125
VII.
PENGEMBANGAN MODEL KALENDER TANAM DINAMIK SEBAGAI TEKNOLOGI ADAPTASI
7.1.
Pendahuluan Salah satu informasi yang dirasakan sangat penting dalam kaitan dengan
penjadwalan penanaman petani adalah kalender tanam. Manfaat dari kalender tanam adalah untuk memandu petani dalam menyesuaikan waktu dan pola tanam, mengingat pentingnya jadwal penanaman, mulai dari masa persiapan tanah, penanaman, dan panen. Informasi kalender tanam sudah mulai disusun oleh Badan Penelitian dan Pengembangan Pertanian, Kementerian Pertanian sejak tahun 2007 dan semakin dikembangkan setiap tahun (Runtunuwu et al. 2009). Input awal dari kalender tanam yang telah dilakukan adalah peta kalender tanam. Peta ini menggambarkan potensi pola tanam dan waktu tanam tanaman semusim, terutama padi, berdasarkan potensi dan dinamika sumber daya iklim dan air (Las et al. 2007). Sejak tahun 2007 pula, Boer et al. merintis pengembangan model kalender tanam dinamik, yang mengakomodasi sifat dinamik perubahan variabel lain penentu sifat iklim, seperti fase SOI, decision dan bayesian network. Kegiatan ini dilanjutkan dengan kegiatan di proyek I-MHERE IPB 2-C (Boer et al. 2010), dan pada saat yang sama risetnya dikembangkan lebih jauh lagi dengan kegiatan KKP3T dengan menggunakan metode yang lebih diperluas cakupannya (Buono et al. 2010), dengan menggunakan pendekatan jejaring pengambilan keputusan (Decision Network). Decision Network (DN) dapat diaplikasikan sebagai strategi penyesuaian bentuk pola tanam dengan prakiraan musim, untuk mengatasi masalah kekeringan yang mungkin terjadi pada tanaman ke dua apabila sifat hujan di bawah normal, atau awal masuk musim hujan mengalami keterlambatan dari normal sehingga penanaman kedua mengalami kemunduran. Dalam penyusunan decision network sehingga dihasilkan pola tanam terbaik, dilakukan penggabungan fungsi utility dengan bayesian network sehingga merupakan suatu pendekatan yang lebih komprehensif.
Fungsi utility yang
merupakan strategi teknologi budidaya dalam hubungannya dengan produktivitas, diperoleh dari hasil bab sebelumnya (Bab VI), sedangkan dari Bayesian Network, kita dapat mengetahui peluang dari suatu peubah tertentu.
Pada dasarnya
126
Bayesian Network merupakan model visual menggunakan graph dari distribusi bersama sejumlah peubah. Mengingat Kalender tanam dinamik pada prinsipnya merupakan sebuah model, oleh karena itu validasi yang dilakukan merupakan validasi yang digunakan untuk sebuah model. Sedangkan validasi yang sebenarnya di lapangan, tidaklah demikian, karena pada prinsipnya kalender tanam dinamik adalah sebuah decision, yang dalam validasinya berbeda dengan simulasi biasa, namun didasarkan kepada kondisi yang diperoleh sebagai hasil decision yang dikeluarkan kalender tanam dinamik, yang kemudian disesuaikan dengan kondisi sebenarnya di lapangan, sesuai skenario iklim yang terjadi. Mengingat harus dibuat skenarioskenario, untuk membedakan kondisi pada tahun-tahun Normal, tahun-tahun kering (El-Nino) dan basah (La-Nina). Namun demikian, karena tahun yang digunakan dalam penelitian terbatas, sehingga belum mampu untuk melakukan validasi pada kondisi tahun-tahun tersebut. Validasi yang dilakukan baru berupa validasi acak terhadap kondisi tahun yang digunakan sebagai data validasi. Salah satu hal lain yang kurang mendukung terhadap hal ini juga adalah kesulitan data yang diperoleh di lapangan. Padahal data tersebut merupakan data-data yang sangat diperlukan untuk mendukung akuratnya sebuah model dan validasinya. 7.2.
