Pedoman Peramalan Hama

download Pedoman Peramalan Hama

of 83

description

Pedoman Peramalan Hama

Transcript of Pedoman Peramalan Hama

  • 5/24/2018 Pedoman Peramalan Hama

    1/83

    PEDOM N PENGEMB NG N D N OPER SION L PER M L N ORG NISMEPENGG NGGU TUMBUH NDIREKTORAT JENDERAL BINA PRODUKSI TANAMAN PANGANBALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN

    JATISARI, KARAWANG, JAWA BARAT2004

    I. PENDAHULUAN

    Gangguan organisme pengganggu tumbuhan (OPT) baik hama maupun penyakit relati

    tinggi setiap tahun. Gangguan tersebut belum dapat dikendalikan secara optimal sehingg

    mengakibatkan kerugian yang cukup besar baik berupa kehilangan hasil, menurunkan mutu

    terganggunya kontinuitas produksi, serta penurunan pendapatan petani. Di masa depa

    diperkirakan gangguan OPT akan semakin kompleks, yang antara lain akibat perubaha

    fenomena iklim global yang berpengaruh terhadap pola musim/cuaca lokal yang sangat era

    kaitannya dengan perkembangan OPT. Disamping itu permasalahan OPT akan terus muncu

    karena masalah-masalah lain seperti dampak dari pemilikan lahan yang sempit, penggara

    yang bukan pemilik, terbatasnya modal, tingkat pendidikan, pengetahuan dan keterampila

    petani, permasalahan irigasi, pasar dan harga produksi.

    Undang-undang No.12 tahun 1992 tentang Sistem Budidaya Tanaman dan PP No.

    tahun 1995 tentang Perlindungan Tanaman mengamanatkan bahwa pengendalian OP

    dilaksanakan dengan sistem pengendalian hama terpadu (PHT).

    Konsepsi PHT bukan berarti pengendalian hama ansig (dalam arti kata yan

    sebenarnya), tetapi hama yang dimaksud yaitu OPT adalah suatu cara pendekata

    komprehensif dalam pengelolaan ekosistem terpadu yang mencakup pengelolaan OP

    pada inangnya (tanaman) secara terpadu di suatu ekosistem dalam ruang dan waktu, untu

    suatu proses produksi yang optimal, secara ekonomi lebih menguntungkan, secara ekologi

    aman, dan secara sosial budaya dapat diterima, yang tidak terpisahkan dari sistem dan usah

    agribisnis.

    Penerapan PHT secara operasional mencakup upaya secara preemtifdan responsif.Upaya preemtif adalah upaya pengendalian yang didasarkan pada informasi dan pengalama

    status OPT waktu sebelumnya. Upaya ini mencakup penentuan pola tanam, penentua

    varietas, penentuan waktu tanam, keserentakan tanam, pemupukan, pengairan, jarak tanam

    penyiangan, penggunaan antagonis dan budidaya lainnya untuk menciptakan budiday

    tanaman sehat. Sedangkan upaya responsif adalah upaya pengendalian yang didasarka

    pada informasi status OPT dan faktor yang berpengaruh pada musim yang sedan

    berlangsung, serta pertimbangan biaya manfaat dari tindakan yang perlu dilakukan. Upaya in

    Page 1 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    2/83

    p p g p _ _

    antara lain seperti penggunaan musuh alami, pestisida nabati, pengendalian mekanis,

    atraktan dan pestisida kimia

    Untuk melaksanakan tindakan operasional tersebut di atas diperlukan informasi

    ekologis, terutama tentang perkembangan populasi/serangan OPT dan musuh alaminya,

    perkembangan tanaman inang, dan faktor-faktor lain yang mempengaruhi perkembangan OPT(faktor iklim, irigasi, kondisi lahan). Informasi tersebut artimya merupakan pemahaman

    terhadap agroekosistem yang akan dikelola dengan melakukan analisis terhadap data historis

    ekologis atau analisis ekosistem. Hasil analisis ekosistem tersebut dapat disusun dalam

    suatu model prediksi kejadian serangan OPT atau model peramalan OPT, yang selanjutnya

    hasil aplikasi model peramalan berupa informasi peramalan OPT pada suatu daerah atau

    lokasi dapat dijadikan input dalam merencanakan agroekosistem atau merencanakan

    usahatani. Pada lingkup kelompok tani, perencanaan kegiatan tersebut dapat dituangkan

    melalui penyusunan RDK dan RDKK .

    Dalam ilmu manajemen, peramalan termasuk dalam unsur perencanaan, dan

    perencanaan merupakan bagian yang terpenting dalam manajemen. Karena itu peramalan

    merupakan bagian yang sangat penting dalam proses pengambilan keputusan untuk suatu

    tindakan.

    II. PENGERTIAN, SASARAN DAN TUJUAN PERAMALAN

    1. Pengertian

    Peramalan OPT adalah kegiatan yang diarahkan untuk mendeteksi dan

    memprediksi populasi/serangan OPT serta kemungkinan penyebaran dan akibat yang

    ditimbulkan dalam ruang dan waktu tertentu. Peramalan OPT merupakan bagian penting

    dalam program dan kegiatan penerapan PHT dalam kegiatan perencanaan ekosistem

    yang tahan terhadap gangguan OPT (budidaya tanaman sehat).

    2. Sasaran

    Sasarannya adalah untuk (1) menduga kemungkinan timbulnya OPT, (2)

    mendeteksi dan memprediksi populasi/serangan dan kerusakan yang ditimbulkan OPTberdasarkan hasil pengamatan terhadap komponen-komponen yang berpengaruh di

    lapang, dan (3) menduga kerugian atau kehilangan hasil akibat gangguan OPT.

