PENDAHULUAN

Latar Belakang

Ketahanan pangan merupakan pilar fundamental stabilitas nasional yang berkorelasi linier dengan produktivitas sektor agraris, khususnya pada wilayah strategis seperti Malang Raya. Sebagai kawasan yang mengintegrasikan pusat urban dan sentra agroklimat unggulan di Jawa Timur, Malang Raya menghadapi tantangan kompleks berupa alih fungsi lahan serta degradasi kualitas tanah yang mengancam konsistensi hasil panen (Wahyunto & Dariah, 2014). Upaya menjaga kedaulatan pangan di wilayah ini tidak lagi sekadar berfokus pada ekstensifikasi lahan, melainkan pada intensifikasi melalui manajemen sumber daya presisi guna mengoptimalkan potensi produktivitas pada setiap klaster satuan peta lahan di berbagai topografi (Mulyani & Sarwani, 2013).

Efektivitas produksi pertanian di Malang Raya sangat bergantung pada intervensi nutrisi melalui pemenuhan kebutuhan pupuk yang sinkron dengan karakteristik biofisik dan status kesuburan tanah setempat. Ketimpangan dalam distribusi hara dapat memicu stagnasi pertumbuhan tanaman serta inefisiensi alokasi biaya operasional petani (Foth, 1990). Oleh karena itu, skema penyediaan pupuk harus memenuhi parameter 6T (Tepat Jenis, Jumlah, Harga, Tempat, Waktu, dan Mutu) sesuai dengan regulasi pemupukan spesifik lokasi (Kementerian Pertanian, 2020). Kendala empiris di lapangan menunjukkan bahwa disparitas aksesibilitas dan inefisiensi rantai pasok antara titik distribusi di pusat perkotaan dengan lahan produksi di pelosok menjadi hambatan utama dalam distribusi input pertanian.

Secara teknis, akurasi penentuan lokasi depo pupuk harus didasarkan pada evaluasi kesuburan lahan yang bersifat multidimensi. Parameter kunci seperti Karbon Organik (C-Organik) berperan sebagai indikator kesehatan tanah, sementara unsur makro primer Nitrogen (N), Fosfor (P), dan Kalium (K) menjadi variabel penentu dalam menyusun formulasi kebutuhan pupuk (Syam et al., 2021). Pemetaan spasial terhadap defisit hara ini memungkinkan dilakukannya zonasi kebutuhan input yang lebih presisi, sehingga lokasi depo dapat ditempatkan pada titik yang secara agronomis paling membutuhkan intervensi. Hal ini bertujuan untuk memitigasi risiko aplikasi pupuk yang tidak tepat sasaran (miss-targeted application) sekaligus meningkatkan efisiensi serapan hara di seluruh zona ekologi Malang Raya.

Integrasi Sistem Informasi Geografis (SIG) memainkan peran krusial dalam memodelkan optimalisasi lokasi depo melalui pendekatan spasial (Prahasta, 2014). Dengan mensinergikan dataset spasial mengenai gradien kesuburan tanah dengan variabel jaringan transportasi, SIG mampu mengeksekusi analisis Location-Allocation untuk menentukan titik distribusi yang optimal secara ekonomi maupun layanan publik (Rushton, 2003). Melalui pendekatan network analysis, hambatan transportasi antarwilayah dapat direduksi, sehingga menjamin ketersediaan input pada wilayah dengan defisit nutrisi tanah yang tinggi secara efisien (Longley et al., 2015).

Dalam upaya mengimplementasikan analisis spasial yang kolaboratif, platform MAPID hadir sebagai instrumen integrasi data geospasial yang dinamis (MAPID, 2026). Platform ini memfasilitasi fusi berbagai layer data—mulai dari hasil interpolasi kadar hara hingga konektivitas jaringan jalan—ke dalam sebuah dasbor analitik terpadu. Pemanfaatan fitur Location Intelligence memungkinkan pemangku kepentingan untuk memvisualisasikan sinkronisasi antara permintaan (demand) lahan dan ketersediaan fasilitas secara real-time. Hal ini memastikan bahwa penentuan lokasi depo pupuk di Malang Raya memiliki landasan saintifik yang kuat, berbasis data (data-driven decision making), dan mampu mengatasi tantangan disparitas aksesibilitas wilayah secara presisi.

