Pemisahan Faktor Pendorong dan Prediksi Ketahanan Pangan Berpresisi Tinggi di Asia Tengah Berdasarkan Model PLS-SEM dan PSO-LSSVM yang Digabungkan

ABSTRAK
Pasokan dan permintaan biji-bijian memengaruhi ketahanan pangan regional; namun, faktor pendorongnya sering kali tidak jelas, sehingga membuat peramalan dan pembuatan kebijakan yang tepat menjadi sulit. Studi ini menggunakan Asia Tengah sebagai kasus untuk mengintegrasikan Partial Least Squares Structural Equation Modeling (PLS-SEM) dengan particle swarm optimization least squares support vector machine (PSO-LSSVM) untuk mengidentifikasi secara terpisah faktor pendorong pasokan dan permintaan biji-bijian dan meningkatkan akurasi prediksi. Kami menganalisis variasi antartahunan dalam produksi, volume impor/ekspor, konsumsi, dan inventaris gandum, beras, barley, jagung, dan biji-bijian lainnya di Asia Tengah (1992–2019). Kami kemudian memisahkan faktor-faktor yang memengaruhi produksi dan konsumsi gandum menggunakan PLS-SEM dan membuat prediksi dengan mengintegrasikan PLS-SEM dengan PSO-LSSVM. Hasilnya menunjukkan bahwa pasokan dan permintaan biji-bijian di seluruh Asia Tengah, yang terutama didorong oleh produksi dan konsumsi gandum, menurun dan kemudian pulih, dengan titik balik antara tahun 1995 dan 1998. Kazakhstan mengekspor 44% gandumnya, sedangkan negara-negara lain sangat bergantung pada impor. Di Asia Tengah, koefisien jalur ( r ) dari area gandum dan hasil panen terhadap total produksi masing-masing adalah 0,36 dan 0,77, sedangkan di Kazakhstan, masing-masing adalah 0,37 dan 0,81. Faktor iklim dan budidaya secara tidak langsung memengaruhi produksi melalui hasil panen gandum, sedangkan hasil panen dan konsumsi memengaruhi produksi melalui area. Pertumbuhan ekonomi meningkatkan konsumsi gandum, sedangkan pertumbuhan penduduk perkotaan menurunkannya. Di Kazakhstan, ekspor gandum mengurangi konsumsi ( r =  −0,23) tetapi meningkatkan perekonomian ( r =  0,33), suatu pola yang tidak diamati di Asia Tengah. Model kopling PLS-SEM dan PSO-LSSVM meningkatkan akurasi prediksi hasil panen gandum, mengurangi kesalahan sebesar 10,21% di Asia Tengah dan 32,8% di Kazakhstan. Studi ini menawarkan pendekatan baru untuk memisahkan faktor pendorong produksi dan konsumsi biji-bijian dan memprediksi hasil panen di wilayah dengan ketersediaan data terbatas.

1 Pendahuluan
Keamanan pangan, sebagaimana didefinisikan oleh Organisasi Pangan dan Pertanian Perserikatan Bangsa-Bangsa (FAO), adalah “akses ke makanan yang cukup, aman, dan bergizi untuk semua orang setiap saat, melalui sarana fisik, sosial, dan ekonomi, untuk memenuhi kebutuhan dan preferensi makanan yang positif dan sehat” (Ingram 2020 ). Ini adalah fondasi strategis untuk keamanan nasional dan penting untuk stabilitas sosial dan pembangunan ekonomi (D’Odorico dan Rulli 2013 ). Inti dari keamanan pangan nasional adalah keseimbangan antara penawaran dan permintaan biji-bijian, yang dipengaruhi oleh faktor-faktor seperti iklim, irigasi, penggunaan pupuk, impor dan ekspor biji-bijian, dinamika populasi, dan pola makan (Han et al. 2022 ; Jiang dan Zhou 2023 ; Ma et al. 2022 ; Yu et al. 2020 ). Hal ini mempersulit identifikasi faktor pendorong utama dan prediksi yang akurat tanpa eksperimen tanaman yang ekstensif. Dengan geografi yang unik dan kapasitas produksi biji-bijian yang tinggi, Asia Tengah memainkan peran penting dalam memastikan keamanan pangan global (Liao dan Wei 2021 ). Memahami evolusi penawaran dan permintaan biji-bijian, memisahkan faktor pendorong, dan memprediksi hasil panen menggunakan data publik yang terbatas di wilayah ini sangat penting untuk pembuatan kebijakan guna mengatasi krisis pangan.

Keseimbangan antara pasokan dan permintaan biji-bijian bervariasi secara signifikan di antara negara-negara Asia Tengah, termasuk Kazakhstan, Kyrgyzstan, Tajikistan, Turkmenistan, dan Uzbekistan (Dupouy dan Gurinovic 2020 ; Liu et al. 2022 ). Kecuali Kazakhstan, negara-negara ini lebih bergantung pada impor biji-bijian. Dilaporkan, kesenjangan biji-bijian yang substansial di Kyrgyzstan, Tajikistan, Turkmenistan, dan Uzbekistan pada tahun 2007 menyebabkan ketegangan ekspor dengan Kazakhstan, Ukraina, dan Rusia, yang berkontribusi pada peningkatan harga biji-bijian global (Xiao 2013 ). Estimasi FAO tahun 2020 menunjukkan bahwa Kazakhstan memiliki potensi hasil pertanian tertinggi dan dapat menjadi pusat perdagangan biji-bijian internasional (Zhao dan Zhang 2021 ). Sejak 2010, Kazakhstan telah menempati peringkat ke-12 secara global dalam produksi biji-bijian dan ke-5 dalam volume ekspor, yang menggarisbawahi signifikansinya dalam perdagangan biji-bijian global (Zhang 2014 ). Bahasa Indonesia: Setelah pembubaran Uni Soviet, pasokan biji-bijian di negara-negara Asia Tengah mengalami penurunan tajam; namun, hasil panen dan total produksi membaik pada berbagai tingkatan seiring dengan pemulihan pertanian, ekonomi, dan perdagangan internasional secara bertahap (Burkitbayeva et al. 2020 ; Gao et al. 2024 ). Hesilaiti et al. ( 2018 ) melaporkan bahwa produksi gandum di Kazakhstan, Tajikistan, dan Uzbekistan meningkat masing-masing sebesar 65,16%, 125,77%, dan 88,39%, sedangkan Kirgistan dan Turkmenistan mengalami penurunan masing-masing sebesar 36,34% dan 5,53%. Hasil panen di setiap negara meningkat, yang menunjukkan perbaikan pengelolaan lahan pertanian dan input. Pertumbuhan perdagangan biji-bijian telah memengaruhi secara signifikan dinamika penawaran dan permintaan biji-bijian di setiap negara (Han et al. 2022 ; Zhou et al. 2021 ). Meskipun penelitian sebelumnya telah mengukur perubahan jangka panjang dalam pasokan dan permintaan biji-bijian di Asia Tengah, analisis kuantitatif terperinci mengenai produksi tanaman, volume impor dan ekspor, permintaan domestik, dan cadangan biji-bijian tahunan masih kurang, sehingga menghambat penilaian dan prediksi akurat mengenai ketahanan pangan di wilayah tersebut.

Faktor-faktor seperti presipitasi, suhu, area tanam, irigasi, dan input pupuk mendorong perubahan dalam produksi biji-bijian (De Keyser et al. 2023 ; Karimov et al. 2022 ; Pickson et al. 2023 ; Qin et al. 2022 ). Penelitian terkini menggunakan analisis korelasi dan pemodelan tanaman untuk memeriksa hubungan antara hasil panen regional dan faktor-faktor utama yang memengaruhinya. Analisis korelasi yang dilakukan oleh Gao et al. ( 2024 ) mengidentifikasi area tanam sebagai pendorong utama fluktuasi produksi biji-bijian tahunan di Asia Tengah, yang menurun dari 0,22 miliar hektar menjadi 0,14 miliar hektar antara tahun 1992 dan 1999, sebelum secara bertahap meningkat menjadi 0,2 miliar hektar pada tahun 2009. Han et al. ( 2022 ) menetapkan hubungan lahan-air-pangan, yang menunjukkan bahwa sejak tahun 1950-an, peningkatan volume irigasi telah meningkatkan produktivitas secara signifikan, dengan gandum, kapas, jagung, dan barley menyumbang 50% dari total konsumsi air. Namun, analisis korelasi terbatas untuk memeriksa hubungan langsung antara komponen dan mengabaikan interaksi tidak langsung. Model tanaman sering kali tidak cocok pada skala regional dan memerlukan data eksperimen yang sangat ketat. Model persamaan struktural kuadrat terkecil parsial (PLS-SEM) secara bersamaan melakukan analisis komponen utama, regresi linier berganda, dan analisis korelasi antara dua set variabel, yang menawarkan keuntungan seperti persyaratan ukuran sampel yang berkurang dan efisiensi komputasi yang tinggi (Rodrigues et al. 2019 ; Sadeghfam dan Abadi 2021 ; Shi et al. 2022 ). Ini sering digunakan untuk mengurai hubungan antara faktor lingkungan dan target dalam studi ekologi (Chen et al. 2025 ). Misalnya, Ye et al. ( 2022 ) mengidentifikasi faktor pendorong utama perubahan limpasan antartahunan di enam cekungan karst di Tiongkok Barat Daya antara tahun 2003 dan 2017 menggunakan pendekatan PLS-SEM. Jia dkk. ( 2020 ) menggunakan tiga model berdasarkan PLS-SEM untuk menentukan faktor pendorong utama yang memengaruhi struktur komunitas dan produksi fitoplankton dalam sistem sungai-danau. PLS-SEM adalah metode yang andal untuk mengungkap pendorong produksi dan konsumsi biji-bijian pada skala regional; namun, belum ditemukan aplikasi relevan. Membangun PLS-SEM untuk Asia Tengah untuk menganalisis secara kuantitatif hubungan langsung atau tidak langsung antara produksi dan konsumsi biji-bijian dan faktor-faktor yang memengaruhinya merupakan kebutuhan ilmiah yang mendesak.

