Perpustakaan Digital ITB

Sektor beras di Indonesia sangat penting untuk ketahanan pangan, keberlangsungan hidup petani, dan juga stabilitas sosial ekonomi, karena beras adalah bahan pokok utama. Terdapat perbedaan produktifitas padi antar daerah, akan tetapi kebijakankebijakan cenderung dirancang secara terpusat dengan mengabaikan keunikan kondisi lokal di daerah. Tujuan dari penelitian ini adalah untuk mengoptimalkan kebijakan-kebijakan terkait dengan rantai pasok beras menggunakan framework business analytics yang terintegrasi, dimulai dari analisis deskripsi, clustering, regresi, dan juga visualisasi interaktif. Data yang digunakan adalah Sensus Pertanian 2023 dari BPS, ditambah data Inarisk dari BNPB, dan juga indikator konsumsi-nutrisi dari Bapanas, yang mencakup kelompok variable produktifitas, demografi, struktur pertanian, risiko bencana, dan akses ke pelayanan. Data-data tersebut diolah menggunakan metodologi CRISP-DM and hasilnya akan diinput ke dalam dashboard interaktif. Clustering PAM (Partitioning Around Medoids) menghasilkan 2 klaster dengan Klaster 1 (417 kota/kabupaten) memiliki ukuran rata-rata lahan pertanian yang lebih besar, input pertanian yang lebih besar, angka partisipasi program yang lebih tinggi, dan juga profil nutrisi yang lebih baik; sedangkan untuk klaster 2 (97 kota/kabupaten) memiliki ukuran lahan yang lebih kecil, kurangnya akses terhadap input dan layanan pertanian, kurangnya adopsi teknologi dan juga memiliki resiko bencana lebih tinggi. Welch’s t-tests dan effect size mengkonfirmasi bahwa antarklaster secara signifikan berbeda untuk variable produktifitas (yield), Angka Kecukupan Energi (AKE), level konsumsi rata-rata, dan Pola Pangan Harapan (PPH). Hasil regresi untuk kedua klaster menunjukkan bahwa ukuran lahan dan usia petani memiliki asosiasi positif untuk yield, sementara yang lainnya (bantuan teknologi, asuransi, dan partnership) menunjukkan hasil yang lemah, tidak konsisten, dan cenderung berasosiasi negatif dengan yield. Explanatory power pada klaster 2 (Adj R^2 = 0.41) memiliki nilai yang lebih tinggi dibandingkan klaster 1 (0.29), sehingga batasan secara structural lebih tinggi di daerah yang produktifitasnya lebih rendah. Dengan pendekatan multimodel yang bisa diduplikasi ini, memberikan bukti bahwa pengambilan keputusan berbasis data untuk pembuatan kebijakan-kebijakan yang spesifik daerah (misalkan KUR harus diprioritaskan untuk daerah di cluster 2 dibandingkan cluster 1) bisa dilakukan untuk meningkatkan produktifitas padi, meningkatkan resiliensi rantai pasok, dan juga menuju kearah yang positif terhadap SDG 2 (Zero Hunger) di Indonesia.