    3. Tujuan

    Memberikan informasi tentang populasi, intensitas serangan, luas serangan,

    penyebaran OPT pada ruang dan waktu yang akan datang. Informasi tersebut sebagai

    dasar untuk menyusun perencanaan, saran tindak pengelolaan atau penanggulangan

    Page 2 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    3/83

    p p g p _ _

    OPT sesuai dengan prinsip, strategi dan teknik PHT. Dengan demikian diharapkan

    dapat memperkecil resiko berusaha tani, populasi/serangan OPT dapat ditekan, tingkat

    produktivitas tanaman pada taraf tinggi, menguntungkan dan aman terhadap lingkungan.

    III. METODE PERAMALAN

    1. Jenis

    Secara umum peramalan terdiri atas dua jenis, yakni peramalan kualitatif dan

    kuantitatif. Peramalan kualitatif tidak menuntut data seperti yang diperlukan pada

    peramalan kuantitatif. Peramalan kualitatif digunakan apabila informasi data kuantitatif

    sangat sedikit atau tidak tersedia.

    Peramalan kuantitatif terbagi dalam peramalan non formaldan formal. Peramalan

    non formal yaitu mencakup intuisi, pengalaman maupun professional judgement yangdidasarkan atas pengalaman empiris dengan penggunaan prinsip-prinsip ekstrapolasi dan

    penetapan nilai namun tidak menggunakan aturan yang baku. Sedangkan peramalan

    formal menggunakan ekstrapolasi secara sistematik, bersifat baku berdasarkan kaidah

    statistik. Peramalan kuantitatif dapat diterapkan apabila terdapat tiga syarat kondisi,

    sebagai berikut:

    1). Tersedia informasi tentang kejadian masa lalu (data historis),

    2). Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik. Apabila tersedia

    Informasi kualitatif maka harus dapat dibuat kuantitatif dengan membuatkatagori/klasifikasi numerik dari informasi kualitatif tersebut,

    3). Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di

    masa datang.

    Secara statistik metode yang disusun dalam peramalan kuantitatif bertumpu pada

    metode kausal (sebab-akibat) dan metode runtun waktu. Secara skematis jenis

    peramalan dapat dilihat pada Gambar 1, sebagai berikut:

    Page 3 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    4/83

    p p g p _ _

    Gambar 1. Skema jenis peramalan (Maman, A.D., 1986)

    2. Prinsip

    Model peramalan OPT yang dikembangkan secara statistik tersebut menganu

    prinsip parsimony (hemat), yakni model tersebut harus manageable dan memilikihig

    quality, yaitu model harus sesedikit mungkin melibatkan parameter namun dapa

    menyatakan data secara akurat. Artinya model yang dikembangkan sesederhana mugki

    sehingga dapat diaplikasikan atau dilaksanakan dengan pertimbangan sumberday

    manusia, dana dan sarana yang tersedia.

    3. Sistem peramalan

    Organisme Pengganggu Tumbuhan adalah organisme atau jasad yang dapa

    menyerang tanaman tanpa halangan batas unit-unit wilayah ataupun satuan-satuan

    wilayah administrasi, maka dalam pengembangan sistem peramalan seharusnya dilakuka

    oleh institusi baik daerah maupun pusat secara terpadu. Institusi yang terlibat dala

    sistem peramalan tercantum dalam skema Gambar 2.

    Page 4 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    5/83

    p p g p _ _

    Gambar 2. Skema sistem peramalan OPT

    4. Ruang dan waktu

    a. Ruang

    a.1. Peramalan tingkat petak

    Model peramalan yang dibangun dan diimplemantasikan di tingkat petani

    adalah peramalan pada areal yang sempit atau tingkat petak. Ekosistem di petak

    petani terdiri atas komponen-komponen yang relatif homogen baik komoditi, varietas,

    stadia dan keadaan lingkungan fisik, kecuali komponen populasi/serangan OPT dan

    musuh alaminya yang mengalami perkembangan atau perubahan dari waktu ke

    waktu. Oleh karena itu pelaksanaan peramalan dan pengambilan keputusan

    seharusnya menjadi tanggungjawab dan dilakukan oleh seorang petani, berdasarkan

    hasil pengamatan faktor kunci cukup satu strata variabel yaitu populasi/intensitas

    Page 5 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    6/83

    p p g p _ _

    serangan hama/penyakit dengan musuh alaminya pada musim tanam yang

    sedang berlangsung, untuk meramal populasi/ serangan saat fase kritis.

    a.2. Peramalan tingkat hamparan

    Ruang hamparan adalah cukup luas, karena itu model peramalan tingkat

    hamparan dibangun dan diimplemetasikan pada areal yang cukup luas (hamparanpertanaman). Kondisi ekosistem hamparan relatife heterogen ditinjau dari komoditi,

    varietas, stadia, budidaya dan keadaan lingkungan. Oleh karena itu pelaksanaan

    peramalan dan pengambilan keputusan dilakukan oleh kelompok tani berdasarkan

    hasil pengamatan dengan faktor kunci dua strata variabel yaitu (1)

    populasi/intensitas serangan hama/penyakit dengan musuh alaminya dan (2)

    komposisi komoditi, varietas, stadia dan keadaan lingkungan, pada musim tanam

    yang sedang berlangsung, serta mempertimbangkan keadaan variabel tersebut pada

    musim tanam sebelumnya.