Metodologi
Tahapan yang dilakukan adalah sebagai berikut : 7.2.1. Penyusunan jejaring bayes (Bayesian Network) Untuk penentuan pola tanam ideal, digunakan data ENSO, musim hujan, luas tanam, sifat musim dan kejadian bencana iklim. Bayesian Network merupakan suatu Directed Acyclic Graph (DAG) untuk merepresentasikan secara visual mengenai keterkaitan langsung antar peubah di atas. Tahapan dalam penyusunan Bayesian Network: a.
Penentuan peubah untuk kekeringan. Dalam kajian ini, untuk menentukan tingkat kekeringan terdapat empat peubah, yaitu 1). SST Nino 4, 2). Curah Hujan Musim Kemarau (CHMK/CH bulan Mei+Juni+Juli+Agustus), 3). Panjang Musim Hujan (PMH) dalam setahun dan 4). Kejadian Kekeringan (K). Keterkaitan empat peubah tersebut adalah seperti dalam Gambar 5.1. berikut :
127
Bayesian Network P( I j | Q) =
P( I j ∧ Q) P(Q) S1
Q
queri
S2
S3
SST NINO4
CHMK C1
Gambar 7.1 b.
PMH C2
C3
P1
P2
K1
K2
K3
K4
K5
KEKERINGAN
I1
I2
I3
I4
I5
Peluang akhir
P3
Bayesian Network dengan empat peubah
Transformasi untuk mendapatkan nilai-nilai setiap peubah kategori tersebut adalah sebagai berikut: - SST NINO 4 : diambil dari situs http://www.cpc.ncep.noaa.gov/data/indices/ersst3b.nino.mth.ascii - CHMK (Curah Hujan) : a. Dihitung total nilai curah hujan bulan Mei,Juni, Juli dan Agustus. b. Untuk setiap bulan, nilai CHMK adalah : CH = 1 Nilai CH < 0.85*Rata-rata Total Mei-Juni-Juli-Agustus CH = 2 0.85*Rata-Rata Tahunan
1.15*Rata-rata Total Mei-Juni-Juli-Agustus Contoh : Rata-rata CH bulan Juni adalah 21, maka jika CH bulan tersebut kurang dari 21 akan diberi kode CH=1. - PMH (Panjang Musim Hujan) : a. Panjang Musim hujan ditentukan berdasarkan berapa lama musim hujan pada satu tahun. b. Dihitung berdasar informasi Awal Musim Hujan (AMH) hingga akhir musim hujan.
128
Untuk ilustrasi sebagai berikut : AMH 97/98 adalah dasarian 32 ini artinya AMH pada pertengahan November th 1997. PMH = 21 Dasarian - K (Kekeringan) : Penentuan kode untuk variabel K adalah mengikuti aturan seperti berikut : Tabel 7.1 Kategori kekeringan Tingkat kekeringan
Keterangan
1
Tidak ada lahan kekeringan
2
0
3
Q1
4
Q2
5
luas lahan kekeringan>Q3
Contoh teorema Bayesian :
Pada sistem yang akan dikembangkan, parameter model (yang berupa tabel peluang bersyarat untuk setiap peubah dalam Bayesian Network) diformulasikan selain menggunakan data historis, juga menggunakan informasi iklim yang muncul (baik yang berasal dari data observasi maupun berdasar model prediksi), sehingga secara dinamis sistem melakukan adaptasi terhadap kondisi nyata yang sedang terjadi. 7.2.2. Penyusunan jejaring pengambilan keputusan (Decision Network)
Penyusunan
kalender
tanam
dinamik
dilakukan
dengan
mengintegrasikan keseluruhan komponen yang dianggap menunjang terhadap keluarnya sebuah keputusan yang diharapkan lebih akurat dalam penentuan awal musim tanam, dalam suatu Decision Network (DN). Oleh karena itu terdapat kombinasi alternatif decision yang sangat beragam. Masing-masing alternatif decision dikembangkan sesuai dengan masukan dari bayesian network, fungsi utility (yang diakomodir oleh
129
Bayesian Network
S1
Q
queri
S2
S3
SST NINO4
CHMK C1
PMH C2
C3
P1
P2
K1
K2
K3
K4
K5
KEKERINGAN
I1
I2
I3
I4
I5
Peluang akhir
BAYESIAN
Pilihan perlakuan (Waktu tanam, Irigasi, varietas dan pemupukan)
SIMULASI DSSAT
P3
FUNGSI UTILITY
DSSAT ‘Yield’ hasil simulasi kg per hektar
INPUT (Rp.)
