<![CDATA[Krisis di sektor pertanian Indonesia, yang disebabkan oleh ancaman gagal panen, merupakan masalah serius. Gagal panen, yang sering kali dipicu oleh kondisi cuaca ekstrem seperti kekeringan, kelebihan air, atau suhu ekstrem tidak hanya menyebabkan kerugian ekonomi besar bagi petani tetapi juga membahayakan ketahanan pangan negara. Meskipun berbagai inisiatif mitigasi telah diterapkan, termasuk subsidi langsung dan program asuransi pertanian, sistem perlindungan terhadap risiko gagal panen masih menunjukkan efektivitas yang rendah. Salah satu alasan utama di balik kelemahan ini adalah ketiadaan pemodelan risiko yang canggih yang dapat memperhitungkan keterkaitan rumit antar faktor seperti cuaca, kondisi vegetasi, dan produktivitas panen. Penelitian ini mengembangkan model prediktif berbasis data cuaca ekstrem dan vegetasi (NDVI) serta struktur ketergantungan spasial menggunakan model dependensi copula multivariat. Pendekatan kuantitatif eksploratif-verifikatif dengan desain longitudinal diterapkan, memanfaatkan data sekunder runtun waktu tahunan dan bulanan dari tiga wilayah di Indonesia. Data suhu ekstrem (X) dan indeks gagal panen (Y) ditransformasi ke bentuk uniform (0,1) menggunakan Empirical Cumulative Distribution Function (ECDF) agar sesuai dengan domain fungsi Copula. Parameter copula diestimasi menggunakan Maximum Likelihood Estimation (MLE), dengan model dievaluasi berdasarkan nilai log-likelihood dan AIC. Hasil uji normalitas Kolmogorov-Smirnov menunjukkan distribusi normal pada semua pasangan data antarwilayah. Pemodelan dependensi antar wilayah pertanian berdasarkan nilai NDVI menunjukkan bahwa Clayton Copula adalah model terbaik untuk menggambarkan ketergantungan antara wilayah pertama dan kedua. Gumbel Copula adalah model terbaik untuk wilayah pertama dan ketiga, menunjukkan upper tail dependence, penting untuk memahami probabilitas kejadian cuaca normal secara simultan. Sementara itu, Gaussian Copula menjadi model terbaik untuk wilayah kedua dan ketiga, menunjukkan hubungan linier dan simetris. Hasil ini menegaskan kapabilitas model copula dalam memodelkan interdependensi yang kompleks, meningkatkan ketepatan identifikasi wilayah rawan yang lebih rasional berbasis probabilitas risiko, mendukung pengembangan produk asuransi indeks wilayah yang mengadopsi hasil pemodelan copula yang lebih responsif terhadap risiko gagal panen yang terjadi secara simultan di beberapa wilayah.]]>
