Kajian Akurasi Penduga Luas Panen Padi pada Metode Kerangka Sampel Area (KSA)

Abstract

Ketidaksinkronan data beras nasional hingga tahun 2017 diduga disebabkan perbedaan metode perhitungan yang dilakukan antar instansi pemerintahan. Badan Pusat Statistik (BPS) selaku instansi yang paling bertanggung jawab terhadap data beras nasional, melakukan pengumpulan data luas tanaman padi menggunakan metode pendugaan statistik pertanian padi (SP-Padi). Metode pendugaan tersebut sangat berpotensi terpengaruhi unsur subjektif dari berbagai pihak. Pengembangan metode baru untuk mengatasi hal ini sudah dimulai oleh pemerintah sejak tahun 1993. Pada tahun 2018 metode yang diberi nama kerangka sampel area (KSA) ditetapkan penggunaannya secara resmi oleh pemerintah dibawah koordinasi BPS. Metode KSA membagi wilayah ke dalam bentuk grid yang terbagi menjadi blok berukuran 6 km x 6 km, segmen berukuran 300 m x 300 m, dan subsegmen berukuran 100 m x 100 m. Stratifikasi diterapkan pada lahan sawah pada setiap poligon segmen. Stratifikasi yang dibentuk terbagi menjadi empat kelompok besar, yaitu poligon-poligon bukan persawahan (Strata-0/S0), poligon-poligon persawahan irigasi (Strata-1/S1), poligon-poligon sawah non-irigasi/tadah hujan (Strata-2/S2), dan poligon-poligon lahan kering untuk tanaman pangan yang biasa disebut dengan tegalan (Strata-3/S3). Desain pemilihan sampel yang digunakan adalah aligned systematic random sampling dengan memperhatikan ambang jarak (threshold). Pada setiap sampel segmen terpilih dilakukan pengamatan kategori fase pertumbuhan padi setiap bulan pada sembilan titik pusat subsegmen. Metode baru ini memiliki beberapa isu terkait metodologi yang digunakan dalam penentuan metode penarikan contoh (sampling). Isu pertama adalah penyusunan blok, segmen, dan subsegman yang berbentuk grid, padahal kondisi lahan hampir seluruhnya tidak teratur dan banyak segmen yang areanya tidak 100% lahan sawah. Isu kedua adalah apakah pengambilan 5% segmen pada blok terpilih sudah bersifat representative. Isu ketiga adalah apakah sembilan titik pengamatan pada subsegmen bisa mewakili seluruh area subsegmen. Terakhir, biaya operasional yang cukup tinggi untuk membiayai enumerator mendatangi titik-titik amatan. Penelitian ini dilakukan untuk mengkaji evaluasi akurasi luas panen padi pada metode KSA melalui proses simulasi penarikan contoh metode KSA dengan berbagai skenario. Skenario yang dibangkitkan terbagi menjadi dua jenis, yaitu skenario keragaman proporsi strata pada segmen terpilih (empat skenario) dan skenario keragaman proporsi status panen petakan pada subsegmen (lima skenario). Kedua jenis skenario dikombinasikan sehingga terdapat 20 kombinasi skenario yang disimulasikan. Dari hasil simulasi didapatkan bahwa rataan persentase selisih antara luas panen populasi dan luas panen contoh terhadap luas lahan kecamatan adalah sebesar 0,00062% dan nilai mean square error (MSE) sebesar 0,0041%. Rataan persentase selisih luas panen yang mendekati nol bisa dianggap sebagai tidak adanya bias pada metodologi ini, hal ini juga didukung dengan nilai MSE yang sangat kecil. Sehingga dapat diambil kesimpulan bahwa metodologi KSA yang dilakukan oleh BPS merupakan metode yang tak bias dan sudah cukup baik mengakomodasi berbagai keragaman kondisi sebaran strata pada setiap daerah. Selain itu, penerapan KSA dapat juga dikombinasikan dengan citra satelit yang sudah dikenal memiliki banyak informasi vegetasi yang potensial untuk digunakan dalam klasifikasi tanaman. Data citra satelit yang dapat diunduh secara gratis tersebut berpotensi meningkatkan efektivitas operasional dengan mengurangi frekuensi kedatangan enumerator ke titik-titik amatan. Dengan mempertimbangkan umur tanam padi sekitar 100-120 hari, penggunaan citra satelit pada operasional metode KSA dapat mengurangi pengamatan menjadi hanya dua bulan sekali atau paling lama tiga bulan sekali.

There was unsynchronized national rice data until 2017, which indicating that influenced by the differences in calculation methods between government agencies. The Indonesian Central Bureau of Statistics (BPS Statistics), the most responsible agency for national rice data, collected rice plant areas data using the paddy statistical assessment method (SP-Padi). Subjective elements from various parties potentially influenced the result of this assessment method. The development of a new method to overcome this matter has been started by the government since 1993. In 2018 the method, which is named the Area Sample Frame (ASF) method, was officially used by the government under the coordination of BPS. The ASF method divides the area into a grid: blocks measuring 6 km x 6 km, segments measuring 300 m x 300 m, and subsegments measuring 100 m x 100 m. Stratification is applied to paddy fields on each polygon segment. There are four stratification groups, namely polygons of non-paddy fields (Strata-0/S0), polygons of irrigated paddy fields (Strata-1/S1), polygons of non-irrigated/rainfed paddy fields (Strata-2 /S2), and dry land polygons for food crops commonly referred to as moor (Strata-3/S3). The sampling design used is aligned-systematic random sampling by taking into account the threshold. Every month the selected segment samples are observed of its paddy growth phase category at nine sub-segment centers. This new method has several issues related to the methodology used in determining the sampling method. First, the arrangement of blocks, segments, and subsegments in the form of a grid, even though the land condition is almost entirely irregular and many segments are not 100% paddy fields. Second, whether the sampling of the 5% segment in the selected block is representative or not. Third, whether the nine observation points in the subsegment represent the entire subsegment area or not. Fourth, operational costs are pretty high to finance enumerators visiting the observation points. This study was conducted to evaluate the accuracy of paddy harvest area estimation on the ASF method through a sampling simulation process of the ASF method with various scenarios. The scenarios were divided into two types, the strata proportion diversity in the selected segments (four scenarios) and the harvest status proportion diversity in the sub-segments (five scenarios). The two types of scenarios were combined so that 20 scenario combinations were simulated. It was found that the difference percentage average between the harvested area of the population and the harvested area of the sample to the sub-district area was 0.00062%, and the mean square error (MSE) was 0.0041%. The difference percentage average in the harvested area close to zero can be considered as there is no bias in this methodology. The minimal MSE value also supported it. So it can be concluded that the ASF methodology is an unbiased method and is good enough to accommodate various strata diversity in any region. In addition, the application of ASF can also combine with satellite images that are known to have a lot of potential vegetation information to be used in plant classification. The satellite image data, which is free downloaded, can increase operational effectiveness by reducing enumerator arrivals frequency to the observation points. By considering the paddy planting age of about 100-120 days, satellite imagery in the operation of the ASF method can reduce observations frequency to only once in two months or once in three months at the most.