Memprediksi hasil panen regional berdasarkan model statistik atau model panen sangat penting untuk merumuskan strategi penawaran–permintaan biji-bijian. Berbagai pendekatan, termasuk regresi linier berganda, metode deret waktu, model pembelajaran mesin, dan model panen, telah digunakan (Bandaru et al. 2022 ; Liu et al. 2017 ; Paudel et al. 2022 ; Piekutowska et al. 2021 ). Penelitian telah mengungkapkan bahwa faktor-faktor seperti irigasi, kualitas benih, input pertanian, dan kondisi iklim secara signifikan memengaruhi variabilitas hasil panen (Liu et al. 2015 ; Pickson et al. 2023 ; Qamar et al. 2023 ; Qin et al. 2022 ). Namun, model panen skala titik tidak memiliki simulasi tingkat regional dengan presisi tinggi (Kuradusenge et al. 2023 ). Model regresi sering kali mengabaikan efek tidak langsung dari faktor-faktor ini, sehingga mengurangi akurasi prediksi (Piekutowska et al. 2021 ). Meskipun model pembelajaran mesin telah meningkatkan akurasi, model tersebut kesulitan untuk mendeskripsikan hubungan antara faktor dan hasil panen secara kuantitatif (De Clercq dan Mahdi 2025 ; Hrytsiuk dan Havryliuk 2025 ). Integrasi PLS-SEM dapat meningkatkan akurasi prediksi dan mengatasi masalah interpretabilitas model pembelajaran mesin dengan mengidentifikasi jalur langsung dan tidak langsung yang signifikan yang memengaruhi hasil panen. Sebagian besar model pembelajaran mesin memerlukan kumpulan data yang luas untuk melatih parameternya, yang membatasi aplikasinya di area yang kekurangan data (De Clercq dan Mahdi 2025 ). Least Squares Support Vector Machine (LSSVM) sangat cocok untuk memprediksi hasil panen di Asia Tengah karena kemampuannya untuk melatih parameter fungsi kernelnya dengan lebih sedikit sampel; ia berkinerja baik dengan data berdimensi tinggi, tahan terhadap noise dan overfitting dalam dataset yang tidak seimbang, mencari solusi optimal global dengan memaksimalkan margin, daripada puas dengan solusi optimal lokal, dan memecahkan masalah menggunakan persamaan linear untuk komputasi yang lebih cepat dibandingkan dengan SVM tradisional (Han et al. 2019 ; Pisner dan Schnyer 2020 ). Parameter regularisasi c dan parameter kernel basis radial Gaussian θ dalam LSSVM sangat penting, dan mengoptimalkannya menggunakan particle swarm optimization (PSO) dapat meningkatkan akurasi prediktif model secara signifikan (Ge et al. 2022 ). Mengingat bahwa gandum adalah tanaman utama di Asia Tengah dan secara signifikan dipengaruhi oleh faktor budidaya alami dan manusia (Yu et al. 2020 ), menggabungkan PLS-SEM dengan model PSO-LSSVM untuk memprediksi hasil gandum sangat penting untuk penilaian ketahanan pangan di masa mendatang.

Untuk mengatasi masalah ini, kami bertujuan menganalisis variasi tahunan dalam produksi, volume impor/ekspor, konsumsi, dan inventaris dengan data 28 tahun (1992–2019) pada gandum, beras, jelai, jagung, dan tanaman lainnya untuk setiap negara Asia Tengah, menetapkan hubungan antara produksi gandum, konsumsi, dan faktor-faktor yang memengaruhi menggunakan analisis korelasi Pearson, mengidentifikasi pendorong dan jalur utama dengan mengembangkan model PLS-SEM, dan mengembangkan metode peramalan yang lebih akurat dengan mengintegrasikan PLS-SEM dengan PSO-LSSVM untuk memprediksi hasil gandum.

2 Bahan dan Metode
2.1 Wilayah Studi
Negara-negara Asia Tengah terletak di tengah benua Eurasia, berfungsi sebagai hub penting untuk kerja sama ekonomi antara Asia dan Eropa dan wilayah inti untuk membangun Sabuk Ekonomi Jalur Sutra (Jia et al. 2019 ). Asia Tengah dicirikan oleh elevasi yang lebih tinggi di tenggara dan elevasi yang lebih rendah di barat laut, dengan Kazakhstan, Uzbekistan, dan Turkmenistan terdiri dari dataran dan dataran rendah, sedangkan Kirgistan dan Tajikistan bergunung-gunung, dengan ketinggian rata-rata masing-masing 350, 349, 201, 2650, dan 2968 m. Topografi ini memunculkan dua sungai besar yang melintasi wilayah tersebut, Amu Darya dan Syr Darya, yang mengalir dari tenggara ke barat laut menuju Laut Aral, berfungsi sebagai sumber penting untuk irigasi pertanian (Gambar 1a ). Asia Tengah memiliki iklim kontinental sedang yang khas dengan curah hujan tahunan rata-rata jangka panjang sebesar 388 mm dan evapotranspirasi (ET) sebesar 597 mm (Gambar 1b ). Ketidakseimbangan antara pasokan dan permintaan air secara signifikan menghambat pembangunan pertanian (Jiang dan Zhou 2023 ).

Pertanian, industri tradisional di Asia Tengah, telah menunjukkan tren naik sejak 1995. Pada 2019, laba pertanian telah meningkat sebesar $3,2 miliar dibandingkan dengan tahun 1995, berkorelasi kuat dengan pertumbuhan Produk Domestik Bruto (PDB) yang cepat (Gambar 1c ). Rata-rata jangka panjang lahan pertanian untuk biji-bijian di setiap negara adalah sebagai berikut: 14,93, 1,65, 1,34, 0,58, dan 0,41 juta hektar di Kazakhstan, Uzbekistan, Turkmenistan, Kyrgyzstan, dan Tajikistan, masing-masing. Tanaman utama adalah gandum dan barley, yang masing-masing mencakup 82% dan 12% dari total lahan pertanian. Tanaman lain, termasuk jagung, beras, dan kedelai, mencakup <0,3 juta hektar. Kazakhstan adalah produsen dan eksportir utama produk pertanian (Zhang 2019 ), dan secara akurat memprediksi perubahan dalam produksi dan konsumsi gandum dan pendorong di balik perubahan ini secara strategis penting untuk menstabilkan ketahanan pangan.

2.2 Model Konseptual PLS-SEM
Paket R “plspm” untuk PLS-SEM berasal dari karya Dr. Sanchez ( 2013 ) selama studi doktoralnya pada tahun 2005 dan dirilis pada tahun 2009. Pemodelan PLS-SEM didorong oleh asumsi teoritis dan secara simultan dapat mengukur hubungan kausal langsung dan tidak langsung di antara beberapa variabel (Shi et al. 2022 ). Pertama, kami membuat model konseptual awal berdasarkan pengetahuan sebelumnya dan temuan penelitian, yang menunjukkan hubungan kausal di antara beberapa variabel. Berikutnya, kami memeriksa model untuk masalah seperti overfitting dan underfitting dan memperkirakan parameter model. Kami menilai kesesuaian model dengan data menggunakan ukuran Goodness-of-Fit dan uji-P. Modifikasi lokal dilakukan untuk meningkatkan daya penjelasan model. Faktor pendorong penawaran dan permintaan biji-bijian diilustrasikan dalam Gambar 2a , dan model PLS-SEM konseptual ditunjukkan pada Gambar 2b,c .