Sebagai konklusi, integrasi antara manajemen nutrisi tanaman yang presisi dan pemodelan spasial merupakan prasyarat mutlak dalam mewujudkan efisiensi sektor pertanian. Implementasi pemupukan yang berbasis pada data kesuburan aktual terbukti mampu meningkatkan produktivitas sekaligus menekan eksternalitas negatif lingkungan (Hengl et al., 2017). Sinergi antara ketepatan agronomis dan efisiensi spasial melalui SIG tidak hanya menjamin keberlanjutan usaha tani, tetapi juga memperkuat ketahanan pangan regional Malang Raya melalui rantai pasok yang lebih responsif dan adaptif.

Tujuan

1. 1.
   Menganalisis sebaran status evaluasi lahan dengan melihat tingkat kesuburan tanah

1. 2.
   Mengoptimalkan penentuan lokasi depo pupuk melalui pemodelan Location-Allocation

1. 3.
   Mengembangkan dasbor monitoring distribusi pupuk berbasis Location Intelligence

METODOLOGI

Lokasi

Malang Raya merupakan kesatuan wilayah strategis di Jawa Timur yang mencakup tiga entitas administratif: Kabupaten Malang, Kota Malang, dan Kota Batu. Secara geografis, wilayah ini terletak pada koordinat 112°17'-112°57' BT dan 7°44'-8°26' LS. Wilayah ini memiliki karakteristik topografi yang sangat kontras, mulai dari dataran rendah di bagian selatan hingga kawasan pegunungan vulkanik di bagian utara dan barat (kompleks Gunung Arjuno-Welirang, Kawi-Buthak, dan Bromo-Tengger-Semeru). Keberagaman elevasi ini (300 hingga lebih dari 2.000 mdpl) menciptakan variasi mikroklimat yang sangat mendukung diversifikasi komoditas pertanian, dari tanaman pangan hingga hortikultura dataran tinggi. Kondisi ini menyebabkan variabilitas status hara tanah yang signifikan, sehingga memerlukan pendekatan manajemen nutrisi spesifik lokasi (Badan Pusat Statistik Kabupaten Malang, 2025).

Alur Kerja

Diagnosis Status Hara Berbasis Penginderaan Jauh

Tahap awal dimulai dengan ekstraksi data spektral dari citra satelit Sentinel-2. Menggunakan algoritma NDVI (Normalized Difference Vegetation Index), sistem menganalisis kerapatan dan kesehatan vegetasi sebagai proksi kondisi biofisik lahan (Rouse et al., 1974). Data NDVI ini kemudian diderivasi melalui model matematis untuk mengestimasi status hara makro. Kandungan klorofill yang terdeteksi melalui band Red dan Near-Infrared pada Sentinel-2 memiliki korelasi kuat dengan ketersediaan Nitrogen (N) (Lillesand et al., 2015). Selain itu, estimasi C-Organik, Fosfor (P), dan Kalium (K) dilakukan melalui pendekatan indeks vegetasi gabungan yang merepresentasikan biomassa di atas permukaan tanah sebagai indikator tidak langsung kesuburan tanah (Hengl et al., 2017). Penggunaan citra satelit memungkinkan pemantauan status hara secara real-time dan mencakup wilayah Malang Raya yang luas tanpa harus bergantung sepenuhnya pada sampling tanah manual yang memakan waktu.

Perhitungan Defisit Hara dan Evaluasi Kesesuaian Lahan

Data hara yang diperoleh secara pixel-based diolah lebih lanjut menggunakan metode reklasifikasi spasial. Nilai hara pada setiap piksel dikelompokkan berdasarkan Kriteria Penilaian Sifat Kimia Tanah menurut Balitbangtan (Balitan) (BBPMSLP, 2006). Klasifikasi ini membagi status hara menjadi 5 kelas (Sangat Rendah, Rendah, Sedang, Tinggi, dan Sangat Tinggi). Melalui teknik overlay di SIG, dilakukan perhitungan matematis untuk menentukan selisih (defisit) hara terhadap standar kebutuhan ideal tanaman pangan seperti padi dan jagung (Hardjowigeno & Widiatmaka, 2011). Hasilnya adalah peta Kelas Kesesuaian Lahan atau Evaluasi Kesuburan Tanah yang memberikan rekomendasi dosis pemupukan yang dipersonalisasi sesuai kebutuhan spesifik setiap zona lahan (Sulasmono, 2020).

