ABSTRAK
Meningkatnya kekhawatiran atas ketahanan pangan telah menarik perhatian akademisi di seluruh dunia. Penanganan masalah ketahanan pangan menyoroti kerentanan hasil pertanian terhadap kompleksitas input pertanian. Oleh karena itu, studi ini mempertimbangkan kerumitan input budidaya dan dampaknya terhadap produksi sereal di 20 negara berkembang Asia dari tahun 1990 hingga 2022. Pertama, algoritme pembelajaran mesin tingkat lanjut digunakan untuk menyelidiki dampak gabungan Indeks Kompleksitas Produk pertanian terhadap hasil pertanian. Kedua, uji kausalitas Granger digunakan untuk mengungkap arah kausalitas antara hasil pertanian dan variabel eksogen. Baik model jaringan saraf inferensi kausal (CINN) maupun jaringan saraf dalam (DNN) menunjukkan penurunan awal yang cepat dalam kerugian selama periode awal, diikuti oleh penurunan yang lebih bertahap, yang menunjukkan pembelajaran dan konvergensi yang efektif. Khususnya, model CINN secara konsisten dimulai dengan kerugian yang lebih rendah dibandingkan dengan model DNN, yang menunjukkan kinerja yang unggul dalam meminimalkan kerugian pelatihan. Teknik pembelajaran mesin ini telah berhasil memprediksi hubungan sinergis, yang mengarah pada peningkatan signifikan dalam peramalan hasil sereal. Hasil kausalitas Granger mengungkap kausalitas umpan balik antara Indeks Kompleksitas Produk pertanian dan hasil panen serta penggunaan pupuk dan hasil panen pertanian pada berbagai kelambatan. Hasil ini menekankan potensi pedoman terarah yang memanfaatkan interaksi antara kompleksitas dalam pertanian dan penerapan pupuk untuk meningkatkan hasil panen serealia.

1 Pendahuluan
Keamanan pangan adalah masalah utama di seluruh dunia, yang memastikan bahwa setiap orang secara konsisten memiliki akses ke makanan yang cukup, aman, dan cukup untuk kehidupan yang sehat dan aktif. Menurut Program Pangan Dunia (Bank Dunia 2024 ), 343 juta orang mengalami kerawanan pangan akut di 74 negara, menandai peningkatan 10% dari tahun 2023 dan hampir 200 juta lebih banyak dari tingkat sebelum pandemi. Hal ini penting untuk kesehatan, pertumbuhan ekonomi, dan persatuan sosial masyarakat, serta stabilitas dan keberhasilannya. Dengan memastikan ketersediaan dan akses ke makanan yang cukup dan bergizi, kita dapat mengurangi dampak buruk kekurangan gizi dan kelaparan, yang menimbulkan hambatan substansial bagi pembangunan dan produktivitas manusia. Selain itu, sangat penting untuk mencapai tujuan pembangunan berkelanjutan, karena mendorong keberlanjutan pertanian dan membantu mengurangi kemiskinan. Fokus utama dari upaya ini adalah untuk meningkatkan produktivitas pertanian, memastikan penyediaan pangan yang konsisten dan melimpah. Memperbaiki metode pertanian (Nicholson et al. 2021 ), memastikan akses yang adil terhadap sumber daya pangan, dan mengurangi dampak perubahan iklim terhadap produksi pangan merupakan bagian dari upaya mengatasi ketahanan pangan (Gwambene et al. 2023 ). Pada akhirnya, memastikan ketahanan pangan sangat penting untuk menciptakan dunia yang adil dan tangguh, tempat semua orang dapat sejahtera.

Keamanan pangan terkait erat dengan produktivitas pertanian, karena peningkatan hasil dan efisiensi operasi pertanian sangat penting untuk menghasilkan pasokan pangan yang konsisten dan cukup untuk memenuhi permintaan global yang terus meningkat (Sekaran et al. 2021 ; Sridhar et al. 2023 ). Menyadari pentingnya keamanan pangan, para peneliti telah berfokus pada berbagai faktor, termasuk sistem air pertanian (Bi et al. 2024 ), degradasi lahan (Jiang et al. 2023 ), sistem lingkungan, dan jejak karbon dalam kondisi tadah hujan (Lin et al. 2024 ). Menerapkan praktik pertanian hias meningkatkan produktivitas tanaman dan mengurangi kerugian pasca panen, meningkatkan aksesibilitas dan ketersediaan makanan bergizi (Aly dan Borik 2023 ; Kandegama et al. 2022 ). Oleh karena itu, mencapai keamanan pangan yang berkelanjutan dan mempromosikan pembangunan berkelanjutan bergantung pada peningkatan produksi pertanian. Negara-negara berkembang mengalami kekurangan yang signifikan dalam memenuhi tujuan mereka dalam produksi pertanian dan memastikan pasokan pangan yang cukup bagi penduduknya (Pawlak dan Kołodziejczak 2020 ). Para peneliti harus memprioritaskan perhatian dan upaya mereka terhadap masalah global ini.

Keamanan pangan merupakan isu global yang mendesak yang dibentuk oleh interaksi faktor sosial, teknologi, dan lingkungan. Meningkatnya kompleksitas teknologi pertanian dan meningkatnya permintaan energi menggarisbawahi kebutuhan mendesak akan solusi berkelanjutan. Selama beberapa dekade, tantangan global, khususnya tekanan berkelanjutan pada produktivitas pertanian dalam konteks perubahan iklim, telah meningkatkan urgensi untuk mengatasi masalah ini. Mengintegrasikan teknologi canggih dengan praktik berkelanjutan dapat membuka jalan bagi sistem pangan yang tangguh dan memastikan keamanan pangan di seluruh dunia.

