MODEL QUANTITY-INTENSITY (Q-I) KALIUM TANAH PADA LAHAN SENTRA BAWANG MERAH (Allium cepa L.) DI KABUPATEN BREBES, PROVINSI JAWA TENGAH

Abstract

Bawang merah (Allium cepa L.) merupakan komoditas hortikultura strategis bagi ketahanan pangan nasional, dengan Kabupaten Brebes sebagai sentra produksi utama yang menyumbang sekitar 17% produksi nasional. Meskipun memiliki peran penting dalam pasokan nasional, fluktuasi hasil yang masih terjadi menunjukkan perlunya evaluasi hara, khususnya terkait ketersediaan kalim (K) yang penting bagi kualitas, daya simpan, dan hasil umbi bawang merah. Petani di Kabupaten Brebes cenderung menggunakan pupuk K sintetis (pupuk KCl, KMgS, NPK Phonska) dalam dosis berlebih (rata-rata 150 kg ha-1 K2O) dibandingkan dengan rekomendasi (90 kg ha-1 K2O). Hal ini menimbulkan residu K tinggi di tanah. Selain itu, tanah memiliki kadar C-organik tergolong kategori rendah, serta hara Ca dan Mg tinggi. Tanah pertanian intensif di Kab. Brebes, Jawa Tengah mengandung mineral klei silikat tipe 2:1 yang dapat memfiksasi K. Oleh karena itu, tanah di lahan sentra bawang merah Kabupaten Brebes memiliki K-potensial tinggi, sehingga berperan penting dalam penyediaan hara K. Metode analisis K dapat dipertukarkan (K-dd) yang digunakan secara luas adalah metode ekstraksi amonium asetat (1 M NH4OAc, pH 7,0), namun metode ini belum mampu menggambarkan dinamika K pada tanah dengan kandungan klei tinggi, mengandung mineral klei tipe 2:1 (illit, vermikulit, smektit), Ca dan Mg tinggi, atau untuk tanah dengan penanaman intensif. Pendekatan hubungan Quantity-Intensity (Q-I) K memberikan cara lebih representatif untuk menilai keseimbangan K dalam tanah, melalui parameter AReK (rasio aktivitas K dalam keseimbangan), ?K0 (K-labil), dan PBCK (daya sangga K). Pendekatan ini tidak hanya menentukan jumlah K-dd tetapi juga mencakup aktivitas dan daya sangga K dalam tanah. Parameter hubungan Q-I K dalam tanah umumnya bersifat kompleks dan memerlukan waktu yang lama untuk dianalisis. Pendekatan machine learning (ML) berpotensi dapat digunakan untuk mempermudah prediksi parameter Q-I K dengan memanfaatkan data sifat-sifat tanah yang lebih mudah diperoleh dan mengintegrasikannya dengan kovariat lingkungan. Meskipun demikian, kajian literatur menunjukkan bahwa penelitian Q-I umumnya masih belum banyak ditelaah dalam konteks ML sebagai pendekatan analisis atau pemodelan data dari sifat-sifat tanah. Pengembangan model berbasis ML sejauh ini lebih banyak difokuskan pada hara selain K (seperti N, P, dan C-organik), sedangkan kajian spesifik pada hara K dalam hal ini Q-I K dalam tanah, masih sangat terbatas. Pendekatan ini berpeluang mendukung pembangunan sistem variable-rate fertilization yang presisi. Penelitian ini mempunyai tujuan utama untuk mengembangkan model ketersediaan hara K tanah berbasis hubungan Q-I K pada berbagai lahan pertanian di Kabupaten Brebes, Provinsi Jawa Tengah, terutama pada lahan sentra bawang merah. Untuk mencapai tujuan utama tersebut, maka tujuan khusus penelitian yaitu (1) mengevaluasi ketersediaan hara K melalui pendekatan hubungan Q-I, (2) membuat model prediksi Q-I K melalui pendekatan ML, dan (3) memvalidasi model prediksi Q-I K melalui percobaan pemberian pupuk kandang (pukan) sapi serta mengevaluasi pengaruh pukan sapi dan pupuk K terhadap ketersediaan K, pertumbuhan dan produksi bawang merah. Penelitian dilakukan di lahan sentra bawang merah Kabupaten Brebes menggunakan 61 sampel tanah yang dianalisis sifat fisikokimia, K-larut air, K-dd (K dapat dipertukarkan), K-tdd (K tidak dapat dipertukarkan), K-potensial, serta parameter Q-I K (AReK, ?K0, PBCK). Model prediksi dikembangkan menggunakan algoritma ML (Random Forest/RF, Cubist, Support Vector Machine/ SVM) dengan Multiple Linear Regression (MLR) sebagai pembanding. Kovariat mencakup sifat tanah (pH, C-organik, kapasitas tukar kation/KTK, kation-kation (Ca, Mg, K, Na) dapat dipertukarkan, klei, K-larut air, K-tdd, K-potensial, K-tersedia, kejenuhan K), serta faktor lingkungan (elevasi dan kemiringan lereng). Dataset dibagi menjadi 75% untuk pelatihan dan 25% untuk pengujian, dengan evaluasi menggunakan R2, Root Mean Square Error (RMSE), dan Mean Absolute Error (MAE). Validasi eksternal dan evaluasi pemupukan dilakukan melalui percobaan pupuk kandang sapi (5-35 ton ha-1) menggunakan rancangan percobaan acak lengkap di rumah kaca. Hasil penelitian menunjukkan bahwa tanah di lokasi penelitian memiliki K- dd sedang hingga tinggi, K-tdd tinggi, AReK bervariasi dengan dominasi K pada posisi edge mineral klei, ?K0 negatif menunjukkan adanya kecenderungan pelepasan K dari bentuk K-tdd ke larutan tanah, serta PBCK tinggi menunjukkan kapasitas penyangga K yang tinggi. Energi bebas pertukaran K (?G) menunjukkan ketersediaan K cukup bagi tanaman. Analisis ML menunjukkan bahwa model Cubist memberikan kinerja terbaik dibandingkan RF, SVM, dan MLR. Kovariat penting terpilih yang memengaruhi AReK adalah K-dd, Mg-dd, KTK, dan Ca-dd; untuk PBCK meliputi Ca-dd, K-dd, Mg-dd, Na-dd, KTK, dan pH; dan untuk ?K0 adalah K-dd dan K-tdd. Model Cubist (final) dengan kovariat penting terpilih menunjukkan kinerja prediksi yang baik (R2=0,87 untuk AReK; R2=0,52 untuk PBCK; dan R2=0,91 untuk -?K0), meskipun validasi eksternal menghasilkan hubungan sedang untuk AReK (R2=0,51; r=0,71) dan -?K0 (R2=0,38; r=0,62), serta lemah untuk PBCK (R2=0,21; r=0,45). Pukan sapi lebih berperan dalam pelepasan K bertahap dari bentuk K-tdd untuk jangka panjang, sementara pupuk KCl memberikan kontribusi lebih besar terhadap K tersedia. Perlakuan pukan sapi berpengaruh nyata terhadap tinggi tanaman. Perlakuan pukan sapi cenderung meningkatkan jumlah anakan dibandingkan perlakuan kontrol. Bobot umbi segar, bobot umbi kering eskip, dan serapan hara meningkat pada perlakuan pukan sapi (terutama dosis 20-35 ton ha-1), lebih tinggi daripada perlakuan pupuk KCl. Model Cubist relatif mampu menangkap hubungan antara AReK dan serapan hara K. Hasil penelitian ini menegaskan bahwa hara K bukan faktor pembatas utama pada tanah di lahan sentra bawang merah Kabupaten Brebes, tetapi pengelolaan hara berimbang melalui kombinasi pupuk organik dan K sintetis tetap diperlukan untuk menjaga ketersediaan K jangka pendek sekaligus cadangan jangka panjang. Model Q-I K berbasis ML, terutama model Cubist, berpotensi menjadi dasar rekomendasi pemupukan K spesifik lokasi pada sistem pertanian intensif, sehingga mendukung efisiensi penggunaan pupuk dan keberlanjutan agroekosistem.