Asumsi harga gabah (Rp.)
OUTPUT (Rp.)
Keuntungan /kerugian
DECISON Decision D1 D2 D3 D4 D5 … Dn
Waktu tanam T1 T2 T3 T4 T5 … Tn
Gambar 7.2. Decision Network
Irigasi I1 I1 I1 I1 I1 … In
Varietas V1 V1 V1 V1 V1 … Vn
Pemupukan P1 P1 P1 P1 P1 … Pn
130
sistem inferensi fuzzy) dan hasil keluaran dari simulasi DSSAT.
Pilihan
yang dikeluarkan untuk pengambilan keputusan dalam suatu decision network sudah mengakomodir unsur-unsur itu, sehingga dapat diambil keputusan terbaik (pola tanam terbaik), berdasarkan pilihan yang dikeluarkan tersebut. Pola tanam terbaik adalah didasarkan kepada bukan saja memberikan hasil yang terbaik, tetapi juga memperhatikan biaya yang dikeluarkan. Sebagai ilustrasi Gambar 7.2. berikut menyajikan diagram dari suatu DN. 7.2.3. Penyusunan kalender tanam dinamik Dengan mengintegrasikan hasil survey, penyusunan jejaring bayes dan penyusunan Decision Network, yang dikaitkan dengan hasil prakiraan iklim, maka dapat dilakukan penentuan pola tanam dan onset musim tanam. Sebagai alat bantu pengambil keputusan, pengembangan dari Kalender Tanam dinamik diharapkan mampu menyediakan alternatif pola tanam atau teknologi berdasarkan prakiraan yang diberikan untuk musim tertentu dengan risiko minimum dan di sisi lain menyumbangkan hasil yang ditinjau secara ekonomi lebih tinggi.
Data CH
Data dinamika pola tanam petani
Penyusunan Bayesian dan Decision
Network
Data luas tanam
Penyusunan berbagai alternatif pola tanam
Penyusunan kalender tanam dinamik
Verifikasi
Gambar 7.3. Model kalender tanam dinamik
Informasi sifat hujan
Rekomendasi Teknologi
131
7.3.
Hasil dan Pembahasan
7.3.1. Bayesian dan decision network Peubah dalam BN yang berpengaruh langsung adalah kekeringan yang terjadi pada pertanaman kedua.
Dilakukan lima pengkategorian kekeringan.
Pengkategorian ini didasarkan pada data hasil observasi lapang mengenai kejadian kekeringan, dan secara visual terlihat pada Gambar 7.4. Batas-batas kategori kekeringan berdasar gembar di atas adalah sebagai berikut : K1 : tidak ada kekeringan K2 : terjadi kekeringan rendah, yaitu 0Q3 Hasil yang diberikan BN merupakan peluang kekeringan, yang dapat digunakan untuk menduga potensi kekeringan di suatu daerah tertentu berdasarkan peluang yang tersedia. 180 158
Luas lahan Kekeringan
160 131
140
139
120 96
100 80 55
60 40 20 1
1
2
2
3
4
5
15
16
20
22
23
25
25
34
42
61
45
0
1
3
5
K2
7
9
11
K3
13
15
17
19
K4
21
23
K5
Gambar 7.4 Pengkategorian bencana kekeringan (Buono et al., 2011) Berdasarkan perhitungan pada SST Nino 4, diperoleh hasil bahwa dalam kurun waktu penggunaan data dari tahun 1989 hingga 2010, diketahui bahwa peluang terjadi kekeringan hingga K5 lebih banyak didominasi pada kondisi ElNino. Sedangkan kondisi peluang K1 atau tidak terjadi kekeringan, diwakili pada kondisi tahun La-Nina, tahun Normal, dan sedikit pada tahun El-Nino. Secara umum peluang kekeringan untuk kondisi Elnino adalah lebih tinggi dibanding
132
kondisi Normal dan Lanina. Namun demikian, menurut Buono (2011), jika terjadi curah hujan di musim kemarau diatas normal ataupun normal, maka peluang ini mengecil.