    a.3. Peramalan tingkat wilayah

    Ruang wilayah adalah diartikan meliputi batas-batas administrasi tertentu,

    dapat meliputi desa, kecamatan, kabupaten, propinsi, nasional, regional ataupun

    internasional. Model peramalan tingkat wilayah dibangun dan diimplementasikan

    pada tingkat wilayah yang mempunyai kondisi ekosistem yang sangat heterogen

    dengan tingkatan sesuai luasnya dan keadaan lingkungan wilayahnya. Disamping

    budidaya tanaman yang sangat heterogen juga adanya perbedaan ditinjau dari segi

    ekonomi, sosial dan budaya. Pelaksanaan peramalan dan pengambilan keputusan

    dilakukan oleh petugas/institusi yang bekerjasama dengan petugas/institusi yang

    terkait sampai dengan petugas lapang dan kelompok tani. Peramalan wilayah tidak

    hanya berdasarkan dua strata variable pada musim tanam yang sedang berlangsung

    dan keadaan musim tanam sebelumnya (peramalan hamparan) tetapi seharusnya

    juga mempertimbangkan strata yang ketiga yaitu tingkat ekonomi, sosial dan

    budaya masyarakat petani.

    b. Waktu

    Adanya perbedaan waktu pada saat pengambilan keputusan dengan kejadian suatu

    peristiwa (waktu sesungguhnya yang diramal) adalah merupakan jarak atau selang waktu

    (lag) peramalan. Ditinjau dari segi operasional peramalan OPT dalam rangka menyusun

    perencanaan dan strategi pengendalian untuk menciptakan kondisi agroekosistem yang

    tahan terhadap gangguan OPT maka lag peramalan yang lebih panjang adalah

    merupakan yang terbaik. Namun secara statistik semakin jauh waktu meramal dengan

    Page 6 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    7/83

    p p g p _ _

    kejadian suatu peristiwa maka kesalahan ramalan akan semakin tinggi. Penentuan

    lag peramalan sangat berhubungan dengan karakteristik masing-masing OPT dan

    ekosistem spesifik lokasi. Dari segi waktu maka peramalan dapat dilakukan untuk

    tahunan, musiman, bulanan, mingguan dan bahkan harian.

    5. Variabel peramalan

    Untuk penentuan variabel-variabel tersebut dilakukan melalui serangkaian proses

    kegiatan yang terdiri atas kegiatan kajian lapang yang intensif dan ekstensif, pengumpulan

    data secara historis (runtun-waktu), laporan PHP, surveillance dan monitoring serta

    informasi lainnya. Selanjutnya dari kegiatankegiatan tersebut akan dapat dipelajari

    tentang karakteristik OPT yang menjadi variabel (faktor kunci) peramalan seperti

    tercantum pada Tabel 1.

    Tabel 1. Variabel yang digunakan dalam model peramalan OPT

    6. Cara mendapatkan variabel

    a. Pengamatan keliling

    Pengamatan keliling atau patroli bertujuan untuk mendapatkan variabel yaitu

    mengetahui kepadatan populasi, tanaman terserang dan terancam, luas pengendalian,

    bencana alam, serta mendapatkan informasi tentang penggunaan dan peredaran

    pestisida. Variabel yang diamati dan digunakan dalam peramalan dianalisis untuk metode

    peramalan formal khususnya terhadap kemungkinan penyebaran serangan, antara lain:

    Hubungan antara pola tanam dengan kejadian serangan OPT,

    Hubungan antara komposisi varietas dengan kejadian serangan OPT,

    Hubungan antara kebiasaan/perilaku petani (dalam budidaya tanaman, tindakan

    pengendalian, dll) dengan kejadian serangan OPT.

    b. Pengamatan tetap

    Pengamatan tetap dilakukan secara berkala pada petak contoh tetap atau peralatan

    tertentu (alat perangkap, penakar hujan, data SMPK).

    Variabel yang menjelaskan

    (independent)

    Variabel yang dijelaskan

    (dependent)

    Populasi OPT, populasi musuh alami, intensitasserangan OPT, komposisi varietas, komposisivegetasi, komposisi stadia tanaman, luas tanam,luas serangan, tindakan pengendalian, carabudidaya tanaman, dan iklim

    Populasi OPT, intensitasserangan, luasserangan, dankehilangan hasil

    Page 7 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    8/83

    p p g p _ _

    b.1. Pengamatan petak tetap

    Pengamatan pada petak contoh tetap bertujuan untuk mengetahui perubahan

    kepadatan populasi OPT dan musuh alaminya serta intensitas serangan. Variabel

    yang diamati digunakan dalam model peramalan dengan analisis berdasarkan

    metode peramalan formal antara lain: Hubungan antara populasi musuh alami dengan populasi dan laju pertumbuhan

    OPT,

    Hubungan antara populasi dengan intensitas serangan OPT,

    Hubungan antara intensitas serangan OPT dengan kehilangan hasil,

    Hubungan antara varietas dengan OPT yang ada,

    Hubungan antara stadia tanaman dengan keberadaan OPT.

    b.2. Pengamatan perangkap

    Kepadatan populasi OPT dan musuh alami yang efektif dan mempunyai

    perilaku tertarik cahaya atau jenis atraktan/feromon diamati pada satu atau lebih

    perangkap yang mewakili wilayah pengamatan. Data hasil tangkapan dianalisis

    berdasarkan metode peramalan formal, antara lain:

    Hubungan antara kepadatan populasi yang terperangkap dengan populasi pada

    pertanaman,

    Hubungan antara kepadatan populasi yang terperangkap dengan serangan yang

    ditimbulkan.

    b.3. Pengamatan faktor ikl im

    Pengamatan faktor iklim meliputi unsur cuaca yaitu curah hujan, suhu udara,

    kelembaban nisbi, radiasi matahari, penguapan dan arah angin. Faktor iklim

    digunakan sebagai variabel dalam model peramalan berdasarkan analisis peramalan

    formal, antara lain:

    Hubungan antara faktor iklim dengan kejadian serangan OPT,

    Hubungan antara penyimpangan iklim dengan kejadian serangan OPT,

    Hubungan antara faktor iklim dengan pola tanam.

    c. Surveillance

    Variabel (faktor kunci) yang tidak diamati melalui pengamatan tetap dan keliling,

    dapat diamati dengan melakukan surveillance. Misalnya pengamatan populasi larva

    penggerek batang padi putih pada tunggul padi, pemantauan populasi bakteriofag dll.

    d. Studi, kajian, dan penelitian

    Studi, kajian maupun penelitian adalah untuk mempelajari ekosistem suatu OPT

    Page 8 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    9/83

    p p g p _ _

    sehingga diharapkan dapat mengetahui karakteristik serta stadia kritis tanaman

    maupun OPT sebagai faktor kunci peramalan. Studi, kajian dan penelitian dapat dilakukan

    dalam petak percobaan, maupun skala luas di daerah endemis serangan OPT seperti

    studi ekologi dan epidemiologi OPT, kajian reaksi varietas terhadap OPT (Rice Garden),

    uji biotipe wereng batang coklat, uji kemampuan memangsa dari musuh alami, kajian

    pengaruh jumlah dan efektivitas musuh alami, penelitian kemampuan vektor dalam

    penyebaran virus yang ditularkan.

    7. Analisis model peramalan

    Peramalan pada dasarnya merupakan bagian yang tidak dipisahkan dari

    pengkajian masalah untuk pengambilan keputusan. Hal tersebut yang menuntun untuk

    mengetahui kapan suatu peristiwa akan terjadi sehingga tindakan yang tepat segera

    diambil untuk mengurangi resiko yang mungkin terjadi. Karena ramalan tidak sepenuhnya

    dapat menghilangkan resiko, maka faktor ketidakpastian harus diperhitungkan secaraeksplisit dalam proses pengambilan keputusan. Hubungan antara keputusan, ramalan,

    dan galat (error) ramalan dapat dirusmuskan sebagai berikut:

    Gambar 3. Persamaan pengambilan keputusan untuk peramalan

    Dalam merumuskan masalah peramalan kita perlu menentukan:

    Apa yang akan diramal (variabel yang dilibatkan),

    Bentuk peramalan,

    Bagaimana keakuratan yang diinginkan.

    Faktor lain yang perlu diperhatikan dalam mengembangkan peramalan adalah:

    Ketersediaan data,

    Pola data,

    Komputasi.

    Penentuan faktor-faktor dalam pengembangan model peramalan selalu berpegang

    pada prinsip hemat, yakni model harus dapat diaplikasikan dan mempunyai ketepatan

    cukup tinggi.

    Tahapan kegiatan dalam proses analisis pengembangan model peramalan

    Page 9 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    10/83

    p p g p _ _

    sebagaimana tertera pada Lampiran 1.

    a. Model Peramalan

    a.1. Metode Kausal

    Metode ini menganggap bahwa variabel tak bebas atau variabel yang dijelaskan

    atau variabel yang diramal (Y) memiliki hubungan kausal (sebab-akibat) dengan satu

    atau beberapa variabel bebas atau variable yang menjelaskan (X). Analisis model

    peramalan dengan metode kausal adalah suatu proses yang bertujuan menyelidiki

    bentuk hubungan antara variabel-variabel bebas (independent= yang menjelaskan =

    explanatory = preditor = regressor = stimulus = variabel kontrol), dan variabel tak bebas

    (dependent = yang dijelaskan =explaned = predictand = regressand = response).

    Menurut kaidah statistik proses analisis yang menyelidiki bentuk hubungan satu

    faktor dengan faktor lainnya dilakukan melalui pendekatan model regresi. Apabila

    variabel dependen/tak bebas (Y) hanya dipengaruhi satu variabel independen/bebas (X),

    maka hubungan tersebut dinamakan analisis regresi linier sederhana atau regresi dua

    variabel. Sedangkan apabila variabel independen (X) lebih dari satu, maka regresi

    tersebut dinamakan regresi berganda. Apabila regresi berganda yang mempergunakan

    variabel independen (X) dalam pangkat lebih dari satu atau dalam bentuk perkalian dua

    variabel X, maka model tersebut dinamakan model regresi polinomial. Selanjutnya

    bentuk hubungan itulah yang digunakan dalam model peramalan. Bentuk-bentuk umum

    model persamaan regresi sebagai berikut :

    a. Linear sederhana : Y = b0+ b1 X

    b. Linear berganda : Y = b0 + b1 X1+ b2 X2+ ..+ bnXn

    c. Logaritmik/Semilog : Y = bo+ b1log (X)

    d. Doublelog : log (Y) = bo+ b1log (X)

    e. Invers : Y = bo+ (b1/ X)

    f. Kuadratik : Y = b0+ b1X + b2X2

    g. Kuadratik 2 variabel : Y = b0 + b1X1+ b2X2+ b3X12

    + b4X22

    + b5X1X2

    h. Kubik : Y = b0+ b1X + b2X2 + b3X

    3

    i. Campuran : Y = b0(b1)X

    ln (Y) = ln (bo) + {ln (b1) X}

    j. Power : Y = b0 Xb1

    ln (Y) = ln (bo) + b1ln (X)

    Page 10 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    11/83

    p p g p _ _

    k. Sigmoid : Y = e (bo + b1 / X)

    ln (Y) = bo+ b

    1/ X

    l. Pertumbuhan : Y = e (bo + b1 X)

    ln (Y) = bo+ b1X

    m.Eksponensial : Y = bo(e b1 X)

    ln (Y) = ln (bo) + b1X

    n. Logistik : Y = 1/ (1/u + bo(b1X)

    ln (1/Y 1/u) = ln (bo) + {ln (b

    1)} X

    Dalam pengembangan model peramalan OPT selalu melibatkan data historis

    ekologis yang sangat komplek yang saling berhubungan sebab-akibat antara satu atau

    beberapa faktor baik secara langsung maupun tidak langsung. Untuk menyelidiki bentuk

    hubungan langsung maupun tidak langsung perlu dilandasi oleh pengetahuan dalam

    bidang ekologi yang lebih mendekati suau proses analisis ekosistem.