Produksi pertanian sangat rentan terhadap kompleksitas dalam input pertanian (Zulfikri et al. 2024 ). Untuk mengatasi masalah ini, Indeks Kompleksitas Produk (PCI) (Baz et al. 2022 ) menilai tingkat kerentanan ini dan dampaknya terhadap produktivitas pertanian (Gambar 1 ). PCI mengevaluasi variasi dan kompleksitas barang yang dapat diproduksi suatu wilayah, yang penting untuk memahami kompleksitas yang terkait dengan kontribusi pertanian (Balland et al. 2022 ). Nilai PCI yang tinggi menunjukkan teknologi inovatif yang meningkatkan efisiensi, produktivitas, dan keberlanjutan. Kompleksitas tersebut menjelaskan input dan teknologi yang lebih baik, mengurangi biaya tenaga kerja dan meningkatkan hasil pertanian, sehingga meningkatkan kinerja pertanian secara keseluruhan. Kita dapat menentukan pengaruh input pertanian yang rumit dan bervariasi terhadap produktivitas tanaman dengan menganalisis PCI. Penilaian ini penting untuk mengidentifikasi area kritis yang memerlukan perbaikan untuk meningkatkan produksi pertanian dan berkontribusi pada ketahanan pangan global. Memperoleh kesadaran dan menangani secara efektif kelemahan yang diungkapkan PCI sangat penting untuk mengembangkan strategi yang efektif untuk meningkatkan produktivitas tanaman dan memastikan praktik pertanian yang berkelanjutan.

Dengan demikian, untuk memahami kompleksitas kerentanan ini dalam memecahkan tujuan keamanan pangan, penelitian ini menggunakan dua metode pembelajaran mesin canggih untuk inferensi kausal (Brand et al. 2023 ), yaitu jaringan saraf dalam (DNN) (Bi et al. 2023 ) dan jaringan saraf inferensi kausal (CINN) (Zhang et al. 2024a ). Pemilihan model-model ini didasarkan pada keunggulan mereka yang berbeda dalam memenuhi tujuan penelitian. CINN sangat cocok untuk tugas-tugas yang memerlukan pemetaan dwiarah dan kuantifikasi ketidakpastian, yang memungkinkan prediksi yang dapat ditafsirkan dan kuat. DNN, di sisi lain, unggul dalam pemodelan hubungan nonlinier dan pemrosesan kumpulan data yang besar dan kompleks, membuatnya sangat efektif untuk menangkap pola rumit dalam data (Amiri et al. 2024 ). DNN juga meningkatkan model pra-pelatihan, meningkatkan efisiensi pelatihan, dan menghasilkan hasil prediktif yang lebih baik. Kekuatan prognostik CINN dan DNN, dikombinasikan dengan kemampuan mereka untuk menyimpulkan hubungan kausal, memberikan wawasan yang melampaui korelasi sederhana. Model-model ini khususnya efektif untuk pengambilan keputusan dengan menganalisis dampak faktual dari intervensi dan meningkatkan ketahanan dan generalisasi, khususnya dalam domain kritis seperti pembangunan ekonomi dan perawatan kesehatan. Selain itu, penelitian ini menggunakan PCI, yang sangat penting untuk produktivitas pertanian dan menyoroti input dan mesin yang kompleks dari sektor pertanian. Pemeriksaan PCI menunjukkan inovasi dan kemajuan teknologi yang tertanam dalam peralatan dan mesin pertanian.

Bagian-bagian yang tersisa dari makalah ini disusun sebagai berikut: Bagian 2 mengulas penelitian sebelumnya tentang faktor-faktor yang memengaruhi hasil pertanian, dengan fokus pada negara-negara berkembang. Bagian 3 menyajikan informasi mengenai dampak kompleksitas produk pertanian terhadap hasil sereal, termasuk kumpulan data, kerangka teoritis, dan model ekonometrik. Bagian 4 membahas hasil dan analisis. Terakhir, Bagian 5 menyimpulkan makalah dan memberikan rekomendasi kebijakan.

2 Tinjauan Pustaka
Keamanan pangan dan hasil pertanian merupakan komponen penting pembangunan dan keberlanjutan, sebagaimana dibuktikan oleh banyaknya literatur yang menekankan saling ketergantungan di antara keduanya (Ingram 2011 ). Produktivitas pertanian yang terarah, yang dicapai melalui peningkatan teknologi, praktik pertanian, dan varietas tanaman, penting untuk memenuhi permintaan pangan dari populasi yang terus meningkat (Qaim 2020 ; Khan et al. 2021 ). Literatur menggarisbawahi bahwa kemajuan dalam hasil panen dapat mengurangi kerawanan pangan dengan meningkatkan ketersediaan dan aksesibilitas pangan, terutama di wilayah yang rentan terhadap perubahan lingkungan dan kekurangan sumber daya (Ehi et al. 2024 ; Rahman et al. 2024 ). Selain itu, metode gabungan yang meningkatkan hasil panen dengan praktik berkelanjutan penting untuk memastikan keamanan pangan jangka panjang tanpa mengorbankan kesehatan ekologi. Misalnya, mengintegrasikan kumpulan data reflektansi ke dalam model WOFOST-PROSAIL telah meningkatkan estimasi hasil gandum musim dingin regional (Huang et al. 2019 ), sementara pendekatan pembelajaran mendalam telah memberikan prediksi yang tepat dan analisis ketidakpastian untuk hasil gandum di tingkat kabupaten di Tiongkok (Wang et al. 2020 ). Selain itu, inovasi dalam kecerdasan buatan dan teknologi penginderaan nirkabel, seperti sistem bertenaga sendiri untuk industri pintar (Li et al. 2024 ) dan sensor optik fleksibel untuk pemantauan pangan waktu nyata (Zhang et al. 2024b ), sedang merevolusi pertanian presisi dan ketahanan pangan. Para sarjana juga menekankan pentingnya infrastruktur, investasi di sektor pertanian, dan dukungan kebijakan untuk mempertahankan dan meningkatkan hasil panen, sehingga meningkatkan ketahanan pangan di seluruh dunia (Rafael 2023 ; Su et al. 2023 ).