Sedangkan jika curah hujannya di bawah normal, maka peluang
kekeringan langsung meningkat tajam, baik kondisi ENSO Elnino, Normal maupun Lanina.
Pendapat lain dipaparkan oleh Liong et al. (2003) yang menyatakan
bahwa pada saat intensitas El-Nino tinggi akan menyebabkan kekeringan di Indonesia, tetapi ketika intensitas El-Nino rendah pengaruh lain dapat menjadi dominan sehingga mungkin saja kekeringan terjadi. Seperti dipaparkan oleh Lubis et al. (2003), bahwa nilai anomali maksimum El-Nino tahun 1982/1983 > 1997/1998, akan tetapi Kekeringan yang terjadi tahun 1997/1998 > 1982/1983. Decision network merupakan gabungan bayesian network, keputusan dan fungsi utilitas. Dalam penelitian, risiko kekeringan diformulasikan dengan fungsi utilitas yang dimodelkan dengan FIS seperti pada Bab sebelumnya. Selanjutnya parameter Bayes diduga dengan data yang ada (dengan metode kemungkinan maksimum) yang digabungkan dengan pertimbangan pakar. Hal ini diperlukan mengingat data yang tersedia tidak mencukupi secara statistik untuk melakukan pendugaan terhadap semua parameter dalam model Bayes.
133
Donorojo
Peluang kekeringan
Arjosari 0.5 0.4 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0.0
0.5 0.4 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0.0 K1
K2
K3
K4
0.5 0.4 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0.0
K5
K1
Peluang kekeringan
K2
K3
K4
K5
K1
Ngadirojo
Nawangan 0.7
0.7
0.5
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.1
0.0
0.0
0.4 0.3 0.2
K2
K3
K4
K1
Pringkuku
K2
K3
K4
K5
0.6 0.5
0.5
0.2
0.2
0.1
0.1 0.0
0.0 K2
K3
K4
K5
K2
K3
K4
K5
K4
K5
0.5 0.4 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0.0
0.3
0.3
K4
Tegalombo
0.4
0.4
K1
K1
Punung
0.6
K3
0.0
K5
0.7
K2
Pacitan
0.6
K1
Peluang kekeringan
Kebonagung
K5
K1
K2
K3
K4
K5
K1
K2
K3
Tulakan
Peluang kekeringan
0.5 0.4 0.3
La-Nina Normal
0.2
El-Nino
0.1 0.0 K1
Gambar 7.5
K2
K3
K4
K5
Peluang kekeringan pada tingkat / kategori kekeringan (K1 hingga K5) di 10 kecamatan di Pacitan
7.3.2. Kalender tanam dinamik Dalam Decision Network diintegrasikan antara Bayesian Network yang menyediakan informasi seberapa besar peluang kekeringan yang mungkin terjadi.
134
Sedangkan fuzzy inference system memberikan informasi potensi luas kekeringan yang mungkin terjadi.
Hasil simulasi DSSAT memberikan informasi seberapa
besar ‘yield’ yang akan diperoleh pada kondisi iklim tertentu, pada kondisi tanah tertentu dengan pemilihan teknik budidaya tertentu.
Sehingga ketiga potensi
penduga ini dapat diintegrasikan untuk melengkapi satu dengan yang lain. Berdasarkan nilai-nilai simulasi DSSAT maka nilai utility untuk setiap pasangan pola tanam yang dipilih, Di, dan kejadian kekeringan Kj, dihitung dengan rumus :
U(Di,Kj)=[Pi*(L-Kj)]*H-[Ci*(L-Kj)] dengan : U(Di,Kj)
: perolehan rupiah kalau memilih pola Di dan terjadi kekeringan kategori Kj, dengan i=1, 2, 3, …, 288, dan j=1, 2, 3, 4, 5.
Pi
: produktivitas lahan per hektar kalau memilih pola Di
L
: luas lahan yang tersedia
Kj
: luas lahan yang terkena kekeringan pada kategori Kj Kj merupakan perpaduan antara hasil peluang kekeringan yang diperoleh dari Bayesian network, dengan luas kekeringan yang diperoleh dari system inferensi fuzzy.
H
: harga produk
Ci
: biaya input yang harus dikeluarkan kalau memilih pola Di
Misal apabila diketahui peluang kekeringan sebesar 0.7 berdasarkan Bayesian network, Peluang tersebut kemudian dikonversikan ke luas lahan yang tersedia, akan diketahui luas lahan yang berpotensi kekeringan.