Kami mengusulkan bahwa produksi biji-bijian terutama dipengaruhi oleh luas panen dan hasil panen (Gambar 2a ). Hasil panen dipengaruhi oleh curah hujan, suhu, penggunaan pupuk, dan irigasi. Luas panen didorong oleh konsumsi biji-bijian. Konsumsi biji-bijian dipengaruhi oleh populasi, ekonomi, impor dan ekspor biji-bijian (Fukase dan Martin 2020 ; Wu et al. 2013 ). Oleh karena itu, dalam model teoritis PLS-SEM untuk produksi gandum, kami mengidentifikasi enam variabel laten: produksi, luas panen, hasil panen, konsumsi, budidaya, dan iklim, bersama dengan variabel nyata terkait dan jalur interaksi (Gambar 2b ). Variabel-variabel ini dikategorikan sebagai endogen (dipengaruhi oleh variabel laten lainnya, seperti hasil panen) dan eksogen (tidak dipengaruhi oleh yang lain). Kami berhipotesis bahwa peningkatan luas panen dan hasil panen akan secara langsung menyebabkan peningkatan produksi, sedangkan peningkatan konsumsi akan secara langsung mengakibatkan perluasan luas panen. Selain itu, peningkatan faktor iklim dan budidaya secara langsung berkontribusi pada peningkatan dan penurunan hasil panen, masing-masing. Tiga jalur tidak langsung yang memengaruhi produksi adalah sebagai berikut: Konsumsi → Luas panen → Produksi, Budidaya → Hasil panen → Produksi, dan Iklim → Hasil panen → Produksi. Untuk model konseptual PLS-SEM konsumsi gandum, kami mengidentifikasi empat variabel laten: konsumsi, ekonomi, populasi, dan perdagangan, beserta variabel nyata dan jalur interaksi terkaitnya (Gambar 2c ). Konsumsi secara langsung dipengaruhi oleh variabel ekonomi, populasi, dan perdagangan. Perdagangan secara langsung dipengaruhi oleh ekonomi dan populasi, dan ekonomi secara langsung memengaruhi populasi. Jalur tidak langsung yang memengaruhi konsumsi meliputi Ekonomi → Populasi → Konsumsi, Ekonomi → Perdagangan → Konsumsi, Ekonomi → Populasi → Perdagangan → Konsumsi, dan Populasi → Perdagangan → Konsumsi. Model teoritis ini dibangun berdasarkan kebijaksanaan dan penelitian sebelumnya. Variabel nyata dan jalur yang dihipotesiskan memerlukan validasi lebih lanjut, dan jalur yang tidak diketahui perlu dieksplorasi. Model yang lebih akurat perlu memadukan analisis korelasi Pearson dengan PLS-SEM yang telah ditetapkan sebelumnya, memodifikasi variabel nyata dan laten beserta jalurnya.

Untuk variabel nyata (1992–2019), N, K 2 O, P 2 O 5 , produksi gandum, area, hasil, konsumsi, klasifikasi perkotaan/pedesaan, Pop-Size, pendapatan, impor, dan ekspor diperoleh dari basis data FAOSTAT ( https://www.fao.org/faostat/en/#data ). Pendapatan adalah produk dari produksi gandum dan harga satuan. Data ET dan kelembapan tanah (SMroot) bersumber dari kumpulan data Global Land Evaporation Amsterdam Model (GLEAM) ( https://gleam.io/ ); presipitasi, suhu maksimum, dan minimum diperoleh dari WorldClim ( https://worldclim.org/ ); dan data PDB dan Produk Nasional Bruto (PNB) diperoleh dari kumpulan web ( https://www.kylc.com/ ). Outlier data dan nilai yang hilang ditangani menggunakan metode interpolasi. Kinerja model PLS-SEM dievaluasi menggunakan nilai R 2 , Goodness-of-Fit ( GOF ), C , DG , dan p (Gambar 2b ). R 2 memberikan pengukuran proporsi varians dalam setiap variabel laten endogen yang dijelaskan oleh model, dengan nilai yang lebih tinggi menunjukkan daya penjelasan yang lebih baik. GOF adalah indikator kecocokan keseluruhan model PLS-PM, dengan nilai yang lebih tinggi menunjukkan kecocokan model yang lebih baik. C dan DG adalah indikator statistik yang mengukur konsistensi internal, dengan nilai yang lebih tinggi menunjukkan konsistensi yang lebih besar dari variabel manifes dalam mengukur variabel laten. C cocok untuk penilaian reliabilitas umum; namun, mungkin kurang akurat dengan item yang lebih sedikit atau alat pengukuran yang lebih kompleks. Sebaliknya, DG lebih sesuai untuk model PLS-SEM karena lebih baik mencerminkan reliabilitas variabel laten, terutama ketika berhadapan dengan model pengukuran dengan struktur yang kompleks. Nilai p menilai signifikansi statistik dari koefisien yang diestimasi ( r ). Lebih jauh, koefisien jalur yang diestimasi ( r ) menunjukkan pengaruh satu variabel laten terhadap variabel lainnya. Bobot ( w ) adalah koefisien yang digunakan dalam algoritma PLS-PM untuk menghitung skor setiap variabel laten berdasarkan variabel nyata yang sesuai, yang mencerminkan kepentingan relatif variabel nyata dalam membentuk variabel laten yang sesuai. Pemuatan ( l ) adalah koefisien korelasi antara variabel nyata dan variabel laten yang sesuai, dengan nilai pemuatan yang tinggi (mendekati ±1) yang menunjukkan hubungan yang kuat.

2.3 Model Gabungan PLS-SEM dan PSO-LSSVM
Menetapkan model prediksi hasil panen untuk wilayah dengan data eksperimen terbatas merupakan tantangan. Untuk mengatasi persyaratan data yang ketat dari model panen tradisional (misalnya, DSSAT dan APSIM) (Yang et al. 2010 ), keterbatasan model pembelajaran mesin tradisional dalam menjelaskan variasi target prediksi (Ma dan Shang 2019 ; Ma et al. 2018 ), dan kinerja prediktif yang buruk dari model statistik tradisional (seperti PLS-SEM dan model regresi linier berganda), studi ini mengusulkan metode prediksi hasil panen regional yang menggabungkan PLS-SEM dan PSO-LSSVM berdasarkan platform MATLAB.

Awalnya, berdasarkan hasil simulasi, kami memilih variabel manifes yang sangat berkorelasi, menghilangkan jalur yang tidak efektif, dan menambahkan jalur yang efektif untuk membangun model PLS-SEM yang sangat dapat diandalkan. Variabel manifes dari PLS-SEM yang dimodifikasi kemudian digunakan sebagai input untuk PSO-LSSVM untuk memprediksi hasil gandum. Menggunakan Asia Tengah sebagai studi kasus, data dari tahun 1992 hingga 2011 berfungsi sebagai sampel pelatihan, sedangkan data dari tahun 2012 hingga 2019 digunakan untuk prediksi. Semua variabel manifes yang terkait dengan budidaya laten dan variabel iklim (Gambar 2b ) digunakan sebagai input untuk membuat model PSO-LSSVM, yang berfungsi sebagai tolok ukur komparatif untuk prediksi model gabungan PLS-SEM dan PSO-LSSVM (PLSSEM-PSOLSSVM). Parameter model PSO-LSSVM c dan θ ditetapkan dalam rentang [0,1–500] dan [0,1–100], masing-masing, dengan ukuran kawanan 50 dan Jumlah Loop 10 iterasi. Rentang untuk c dan θ dipilih berdasarkan bukti empiris dari penelitian sebelumnya (Zhao et al. 2013 ). Dalam konteks prediksi hasil panen, model PSO-LSSVM sering menggunakan rentang c dan θ yang lebar untuk memastikan pengoptimalan yang kuat dan prediksi yang akurat (Zhao et al. 2023 ). Selama eksekusi model, nilai c dan θ untuk 50 kawanan diinisialisasi secara acak. MATLAB kemudian menggunakan model LSSVM untuk memprediksi hasil gandum (2012–2019) yang sesuai dengan generasi pertama kawanan ini dan menghitung kesalahan terhadap nilai statistik. Nilai c dan θ terbaik, yang menghasilkan kesalahan generasi pertama minimal, didokumentasikan. Proses ini diulang untuk generasi kedua, memprediksi hasil gandum dan kesalahan, dan berlanjut selama 10 generasi, mengidentifikasi parameter optimal global yang meminimalkan kesalahan.

3 Hasil
3.1 Karakteristik Evolusi Penawaran-Permintaan Gandum
Gambar 3 mengilustrasikan variasi antartahunan dalam pasokan biji-bijian domestik (termasuk produksi, impor, dan inventaris positif) dan permintaan (meliputi ekspor, konsumsi, dan inventaris negatif) di seluruh negara Asia Tengah antara tahun 1992 dan 2019. Tabel 1 menyajikan penilaian kuantitatif dari nilai rata-rata tahunan komponen pasokan dan permintaan untuk setiap tanaman di negara-negara ini. Analisis berikut mengkaji karakteristik pasokan dan permintaan biji-bijian di kelima negara ini, beserta perubahan antartahunannya.