Agregasi Kebutuhan Berbasis Data Demografi Spasial

Kebutuhan hara teknis kemudian dikorelasikan dengan profil demografi wilayah untuk menentukan skala prioritas distribusi. Menggunakan data dari Badan Pusat Statistik (BPS), dilakukan integrasi data jumlah penduduk, proporsi laki-laki, dan jumlah penduduk yang bermata pencaharian sebagai wiraswasta/petani (BPS Kabupaten Malang, 2025). Data kebutuhan pupuk yang sebelumnya berbasis unit spasial terkecil (pixel-based) kemudian diagregasi secara administratif ke tingkat Desa hingga Kecamatan. Hal ini bertujuan untuk memetakan volume permintaan (demand) pupuk di setiap wilayah administrasi di Malang Raya secara akurat melalui analisis spasial lintas sektoral (Rushton, 2003).

Inventarisasi Subjek Petani melalui Gapoktan

Untuk memastikan akurasi distribusi, dilakukan pemetaan sebaran Kelompok Tani (Poktan) atau Gabungan Kelompok Tani (Gapoktan). Tahap ini berfungsi sebagai validasi data By Name By Address yang merujuk pada regulasi penyaluran pupuk bersubsidi (Kementerian Pertanian, 2020). Dalam ekosistem SIG, data Gapoktan berperan sebagai penghubung antara kebutuhan lahan (objek) dan penerima manfaat (subjek). Dengan mengunggah data sebaran Gapoktan ke dalam platform MAPID, pengambil kebijakan dapat memvisualisasikan klaster petani mana yang berada di wilayah dengan defisit hara paling kritis menurut standar Balitan.

Optimalisasi Distribusi Melalui Pemetaan Lokasi Depo Pertanian

Tahap akhir adalah mengidentifikasi titik distribusi melalui data lokasi Toko Pertanian yang diekstraksi dari basis data Google Maps (POI). Dengan memplot posisi toko pertanian terhadap peta kebutuhan hara, dilakukan analisis jangkauan (Service Area Analysis) (Longley et al., 2015). Wilayah yang memiliki kebutuhan hara tinggi namun berada jauh dari jangkauan fasilitas distribusi diidentifikasi sebagai celah distribusi (supply gap). Integrasi data ini memudahkan penentuan lokasi depo pupuk baru yang paling strategis guna memangkas jarak tempuh petani dan memastikan efisiensi distribusi input pertanian di seluruh Malang Raya melalui pendekatan Location Intelligence. Tautan link untuk lokasi depo sebagai berikut ini: https://form.mapid.io/69c28ddc48397356d00f1d94

HASIL DAN PEMBAHASAN

Evaluasi Kesuburan Lahan

Kawasan Malang Raya menunjukkan variasi kelas kesesuaian lahan yang didominasi oleh kelas S2 (Cukup Sesuai) dan S3 (Sesuai Marginal) untuk komoditas tanaman pangan. Kabupaten Malang dengan luasan lahan pertanian terbesar memiliki sebaran kesuburan yang heterogen, di mana wilayah utara cenderung lebih subur dibandingkan wilayah selatan yang didominasi batuan kapur. Kota Batu secara umum memiliki kelas kesesuaian yang baik untuk hortikultura, namun sering kali terkendala oleh kelerengan yang curam sebagai faktor pembatas utama. Sebaliknya, wilayah perkotaan seperti Kota Malang menunjukkan penyempitan lahan signifikan akibat alih fungsi lahan yang membatasi potensi agrarisnya secara spasial. Evaluasi ini krusial untuk menentukan zonasi produktivitas dan strategi pemulihan hara pada tingkat tapak atau petak lahan (Hardjowigeno & Widiatmaka, 2011).