Potensi luas lahan
kekeringan tersebut, dibandingkan dengan hasil pendugaan luas kekeringan dari system inferensi fuzzy.
Dengan demikian proyeksi luas kekeringan yang
diberikan diharapkan akan lebih mendekati ketepatan.
Menurut Buono et al.
(2011), jika hasil observasi dikaitkan dengan kekeringan, dapat memperlihatkan hasil prediksi sistem sudah tepat, yaitu jika diprediksi bahwa tahun depan terjadi kekeringan dengan peluang tinggi, maka memang benar bahwa tahun depan terjadi.
Meskipun tidak menutup kemungkinan,
terdapat beberapa kesalahan,
namun semua kejadian kekeringan mampu diprediksi dengan peluang yang tinggi, seperti disajikan pada gambar berikut :
135
Gambar 7.6
Ilustrasi antara peluang terjadinya kekeringan dengan kejadian bencana kekeringan tahun 1988 hingga 2007 (Buono et al. 2011)
Gambar 7.7 Tingkat/kategori kekeringan berdasarkan bayesian Kesalahan dalam penggunaan model dapat terjadi yang disebabkan beberapa hal, seperti : keterbatasan data, atau bisa juga bahwa petani telah menerapkan teknik adaptasi dengan baik, sehingga meskipun hujan rendah, maka bencana kekeringan tidak terjadi. Sehingga meskipun diprediksi peluang akan terjadi kekeringan tinggi, namun karena petani sudah menyiapkan diri, maka Kekeringan tidak terjadi.
136
Dari hasil Bayesian dan FIS diketahui potensi terjadi kekeringan pada luas tertentu, kemudian prediksi tersebut digabungkan dengan hasil simulasi DSSAT. Dalam hal ini, harus diketahui terlebih dahulu, produksi rata-rata/musim tanam. Keluaran dari hasil simulasi DSSAT
(kg/ha), yang digabungkan dengan
produktivitas lahan dan luas lahan yang tersedia, yang ditunjang dengan input biaya, akan diperoleh nilai fungsi risiko dalam rupiah.
7.3.3. Rekomendasi Teknologi Rekomendasi
dilakukan untuk pilihan terbaik dari hasil DSSAT yang
diperoleh sebelumnya. Hasil simulasi DSSAT dapat memberikan alternatif pilihan kombinasi tanggal tanam dengan budidaya yang akan digunakan. Berdasarkan hasil tersebut, pada umumnya tanggal tanam merupakan indikator yang sangat penting untuk diperhatikan, terutama pada pertanaman kedua, untuk menghindari risiko kekeringan (Gambar 7.8). Pada prinsipnya, rekomendasi dipilih berdasarkan opsi-opsi teknologi yang dapat dikembangkan, dan dipilih opsi teknologi yang memberi risiko minimum akibat kejadian kekeringan.
Opsi tersebut sudah
termasuk di dalamnya tanggal-tanggal tanam, yang memberikan hasil yang tinggi tetapi dengan risiko minimum dengan keuntungan maksimum.
Risiko kekeringan pada MT 2 semakin bertambah akibat mundurya waktu tanam
Gambar 7.8. Ilustrasi pertanaman berdasarkan tanggal tanam
137
Gambar 7.9. Contoh prediksi kehilangan hasil Hasil masing-masing kombinasi perlakuan terlihat pada jumlah kehilangan hasil.
Perlakuan terbaik juga mengindikasikan perlakuan yang mempunyai
kehilangan hasil yang paling minimal. Gambar di bawah ini. dapat digunakan
Kehilangan hasil per tahun disajikan pada
Perlakuan yang memberikan kehilangan hasil terendah
sebagai acuan untuk rekomendasi teknologi budidaya pada
tahun-tahun El-Nino, La-Nina dan Normal.