 

TABEL 1. Rata-rata penawaran dan permintaan biji-bijian di setiap negara antara tahun 1992 dan 2019 (Unit: 104 ^t  ).

Sejak 1992, total pasokan semua tanaman di negara-negara ini telah menurun dengan cepat, yang mengarah pada penurunan permintaan yang sesuai (Gambar 3a–e ). Penurunan ini dapat dikaitkan dengan efek buruk dari pembubaran produksi pertanian di Uni Soviet. Total pasokan biji-bijian (dan permintaan) di Kazakhstan, Kyrgyzstan, Tajikistan, Turkmenistan, dan Uzbekistan mencapai titik balik pada tahun 1998 (9,10 juta ton), 1995 (1,43 juta ton), 1995 (1,04 juta ton), 1996 (1,13 juta ton), dan 1998 (4,62 juta ton), masing-masing. Kecuali Turkmenistan, yang mengalami penurunan tajam dari 3,48 juta ton menjadi 1,49 juta ton antara tahun 2006 dan 2010, total pasokan biji-bijian di negara-negara lain telah menunjukkan tren kenaikan secara keseluruhan dengan fluktuasi. Volume ekspor biji-bijian di Kazakhstan merupakan bagian yang cukup besar dari total permintaan, dengan rata-rata 4,07 juta ton/tahun antara tahun 1992 dan 2005 (25,89% dari total permintaan) dan rata-rata 8,15 juta ton/tahun antara tahun 2006 dan 2019 (41,84% dari total permintaan). Hal ini menunjukkan peningkatan pesat dalam produktivitas biji-bijian sejak tahun 2006. Rasio ekspor biji-bijian dari empat negara yang tersisa dapat diabaikan, sedangkan rasio impornya relatif tinggi. Proporsi impor biji-bijian terhadap total pasokan untuk Kazakhstan, Kyrgyzstan, Tajikistan, Turkmenistan, dan Uzbekistan masing-masing adalah 1,17% (17,61 juta ton/tahun), 19,23% (1,99 juta ton/tahun), 48,64% (1,79 juta ton/tahun), 12,03% (2,0 juta ton/tahun), dan 23,16% (7,45 juta ton/tahun). Mirip dengan dinamika pasokan-permintaan, volume impor dan ekspor awalnya menurun, diikuti oleh pemulihan berikutnya. Variasi antartahunan dalam tren pasokan-permintaan biji-bijian dan ekspor-impor (Gambar 3a-e ) dipengaruhi oleh semua tanaman tetapi sangat mirip dengan gandum (Gambar 3a1-e1 ), yang memainkan peran penting sebagai tanaman dominan dalam membentuk pasokan dan permintaan biji-bijian di seluruh Asia Tengah. Proporsi pasokan gandum dari Kazakhstan, Kirgistan, Tajikistan, Turkmenistan, dan Uzbekistan relatif terhadap total pasokan biji-bijian adalah 74,61%, 62,68%, 84,29%, 90,20%, dan 89,21%, sedangkan tanaman lain menyumbang sebagian kecil dari total pasokan dan permintaan (Gambar 3a2–a5, b2–b5, c2–c5, d2–d5, e2–e5 ). Mengidentifikasi faktor-faktor yang mendorong pasokan dan permintaan gandum dan memprediksi perubahan sangat penting untuk mengevaluasi ketahanan pangan.

Produksi dan konsumsi gandum adalah elemen penawaran dan permintaan paling penting setiap negara, diikuti oleh impor, ekspor, dan inventaris (Gambar 3a1–e1 ), yang menunjukkan bahwa negara-negara Asia Tengah memiliki pangsa kecil dalam perdagangan biji-bijian global. Data dalam Tabel 1 mengungkapkan bahwa produksi dan konsumsi gandum di Asia Tengah masing-masing mencapai 68,01% dan 57,62% dari total penawaran dan permintaan biji-bijian. Kazakhstan memiliki produksi gandum tertinggi, menyumbang 60,67% dari total pasokan gandum Asia Tengah dan 41,26% dari total pasokan biji-bijian di kawasan tersebut. Selain Kazakhstan, yang mengekspor gandum dalam jumlah besar, produksi gandum di negara-negara lain terutama untuk konsumsi dalam negeri. Tajikistan adalah importir gandum utama, menyumbang 58% dari total pasokan, diikuti oleh Kirgistan (29%), Uzbekistan (25%), Turkmenistan (12%), dan Kazakhstan (1%). Negara-negara lain mampu memenuhi kebutuhan sendiri, kecuali Kirgistan dan Tajikistan, yang proporsi impor gandumnya relatif tinggi (Tabel 1 ). Selain itu, persediaan gandum di semua negara sangat minim, yang menunjukkan bahwa Kazakhstan (persediaan: -900 kt/a) memiliki tingkat ketahanan pangan tertinggi di Asia Tengah, sedangkan negara-negara lain menghadapi risiko tertentu. Melakukan studi kuantitatif tentang faktor pendorong pasokan dan permintaan gandum di Kazakhstan dan membangun model prediktif adalah kunci untuk mengatasi masalah ini di Asia Tengah.

3.2 Korelasi antara Penawaran dan Permintaan Gandum dan Faktor Pendorong
Analisis karakteristik evolusioner mengungkapkan bahwa produksi dan konsumsi merupakan kekuatan pendorong utama perubahan dalam penawaran dan permintaan biji-bijian. Sebagai kontributor terbesar, produksi dan konsumsi gandum dipengaruhi oleh berbagai faktor, termasuk kondisi iklim, input budidaya, tingkat hasil panen, kondisi ekonomi, dan dinamika perdagangan, yang mengakibatkan fluktuasi antartahunan yang signifikan. Untuk memperjelas korelasi antara penawaran dan permintaan gandum di negara-negara Asia Tengah dan faktor pendorongnya, kami mengumpulkan 19 indikator relevan dan menetapkan hubungannya dengan setiap indikator menggunakan analisis korelasi Pearson.

3.2.1 Korelasi Antara Produksi Gandum dan Faktor Pendorong
Gambar 4 menggambarkan hubungan antara produksi gandum dan faktor-faktor yang memengaruhi di Asia Tengah dari tahun 1992 hingga 2019. Gambar 4a menunjukkan bahwa produksi gandum terutama ditentukan oleh luas dan hasil gandum, dengan koefisien korelasi masing-masing sebesar 0,74 dan 0,95. Pada tingkat signifikansi p =  0,001, perbedaan antara faktor pendorong tersebut signifikan dan bukan kebetulan. Korelasi antara konsumsi gandum dan hasil gandum, luas gandum, dan produksi gandum masing-masing adalah 0,73 ( p <  0,001), 0,89 ( p <  0,001), dan 0,88 ( p <  0,001), yang menunjukkan bahwa peningkatan konsumsi dalam negeri mendorong peningkatan hasil panen dan perluasan area, yang secara tidak langsung mendorong peningkatan produksi gandum total. Hasil gandum berkorelasi positif dengan N, ET, presipitasi, dan suhu, yang menunjukkan faktor-faktor ini meningkatkan hasil gandum. Hubungan antara hasil panen gandum dan P 2 O 5 , K 2 O , SMroot, ET, dan curah hujan tidak signifikan ( p >  0,05), mungkin karena kesalahan statistik. Dibandingkan dengan N, jumlah aplikasi P 2 O 5 dan K 2 O lebih rendah, yang mungkin telah kehilangan signifikansi statistik (Tabel 2 ).

 

TABEL 2. Rata-rata tahunan pasokan, permintaan gandum, dan indikator terkait di lima negara Asia Tengah.

Catatan: Satuannya adalah sebagai berikut: Produksi dan konsumsi gandum dalam 10 3  t/tahun; N, P 2 O 5 , dan K 2 O dalam kg/ha; Smroot, ET, dan Curah Hujan dalam mm; Suhu Maksimum dan Minimum dalam °C; PDB dan Pendapatan dalam 10 8 US$; PNB dalam yuan/orang; Populasi dalam 10 3 orang; Ekspor dan Impor dalam 10 4  t.