Teknologi untuk persiapan tanah, perontokan, dan pemanenan telah meningkatkan hasil pertanian secara signifikan dengan meningkatkan efisiensi, mengurangi pengeluaran tenaga kerja, dan meningkatkan hasil panen (Hasan et al. 2020 ; Kumar et al. 2023 ). Mesin panen canggih seperti pemanen gabungan dan perontok mengintegrasikan pemotongan dan pembersihan, secara radikal menghemat waktu dan tenaga kerja lapangan dan mengurangi kerugian pasca panen (Gautam et al. 2023 ). Perontok mekanis modern secara profesional memisahkan biji-bijian dari sekam, meminimalkan kerugian dan meningkatkan kuantitas, tidak seperti prosedur konvensional (Liang dan Wada 2023 ). Mesin persiapan tanah modern, garu, bajak, dan bor benih meningkatkan struktur tanah dan penempatan benih, sementara metode budidaya konversi mengurangi korosi dan meningkatkan retensi air.

Penelitian ini menyelidiki faktor-faktor yang secara konsisten menggambarkan adaptasi teknologi canggih di berbagai konteks, menggunakan meta-analisis metode regresi (Ruzzante et al. 2021 ). Studi ini meneliti fakta bahwa adaptasi teknologi dengan cakrawala perencanaan yang diperluas, seperti teknik pengatur korosi, secara sugestif meningkatkan hasil pertanian. Hasil serupa dicatat untuk adopsi teknologi tinggi yang meningkatkan keberlanjutan jangka panjang biji-bijian dan hasil panen dengan mengadopsi sistem pengawasan pertanian yang tepat (Takahashi et al. 2020 ). Teknik-teknik ini sangat penting bagi negara-negara berkembang, khususnya negara-negara sub-Sahara, untuk memastikan hasil pertanian yang berkelanjutan dan ketahanan pangan. Karena meningkatnya perhatian terhadap teknologi canggih (Sarfraz et al. 2023 ), mengembangkan inovasi seperti Internet of Things, kecerdasan buatan, pembelajaran mesin, dan mesin pertanian canggih membantu pengambilan keputusan yang akurat untuk meningkatkan hasil pertanian. Studi lain (Chandio et al. 2023 ) meneliti pengaruh informasi dan teknologi terhadap hasil panen di Thailand, Filipina, Malaysia, dan Indonesia dari tahun 1991–2018. Temuan tersebut mengusulkan bahwa inovasi teknologi melalui pestisida dan pupuk secara signifikan meningkatkan produksi tanaman dalam jangka panjang. Selain itu, penelitian (Pandey dan Pandey 2023 ) juga menyelidiki peran teknologi geospasial dalam hasil pertanian dan tujuan ketahanan pangan. Hal ini menunjukkan bahwa mengurangi bahan kimia atau mengadopsi teknik konvensional di pertanian dapat melindungi keanekaragaman fauna tanah, yang terancam oleh penyalahgunaan herbisida, insektisida, dan pestisida.

Dari perspektif ramah lingkungan, penggunaan energi sangat penting di setiap fase hasil pertanian, mulai dari pembuatan pupuk hingga bahan bakar mesin untuk persiapan tanah, penanaman, pemanenan, dan perontokan. Sebuah studi (Shah et al. 2023 ) meneliti dampak konsumsi energi pada produksi tanaman di India, Tiongkok, Rusia, dan Afrika Selatan dari tahun 1990 hingga 2019. Temuan menunjukkan bahwa sementara lebih banyak energi meningkatkan produksi tanaman, emisi karbon berdampak negatif pada hasil pertanian. Selain itu, investigasi dua tahap menggunakan kumpulan data panel dari tahun 2002–2019 menunjukkan bahwa efisiensi energi meningkatkan hasil pertanian sebesar 84% dalam kisaran 79%–86% di Asia Selatan (Khan et al. 2023 ). Namun, temuan ini menunjukkan bahwa masih ada potensi 16% untuk meningkatkan energi bagi sektor pertanian. Aktivitas pertanian mengurangi kualitas lingkungan dalam jangka panjang, seperti yang ditunjukkan di sektor pertanian Tiongkok dari 1990Q1 hingga 2019Q4 (Ramzan et al. 2024 ). Selain itu, pembangunan pertanian memiliki dampak negatif secara statistik terhadap lingkungan, yang menandakan bahwa hal itu berkontribusi terhadap perubahan iklim.