Sebagai
pewakil tahun Normal
adalah tahun 1993, pewakil untuk tahun El-Nino adalah gambar dari tahun 1997, pewakil tahun La-Nina adalah tahun 1998. Pada tahun 1993, perlakuan I1V2P3 (perlakuan tanpa Irigasi, varietas IR 8 dan pupuk ditambah dengan bahan organik pupuk kandang sebanyak 2 ton/ha)
merupakan yang terbaik. Sedangkan untuk
tahun 1997 perlakuan terbaik adalah I2V2P3 (perlakuan dengan Irigasi, varietas IR 8 dan pupuk ditambah dengan bahan organik pupuk kandang sebanyak 2 ton/ha).
138
Sedangkan untuk tahun 1998, hanya dipengaruhi oleh perbedaan varietas. Berdasarkan gambaran dari kehilangan hasil tersebut juga terlihat bahwa pada tahun-tahun El-Nino, kehilangan hasil dalam rupiah mempunyai kemungkinan lebih besar daripada tahun-tahun Normal dan tahun-tahun La-Nina. Sebaliknya pada tahun-tahun La-Nina kehilangan hasil lebih rendah daripada tahun-tahun Normal dan tahun-tahun El-Nino. Perhitungan kehilangan hasil juga dilakukan dengan menggunakan persamaan dari BC Ratio, sehingga diperoleh pada tanggal kapan yang secara ekonomi layak dan memberikan keuntungan.
Untuk pertanaman kedua,
penanaman tanggal 1 Februari memberikan hasil yang terbaik, hal tersebut ditunjukkan dengan error yang paling rendah.
7.4.
Simpulan Kabupaten Pacitan seperti halnya wilayah lain yang memiliki pola hujan
monsunal sangat terpengaruh oleh dampak keragaman iklim, yang apabila tidak diantisipasi dengan baik, dapat menyebabkan terjadinya risiko penurunan hasil tanaman. Risiko tersebut dapat diminimalkan dengan melakukan perencanaan tanam yang baik. Untuk mendukung perencanaan tanam petani, sudah dilakukan beberapa hal terkait, diantaranya adalah aplikasi kalender tanam. Kalender tanam sebagai salah satu informasi yang dibutuhkan petani perlu selalu diupdate. Untuk mendukung hal tersebut, maka informasi mengenai decision network, yang terkait dengan bayesian network, sistem inferensi fuzzy dan penilaian fungsi risiko berdasarkan teknologi yang terkait dengan varietas, pemupukan dan irigasi yang dilakukan, dapat menjadi tambahan informasi yang diharapkan dapat melengkapi kalender tanam yang sudah tersedia. Dalam Decision Network diintegrasikan antara Bayesian Network yang menyediakan informasi seberapa besar peluang kekeringan yang mungkin terjadi. Sedangkan fuzzy inference system memberikan informasi potensi luas kekeringan yang mungkin terjadi.
Hasil simulasi DSSAT memberikan informasi seberapa
besar ‘yield’ yang akan diperoleh pada kondisi iklim tertentu, pada kondisi tanah tertentu dengan pemilihan teknik budidaya tertentu.
Sehingga ketiga potensi
penduga ini dapat diintegrasikan untuk melengkapi satu dengan yang lain, sebagai unsur pendukung untuk kalender tanam dinamik.
139
Dalam aplikasinya, kalender tanam memerlukan keterpaduan banyak pihak, terutama sektor terkait, dalam hal ini pengambil kebijakan, petani/ kelompok tani/gapoktan, penyuluh, peneliti, LSM, lembaga yang terkait dengan keuangan dan lain-lain.
Sinergi antar sektor tersebut diharapkan dapat meningkatkan
kesejahteraan
petani
pada
akhirnya,
mengingat
untuk
meningkatkan
kesejahteraan petani harus dilihat dari mulai hulu ke hilir, dari mulai penyiapan benih, subsidi pupuk, informasi tanam dan lain-lain, hingga ke pasca panen dan pemasaran. Metode ini dapat lebih dioptimalkan dengan memasukkannya ke dalam sistem yang terstruktur yang ketika suatu input dasar diterima, misalnya hasil prakiraan iklim, dapat secara cepat memperlihatkan kemungkinan output yang terjadi, sehingga informasi dapat lebih cepat disalurkan, dan bahkan pengguna dapat menggunakan langsung dengan memasukkan input dasar tersebut. Metode ini diharapkan dapat mendukung pengembangan sistem informasi Kalender Tanam Terpadu yang sudah dikembangkan oleh Kementerian Pertanian.
