Bagaimana AI Mengoptimalkan Pembayaran Asuransi Untuk Salah Satu Skema Asuransi Tanaman Terbesar di Dunia?

Catatan editor:Postingan ini awalnya diterbitkan pada Februari 2019 dan telah diperbarui untuk akurasi dan kelengkapan.

Produsen pertanian secara global rentan terhadap segala jenis risiko yang tidak terduga. Salah satu faktor utama yang mengganggu produksi pangan pertanian secara global adalah bencana alam. Guncangan pada sistem pertanian pangan ini, termasuk kekeringan, banjir, kebakaran hutan, angin topan, dan pandemi baru-baru ini, menjadi semakin intens dan sering, menyebabkan kerusakan dan kehancuran yang berulang. Di satu sisi, kesulitan ini mempengaruhi hasil panen dan harga dan, akibatnya, keuntungan petani dan mata pencaharian pedesaan. Di sisi lain, mereka mengganggu rantai nilai dan mengancam ketahanan dan stabilitas pangan global.

Antara 2008 dan 2018, miliaran dolar hilang sebagai akibat dari penurunan produksi tanaman dan ternak setelah bencana.

• USD 30 miliar hilang di sub-Sahara dan Afrika Utara

• USD 29 miliar hilang di Amerika Latin dan Karibia

• USD 8,7 miliar hilang di seluruh Negara Berkembang Pulau Kecil (SIDS) di Karibia

• USD 49 miliar hilang di Asia

Sumber:FAO

Salah satu cara bagi produsen ini untuk mengurangi eksposur mereka terhadap risiko ini adalah dengan membeli asuransi tanaman.

Rencana asuransi pertanian melindungi produsen dari kerugian panen karena cuaca atau bencana alam atau kerugian pendapatan karena fluktuasi harga pasar. Ini juga mengurangi risiko pinjaman ke sektor pertanian, memungkinkan petani untuk membayar kembali pinjaman mereka selain menawarkan beberapa manfaat lainnya.

Skema Asuransi Tanaman di India:Pradhan Mantri Fasal Bima Yojana

Pada April 2016, Pemerintah India meluncurkan skema asuransi tanaman nasional yang dikenal sebagai Pradhan Mantri Fasal Bima Yojana (PMFBY). Skema asuransi pertanian adalah salah satu yang terbesar di dunia, memberikan perlindungan risiko bagi jutaan petani India.

Fitur penting dari PMFBY adalah mendorong penggunaan teknologi modern, seperti citra satelit, teknologi penginderaan jauh, drone, kecerdasan buatan, dan pembelajaran mesin, untuk mempercepat penilaian kehilangan panen.

Estimasi Hasil Menggunakan Eksperimen Pemotongan Tanaman

Teknologi canggih ini juga bermanfaat dalam memperkirakan hasil panen secara efisien. Biasanya, data hasil diperoleh melalui eksperimen pemotongan tanaman atau CCE. Ini mengacu pada metode penilaian yang digunakan oleh pemerintah dan badan pertanian untuk memperkirakan hasil panen untuk siklus budidaya tertentu di wilayah tersebut.

Metode tradisional CCE didasarkan pada metode komponen hasil di mana lokasi sampel dipilih berdasarkan pengambilan sampel secara acak dari total area yang diteliti. Dari lokasi ini, pengambil sampel memanen tanaman dari ukuran dan bentuk plot tertentu (persegi, persegi panjang, segitiga, atau lingkaran berdasarkan tanaman). Hasil panen kemudian dikumpulkan dan dianalisis untuk beberapa parameter, seperti berat biomassa, berat biji-bijian, kelembaban, dan aspek indikatif lainnya, untuk memperkirakan hasil akhir per hektar. Data yang dikumpulkan dari studi ini diekstrapolasikan ke seluruh wilayah untuk memberikan penilaian yang cukup andal tentang hasil rata-rata hasil wilayah tersebut.

Data yang dikumpulkan dari CCE bermanfaat bagi banyak pemangku kepentingan dalam rantai nilai pertanian. Sementara pemerintah dapat menggunakannya untuk merencanakan kebijakan dan program terkait sektor, penyedia asuransi dapat memanfaatkan informasi ini untuk menyesuaikan produk asuransi untuk tanaman atau wilayah berdasarkan data kinerja aktual. Ini juga memungkinkan mereka untuk memverifikasi klaim sebelum menyelesaikannya.

Tantangan dalam Menjalankan Eksperimen Pemotongan Tanaman

Di bawah PMFBY, negara bagian harus melaksanakan setidaknya empat CCE untuk setiap panen di setiap panchayat desa (atau dewan) dan menyerahkan data hasil panen ke perusahaan asuransi dalam waktu satu bulan setelah panen. Kelemahan terbesar dari pendekatan tradisional untuk CCE adalah bahwa hal itu tergantung pada banyak variabel seperti pengaturan administrasi, jenis dan ukuran staf lapangan, kerjasama petani, dan kondisi panen.