Produksi gandum di Kazakhstan, Kyrgyzstan, Tajikistan, Turkmenistan, dan Uzbekistan memiliki korelasi yang lebih tinggi dan signifikansi yang lebih besar terkait dengan luas area, hasil, dan konsumsi gandum (Gambar 4b–f ). Selain itu, konsumsi gandum di setiap negara secara signifikan mendorong perluasan area dan peningkatan hasil panen. Peningkatan konsumsi menyebabkan peningkatan area tanam Kazakhstan dan Kyrgyzstan dan peningkatan hasil per satuan area tanaman Tajikistan, Turkmenistan, dan Uzbekistan, yang menunjukkan bahwa yang pertama memprioritaskan perluasan lahan pertanian, sedangkan yang terakhir menekankan input lahan pertanian. Hasil panen berkorelasi positif dengan N (Uzbekistan), K 2 O (Turkmenistan), presipitasi (Kazakhstan, Kyrgyzstan), dan suhu (Tajikistan, Uzbekistan), sedangkan hubungan dengan indikator lain tidak signifikan secara statistik, mungkin karena nilai-nilai indikator ini yang lebih kecil dan kesalahan statistik yang lebih besar terkait (Tabel 2 ). Untuk menghindari kesalahan pemasangan yang substansial, indikator-indikator yang tidak signifikan secara statistik ini dikeluarkan dari model PLS-SEM.

3.2.2 Korelasi Antara Konsumsi Gandum dan Faktor Pendorong
Gambar 5 menunjukkan korelasi antara konsumsi gandum dan faktor pendorongnya. Di Asia Tengah, konsumsi berkorelasi positif kuat dengan PDB, pendapatan, PNB, populasi, area perkotaan/pedesaan, dan ekspor, yang menunjukkan bahwa faktor-faktor ini bersama-sama mendorong pertumbuhan konsumsi tahunan. Impor tidak secara signifikan mendorong peningkatan konsumsi (Gambar 5a ). Hal ini disebabkan oleh proporsi impor yang kecil, yang menghasilkan data yang tidak konsisten yang tidak cukup untuk memengaruhi tingkat konsumsi (Tabel 2 ). Lebih jauh, PDB, pendapatan, dan PNB menunjukkan korelasi yang kuat dengan populasi dan ekspor, dengan signifikansi tinggi ( p <  0,001) (Gambar 5a ). Hal ini menunjukkan bahwa pembangunan ekonomi secara positif memengaruhi populasi dan volume ekspor, yang secara tidak langsung memengaruhi tingkat konsumsi. Koefisien korelasi antara populasi dan ekspor adalah 0,83 ( p <  0,001), yang menunjukkan bahwa populasi secara tidak langsung memengaruhi tingkat konsumsi dengan memengaruhi volume ekspor. Karena korelasi yang relatif rendah antara impor dan indikator lainnya, mungkin perlu untuk mengecualikan variabel ini saat membangun model PLS-SEM.

Peningkatan konsumsi di Kazakhstan dan Turkmenistan dipengaruhi oleh peningkatan pendapatan, dengan koefisien korelasi masing-masing sebesar 0,57 dan 0,71 ( p <  0,01; Gambar 5b,e ). Peningkatan konsumsi Kirgistan didorong oleh pendapatan, populasi, dan impor, dengan koefisien korelasi masing-masing sebesar 0,42, -0,45, dan 0,4 ( p <  0,05; Gambar 5c ). Konsumsi Tajikistan berkorelasi positif dengan PDB, pendapatan, PNB, populasi, dan impor dan berkorelasi negatif dengan status perkotaan/pedesaan (Gambar 5d ), yang menunjukkan bahwa ketergantungan konsumsi pada impor Kirgistan dan Tajikistan meningkat. Pendapatan ekonomi yang rendah dapat menjelaskan mengapa konsumsi biji-bijian di Kirgistan (PDB = 40,35 × 108 US $) dan Tajikistan (PDB = 40,25 × 108 US $) masing-masing terkait terbalik dengan populasi dan daerah perkotaan/pedesaan (Tabel 2 ). Konsumsi gandum Uzbekistan berkorelasi positif dengan semua faktor (Gambar 5f ). Jika model statistik digunakan untuk mempelajari faktor pendorong konsumsi, hanya pendapatan di Kazakhstan yang mungkin memiliki hubungan langsung dengan konsumsi (Gambar 5b ). Namun, status perkotaan/pedesaan, PNB, dan impor dapat secara tidak langsung memengaruhi konsumsi melalui tingkat pendapatan. Hubungan ini dapat diukur menggunakan model PLS-SEM.

3.3 Analisis Jalur Produksi dan Konsumsi Gandum di Asia Tengah dan Kazakhstan
Wilayah Asia Tengah mencakup berbagai negara dengan berbagai tingkat pembangunan pertanian dan berbagai faktor sosial ekonomi yang memengaruhi permintaan dan penawaran biji-bijian (Gambar 4a dan 5a ). Praktik pertanian, kebijakan, dan kondisi lingkungan Kazakhstan yang unik berdampak signifikan terhadap produksi dan konsumsi gandum, yang memengaruhi keseluruhan permintaan dan penawaran pangan di Asia Tengah (Gambar 4b dan 5b ). Analisis karakteristik evolusi permintaan dan penawaran biji-bijian (Gambar 3 ) dan hubungan antara produksi, konsumsi gandum, dan faktor pendorongnya (Gambar 4 dan 5 ) mengungkapkan bahwa gandum di Kazakhstan merupakan pusat ketahanan pangan di Asia Tengah. Oleh karena itu, penting untuk mengeksplorasi faktor pendorong dan jalur produksi dan konsumsi gandum yang efektif di Asia Tengah dan Kazakhstan secara terpisah untuk mengungkap risiko ketahanan pangan di Asia Tengah pada skala yang berbeda. Dengan membangun model yang terpisah, kita dapat menangkap dinamika spesifik dan hubungan kausal di setiap wilayah dengan lebih akurat, sehingga meningkatkan keandalan dan penerapan hasil untuk analisis kebijakan ketahanan pangan regional. Pertama, kami membuat model PLS-SEM1 berdasarkan kerangka teoritis (Gambar 2 ). Berdasarkan Gambar 4 dan 5 dan model teoritis, kami menghilangkan variabel nyata dan jalur yang tidak efektif dan menetapkan jalur efektif baru sesuai dengan hubungan kausal antara variabel laten. Hasil model ditunjukkan pada Gambar 6 dan 7. Efek langsung, tidak langsung, dan total dari variabel laten setelah memodifikasi model PLS-SEM2 ditunjukkan pada Tabel 3 .

 

 

TABEL 3. Efek langsung, tidak langsung, dan total di antara variabel laten PLS-SEM2.

Catatan: “nan” menunjukkan bahwa tidak ada hubungan antara keduanya.

Menurut hasil model PLS-SEM1 berdasarkan kerangka teoritis (Gambar 2 ), koefisien jalur antara iklim dan hasil panen adalah positif ( r =  0,19) (Gambar 6a ). Ini menunjukkan bahwa perubahan iklim selama periode studi berdampak positif pada hasil panen, bertentangan dengan efek negatif yang diharapkan (Gambar 2b ). Selain itu, faktor budidaya berdampak positif pada hasil panen ( r =  0,54), bersama-sama menjelaskan 47% ( R2 ) dari variasi hasil panen dengan faktor iklim. Korelasinya tidak signifikan ( P>  0,05), menunjukkan bahwa faktor-faktor lain mungkin telah memengaruhi hasil panen. Konsumsi memiliki efek positif yang signifikan pada area panen ( r =  0,89, p <  0,001), menjelaskan 79% ( R2 ) dari variasi, menunjukkan bahwa peningkatan konsumsi gandum mendorong perluasan area penanaman. Area panen dan hasil panen memiliki efek positif yang signifikan pada total produksi gandum ( p <  0,001). Pengaruh hasil panen ( r =  0,77) lebih kuat daripada luas panen ( r =  0,36), dan kedua variabel menjelaskan 99% variasi dalam produksi. GOF adalah 0,51, yang menunjukkan bahwa model menunjukkan kinerja moderat dalam menjelaskan hubungan antara variabel laten dan nyata, yang menunjukkan ruang untuk perbaikan. Variabel nyata budidaya ( C  = 0,56, DG  = 0,75) menunjukkan konsistensi yang relatif lemah dalam mengukur konsep yang sama. Ini mungkin karena w dan l yang kecil antara K 2 O, P 2 O 5 , SMroot, dan variabel latennya masing-masing, yang memengaruhi kinerja model. Korelasi signifikan yang kuat diamati antara hasil panen dan luas panen (Gambar 4a ), yang menunjukkan perlunya membuat jalur baru di antara keduanya. Mengingat analisis di atas, model yang dimodifikasi, PLS-SEM2 (Gambar 7a ), secara signifikan meningkatkan kesesuaian area tanaman ( R2 = 0,84  ) dan model keseluruhan ( GOF  = 0,60) pada biaya marjinal dari variabel laten hasil panen ( R2  = 0,40). Temuan baru kami menunjukkan bahwa peningkatan hasil panen dapat berperan dalam mengekang perluasan area tanaman, dengan r =  −0,33 (Gambar 7a ). Setelah memodifikasi PLS-SEM1, berbagai jalur tidak langsung PLS-SEM2 yang memengaruhi total produksi gandum diidentifikasi (Tabel 3 )). Di Asia Tengah, efek tidak langsung dari konsumsi, budidaya, iklim, dan hasil panen terhadap produksi masing-masing adalah 0,40, 0,22, 0,25, dan −0,12.