3 Metodologi Penelitian
3.1 Kerangka Teoritis
Mengembangkan kerangka konseptual untuk penyelidikan ilmiah terhadap dampak kompleksitas teknologi pertanian, emisi karbon, konsumsi energi, dan penggunaan pupuk terhadap hasil pertanian memerlukan pemahaman terhadap ide-ide fundamental dan keterkaitannya (Gambar 2 ). Kompleksitas teknologi pertanian berkaitan dengan tingkat kerumitan dan penggabungan teknologi kontemporer dalam pertanian, yang mencakup otomatisasi, pertanian presisi, bioteknologi, dan instrumen pertanian pintar. Hipotesis tersebut menunjukkan bahwa kompleksitas ini memiliki efek yang menguntungkan pada hasil pertanian dengan meningkatkan efisiensi dan presisi dalam pemanfaatan sumber daya. Produksi dan penggunaan mesin, ternak, dan pupuk diprediksi menghasilkan emisi karbon, yang akan berdampak buruk pada hasil panen. Emisi ini berkontribusi terhadap perubahan iklim dan degradasi lingkungan, yang mengakibatkan kondisi cuaca buruk yang dapat menghambat pertumbuhan tanaman. Konsumsi energi, yang mengacu pada jumlah energi yang digunakan dalam kegiatan pertanian, diyakini memiliki dampak yang menguntungkan pada hasil panen jika dikontrol secara efektif. Hal ini karena menjamin daya yang cukup untuk tugas-tugas pertanian penting seperti irigasi dan pengoperasian mesin. Penerapan pupuk, baik kimia maupun organik, sangat penting untuk menyediakan nutrisi yang diperlukan bagi tanaman dan diyakini memiliki efek positif pada hasil panen apabila diberikan dengan cara yang paling efektif dalam hal jenis, jumlah, waktu, dan metode.
3.2 Analisis Data
Studi ini menyelidiki kompleksitas input pertanian dan dampaknya terhadap produksi biji-bijian di 20 negara Asia yang sedang berkembang dari tahun 1990 hingga 2022 (Gambar 3 ). Variabel hasil sereal, konsumsi energi, emisi karbon, kompleksitas teknologi, dan aplikasi pupuk merupakan kunci untuk menilai keberlanjutan pertanian. Hasil sereal mencerminkan produktivitas pertanian dan efisiensi sumber daya, yang penting untuk memberi makan populasi yang terus bertambah. Konsumsi energi menunjukkan jejak lingkungan pertanian, karena penggunaan energi yang tinggi sering kali menyebabkan lebih banyak emisi karbon. Emisi karbon dari pertanian berkontribusi terhadap perubahan iklim, sehingga pengurangannya menjadi penting untuk pertanian berkelanjutan. Kompleksitas teknologi memengaruhi produktivitas dan biaya lingkungan, dengan metode canggih yang membutuhkan lebih banyak energi dan perawatan. Terakhir, aplikasi pupuk meningkatkan hasil tetapi dapat merusak lingkungan melalui limpasan dan emisi. Variabel-variabel ini bersama-sama membantu mengevaluasi keseimbangan antara produktivitas, efisiensi, dan keberlanjutan dalam pertanian. Pengecualian daerah irigasi disebabkan oleh ketergantungan pada curah hujan di wilayah tanpa sistem irigasi, di mana pertumbuhan tanaman terutama bergantung pada curah hujan alami. Di daerah seperti itu, irigasi bukanlah input yang signifikan, sehingga kurang relevan untuk studi yang difokuskan pada variabel lain seperti aplikasi pupuk dan konsumsi energi. Metrik fundamental untuk mengukur produktivitas pertanian adalah hasil sereal, dinyatakan dalam ton per hektar pada Tabel 1 , dengan data bersumber dari “Our World in Data” (WorldData 2022a ). Konsumsi energi, dikuantifikasi sebagai konsumsi energi primer per kapita dalam kilowatt-jam per orang, menunjukkan jumlah energi yang digunakan oleh setiap individu di sektor pertanian, dan data ini juga diperoleh dari “Our World in Data” (WorldData 2022b ). Emisi karbon, diukur dengan emisi CO2 per kapita tahunan , mengukur dampak lingkungan dari kegiatan pertanian, dengan data bersumber dari penyedia yang sama. Kompleksitas teknologi pertanian ditentukan oleh tingkat kecanggihan dan integrasi teknologi terkini (Gambar 4 ), seperti otomatisasi dan pertanian presisi, dengan informasi ini diperoleh dari Observatory of Economic Complexity. Aplikasi pupuk, dikuantifikasi sebagai jumlah pupuk yang digunakan per hektar, menekankan pentingnya manajemen nutrisi dalam produktivitas pertanian, dengan data yang lagi-lagi bersumber dari “Our World in Data” (Ritchie 2023). Penelitian ini bertujuan menganalisis variabel-variabel ini untuk mendapatkan wawasan tentang dampak berbagai masukan budidaya pada produksi biji-bijian di negara-negara Asia yang sedang berkembang, yang pada akhirnya membantu dalam perumusan strategi untuk meningkatkan produktivitas dan keberlanjutan pertanian. Ringkasan statistik mengungkapkan bahwa variabel Hasil memiliki rata-rata 3,727 dengan deviasi standar 1,527, yang menunjukkan variabilitas sedang dalam hasil panen di seluruh kumpulan data dalam Tabel 2. Selain itu, Penggunaan pupuk menunjukkan rata-rata tinggi 141,529, dengan sebaran signifikan (deviasi standar 104,762), yang menunjukkan berbagai tingkat aplikasi pupuk, sementara Emisi dan Energi juga menunjukkan variabilitas yang cukup besar dalam nilainya.