    Dalam kaidah statistik proses penyelidikan hubungan tersebut digunakan

    Metode Analisis Path yang ditunjukan dengan skema sebab-akibat dan nilai koefisien

    korelasi antara masing-masing faktor yang diperoleh dari Analisis Korelasi Silang,

    sebagaimana contoh pada Gambar 4.

    Bentuk-bentuk persamaan tersebut di atas dibedakan menurut transformasi

    terhadap variabel independen dan atau variabel dependen berdasarkan pola sebaran

    data yang dapat dilihat dan dipelajari dari diagram pencar. Namun secara umum

    berdasarkan kaidah statistik semua persamaan regresi diatas bertumpu pada bentuk

    persamaan regresi linear sederhana, regresi linear berganda dan regresi polinomial.

    Proses analisis untuk ketiga persamaan regresi secara umum diuraikan berikut ini.

    Page 11 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    12/83

    p p g p _ _

    Gambar 4. Contoh Skema Analisis Path Hubungan Sebab-Akibat Pada Hama Penggerek

    Page 12 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    13/83

    p p g p _ _

    Batang Padi.

    Regresi Sederhana

    Model Persamaan Regresi Sederhana :

    Y = bo+ b

    1X + e

    Y = Dependen variabel/Variabel yang dijelaskan

    bo = Konstanta/Intersep

    b1 = Slope/Koefisien kemiringan

    X1 = Independen variabel/Variabel yang menjelaskan

    E = Galat ramalan

    Perhitungan Model Regresi Sederhana

    Persamaan Regresi : y = b0+ b1 x

    b0 = adalah intersep atau konstanta, nilai terendah apabila nilai X = 0

    b0 = y - b1x

    x : adalah rerata dari nilai X

    y : adalah rerata dari nilai Y :

    b1

    = Slope/koefisien kemiringan atau penambahan/pengurangan dari setiap satuan

    nilai X.

    nx = X1/

    n

    n

    y = Y1/

    n

    Page 13 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    14/83

    p p g p _ _

    Perhitungan Korelasi dan Koefisien Determinasi

    Pada setiap kejadian, suatu hubungan dapat dinyatakan dengan perhitungan

    korelasi antara dua variabel. Koefisien korelasi ( r) adalah suatu ukuran asosiasi (linear)

    relatif antara dua variabel. Koefisien korelasi dapat barvariasi dari -1 hingga 1. Jika 0 dU, maka H0diterima. Jadi = 0 berarti tidak ada oto-korelasi positif

    - DW < dL, maka H0ditolak. Jadi 0 berarti ada oto-korelasi positif

    - dL< DW < dU, tidak dapat disimpulkan

    Untuk < 0 (Untuk menentukan adanya oto-korelasi negatif)

    - (4-DW)dU,maka H0diterima. Jadi = 0 berarti tidak ada oto-korelasi negatif

    - (4-DW) dL, maka H0tolak. Jadi 0 berarti ada oto-korelasi negatif

    - dL

    < (4-DW) < dU

    , tidak dapat disimpulkan

    Nilai D-W berkisar antara > 0 sampai

  • 5/24/2018 Pedoman Peramalan Hama

    20/83

    p p g p _ _

    Menggunakan tranformasi, terhadap data, sehingga model linear dapat digunakan

    untuk data yang telah ditranformasikan

    Beberapa fungsi non-linear yang dapat disajikan dalam linear dengan

    transformasi data tercantum dalam Tabel 3 dan Gambar 6.

    Tabel 3. Transformasi fungsi non-linear

    Gambar Fungsi non-linear yang

    dapat dilinearkanTransformasi Bentuk linear

    a. Y = 0 X2

    0 = 10 0

    Y = log YX = log X

    Y = 0 + 1 X

    b. 0

    Y = --------------

    X 1

    0 = 10

    0

    Y = log YX = log X

    Y = 0 - 1X

    c. Y = 0 e1 X

    0 = e0

    Y = ln Y Y = ln Y

    d. 0

    Y = ----------------

    1 x

    0 = 0

    Y = ln Y Y = 0

    +

    1X

    e, f. Y = 0 1 log X X = log X Y = 0 1 X

    g, h. XY = ---------------

    0 X 1

    1Y = -------------

    Y1

    X = -------------X

    Y = 0

    1X

    Page 20 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    21/83

    p p g p _ _

    Gambar 6. Grafik dari fungsi non-linear yang dapat dijadikan linear

    a.2. Metode Runtun Waktu

    Metode peramalan ini didasarkan pada data masa lalu dengan menggunakan

    satu variabel. Tujuannya untuk menyelidiki pola dalam deret data historis (data masa

    lalu) dan mengekstrapolasikannya ke masa depan. Langkah penting dalam memilih

    metode peramalandengan model runtun waktu adalah mengkaji pola data. Beberapa

    jenis pola data yang khas adalah pola stasioner (horizontal), pola musiman, pola siklik

    (periodik), dan pola kecenderungan (trend):

    Pola data histor is

    1) Pola stasioner (horizontal)

    Yakni bila data berfluktuasi sekitar mean yang konstan secara horizontal

    (stasioner dalam mean) (Gambar 7.a).2) Pola musiman

    Data dipengaruhi oleh faktor musim ini dapat berupa waktu tahun, tahun,

    mingguan atau mungkin harian (Gambar 7.b). Contoh: Jumlah curah hujan di satu

    daerah, ditentukan oleh pergerakan matahari. Dengan demikian polanya dapat memiliki

    pola musiman dimana dalam setahun ada dua musim.