Faktor pembatas utama yang ditemukan di lapangan meliputi aspek retensi hara, ketersediaan hara makro (N, P, K), serta kondisi fisik lingkungan. Di kecamatan yang luas seperti Donomulyo dan Sumbermanjing Wetan, faktor pembatas kimia berupa rendahnya kandungan C-Organik dan Nitrogen menjadi kendala serius bagi pertumbuhan tanaman. Sementara itu, pada wilayah dengan topografi pegunungan, faktor pembatas fisik seperti kedalaman efektif tanah yang dangkal dan bahaya erosi menjadi penghambat produktivitas. Kurangnya unsur Fosfor (P) dan Kalium (K) yang tersedia di tanah sering kali berkaitan dengan tingginya fiksasi hara pada jenis tanah tertentu di lereng vulkanik. Upaya mengatasi pembatas ini memerlukan aplikasi input pertanian yang presisi guna meningkatkan status hara dari kelas rendah menjadi sedang atau tinggi (Syam et al., 2021).

Pemanfaatan data spasial melalui platform SIG memungkinkan identifikasi faktor pembatas secara detail hingga tingkat desa untuk mempermudah distribusi pupuk. Sinkronisasi antara kebutuhan hara spesifik lokasi dan ketersediaan input di toko pertanian terdekat menjadi kunci efisiensi agribisnis di Malang Raya. Dengan menekan faktor pembatas melalui pemupukan berimbang, indeks pertanaman dapat ditingkatkan guna menjamin stabilitas ketahanan pangan regional. Analisis jangkauan fasilitas distribusi memastikan bahwa wilayah dengan faktor pembatas paling kompleks tetap mendapatkan akses sarana produksi secara tepat waktu. Oleh karena itu, integrasi teknologi Location Intelligence dalam evaluasi lahan sangat efektif untuk memitigasi risiko kegagalan panen akibat degradasi kualitas tanah (Wahyunto & Dariah, 2014).

Sebaran Depo Pertanian

Sebaran depo atau toko pertanian di wilayah Malang Raya menunjukkan pola konsentrasi yang sangat tinggi di kawasan pusat pertumbuhan ekonomi dan sentra hortikultura aktif. Kabupaten Malang mendominasi jumlah toko terbanyak, khususnya di kecamatan dengan aksesibilitas jalan utama yang baik seperti Pakis, Karangploso, dan Tumpang. Kota Batu juga menunjukkan densitas toko yang tinggi untuk mendukung kebutuhan pupuk serta pestisida bagi petani buah dan sayuran dataran tinggi. Di sisi lain, wilayah Kota Malang memiliki jumlah toko pertanian yang mulai terbatas seiring dengan penyempitan lahan produktif akibat konversi lahan menjadi kawasan pemukiman. Kondisi ini menunjukkan bahwa keberadaan toko pertanian sangat berkorelasi dengan tingkat permintaan input agrikultur dan kemudahan logistik transportasi (Rushton, 2003).

Sebaliknya, beberapa kecamatan di wilayah pinggiran seperti bagian selatan Kabupaten Malang menunjukkan jumlah depo pertanian yang sangat minim dan tersebar jarang. Rendahnya populasi toko di wilayah tersebut disebabkan oleh faktor aksesibilitas jaringan jalan yang sulit serta topografi berbukit yang meningkatkan biaya operasional logistik. Selain itu, potensi pasar yang lebih rendah akibat dominasi komoditas perkebunan atau tanaman pangan tadah hujan membuat para pelaku usaha kurang tertarik membuka cabang distribusi di pelosok. Kesenjangan jangkauan ini menciptakan tantangan bagi petani kecil yang harus menempuh jarak jauh untuk mendapatkan input pertanian bermutu. Oleh karena itu, integrasi Location Intelligence diperlukan untuk menentukan titik depo baru yang lebih inklusif bagi wilayah terpencil guna menjamin ketahanan pangan regional (Longley et al., 2015).

Kebutuhan Pupuk di Lahan Pertanian

Kondisi ideal untuk budidaya tanaman pangan guna mencapai produktivitas optimal sangat bergantung pada keseimbangan antara faktor genetik benih, manajemen budidaya, dan pemenuhan hara tanah yang presisi. Tanah yang subur secara ideal harus memiliki kandungan C-Organik yang memadai untuk menopang biologi tanah, serta ketersediaan unsur hara makro Nitrogen (N), Fosfor (P), dan Kalium (K) dalam kategori sedang hingga tinggi (Syam et al., 2021). Selain aspek kimia, sifat fisik tanah seperti drainase yang baik dan struktur tanah yang remah menjadi prasyarat agar sistem perakaran dapat menyerap nutrisi secara maksimal. Sinkronisasi antara fase pertumbuhan tanaman dengan ketersediaan unsur hara spesifik lokasi merupakan kunci utama untuk mencapai ambang batas potensi hasil panen yang maksimal, mencegah degradasi lahan, sekaligus menjaga keberlanjutan ekosistem agraris (Sisharmini et al., 2023).

