lahan sawah dibiarkan tidak ditanami padi atau tanaman budidaya lainnya.
Fase pada saat lahan sedang atau sudah diolah baik yang akan ditanami padi maupun tidak ditanami padi.