3.3 Inferensi Kausal Berbasis Pembelajaran Mendalam
Kami menggunakan model pembelajaran mendalam, yaitu DNN dan CINN, untuk melakukan analisis inferensi kausal (LeCun et al. 2015 ). Model-model ini penting untuk menangkap dan menafsirkan secara tepat interkoneksi kompleks di antara berbagai variabel dan dampaknya pada produksi hasil panen (Vasilescu 2022 ). Dengan menggunakan CINN dan DNN, kami dapat menyimpulkan dampak kausal yang saling berhubungan dari pasokan PCI, pemanfaatan pupuk, emisi karbon, dan konsumsi energi pada hasil panen pertanian. Karakteristik lanjutan dari model-model ini dalam mengelola interaksi non-linier dan data berdimensi tinggi menawarkan landasan yang kuat untuk investigasi empiris (Runge et al. 2023 ). Hal ini memungkinkan kami untuk memberikan alasan empiris yang tepat untuk manfaat positif dari faktor-faktor ini, memberikan wawasan penting ke dalam pengaruh gabungannya pada produktivitas tanaman. Oleh karena itu, memanfaatkan model-model canggih ini sangat penting untuk mengembangkan praktik dan kebijakan pertanian yang efisien untuk meningkatkan produksi tanaman dan menjamin ketahanan pangan.

CINN adalah jaringan saraf yang secara khusus dibuat untuk memperoleh kemampuan mempelajari pemetaan yang dapat dibalikkan antara data masukan dan keluaran. CINN sangat berharga ketika diperlukan pencapaian objektivitas (korespondensi satu-ke-satu) antara data masukan dan keluaran, seperti dalam pemodelan dinamis, estimasi kepadatan, dan kuantifikasi ketidakpastian. Umumnya digunakan untuk berbagai keperluan, CINN mencakup perolehan karakteristik, prediksi nilai, dan pengkategorian data. Ilustrasi statistik CINN dan DNN dapat ditulis sebagai berikut dalam Persamaan ( 1 )
Di mana
adalah variabel bebas dan
adalah variabel dependen. Hal ini menyiratkan adanya fungsi invers yang sesuai dalam Persamaan ( 2 )
Statistik pelatihan mencakup variabel input
dan variabel keluaran
Output setiap lapisan dalam DNN dihasilkan dengan melakukan transformasi afin, yang kemudian diikuti oleh fungsi aktivasi non-linier.

Secara statistik, hal ini dapat ditunjukkan pada Persamaan ( 3 )
Simbol-simbol
Dan
menunjukkan bobot dan bias dari
lapisan, masing-masing. Simbol σ mewakili fungsi aktivasi, yang mungkin berupa tanh, sigmoid, atau ReLU. Simbol
mewakili jumlah total lapisan dalam jaringan saraf.

Kausalitas Granger adalah analisis statistik yang digunakan untuk menentukan apakah satu deret data dapat secara akurat memprediksi deret waktu lainnya (Tiwari et al. 2023 ). Teorinya adalah jika variabel X adalah faktor kausalitas Granger dari Y , maka nilai-nilai X sebelumnya mengandung data yang membantu dalam meramalkan Y di luar nilai-nilai Y sebelumnya saja. Mari kita pertimbangkan dua deret waktu yang dilambangkan sebagai berikut dalam Persamaan ( 4 )

Dan
adalah variabel dependen dan independen pada waktu tertentu
, masing-masing. Koefisien yang direpresentasikan oleh
Dan
, pada tertinggal
untuk
Dan
nilai, masing-masing. Istilah kesalahan dilambangkan dengan
, ketika
Dan
apakah kelambatan termasuk dalam pengujian.
4 Hasil dan Pembahasan
Grafik pertama Gambar 5 , yang menampilkan histogram hijau, menampilkan data mentah yang tidak diskalakan untuk variabel yang sama, menyorot rentang awal dan distribusi frekuensinya. Grafik kedua Gambar 6 , dengan histogram biru, menunjukkan distribusi variabel berskala (energi, emisi, PCI, pupuk, dan hasil), di mana data telah dinormalisasi untuk memiliki rata-rata 0 dan deviasi standar 1. Sementara kurva KDE memperkirakan distribusi probabilitas yang dihaluskan, histogram mewakili frekuensi nilai yang diskalakan. Penskalaan ini menyederhanakan perbandingan antara variabel dengan unit dan rentang yang berbeda. Bersama-sama, grafik ini menggambarkan bagaimana penskalaan memengaruhi data, mempertahankan distribusi yang mendasarinya sambil menormalkan rentang untuk perbandingan yang lebih mudah

Grafik juga menyertakan diagram kotak yang membandingkan data “Asli” dan “Dibersihkan” untuk lima variabel: energi, emisi, PCI, pupuk, dan hasil. Dalam data asli (baris atas), beberapa variabel menunjukkan outlier (misalnya, emisi dan pupuk), yang direpresentasikan sebagai titik di luar kumis diagram kotak. Setelah dibersihkan (baris bawah), outlier ini dikurangi atau dihapus, yang menunjukkan langkah praproses data untuk menangani anomali dan meningkatkan kualitas kumpulan data untuk analisis. adalah plot ringkasan SHAP yang menginterpretasikan kontribusi fitur dalam model pembelajaran mesin. Sumbu x menampilkan nilai SHAP, yang menunjukkan besaran dan arah pengaruh setiap fitur pada keluaran model. Nilai SHAP positif menunjukkan bahwa suatu fitur meningkatkan prediksi, sedangkan nilai negatif menunjukkan penurunan. Sumbu y mencantumkan fitur—pupuk, emisi, energi, dan PCI—yang diberi peringkat berdasarkan kepentingan rata-ratanya. Setiap titik mewakili satu contoh dalam kumpulan data, dengan gradien warna mulai dari biru (menunjukkan nilai fitur rendah) hingga merah (menunjukkan nilai fitur tinggi) untuk menggambarkan besaran fitur dalam contoh tersebut.