    Page 21 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    22/83

    p p g p _ _

    3) Pola data siklik (periodik)

    Pola ini hampir sama dengan pola musiman, pada pola musiman panjang

    interval dari suatu musim adalah konstan dan pergantian pola data berjalan secara

    berulang. Sedangkan pada pola siklik, pengulangan pada data tidak konstan baik dalam

    panjang intervalnya maupun dalam harganya/nilainya (Gambar 7.c).

    4) Pola Trend

    Variansi data dari suatu waktu ke waktu lainnya memiliki kecenderungan (trend)

    naik atau turun dengan tidak mengikuti panjang interval waktu tertentu. Banyak data

    runtun waktu yang mencakup kombinasi dari pola-pola di atas. Metode peramalan yang

    dapat membedakan setiap pola harus dipakai bila diinginkan adanya pemisahan

    komponen pola tersebut (Gambar 7.d).

    Analisis peramalan dengan pemodelan runtun waktu didasarkan atas nilai rata-

    rata, kondisinya adalah data harus stasioner, data berada dalam keseimbangan sekitar

    nilai konstan dan variannya tetap konstan pada waktu tertentu. Beberapa metode yang

    digunakan dalam analisis runtun waktu adalah sebagai berikut:

    Gambar 7. Bentuk-bentuk pola data historis : (a) pola data stasioner horizontal, (b) poladata musiman horizontal, (c) pola data siklis dan (d) pola data trend.

    Waktu Waktu

    a b

    c d

    Page 22 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    23/83

    p p g p _ _

    Peramalan Naif

    Tujuan ditetapkannya peramalan naif adalah sebagai dasar perbandingan yang

    baik untuk tingkat ketepatan yang dibuat dengan menerapkan suatu metode peramalan

    tertentu.

    Metode peramalan yang paling sederhana adalah metode peramalan naif (Naif

    Forecasting = NF). Terdapat dua jenis peramalan naif yang ditetapkan yaitu Peramalan

    Naif -1 (NF-1) dan Peramalan Naif -2 (NF-2).

    1) Peramalan Naif-1

    Peramalan Naif-1 (NF-1) yaitu peramalan yang menggunakan informasi terakhir

    mengenai nilai aktual yang tersedia sebagai nilai ramalan. Jadi jika ramalan

    dipersiapkan untuk suatu horison waktu satu periode, maka nilai aktual terakhir dapat

    digunakan sebagai ramalan untuk periode berikutnya.

    2) Peramalan Naif-2

    Peramalan Naif-2 (NF-2) lebih unggul dari NF-1 dalam hal bahwa NF-2

    memperhitungkan kemungkinan adanya unsur musiman dalam deret. Karena musiman

    sering menyebabkan persentase fluktuasi yang besar dalam suatu deret, metode ini

    sering kali dapat lebih baik daripada NF-1 dan sekalipun demikian masih merupakan

    pendekatan sangat sederhana yang mudah dimengerti. Prosedurnya adalah

    menghilangkan unsur musiman dari data semula agar diperoleh data yang disesuaikan

    dengan musim. Bila unsur musiman telah dihilangkan NF-2 dapat dibandingkan dengan

    NF-1 dalam hal bahwa NF-2 menggunakan nilai terakhir yang disesuaikan dengan

    musiman sebagi ramalan untuk nilai berikutnya yang disesuaikan dengan musim.

    Metode Perataan (Average)

    1) Rerata (Mean)

    Metode rerata sederhana dalah metode peramalan yang menggunakan rerata

    dari semua data dalam kelompok inisialisasi sebagai ramalan untuk periode (T+1).

    T

    X = Xi/ T = F T+1

    i=1

    Page 23 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    24/83

    p p g p _ _

    X1, X

    2 X

    Tadalah kelompok inisialisasi dan

    XT + 1

    . XN

    adalah kelompok pengujian

    Kemudian bilamana data periode (T+1) tersedia, maka dimungkinkan untuk

    menhitung nilai galat ramalan.

    e T + 1 = X T + 1 - F T + 1

    Metode yang sangat sederhana ini cocok digunakan apabila proses yang

    mendasari nilai pengamatan X :

    Tidak menunjukkan adanya trend, dan

    Tidak menunjukkan adanya unsur musiman.

    2) Rerata Bergerak Tunggal (Single Moving Average)

    Salah satu cara untuk mengubah pengaruh data masa lalu terhadap nilai tengah

    sebagai ramalan adalah dengan menentukan sejak awal berapa jumlah nilai tengah.

    Metode ini disebut rerata bergerak (moving average) karena setiap muncul nilai

    observasi baru, nilai rerata baru dapat dihitung dengan membuang nilai observasi yang

    paling tua dan memasukkan nilai observasi yang terbaru.

    Apabila kita akan membuat ramalan dengan rerata bergerak setiap T periode

    maka disebut rerata bergerak berorde T atau MA (T), maka penyelesaiannya dapat

    dilihat pada Tabel 4.

    Dibandingkan dengan rerata sederhana sederhana, rerata bergerak berorde T

    mempunyai karakteristik sebagai berikut:

    Hanya menyangkut T periode terakhir dari data yang diketahui.

