UAS-4: My Knowledge

4.2.1 Fakta dan Definisi Global Kelaparan

Menurut laporan The State of Food Security and Nutrition in the World (SOFI) 2024, yang dirilis secara bersama oleh lima organisasi Perserikatan Bangsa-Bangsa—Food and Agriculture Organization (FAO), International Fund for Agricultural Development (IFAD), United Nations Children's Fund (UNICEF), World Food Programme (WFP), dan World Health Organization (WHO)—pada bulan Juli 2024, kondisi kelaparan global mencapai angka yang sangat mengkhawatirkan.

Secara umum, kelaparan didefinisikan sebagai kondisi ketika sekelompok besar populasi tidak memiliki akses yang memadai terhadap pangan yang cukup untuk menjalani kehidupan sehat dan produktif. Lebih spesifik lagi, menurut Bank Dunia, kelaparan ekstrem terjadi ketika seseorang hidup dengan pendapatan kurang dari USD 2,15 per hari, sehingga tidak mampu membeli makanan yang memenuhi kebutuhan energi dan gizi minimum.

Data Kelaparan Tahun 2023–2024:

• Sekitar 733 juta orang di dunia mengalami kelaparan pada tahun 2023, setara dengan 1 dari 11 penduduk planet ini atau 8,2% dari populasi global.
• Laporan SOFI 2025 menunjukkan sedikit perbaikan dengan estimasi 638–720 juta orang (7,8–8,8%) mengalami kelaparan pada 2024, namun angka ini masih sangat tinggi dan tetap jauh dari target SDG 2: Zero Hunger pada 2030.
• Lebih mengkhawatirkan lagi, 2,33 miliar orang menghadapi kerawanan pangan moderat hingga parah, artinya lebih dari seperempat populasi dunia tidak pernah merasa yakin mengenai ketersediaan makanan mereka.

Definisi Kerawanan Pangan:

Kerawanan pangan berbeda dari kelaparan dalam hal intensitas, namun keduanya saling terkait. Kerawanan pangan didefinisikan sebagai kondisi ketika akses fisik, sosial, atau ekonomi terhadap makanan yang cukup, aman, dan bergizi tidak selalu terjamin. Seseorang yang mengalami kerawanan pangan mungkin masih makan, tetapi dengan porsi berkurang, kualitas lebih buruk, atau dengan cara-cara yang tidak berkelanjutan (misalnya menjual aset, meminjam dengan bunga tinggi, atau anak tidak sekolah agar biaya berkurang).

Distribusi Regional:

• Afrika menanggung beban terberat, dengan sekitar 20% populasinya mengalami kelaparan, terutama di wilayah sub-Sahara.
• Asia memiliki tingkat kelaparan sekitar 8%, namun dalam angka absolut, Asia memiliki jumlah orang kelaparan terbanyak karena populasinya yang besar.
• Mayoritas orang yang mengalami kelaparan terkonsentrasi di negara-negara berpenghasilan rendah dan menengah, khususnya di wilayah yang terkena konflik, guncangan iklim, atau krisis ekonomi.

4.2.2 Pemahaman tentang Penyebab Kelaparan

Untuk memahami mengapa kelaparan masih menjadi masalah global di era modern, kita perlu mengklasifikasikan penyebab-penyebabnya. Menurut analisis SOFI dan berbagai lembaga internasional, ada tiga pemicu utama yang saling terkait dan memperkuat satu sama lain:

4.2.3 Pemahaman tentang Teknologi Informasi dan AI

Sebelum memahami penerapan AI untuk ketahanan pangan, kita perlu memahami apa yang dimaksud dengan "sistem informasi berbasis AI" dalam konteks ini:

Definisi Sistem Informasi: Sistem informasi adalah "mesin abstrak" yang mengumpulkan data dari berbagai sumber, memprosesnya menggunakan logika dan algoritma, menghasilkan informasi yang berguna, dan mengarahkan informasi tersebut untuk mendukung pengambilan keputusan dan tindakan. Dalam konteks pangan, sistem informasi mengumpulkan data tentang cuaca, produksi, harga, kesehatan, dan laporan dari masyarakat.

Definisi Artificial Intelligence (AI): AI adalah cabang ilmu komputer yang mengembangkan algoritma dan model yang dapat belajar dari data, mengenali pola, membuat prediksi, dan memberikan rekomendasi tanpa harus diprogram secara eksplisit untuk setiap kasus. Dalam konteks kelaparan, AI digunakan untuk prediksi, deteksi pola, dan rekomendasi intervensi.

Integrasi Sistem & AI untuk Ketahanan Pangan: Ketika sistem informasi dipadukan dengan AI, hasilnya adalah platform yang dapat mengumpulkan data real-time, memprosesnya dengan kecepatan tinggi, belajar dari data historis, memberikan peringatan dini, dan mendukung keputusan yang lebih cepat dan tepat sasaran. Konsep ini sejalan dengan kerangka pembelajaran VALORAIZE, di mana pengetahuan teknis disatukan dengan pengetahuan sosial untuk menciptakan solusi yang bermakna.