Wawasan utama dari plot tersebut adalah sebagai berikut: Pupuk menunjukkan variabilitas terbesar dalam nilai SHAP, dengan nilai fitur yang tinggi (merah) biasanya dikaitkan dengan dampak positif pada prediksi, sementara nilai yang rendah (biru) sering kali menyebabkan prediksi yang berkurang. Emisi menunjukkan tren yang sama, di mana nilai yang lebih tinggi umumnya meningkatkan prediksi, meskipun rentang pengaruhnya lebih sempit dibandingkan dengan pupuk. Energi, di sisi lain, menunjukkan dampak positif dan negatif, yang menunjukkan hubungan yang lebih kompleks dan kurang konsisten dengan keluaran model. Terakhir, PCI menunjukkan nilai SHAP yang berkelompok rapat di sekitar nol, yang menunjukkan pengaruh yang relatif lemah pada prediksi model. Secara keseluruhan, plot tersebut menekankan kepentingan relatif fitur, dampak arahnya, dan variabilitas kontribusinya di seluruh contoh.

Gambar 8B menyajikan plot ringkasan SHAP yang menggambarkan dampak dari empat fitur—pupuk, emisi, energi, dan PCI—pada prediksi model pembelajaran mesin. Sumbu x mewakili nilai SHAP, yang mengukur kontribusi setiap fitur untuk meningkatkan atau menurunkan output model, sedangkan sumbu y memberi peringkat fitur berdasarkan kepentingannya. Setiap titik pada plot sesuai dengan sebuah contoh, dengan gradien warna mulai dari biru (menunjukkan nilai fitur rendah) hingga merah (menunjukkan nilai fitur tinggi) yang mencerminkan besarnya fitur untuk contoh spesifik tersebut. Pupuk memiliki pengaruh positif yang kuat pada prediksi model; nilai fitur yang lebih tinggi (merah) menyebabkan peningkatan nilai SHAP, sedangkan nilai yang lebih rendah (biru) menghasilkan prediksi yang berkurang. Emisi menunjukkan tren yang sama, dengan nilai yang lebih tinggi umumnya meningkatkan prediksi, meskipun efeknya kurang jelas. Energi menunjukkan efek campuran, berkontribusi baik secara positif maupun negatif, yang menunjukkan variabilitas dalam pengaruhnya. Sebaliknya, PCI menunjukkan nilai SHAP yang terkelompok rapat mendekati nol, yang menunjukkan bahwa PCI memiliki dampak minimal pada keluaran model. Secara keseluruhan, plot ini secara efektif memvisualisasikan pentingnya fitur, arah pengaruh, dan variabilitas tingkat instans dalam model.

Gambar 9 menampilkan dua plot sebar yang membandingkan hasil yang diproyeksikan dengan hasil aktual untuk dua model prediksi yang berbeda: DNN dan CINN. Plot sebelah kiri, berlabel “CINN Predictions vs. Actual,” menunjukkan sekelompok titik biru, yang masing-masing menunjukkan sepasang nilai hasil aktual dan prediksi untuk model CINN. Garis merah putus-putus, yang menunjukkan persamaan y  =  x , secara visual menggambarkan keakuratan prediksi. Kedekatan titik-titik dengan garis ini menunjukkan tingkat keakuratan model. Grafik di sebelah kanan, berlabel “DNN Predictions vs. Actual,” memiliki format yang sama, tetapi titik-titik hijau mewakili prediksi model DNN. Kedua gambar menunjukkan korelasi positif yang kuat antara hasil aktual dan yang diharapkan, yang menunjukkan bahwa kedua model beroperasi dengan sangat baik. Pengelompokan titik-titik data di sekitar garis putus-putus merah menunjukkan bahwa kedua model menunjukkan kemampuan prediksi yang tepat. Dengan menganalisis kepadatan dan distribusi titik-titik data di sekitar garis ini, seseorang dapat menyimpulkan keakuratan relatif model. Outlier, titik data yang jauh dari garis merah, menyoroti contoh saat proyeksi sangat berbeda dari nilai sebenarnya. Model CINN dan DNN menunjukkan kinerja yang terpuji, dengan variasi halus dalam distribusi titik yang dapat menunjukkan perbedaan dalam kesalahan prediksi atau variabilitas.
Gambar 10 menggambarkan residual untuk dua metode, DNN (kanan) dan CINN (kiri), yang membandingkan kesalahan penilaian (dua besaran kesalahan residual yang berbeda). Residual model CINN (selisih antara hasil prediksi dan hasil aktual) diplot sebagai titik-titik biru di plot sebelah kiri, sedangkan residual model DNN diplot sebagai titik-titik hijau di plot sebelah kanan. Kedua grafik menampilkan residual dalam interval −0,5 hingga 0,5. Susunan titik-titik yang simetris di sepanjang sumbu horizontal ( y  = 0) menunjukkan bahwa tidak ada pola bias yang terlihat dalam prediksi kedua model. Pengelompokan residual dalam rentang yang ditentukan menunjukkan bahwa kedua model menunjukkan kesalahan prediksi yang relatif kecil dan tersebar secara merata, tanpa perbedaan yang mencolok dalam kinerjanya.