Variabel laten ekonomi, populasi, dan perdagangan di Asia Tengah secara kolektif menjelaskan 65% variasi dalam konsumsi ( R 2  = 0,65; Gambar 6b ​​). Dampak perdagangan terhadap konsumsi sangat lemah ( r =  −0,01), yang menunjukkan bahwa hipotesis bahwa ekonomi dan populasi secara tidak langsung memengaruhi konsumsi melalui perdagangan tidak didukung oleh data. Selain itu, bobot ( w  = 0,29) dan pembebanan ( l  = 0,54) yang dihitung untuk impor dan perdagangan relatif rendah, yang masing-masing berkontribusi pada nilai C dan DG yang lebih kecil . Dengan menggabungkan wawasan dari Gambar 6b ​​dan analisis korelasi (Gambar 5b ), modifikasi dilakukan pada variabel dan jalur yang terwujud. Hasil PLS-SEM2 menunjukkan bahwa nilai GOF meningkat menjadi 0,82 (Gambar 7b ), yang menunjukkan peningkatan signifikan dalam keseluruhan kecocokan model. Lebih jauh lagi, perdagangan memiliki dampak positif signifikan pada perubahan populasi ( r =  0,86, p <  0,001), populasi memiliki dampak positif signifikan pada perubahan ekonomi ( r =  0,74, p <  0,001), dan ekonomi memiliki dampak positif signifikan pada perubahan konsumsi ( r =  1,30, p <  0,001). Ukuran populasi memiliki dampak negatif langsung pada perubahan konsumsi ( r =  −0,52) dan efek positif tidak langsung ( r =  1,26; Tabel 3 ). Total efek perdagangan, populasi, dan ekonomi pada konsumsi masing-masing adalah 0,64, 0,74, dan 1,30 (Tabel 3 ). Nilai R2 untuk populasi, ekonomi, dan konsumsi masing – masing adalah 0,74, 0,93, dan 0,67, yang menunjukkan kecocokan yang baik. Variabel manifes dari empat variabel laten menunjukkan konsistensi yang kuat dalam mengukur konsep yang sama ( DG > 0,7).

Dalam model teoritis produksi gandum Kazakhstan (Gambar 6c ), budidaya ( r =  0,33) dan iklim ( r =  0,38) berdampak positif terhadap hasil panen. Konsumsi memiliki efek positif yang signifikan terhadap luas panen ( r =  0,65, p <  0,001), sedangkan luas panen ( r =  0,37, p <  0,001) dan hasil panen ( r =  0,81, p <  0,001) memiliki efek positif yang signifikan terhadap produksi. Nilai R 2 untuk luas panen dan hasil panen masing-masing adalah 0,42 dan 0,29, yang menunjukkan bahwa daya penjelasan variabel laten eksogen memerlukan perbaikan. Di antara variabel nyata, bobot dan beban untuk Max temp ( w =  0,02, l =  0,38), ET ( w =  0,31, l =  0,48), dan K 2 O ( w =  −0,24, l =  0,38) rendah, dan nilai l negatif untuk SMroot ( l  = −0,44) bertentangan dengan pengetahuan umum, yang menunjukkan bahwa itu harus dihilangkan. Setelah modifikasi model, GOF meningkat dari 0,46 menjadi 0,62, sedangkan nilai R 2 untuk luas tanaman (0,43) dan hasil panen (0,23) tidak menunjukkan perubahan signifikan (Gambar 7c ). Tidak seperti negara-negara Asia Tengah lainnya (Gambar 7a ), hasil panen di Kazakhstan menunjukkan korelasi positif yang lemah dengan luas tanaman ( r =  0,12, p >  0,05) (Gambar 7c ). Setelah modifikasi, nilai C dan DG untuk budidaya dan iklim tidak menunjukkan penurunan yang signifikan. Dampak langsung hasil panen dan luas lahan terhadap produksi masing-masing adalah 0,81 dan 0,37 (Gambar 7c dan Tabel 3 ). Dampak tidak langsung faktor budidaya, iklim, konsumsi, dan hasil panen terhadap produksi masing-masing adalah 0,20, 0,35, 0,22, dan 0,04 (Tabel 3 ).

Model Konsumsi untuk Kazakhstan menunjukkan kecocokan yang baik (Gambar 6d ); namun, untuk memastikan kebenaran hubungan kausal, modifikasi dilakukan berdasarkan modifikasi jalur model Konsumsi Asia Tengah (Gambar 7b ), dan variabel dengan w dan l rendah untuk impor dihilangkan. Setelah modifikasi ini, tidak ada perubahan signifikan pada nilai GOF , C , atau DG ; namun, semua koefisien jalur berkorelasi signifikan ( p <  0,05), meningkatkan kinerja model dan validitas logis. Efek langsung perdagangan, populasi, dan ekonomi pada konsumsi masing-masing adalah −0,23, −1,51, dan 1,67. Efek tidak langsung perdagangan dan populasi pada konsumsi masing-masing adalah 0,13 dan 1,25 (Tabel 3 ).

3.4 Model Prediksi Hasil Gandum di Asia Tengah dan Kazakhstan
Jika tidak ada analisis PLS-SEM, faktor-faktor yang memengaruhi target prediksi sering kali dimasukkan sebagai masukan dalam model PSO-LSSVM berdasarkan pengalaman tanpa memahami hubungan kausal. Studi ini menghilangkan variabel-variabel dengan hubungan yang lemah terhadap hasil panen gandum setelah analisis jalur (Gambar 6 dan 7 ) dan menggunakan variabel laten yang tersisa (jumlah produk dari variabel nyata dan bobot) sebagai masukan untuk model PSO-LSSVM, yang secara signifikan meningkatkan prediksi. Hasilnya disajikan dalam Gambar 8 .

Pada Gambar 8a,b , input Prediksi1 mencakup Suhu maksimum, Suhu minimum, Curah hujan, ET, N, K 2 O, P 2 O 5 , dan SMroot. Untuk Prediksi2, Gambar 8a menggunakan Suhu maksimum, Suhu minimum, Curah hujan, ET, N, dan variabel laten Iklim dan Budidaya, sedangkan Gambar 8b menggunakan Suhu minimum, Curah hujan, N, P 2 O 5 , dan variabel laten yang sama. Setelah mengoptimalkan parameter c dan θ dari model PLSSVM menggunakan algoritma PSO, kesalahan tahunan rata-rata untuk Asia Tengah berdasarkan PSO-LSSVM tradisional (dengan c1 = 54,93, θ1 = 52,28) adalah 78,64 kg/ha. Setelah menyaring faktor-faktor yang tidak efektif menggunakan PLS-SEM2, kesalahan tahunan rata-rata menurun menjadi 70,61 kg/ha (dengan c2 = 5,29 dan θ2 = 4,69), penurunan sebesar 10,21% (Gambar 8a ). Peningkatan ini bahkan lebih jelas terlihat pada hasil Kazakhstan, di mana kesalahan tahunan rata-rata turun dari 96,68 kg/ha (dengan c1 = 102,92, θ1 = 100) menjadi 64,97 kg/ha (dengan c2 = 264,86, θ2 = 0,10)—penurunan sebesar 32,80% (Gambar 8b ). Di Asia Tengah, R 2 untuk Prediksi1 dan Statistik adalah 0,45, sedangkan Prediksi2 meningkat menjadi 0,48. Untuk Kazakhstan, R 2 meningkat dari 0,37 pada Prediksi1 menjadi 0,68 pada Prediksi2.

Meskipun ada beberapa iterasi, kesalahan prediksi untuk Asia Tengah pada tahun 2014, 2017, dan 2018 signifikan (Gambar 8a ). Hal ini mungkin disebabkan oleh terbatasnya indikator input dan data pelatihan. Meskipun model memaksimalkan penggunaan data yang tersedia, sulit untuk menghindari masalah ini di wilayah-wilayah Asia Tengah yang kekurangan data. Selain itu, di antara variabel input Asia Tengah, satu-satunya faktor terkait budidaya adalah pupuk nitrogen (N), dan korelasi presipitasi dan ET dengan variabel iklim lemah; namun, kedua faktor ini dipertahankan untuk meningkatkan akurasi prediksi secara keseluruhan (Gambar 7a ). Di antara variabel input Kazakhstan, korelasi kuat antara budidaya dan pendorong iklim (Gambar 7c ) dan hasil gandum merupakan alasan utama untuk kinerja prediksi yang unggul (Gambar 8b ). Hal ini menunjukkan bahwa akurasi data dan korelasinya dengan target prediksi memiliki dampak yang lebih besar pada akurasi prediksi daripada model itu sendiri.