Namun, realitas di lapangan menunjukkan bahwa pemenuhan kebutuhan hara tersebut sering kali terkendala oleh dinamika ketersediaan pupuk di pasar, baik pada jalur subsidi maupun non-subsidi. Pupuk bersubsidi yang dialokasikan pemerintah kerap menghadapi kendala teknis berupa keterbatasan kuota regional dan keterlambatan rantai distribusi yang tidak sejalan dengan jadwal musim tanam aktual petani (Pratiwi et al., 2020). Di sisi lain, pupuk non-subsidi yang tersedia di depo atau toko pertanian memiliki fluktuasi harga yang dipengaruhi pasar global, sehingga seringkali sulit dijangkau oleh petani kecil. Disparitas harga dan ketidakpastian pasokan ini memicu inefisiensi usaha tani, memaksa petani untuk mengaplikasikan pupuk di bawah dosis rekomendasi kesuburan lahan, yang pada akhirnya berdampak langsung pada penurunan kualitas dan kuantitas hasil panen (Rahman & Handayani, 2024).

Guna mengatasi kesenjangan distribusi dan inefisiensi aplikasi tersebut, diperlukan adopsi pendekatan pertanian presisi (Precision Agriculture) untuk memetakan distribusi kebutuhan pupuk secara saintifik dan spasial. Melalui integrasi data penginderaan jauh berbasis satelit Sentinel-2 (Segarra et al., 2020) dan platform Sistem Informasi Geografis (SIG), kebutuhan pupuk dapat dihitung secara akurat berdasarkan tingkat defisit hara di setiap petak lahan. Pendekatan manajemen nutrisi spesifik lokasi (Site-Specific Nutrient Management) ini memastikan bahwa rekomendasi pemupukan tidak lagi digeneralisasi pada tingkat kabupaten, melainkan ditargetkan langsung pada area dengan urgensi tertinggi. Pemanfaatan Location Intelligence dalam pemodelan ini terbukti sangat efektif untuk menyelaraskan volume permintaan pupuk dari lahan dengan jangkauan pelayanan logistik dari toko pertanian (Taneja et al., 2023).

Sebagai rangkuman, penyelarasan antara peta evaluasi kesuburan lahan dengan sistem logistik pupuk merupakan strategi fundamental untuk memperkuat ketahanan pangan regional di Malang Raya. Rekomendasi utama dari kajian ini adalah perlunya digitalisasi rantai pasok sarana produksi melalui dasbor pemantauan spasial terintegrasi guna meminimalkan blank spot atau area yang tidak terjangkau depo pupuk. Namun, implementasi di lapangan masih dihadapkan pada sejumlah tantangan ke depan, meliputi rendahnya literasi digital di kalangan petani gurem, tingginya laju konversi lahan produktif, serta kerentanan rantai pasok terhadap anomali iklim (Rahman & Handayani, 2024). Oleh karena itu, sinergi yang kuat antara pemerintah daerah, pihak swasta (distributor), dan penyuluh pertanian mutlak diperlukan untuk membangun ekosistem agribisnis yang adaptif dan berbasis pada data geospasial presisi.

KESIMPULAN

1. 1.
   Evaluasi status kesuburan lahan di Malang Raya menunjukkan variasi spasial yang signifikan, di mana wilayah utara dan Kota Batu relatif lebih subur dibandingkan wilayah selatan yang mengalami defisit hara, sehingga mutlak membutuhkan strategi pemupukan spesifik lokasi.

1. 2.
   Pemodelan Location-Allocation berhasil mengidentifikasi celah rantai pasok dan mengoptimalkan penentuan titik lokasi depo pupuk baru yang lebih strategis untuk menjangkau petani di wilayah pelosok yang minim aksesibilitas logistik.

1. 3.
   Pengembangan dasbor pemantauan spasial berbasis Location Intelligence terbukti sangat efektif untuk menyelaraskan data permintaan pupuk aktual di lahan dengan jangkauan pelayanan distribusi secara presisi guna mendukung ketahanan pangan regional.