Gambar 11 dan 12 menunjukkan kerugian pelatihan dan validasi untuk model DNN dan CINN. Kedua model menunjukkan lintasan konvergen dalam kurva kerugian mereka, yang menunjukkan prosedur pelatihan yang andal dan stabil. Model DNN dengan demikian digunakan untuk perbandingan untuk memvalidasi akurasi prediksi model CINN. Akurasi prediksi yang baik dari model CINN ditunjukkan oleh R 2 yang tinggi (0,79) dan margin kesalahan yang sempit. Sebagai perbandingan, nilai R 2 model DNN sebesar 0,77 agak lebih rendah daripada model CINN, yang menunjukkan bahwa meskipun berkinerja baik, itu sedikit kurang akurat. Dalam diagram berikut (Gambar 13 ), kurva kerugian pelatihan dari dua model (CINN dan DNN) ditunjukkan untuk 1000 epoch: Kedua model menunjukkan penurunan awal dalam kerugian selama epoch pertama, diikuti oleh pengurangan yang lebih bertahap, yang menunjukkan pembelajaran dan konvergensi yang efektif. Dibandingkan dengan oranye (model DNN), model CINN, yang diwakili oleh garis biru, juga memulai pelatihan dengan kerugian yang sedikit lebih rendah hampir selalu. Hal ini menunjukkan kinerja yang lebih baik dalam hal meminimalkan kerugian pelatihan. Model CINN dan DNN terdiri dari tiga lapisan padat seperti yang ditunjukkan pada Tabel 3 : lapisan padat pertama memiliki 64 unit dan 320 parameter, lapisan padat kedua memiliki 32 unit dan 2080 parameter, dan lapisan keluaran memiliki 1 unit dengan 33 parameter. “Tidak ada” dalam bentuk keluaran mewakili ukuran batch yang fleksibel, yang dapat bervariasi selama pelatihan atau inferensi. Secara total, model tersebut memiliki 2433 parameter yang dapat dilatih dan tidak ada parameter yang tidak dapat dilatih.

Bahasa Indonesia: Setelah menggunakan metode pembelajaran mesin tingkat lanjut seperti CINN dan DNN untuk memeriksa pengaruh faktor-faktor independen pada produktivitas pertanian, penting untuk menentukan hubungan kausal di antara variabel-variabel ini. Untuk mencapai ini, kami menggunakan uji kausalitas Granger. Hasil dari nilai- p ditampilkan dalam Gambar 14 , dengan hasil dianggap sebagai variabel dependen dan hasil digunakan sebagai variabel independen. Hasilnya menunjukkan tidak ada hubungan kausal antara emisi karbon dan hasil. Kausalitas searah dicatat berjalan dari energi ke hasil pertanian. Meskipun demikian, hubungan dua arah diakui antara kompleksitas pertanian dan hasil, dan pupuk dan hasil, yang menunjukkan bahwa hasil pertanian dipengaruhi oleh kompleksitas pertanian dan aplikasi pupuk. Data ini menunjukkan bahwa tingkat kompleksitas pertanian dan penggunaan pupuk berdampak signifikan terhadap produktivitas pertanian. Input pertanian sangat penting dalam meningkatkan hasil pertanian dan memastikan ketahanan pangan.

Kinerja luar biasa dari kedua model menunjukkan hubungan sebab-akibat yang saling berhubungan dan komprehensif antara penggunaan energi, emisi karbon, penggunaan pupuk, dan kompleksitas pertanian terkait keluaran hasil panen. Pada dasarnya, produksi hasil panen berfungsi sebagai ukuran portofolio yang dapat diandalkan yang berfokus pada ketahanan pangan. Ini mencakup faktor-faktor seperti akses ke input pertanian (kompleksitas pertanian), konsumsi energi, kualitas lingkungan (emisi karbon), dan penggunaan pupuk. Secara rinci, konsumsi energi yang terorganisir dengan baik dalam pertanian meningkatkan produksi melalui modernisasi, transportasi, dan irigasi tetapi juga menimbulkan kekhawatiran tentang keberlanjutan karena memengaruhi emisi karbon (Zhang et al. 2023 ; Yang 2023 ). Sektor pertanian, fondasi penting gas rumah kaca, memerlukan latihan yang mengurangi emisi, seperti akurasi pertanian dan transisi ke energi bersih. Kompleksitas dalam pertanian, terkait berbagai latihan dan akses ke mesin canggih, meningkatkan ketahanan, produktivitas, dan keberlanjutan sektor pertanian (Javaid et al. 2023 ; Javaid et al. 2022 ). Pemberian pupuk penting untuk hasil panen, dan kesuburan tanah harus dicapai untuk menghentikan degradasi lingkungan dan penurunan kesehatan tanah (Pahalvi et al. 2021 ; Baweja et al. 2020 ). Produksi yang tinggi dan stabil, yang mencerminkan hubungan faktor-faktor ini, diperlukan untuk memenuhi permintaan bahan pangan, menjamin keteguhan ekonomi, dan mencapai ketahanan pangan. Temuan-temuan ini memberikan kerangka kebijakan yang signifikan yang mendukung pemanfaatan sinergi ini untuk mencapai ketahanan pangan. Faktor-faktor ini dapat memengaruhi pertumbuhan ekonomi: keberadaan sumber daya pertanian, ketersediaan energi terbarukan, pertukaran barang-barang teknologi canggih dan kompleks, dan perbaikan kondisi lingkungan.