    Jumlah titik data dalam setiap rerata tidak berubah dengan berjalannya waktu.

    Tabel 4. Perhitungan Rerata Bergerak Tunggal

    Rerata bergerak Ramalan

    T

    T+1

    T+2

    _ X1+ X2+ XT

    X = ---------------------------T

    _ X2+ X3+ XT+1

    X = ---------------------------T

    _ X3+ X4+ XT+2

    _ T

    FT+1= X = X1/ T

    i=1

    _ T+1

    FT+2= X = X1/ T

    i=2

    Page 24 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    25/83

    p p g p _ _

    Tetapi metode ini juga mempunyai kelemahan sebagai berikut:

    Metode ini memerlukan penyimpanan data yang lebih banyak karena semua T

    observasi terakhir harus disimpan, tidak hanya nilai tengahnya,

    Metode ini tidak dapat menanggulangi dengan baik adanya trend atau musiman,

    walaupun metode ini lebih baik dibangdingkan rerata total.

    Karena seorang peramal harus memilih jumlah periode T dalam rerata bergerak,

    beberapa aspek dari pemilihan ini dapat dikemukakan:

    MA (1) yaitu rerata bergerak dengan orde-1 data terakhir yang diketahui (XT)

    digunakan sebagai ramalan untuk periode berikutnya (FT+1= XT). Metode ini

    dinamakan Ramalan Naif orde-1 (NF-1).

    MA (4) untuk data kuartalan, rerata bergerak empat periode secara efektif

    mengeluarkan pengaruh musiman (terutama jika pengaruh musiman ini bersipat

    aditif), namun jika digunakan sebagai ramalan untuk periode mendatang tidak akan

    menyesuaikan unsur trend atau musiman itu sendiri.

    MA (12) untuk data bulanan, metode ini menghilangkan pengaruh musiman dari

    deret data dan bermanfaat dalam mendekomposisi deret menjadi komponen trend

    atau musiman, tetapi metode ini tidak efektif jika digunakan sebagai alat peramalan

    untuk data yang menunjukkan kecenderungan atau musiman.

    MA (besar) secara umum, makin besar orde dari rerata bergerak, maka pengaruh

    penghalusan data akan semakin besar. Jika digunakan untuk peramalan, MA (besar)

    tidak memperhatikan fluktuasi dalam deret data.

    3) Rerata Bergerak Ganda (Double Moving Average)

    Rerata bergerak ganda ini merupakan rerata bergerak dari rerata bergerak, dan

    menurut simbol dituliskan sebagai MA (M x N) dimana artinya adalah MA orde M-periode

    dari MA orde N-periode. Pada umumnya metode rerata bergerak ganda ini apabila

    digunakan untuk data yang berkecenderungan (trend) akan terjadi kesalahan yang

    sistematik, maka untuk mengurangi kesalahan tersebut dikembangkan metode rerata

    bergerak linear (linear moving average). Untuk mempermudah pengertian tentang rerata

    bergerak ganda dan rerata bergerak linear dapat dilihat pada Tabel 5 dan 6.

    X = ---------------------------T

    Dst.

    _ T+2

    FT+3= X = X1/T

    i=3

    Page 25 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    26/83

    p p g p _ _

    Prosedur peramalan rerata bergerak linear meliputi tiga aspek, yaitu:

    Penggunaan rerata bergerak tunggal pada waktu t (ditulis St),

    Penyesuaian, yang merupakan perbedaan antara rerata bergerak tunggal dan ganda

    pada waktu t (ditulis St - St), dan

    Penyesuaian untuk kecenderungan dari periode t ke periode t+1 (atau ke periode t+mjika ingin meramalkan m periode kemuka).

    Prosedur rerata bergerak linier secara umum dapat diterangkan melalui persamaan berikut:

    Tabel 5. Peramalan suatu deret yang mempunyai trend dengan menggunakan reratabergerak ganda dan linear.

    Xt+ X t-1+ X t-2+ + X t-N+1S t = ----------------------------------------

    St+ S t-1+ S t-2+ + S t-N+1

    = ------------------------------------------

    a t = St+ (S t S t) = 2 S t S

    2b t = --------- (S t S t)

    N - 1

    F t+m = at + bt

    (1)

    Peri-ode

    (2)

    NilaiAktual

    (3)Rata-rataBergerak

    Tunggal(N = 3)

    (4)

    Perbe-daan

    Kesalahan(2) (3)

    (5)Rata-rataBergerak

    Ganda(N = 3)

    (6)

    Perbe-daan

    Kesalahan(3) (5)

    (7)

    Rama-lan

    (3) +

    (6)+

    Trend

    (8)

    Perbedaan

    Kesalahan(2) (7)

    1 2

    2 4

    3 6 4 2

    4 8 6 2

    5 10 8 2 6 2

    6 12 10 2 8 2 12 0

    7 14 12 2 10 2 14 0

    Page 26 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    27/83

    p p g p _ _

    Tabel 6. Aplikasi Rerata bergerak linier

    MAPE untuk periode 10 sampai 25 = 8,61MSE untuk periode 10 sampai 25 = 431.6

    Catatan: MAPE untuk periode 10 sampai 25 = 7,46 bila menggunakan MA tunggal berorde 4.