Terutama dalam skenario di mana ada hampir 2,5 lakh dewan desa di India, melaksanakan CCE yang tak terhitung jumlahnya dalam jendela panen yang sempit dan staf yang terbatas terbukti menantang. Perlu ada cara yang lebih efisien untuk memanfaatkan sumber daya yang tersedia dan memperoleh estimasi hasil yang akurat dalam jangka waktu panen yang singkat.

Pengambilan Sampel Cerdas yang Didukung Teknologi

Pada tahun 2019, pengambilan sampel cerdas pertama kali diperkenalkan oleh para ilmuwan di Pusat Prakiraan Tanaman Nasional Mahalanobis (MNCFC) Kementerian Pertanian dan Organisasi Penelitian Luar Angkasa India (ISRO) melalui sembilan studi percontohan di 23 distrik di 11 negara bagian.

Dibandingkan dengan metode tradisional CCE menggunakan sampling acak, penggunaan penginderaan jauh dan kemajuan teknologi lainnya memberikan estimasi hasil yang jauh lebih akurat dan tepat waktu.

Untuk musim Rabi tahun 2019, Pemerintah Pusat bermitra dengan Cropin untuk studi percontohan dengan tujuan:

1. Optimalisasi eksperimen pemotongan tanaman agar lebih akurat, cepat, dan skalabel

2. Penerapan mekanisme penyelesaian sengketa klaim yang kuat dan dikelola sendiri untuk penyelesaian sengketa klaim yang cepat

Menciptakan Dampak dengan Solusi Digital Cropin

SmartRisk Cropin adalah platform digital bertenaga AI dan ML yang menggunakan citra satelit dan model deteksi tanaman eksklusif untuk mengidentifikasi plot yang paling cocok untuk eksperimen ini. Tim ilmu data yang berdedikasi dan sangat terampil menganalisis jutaan titik data untuk menentukan plot pertanian yang akan memberikan sampel paling akurat untuk wilayah tersebut.

Pada hari percobaan, pengambil sampel menggunakan SmartFarm, aplikasi manajemen data pertanian, untuk menangkap lokasi dan ukuran plot pertanian yang tepat serta detail petani dan tanamannya. Menangkap data ini menggunakan SmartFarm membuat catatan digital yang mudah diakses dan memastikan bahwa data lapangan akurat.

Manfaat CCE berbantuan teknologi tidak terbatas pada pemilihan sampel yang cocok untuk penelitian. Selain menawarkan pendekatan pengambilan sampel yang lebih optimal, solusi digital juga memberikan laporan ilmiah, skalabel, dan akurat kepada para pemangku kepentingan untuk pemrosesan di masa mendatang.

Bagaimana Pemangku Kepentingan Diuntungkan Dari Intervensi Digital

Penggunaan data dan teknologi dalam pertanian memiliki dampak luas pada ekosistem pertanian dan memungkinkan pengambilan keputusan yang lebih efisien dan akurat di seluruh siklus budidaya. Pendekatan cerdas yang didukung teknologi terhadap CCE memberikan banyak manfaat.

• Pemerintah:Penerapan teknologi mengatasi masalah pelaksanaan CCE dalam jumlah besar dengan tenaga kerja terbatas selama periode panen yang singkat. Menggunakan platform digital seperti Cropin mengurangi dokumen dan kemungkinan kesalahan manusia selanjutnya. Selain itu, Cropin menyediakan manajer lapangan terlatih untuk mengawasi proses dan mengumpulkan data yang diperlukan pada aplikasi digital, sehingga mengurangi beban pembuat sampel. Dengan bantuan metode ilmiah ini, pemerintah dapat meningkatkan efisiensi secara keseluruhan dengan memanfaatkan sumber dayanya sebaik mungkin.

• Perusahaan asuransi:Data memberikan perkiraan hasil yang lebih akurat untuk tanaman yang bersangkutan dan memungkinkan penyelesaian klaim tepat waktu dengan cara yang lebih adil. Laporan yang diperoleh menggunakan platform Cropin berbasis data dan akurat. Oleh karena itu, ini menghilangkan kemungkinan klaim penipuan atau pencairan pembayaran yang tidak akurat. Ini juga memungkinkan perusahaan asuransi untuk menyesuaikan skema dan produk asuransi tanaman berdasarkan data waktu nyata yang dikumpulkan dari wilayah tersebut.

• Petani:Digitalisasi proses CCE memungkinkan penyelesaian klaim yang adil. Ini mengurangi tekanan pada petani untuk memberikan bukti klaim mereka, sehingga juga mengurangi upaya dan waktu yang dihabiskan dalam proses.

Cropin baru-baru ini berpartisipasi dalam pemerintah Nigeria di mana model pembelajaran mendalam kami untuk estimasi hasil memungkinkan Asosiasi Penggilingan Tepung Nigeria (FMAN) dan pemangku kepentingan lainnya untuk memperkirakan budidaya gandum di Nigeria utara. Baca selengkapnya di sini.