Namun, pemanfaatan kolaborasi ini secara efektif memerlukan pengembangan kebijakan yang cermat dan terperinci, khususnya yang membahas konsekuensi lingkungan terkait ketersediaan energi terbarukan dan penyebaran teknologi pertanian, khususnya di negara-negara berkembang. Keluarga berpenghasilan rendah sering kali gagal mencapai tingkat produksi tanaman rata-rata dan berkontribusi signifikan terhadap ketahanan pangan, yang sangat penting untuk mempertahankan pertumbuhan ekonomi yang berkelanjutan. Menggabungkan metode pertanian tradisional dan tidak adanya pupuk yang mudah diakses dapat memiliki implikasi signifikan terhadap ketahanan pangan. Pergeseran dari penggunaan bahan bakar fosil ke pemanfaatan sumber daya energi bersih merupakan elemen penting dalam produksi pertanian, karena ketergantungan pada bahan bakar fosil berkontribusi besar terhadap emisi karbon dan mempercepat proses perubahan iklim. Konsekuensinya akan sepenuhnya mundur tanpa transisi ke energi terbarukan dan pertumbuhan ekonomi yang sadar lingkungan.

5 Kesimpulan dan Implikasi Kebijakan
Studi ini meneliti hubungan saling ketergantungan dan kausal antara penggunaan pupuk, konsumsi energi, hasil pertanian, emisi karbon, dan berbagai aspek kompleksitas produk di sektor pertanian. Dari perspektif ketahanan pangan, aspek-aspek tersebut meliputi bahan anorganik, organologam, persiapan tanah, perontokan, pemanenan, dan produk perkecambahan tanaman. Untuk tujuan ini, metode lintas metodologi canggih digunakan, yang mengintegrasikan pendekatan inferensi kausal pembelajaran mesin seperti DNN, CINN, dan teknik kausalitas Granger konvensional. Kombinasi tersebut memastikan temuan yang kuat dan tepat, memberikan visi yang berharga untuk dukungan kebijakan. Pembelajaran mesin adalah pendekatan terbaik untuk memprediksi efek kausal antara variabel eksogen dan endogen. Untuk penelitian terbaik, model komprehensif ini memperhitungkan efek keseluruhan untuk memastikan inferensi kausal yang lengkap.

Hasilnya mengusulkan penggabungan aplikasi pupuk dan konsumsi energi, memastikan rantai pasokan yang tepat dari mesin pertanian inovatif yang kompleks, dan kemampuan penelitian dan pengembangan canggih yang secara kolektif meningkatkan hasil panen serealia sambil mengendalikan tingkat emisi karbon. Sasaran yang ditargetkan dapat dicapai dengan memperkuat kemampuan dan pengetahuan di setiap wilayah dalam memproduksi produk dan mesin pertanian canggih, kompleks, dan berbasis sumber daya, serta meredakan berbagai macam perdagangan teknologi yang canggih. Pada akhirnya, ini akan meningkatkan hasil panen pertanian secara keseluruhan dan memastikan ketahanan pangan, terutama di wilayah berkembang.

Hasil ini menekankan pentingnya memanfaatkan interaksi ini untuk meningkatkan berbagai aspek kompleksitas produk pertanian, seperti produk organik dan anorganik, persiapan tanah, pemanenan, perontokan, dan perkecambahan tanaman, dll. Pendekatan ini dapat mendorong pertumbuhan pertanian hijau melalui mesin pertanian canggih, ekspor berteknologi tinggi, dan inovasi penelitian di sektor pertanian. Para pembuat kebijakan harus mempertimbangkan saran-saran berikut untuk memanfaatkan hubungan ini dan mengelola risiko terkait secara efisien.

Pertama, berinvestasi dalam teknologi canggih untuk pupuk organik dan anorganik, benih berkualitas tinggi, peralatan penyiapan tanah, dan peralatan panen yang efisien dapat meningkatkan produktivitas pertanian secara signifikan di wilayah berkembang. Dengan berfokus pada praktik berkelanjutan, seperti input berbasis bio dan pertanian presisi, inovasi ini akan mendorong pertumbuhan, meningkatkan ketahanan pangan, dan memberdayakan petani kecil di negara berkembang. Karena negara berkembang ini sering tidak memenuhi target produksi pertanian mereka, para petani skala besar masih mengandalkan pendekatan budidaya yang sudah ketinggalan zaman. Untuk tujuan ini, subsidi biaya teknologi canggih, mengakomodasi rencana berbagi teknologi, dan meningkatkan program pelatihan untuk mendidik petani tentang penggunaan dan pemeliharaan teknologi canggih sangat penting. Kedua, aplikasi pupuk harus ditingkatkan dengan mendanai dan mensponsori pupuk kelas satu, menerapkan fasilitas pengujian tanah yang luas, dan menyelenggarakan lokakarya untuk melatih para petani tentang penggunaan pupuk terbaik. Ketiga, struktur kebijakan terpadu penting untuk mengatasi masalah sinergis akses teknologi, konsumsi energi, dan aplikasi pupuk. Ini mencakup kerja sama multisektor, mempromosikan teknologi pertanian melalui insentif penelitian dan pengembangan, dan infrastruktur yang lebih baik, seperti fasilitas penyimpanan dan jalan.

Studi ini terutama berfokus pada negara-negara berkembang yang memproduksi pertanian berdasarkan data yang tersedia untuk umum, dengan menekankan keterbatasan mereka. Akibatnya, hasil dan pembahasan mungkin tidak berlaku secara universal pada konteks yang berbeda. Oleh karena itu, penting untuk mempertimbangkan kendala ini ketika memperluas temuan ke negara-negara dengan produk pertanian yang lebih kompleks yang mendorong kemajuan teknologi dan ekonomi mereka.