4.3.1 Contoh Nyata: HungerMap LIVE oleh WFP

Untuk menerapkan dan menganalisis pengetahuan tentang sistem informasi berbasis AI, kita perlu melihat contoh konkret yang telah beroperasi dan terbukti. Pada tahun 2020, World Food Programme (WFP) meluncurkan platform bernama HungerMap LIVE. Platform ini bertujuan memberikan gambaran real-time tentang situasi keamanan pangan di berbagai negara.

Sumber Data dan Infrastruktur:

HungerMap LIVE mengintegrasikan data dari lima kategori utama:

1. Data Survei Primer: Tim WFP melakukan ribuan panggilan telepon setiap minggu kepada keluarga untuk menanyakan ketersediaan makanan.
2. Data Pasar: Harga komoditas pangan utama dipantau setiap hari dari pasar tradisional dan modern.
3. Data Iklim dan Cuaca: Data curah hujan, suhu, dan indeks vegetasi dari satelit.
4. Data Konflik: Informasi tentang kekerasan dan pemindahan penduduk.
5. Data Sosial-Ekonomi: Data makroekonomi, akses layanan kesehatan, dan tingkat pendidikan.

Proses Pengolahan Data dengan AI:

Sistem menggunakan teknik AI seperti Imputation dan Filling untuk mengisi data kosong, Pattern Recognition untuk mengenali pola kerawanan pangan, Nowcasting dan Forecasting untuk estimasi kondisi saat ini dan prediksi masa depan, serta Scoring dan Ranking untuk memprioritaskan wilayah intervensi.

Output dan Dampak Nyata:

Platform menghasilkan peta interaktif, tren waktu, laporan rinci, dan rekomendasi tindakan. Menurut laporan WFP, HungerMap LIVE telah membantu mempercepat keputusan (dari 2–4 minggu menjadi 3–5 hari), mengarahkan bantuan lebih tepat, menghemat biaya melalui peringatan dini, dan melibatkan komunitas melalui survei telepon.

4.3.2 Aplikasi AI di Pertanian untuk Meningkatkan Produksi Pangan

Sementara HungerMap LIVE berfokus pada pemantauan kelaparan (demand side), ada pula aplikasi AI yang fokus pada produksi pangan (supply side), yaitu Pertanian Presisi. AI memainkan peran kunci dalam pemantauan tanaman jarak jauh, prediksi kebutuhan air, deteksi hama dan penyakit (contoh: aplikasi Plantix), optimasi aplikasi input (pupuk/pestisida), dan prediksi hasil panen.

Dampak Agregat: Jika diterapkan secara luas, aplikasi AI di pertanian dapat meningkatkan hasil panen 15–30%, menghemat air 20–40%, mengurangi biaya produksi 10–20%, dan meningkatkan ketahanan petani terhadap guncangan iklim.

4.3.3 Strategi Global: WFP Global AI Strategy 2025–2027

Pada Maret 2025, WFP meluncurkan strategi komprehensif dengan empat pilar utama: (1) Perluasan dan peningkatan HungerMap LIVE, (2) Optimasi rantai pasok berbasis AI, (3) Prediksi dan analisis pasar, dan (4) Kolaborasi data dan ekosistem digital.

Target keberhasilan pada 2027 mencakup kemampuan memprediksi krisis 3 bulan sebelumnya dengan akurasi 85%, mengurangi waktu respons menjadi kurang dari 1 minggu, dan melibatkan 50 juta orang dalam ekosistem data. Strategi ini selaras dengan SDG 2 (Zero Hunger).

4.4.1 Evaluasi: Kekuatan Pendekatan Berbasis AI

• Kecepatan dan Skalabilitas: Pengolahan data jutaan poin secara real-time.
• Objektivitas dan Konsistensi: Penilaian yang konsisten lintas negara.
• Integrasi Lintas Data: Menggabungkan data satelit, pasar, dan sosial.
• Pembelajaran Berkelanjutan: Model terus belajar dari data baru.
• Pemberdayaan Komunitas Lokal: Akses informasi bagi petani dan pemda.

4.4.2 Evaluasi: Keterbatasan dan Tantangan

Namun, pendekatan berbasis AI juga menghadapi tantangan:

• Kesenjangan Data dan Infrastruktur: Akses internet dan listrik terbatas di daerah konflik/miskin.
• Bias dalam Data dan Algoritma: Risiko mewarisi bias geografis atau demografis.
• Kurangnya Fleksibilitas Konteks Lokal: Model global mungkin tidak menangkap nuansa lokal.
• Biaya dan Ketergantungan: Investasi awal mahal dan risiko ketergantungan teknologi.
• Akar Masalah Tidak Terpecahkan: AI tidak bisa menghentikan perang atau ketimpangan ekonomi; hanya alat bantu.

4.4.3 Inovasi: Desain Sistem AI yang Adil dan Inklusif

Berdasarkan evaluasi, visi sistem AI masa depan harus dirancang dengan prinsip:

1. Co-Creation dengan Komunitas Lokal: Melibatkan pengguna lokal sejak awal desain.
2. Data Berkualitas dan Representatif: Audit data berkala untuk hindari bias.
3. Transparansi dan Akuntabilitas: Algoritma yang dapat dijelaskan (explainable AI).
4. Pembangunan Kapasitas Lokal: Melatih SDM lokal untuk keberlanjutan.
5. Integrasi dengan Kebijakan: Teknologi harus didukung komitmen politik dan pembiayaan.