DAFTAR PUSTAKA

1. 1.
   Badan Pusat Statistik Kabupaten Malang. (2025). Kabupaten Malang Dalam Angka 2025. BPS Kabupaten Malang.

1. 2.
   BBPMSLP. (2006). Sifat Fisik Tanah dan Metode Analisisnya. Bogor: Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian (Balitan).

1. 3.
   Foth, H. D. (1990). Fundamentals of Soil Science (8th ed.). John Wiley & Sons.

1. 4.
   Hardjowigeno, S., & Widiatmaka. (2011). Evaluasi Kesesuaian Lahan & Perencanaan Tata Guna Lahan. Gadjah Mada University Press.

1. 5.
   Hengl, T., et al. (2017). SoilGrids250m: Global gridded soil information based on machine learning. PLoS ONE, 12(2), e0169748. https://doi.org/10.1371/journal.pone.0169748

1. 6.
   Kementerian Pertanian Republik Indonesia. (2020). Peraturan Menteri Pertanian No. 13 Tahun 2020 tentang Rekomendasi Pemupukan Spesifik Lokasi untuk Tanaman Pangan. Jakarta: Kementan.

1. 7.
   Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote Sensing and Image Interpretation. John Wiley & Sons.

1. 8.
   Longley, P. A., Goodchild, M. F., Maguire, D. J., & Rhind, D. W. (2015). Geographic Information Systems and Science. John Wiley & Sons.

1. 9.
   Mulyani, A., & Sarwani, M. (2013). Karakteristik dan Potensi Lahan Suboptimal di Indonesia. Jurnal Sumberdaya Lahan, 7(1), 47-55.

1. 10.
   Prahasta, E. (2014). Sistem Informasi Geografis: Konsep-Konsep Dasar (Perspektif Geodesi & Geomatika). Informatika.

1. 11.
   Pratiwi, E., dkk. (2020). Dampak Kebijakan Pupuk Bersubsidi dan Dinamika Rantai Pasok Terhadap Produksi Padi Nasional. Jurnal Ekonomi Pertanian dan Agribisnis, 4(2), 215-228.

1. 12.
   Rahman, A., & Handayani, S. (2024). Tantangan Adopsi Teknologi Digital dan Pertanian Presisi pada Petani Gurem di Jawa Timur. Jurnal Penyuluhan Pertanian, 19(1), 45-58.

1. 13.
   Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1974). Monitoring the vernal advancement and retrogradation (Green wave effect) of natural vegetation. NASA/GSFC Type III Report.

1. 14.
   Rushton, G. (2003). Public health, GIS, and spatial analytical methods. Annual Review of Public Health, 24(1), 43-56.

1. 15.
   Segarra, J., et al. (2020). Remote Sensing for Precision Agriculture: Sentinel-2 Improved Capacity for Terrestrial Vegetation Monitoring. Remote Sensing, 12(4), 641.

1. 16.
   Sisharmini, A., dkk. (2023). Penerapan Pertanian Presisi untuk Efisiensi Penggunaan Pupuk dan Peningkatan Kesehatan Tanah di Indonesia. Jurnal Penelitian Pertanian Tanaman Pangan, 42(1), 33-45.

1. 17.
   Sulasmono, B. S. (2020). Aplikasi Sistem Informasi Geografis dalam Penilaian Kesesuaian Lahan Pertanian. Jurnal Agroteknologi.

1. 18.
   Syam, T., et al. (2021). Pemetaan Status Hara N, P, dan K Tanah Sawah untuk Menentukan Rekomendasi Pemupukan Padi Sawah di Wilayah Jawa Timur. Jurnal Ilmu Tanah dan Lingkungan.

1. 19.
   Taneja, P., et al. (2023). Integrating GIS and Remote Sensing for Strategic Fertilizer Distribution in Developing Agrarian Economies. Journal of Cleaner Production, 312, 127-142.

1. 20.
   Wahyunto, W., & Dariah, A. (2014). Degradasi Lahan di Indonesia: Kondisi Eksisting, Karakteristik, dan Strategi Rehabilitasi. Jurnal Sumberdaya Lahan, 8(2), 81-93.