4 Diskusi
4.1 Klarifikasi Karakteristik, Pendorong, dan Jalur Variasi Gabah
Tidak seperti penelitian sebelumnya yang berfokus pada analisis variasi spasiotemporal dalam produksi dan konsumsi biji-bijian dan faktor pendorongnya berdasarkan analisis statistik sederhana dan model tanaman yang kompleks (Ahmad dan Ahmad 2023 ; Hu et al. 2023 ; Liu et al. 2023 ), penelitian ini secara sistematis menganalisis karakteristik penawaran dan permintaan biji-bijian di Asia Tengah dari perspektif berbagai negara (Kazakhstan, Uzbekistan, Turkmenistan, Kirgistan, dan Tajikistan), rangkaian waktu yang panjang (1992–2019), berbagai tanaman (termasuk gandum, beras, jelai, dan jagung), dan berbagai item (produksi, impor, ekspor, konsumsi, dan cadangan domestik). Kami menemukan bahwa total pasokan semua tanaman di semua negara Asia Tengah menunjukkan tren menurun setelah 1992 dan berturut-turut berubah dari penurunan menjadi peningkatan antara 1995 dan 1998 (Gambar 3 ). Ini mungkin terkait dengan pembubaran Uni Soviet dan kebijakan pemulihan pertanian berikutnya (Babu dan Pinstrup-Andersen 2000 ). Pasokan biji-bijian domestik Kazakhstan melebihi permintaan dan terutama difokuskan pada ekspor, sedangkan empat negara lainnya mengalami defisit produksi biji-bijian dan terutama bergantung pada impor (Gambar 3 ). Gandum merupakan tanaman utama di wilayah Asia Tengah, dan proporsi pasokan gandum dalam total pasokan biji-bijian setiap negara lebih besar dari 75%, mendominasi variasi antartahunan dalam tren pasokan dan permintaan biji-bijian. Oleh karena itu, ketika mempelajari ketahanan pangan di Asia Tengah, Kazakhstan harus menjadi fokus utama, dan ketika memeriksa karakteristik penawaran dan permintaan tanaman di Asia Tengah, gandum harus menjadi fokus.

Berdasarkan pemahaman tentang karakteristik pasokan dan permintaan biji-bijian di Asia Tengah, korelasi antara produksi, konsumsi gandum, dan faktor pendorongnya (19 indikator terkait) dianalisis pada skala regional Asia Tengah dan skala individu dari lima negara. Studi tersebut menemukan bahwa peningkatan produksi gandum di Asia Tengah terutama didorong oleh perluasan area budidaya, yang menunjukkan praktik pertanian yang relatif luas dan menunjukkan bahwa masih ada ruang yang cukup besar untuk perbaikan dalam produksi total. Peningkatan konsumsi gandum telah mendorong peningkatan produksi gandum, dan permintaan produksi telah mendorong perluasan area (Gambar 4a ). Hasil gandum berkorelasi positif dengan nitrogen (N), evapotranspirasi (ET), presipitasi, dan suhu, yang menunjukkan bahwa aktivitas manusia dan perubahan iklim memainkan peran yang semakin positif dalam peningkatan produksi biji-bijian di Asia Tengah. Di Asia Tengah, konsumsi gandum berkorelasi positif kuat dengan PDB, pendapatan, GNP, populasi, rasio perkotaan-pedesaan, dan ekspor, sedangkan peran impor dalam mendorong pertumbuhan konsumsi tidak signifikan (Gambar 5a ). Selain itu, PDB, pendapatan, dan PNB berkorelasi kuat dengan populasi dan ekspor ( p <  0,001) (Gambar 5a ). Hal ini menunjukkan bahwa pembangunan ekonomi berdampak positif terhadap populasi dan volume ekspor, yang secara tidak langsung memengaruhi tingkat konsumsi. Pada skala nasional, hubungan antara produksi dan konsumsi gandum serta faktor pendorongnya mirip dengan skala regional di Asia Tengah, tetapi kesamaannya jauh lebih tinggi di Kazakhstan (Gambar 4 dan 5 ).

Berdasarkan analisis ini dan pengetahuan sebelumnya, model teoritis PLS-SEM1 dikembangkan dan disempurnakan untuk mengungkap jalur penggerak langsung dan tidak langsung dari berbagai faktor yang memengaruhi produksi dan konsumsi gandum di Asia Tengah dan Kazakhstan. Untuk meningkatkan akurasi model PLS-SEM1, kami menghapus beberapa jalur dan penggerak yang berkinerja buruk berdasarkan bukti empiris dan menggabungkan jalur tambahan dengan hubungan kausal yang mapan. Misalnya, pada Gambar 7a , kami menghilangkan jalur Budidaya → K 2 O, Budidaya → P 2 O 5 , dan Budidaya → SMroot dari Gambar 6a dan menambahkan jalur Hasil panen → Luas panen. Pada Gambar 7b , kami menghapus jalur Perdagangan → Impor dari Gambar 6b , memodifikasi arah jalur asli, dan menghilangkan jalur Perdagangan → Konsumsi dan Ekonomi → Perdagangan. Model PLS-SEM2 menunjukkan kinerja model yang lebih baik, dengan nilai GOF sebesar 0,51 pada Gambar 5a , yang meningkat menjadi 0,60 pada Gambar 6a .

4.2 Analisis Potensi Kebijakan Produksi Pertanian Masa Depan
4.2.1 Analisis Kemungkinan Produksi Gandum dan Tanaman Ekonomi di Setiap Negara
Sejak 2010, konsumsi gandum di Tajikistan dan Uzbekistan telah meningkat setiap tahunnya, terutama melalui peningkatan volume impor untuk mengisi kesenjangan permintaan (Gambar 3c1,e1 ). Hal ini menunjukkan kekurangan parah dalam produksi gandum dalam negeri, yang mengharuskan perumusan kebijakan yang ditujukan untuk meningkatkan produksi gandum untuk mengatasi krisis pangan yang akan datang. “Rencana Ketahanan Pangan untuk Tajikistan (2024–2028)” ( http://tj.mofcom.gov.cn/article/jmxw/202407/20240703522958.shtml ) memproyeksikan kenaikan tahunan rata-rata sebesar 4% dalam harga gandum. Angka kelahiran yang tinggi, pertumbuhan populasi yang stabil, dan kenaikan konsumsi pangan akibatnya akan memaksa negara untuk memperluas kapasitas produksi pertaniannya. Selain itu, total konsumsi dan impor gandum di Kirgistan keduanya menurun (Gambar 3b1 ). Seperti yang diilustrasikan dalam Gambar 5c , korelasi antara PDB, PNB, populasi, dinamika perkotaan/pedesaan, dan konsumsi gandum masing-masing adalah -0,34, -0,31, -0,45, dan -0,16. Hal ini menunjukkan bahwa kemerosotan ekonomi dapat berkontribusi terhadap berkurangnya konsumsi pangan. Kirgistan harus menerapkan kebijakan yang secara bersamaan merangsang pertumbuhan ekonomi dan meningkatkan hasil pertanian. Di Kazakhstan dan Turkmenistan, konsumsi gandum domestik tidak menunjukkan fluktuasi tahunan yang signifikan, dan tidak ada negara yang bergantung pada impor. Namun, volume ekspor Kazakhstan telah meningkat setiap tahun, sedangkan produksi domestik Turkmenistan secara tepat memenuhi kebutuhan konsumsinya (Gambar 3a1,d1 ). Oleh karena itu, Kazakhstan dapat mempertimbangkan untuk memperkenalkan teknologi pertanian canggih dari luar negeri, seperti teknik penghematan air (Ma et al. 2022 ; Yang et al. 2010 ) dan praktik pertanian cerdas (Streed et al. 2021 ) untuk lebih meningkatkan produksi gandum. Turkmenistan perlu meningkatkan konsumsi domestik dan total produksi untuk mencapai level 2006 sebesar 3,26 juta ton (Gambar 3d1 ). Selain itu, kecuali beberapa tanaman (seperti barley dan jagung di Turkmenistan), produksi tanaman ekonomi seperti beras, barley, dan jagung di wilayah tersebut menunjukkan tren peningkatan yang signifikan (Gambar 3a2 –e4). Hal ini menunjukkan bahwa Asia Tengah dapat meningkatkan proporsi tanaman ekonomi yang ditanam di masa mendatang, yang sejalan dengan prediksi Gao et al. ( 2024 ) bahwa gandum, barley, jagung, oat, dan produksi biji-bijian secara keseluruhan di Asia Tengah akan menunjukkan lintasan peningkatan di tahun-tahun mendatang.

4.2.2 Analisis Kebijakan yang Mungkin Dilakukan untuk Meningkatkan Hasil Panen Gandum
Koefisien jalur untuk hasil panen dan luas panen pada total produksi gandum di Asia Tengah masing-masing adalah 0,77 dan 0,36 (Gambar 7a ). Mengingat potensi perubahan luas yang terbatas (Zhang 2019 ), peningkatan hasil panen gandum akan menjadi strategi penting untuk meningkatkan total produksi. Seperti yang ditunjukkan pada Gambar 7a , dampak iklim dan budidaya pada hasil panen gandum masing-masing adalah 0,38 dan 0,33. Mengingat ketidakmampuan untuk mengubah kondisi iklim, peningkatan aplikasi pupuk dan irigasi dapat menjadi kebijakan pertanian utama. Lebih jauh lagi, penelitian menunjukkan bahwa tingkat ketahanan pangan secara keseluruhan di lima negara Asia Tengah telah meningkat selama 30 tahun terakhir, dengan suhu dan curah hujan tahunan memiliki efek positif paling signifikan pada ketahanan pangan di Kazakhstan (Su et al. 2023 ), yang sejalan dengan kesimpulan yang ditarik pada Gambar 7c . Namun, peningkatan suhu sering kali disertai dengan peningkatan evapotranspirasi, yang dapat menyebabkan krisis sumber daya air yang dapat membatasi ketahanan pangan (Li et al. 2020 ). Keamanan air, keamanan pangan, dan teknologi untuk meningkatkan hasil panen harus menjadi fokus kebijakan pangan masa depan di negara-negara Asia Tengah.

4.3 Kekuatan dan Keterbatasan Model PLSSEM-PSOLSSVM
Di wilayah yang tidak memiliki eksperimen lapangan jangka panjang pada tanaman pangan, membangun model tanaman pangan seperti APSIM dan DSSAT untuk memprediksi hasil panen merupakan tantangan. Model statistik tradisional, seperti regresi linier berganda dan fungsi sepotong-sepotong, gagal menangkap hubungan tidak langsung antara variabel independen dan dependen, sehingga menghasilkan kesalahan simulasi yang signifikan (Kumar et al. 2019 ; Li et al. 2015 ). Model pembelajaran mesin yang muncul, termasuk jaringan saraf tiruan, pembelajaran mendalam, dan mesin vektor pendukung, memperhitungkan hubungan nonlinier di antara variabel dan menawarkan akurasi prediksi yang lebih tinggi (Li et al. 2010 ; Li et al. 2023 ). Namun, mereka tidak memiliki kemampuan interpretatif untuk menjelaskan interaksi antara variabel. Keuntungan dari model PLS-SEM terletak pada kemampuannya untuk menggambarkan hubungan jalur langsung dan tidak langsung antara variabel dependen dan penggerak, yang memungkinkan pengguna untuk secara fleksibel menambahkan atau menghapus variabel dan jalur sesuai dengan kebutuhan mereka (Ye et al. 2022 ). Sebaliknya, model LSSVM dapat dilatih secara efektif dengan ukuran sampel terbatas, dan dengan mengoptimalkan dua parameter utama, c dan θ, model ini dapat meningkatkan kinerja pemasangan model SVM secara signifikan. Studi ini menggunakan algoritma PSO untuk meminimalkan kesalahan antara hasil panen gandum yang diprediksi oleh model LSSVM dan hasil panen aktual, dengan mengoptimalkan parameter c dan θ. Dengan menggunakan penggerak dan variabel laten dari model PLS-SEM yang dimodifikasi sebagai masukan untuk model PSO-LSSVM, kami membuat model prediksi hasil panen yang meningkatkan akurasi prediksi dan menjelaskan hubungan kausal antara variabel masukan dan keluaran, dengan mengatasi keterbatasan penelitian sebelumnya. Lebih jauh, jika dibandingkan dengan model PSO-LSSVM tunggal, model PLSSEM-PSOLSSVM menunjukkan kesalahan yang lebih kecil dan akurasi yang jauh lebih baik dalam memprediksi hasil panen gandum di Asia Tengah dan Kazakhstan.

Versi terkini model PLSSEM-PSOLSSVM masih terhubung longgar dengan model PLS-SEM yang dikembangkan pada platform R dan model PSO-LSSVM yang berjalan di MATLAB. Penggerak dari PLS-SEM harus dimasukkan secara manual ke dalam PSO-LSSVM sebagai variabel masukan. Model PSO-LSSVM memiliki persyaratan kecepatan komputasi yang tinggi; dalam studi ini, kami menetapkan jumlah partikel menjadi 50 dan iterasi pengoptimalan menjadi 10 generasi, namun satu model berjalan lebih dari 20 menit. Jika diterapkan ke wilayah dengan kumpulan data yang lebih besar, diperlukan komputer dengan kinerja komputasi yang lebih tinggi. Meskipun model PLSSEM-PSOLSSVM dapat menggunakan data terbatas, seperti data statistik dan produk penginderaan jauh, untuk memprediksi hasil panen di wilayah dengan data terbatas, model ini memerlukan setidaknya 15–20 tahun data untuk pelatihan parameter, dengan volume data yang lebih besar menghasilkan akurasi model yang lebih baik. Sementara model gabungan ini menjelaskan hubungan kausal antara hasil panen dan faktor pendorongnya, model ini tidak menjelaskan proses fisik yang mendasarinya, seperti model mekanis seperti DSSAT.

5 Kesimpulan
Studi ini menyajikan kerangka kerja penelitian yang menggunakan PLS-SEM untuk mengidentifikasi faktor pendorong di balik perubahan pasokan dan permintaan biji-bijian regional di Tiongkok. Dengan menggunakan prediksi hasil panen gandum di Asia Tengah dan Kazakhstan sebagai studi kasus, kami mengintegrasikan PLS-SEM dengan model PSO-LSSVM. Pendekatan ini meningkatkan akurasi prediksi hasil panen dan memperjelas hubungan kausal antara variabel input dan output dalam model pembelajaran mesin.

Analisis karakteristik dan faktor pendorong perubahan permintaan dan penawaran biji-bijian menunjukkan bahwa penawaran semua tanaman pangan di negara-negara Asia Tengah mengikuti tren penurunan awal, diikuti oleh pemulihan, dengan titik balik sekitar tahun 1995–1998. Gandum merupakan tanaman pangan utama di kawasan tersebut, yang masing-masing menyumbang 68,01% dan 57,62% dari total penawaran dan permintaan biji-bijian. Kazakhstan memiliki produksi gandum tertinggi, yang menyumbang 60,67% dari total penawaran gandum Asia Tengah dan 41,26% dari total penawaran biji-bijian di kawasan tersebut. Lebih jauh, Kazakhstan merupakan eksportir gandum terbesar, yang menyumbang 44% dari produksi gandum domestik di kawasan tersebut, sedangkan keempat negara lainnya bergantung pada impor gandum untuk memenuhi permintaan domestik mereka.

Kami mengembangkan dan menyempurnakan model PLS-SEM untuk Produksi dan Konsumsi gandum di Asia Tengah dan Kazakhstan, mengungkap pendorong dan jalur utama. PLS-SEM yang dimodifikasi secara signifikan meningkatkan GOF , R2 , dan koefisien jalur ( r ), memastikan keakuratan pemasangan model. Analisis perubahan produksi gandum menunjukkan bahwa perluasan area gandum dan peningkatan hasil berkontribusi terhadap total produksi gandum masing- masing sebesar 0,37 dan 0,81. Iklim dan Budidaya memengaruhi hasil panen masing-masing sebesar 0,38 dan 0,33, dan secara tidak langsung memengaruhi produksi panen. Pola serupa diamati di Kazakhstan, meskipun pada besaran yang bervariasi. Selain itu, jalur baru diidentifikasi di mana hasil panen secara langsung memengaruhi perubahan area panen, yang secara tidak langsung memengaruhi produksi. Pertumbuhan ekonomi muncul sebagai pendorong signifikan konsumsi gandum di Asia Tengah dan Kazakhstan, dengan koefisien jalur masing-masing sebesar 1,30 dan 1,67. Pertumbuhan populasi adalah faktor pengaruh berikutnya, dengan koefisien jalur masing-masing sebesar -0,53 dan -1,50. Ekspor gandum Kazakhstan memiliki dampak negatif langsung pada konsumsi tetapi efek positif tidak langsung pada perekonomian, hubungan yang tidak ada di Asia Tengah.

Model PLSSEM-PSOLSSVM yang digabungkan meningkatkan akurasi prediktif hasil panen gandum dan mengatasi masalah hubungan kausal yang tidak jelas antara hasil keluaran model pembelajaran mesin dan variabel masukan. Dibandingkan dengan hasil simulasi PSO-LSSVM standar, model PLSSEM-PSOLSSVM mengurangi kesalahan sebesar 10,21% di Asia Tengah dan 32,80% di Kazakhstan. Dalam prediksi untuk Asia Tengah dan Kazakhstan, nilai R 2 masing-masing meningkat dari 0,45 menjadi 0,48 dan dari 0,37 menjadi 0,68.