    4) Rerata Bergerak Terpusat (Centered Moving Average)

    Metode ini sama dengan metode rerata bergerak tunggal yang terdahulu, hanyamenempatkan hasil reratanya di tengah-tengah, hal ini dimaksudkan untuk mendapatkanhasil yang lebih teliti. Pada periode data yang ganjil, meletakkan nilai rerata ditengah

    8 16 14 2 12 2 16 0

    9 18 16 2 14 2 18 0

    10 20 18 2 16 2 20 0

    11 22

    Periode

    (1)

    Produksi

    (2)Rata-rataBergerak

    EmpatBulanan dari

    (1)

    (3)

    Rata-rataBergerak

    EmpatBulanan dari

    (2)

    (4)

    Nilaia

    (5)

    Nilaib

    (6)

    Nilai a+b(m)

    Bila m = 1

    1 140,00

    2 159,00

    3 136,00

    4 157,00 148,00

    5 173,00 156,25

    6 131,00 149,25

    7 177,00 159,50 153,25 165,75 4,166

    8 188,00 167,25 158,06 178,43 6,125 169,91

    9 154,00 162,50 159,62 165,37 1,916 182,56

    PERIOD

    EPENGUJI

    AN

    10 179,00 174,50 165,93 183,06 5,708 167,29

    11 180,00 175,25 169,87 180,62 3,583 188,77

    12 160,00 168,25 170,12 166,27 1,250 184,20

    13 182,00 175,25 173,31 177,18 1,291 165,12

    14 192,00 178,50 174,31 162,68 2,791 178,47

    15 224,00 189,50 177,87 201,12 7,750 185,4716 188,00 196,50 184,93 208,06 7,708 208,87

    17 198,00 200,50 191,25 209,75 6,166 215,77

    18 206,00 204,00 197,62 210,37 4,250 215,91

    19 203,00 198,75 199,93 197,56 0,791 214,62

    20 238,00 211,25 203,62 218,87 5,083 196,77

    21 228,00 218,75 208,18 229,31 7,041 223,95

    22 231,00 225,00 213,43 236,56 7,708 236,35

    23 221,00 229,50 221,12 237,87 5,583 244,27

    24 259,00 234,75 227,00 242,50 5,166 243, 45

    25 273,00 246,00 233,81 253,8 8,125 247,66

    26 266,31

    Page 27 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    28/83

    p p g p _ _

    tidak menjadi masalah karena akan diletakkan pada (N+1)/2. Sedangkan untukrerata bergerak pada orde genap biasanya diletakkan pada (N+1)/2+0,5. Untukmempermudah pengertian dapat dilihat pada Tabel 7.

    Rerata bergerak terpusat sering juga digunakan untuk data musiman, para analisbiasanya mengabungkan dengan anlisis indeks musiman untuk pemulusan datamusiman. Penyelesaian tabel di atas adalah sebagai berikut :

    Kolom (3) Gunakan rumus pada Tabel 3, hasilnya tempatkan pada posisi n =(N+1)/2+0,5.

    Kolom (4) Adalah rasio data Asli (kolom 3) dibagi Rerata Bergerak (kolom 4).Kolom (5) Perhitungan Indeks Musiman Gunakan Rumus yang terdapat pada Metode

    Pemulusan Eksponensial Tripel untuk data Kecenderungan dan Musimandari Winter.

    Kolom (6) Pemulusan data Musiman adalah data asli (kolom 2) dibagi Indeks Musiman(kolom 5).

    Tabel 7. Rerata Bergerak Terpusat dan Pemulusan Faktor Musiman dengan MA (4 x 2)

    Metode Pemulusan (Smoothing) Eksponensial

    1) Pemulusan Eksponensial Tunggal

    Dalam kasus rerata bergerak, bobot yang dikenakan pada nilai observasimerupakan hasil sampingan dari sistem MA tertentu yang diambil. Tetapi dalam

    pemulusan eksponensial, terdapat satu atau lebih parameter pemulusan yang ditentukan

    secara eksplisit, dan hasil pilihan ini menentukan bobot yang dikenakan pada nilai

    observasi.

    Bentuk persamaan umum yang digunakan dalam menghitung ramalan dengan

    metode pemulusan eksponensial adalah:

    (1)Periode

    (2)Data Asli

    (3)Rerata

    BergerakTerpusat MA

    (4x2)

    (4)Rasio MA(2) / (3)

    (5)Indeks

    Musiman

    (6)Pemulusan

    1 25 0.957 26.13

    2 28 0.979 28.61

    3 24 26.38 0.910 1.009 23.80

    4 28 26.13 1.072 1.065 26.30

    5 26 26.63 0.977 0.957 27.18

    6 25 27.75 0.901 0.979 25.54

    7 31 28.00 1.107 1.009 30.74

    8 30 28.38 1.057 1.065 28.189 26 27.75 0.937 0.957 27.18

    10 28 26.50 1.057 0.979 28.61

    11 23 1.009 22.81

    12 28 1.065 26.30

    Page 28 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    29/83

    p p g p _ _

    Ft+1

    = (1 / N) Xt+ {1 (1 / N) } F

    t

    apabila 1 / N kita notasikan dengan maka persamaan tersebut menjadi :

    Ft +1

    = Xt+ (1 ) F

    t dengan 0 < < 1

    Pemilihan nilai mempunyai pengaruh yang sangat besar dalam aplikasi

    pemulusan eksponensial. Untuk menetukan nilai yang optimal untuk meminimumkan

    nilai kesalahan ramalan (error = MSE, MAPE) atau yang lainnya maka para analis

    biasanya melalui cara coba dan salah (Trial and Error). Aplikasi peramalan dengan

    pemulusan eksponensial dapat dilihat pada Tabel 8. Untuk Ramalan yang pertama

    (inisialisasi) digunakan Ramalan Naif1 (NF-1).

    Tabel 8. Peramalan dengan menggunakan pemulusan eksponensial

    2) Pemulusan Eksponensial Ganda (Untuk Data Linear dari Brown)

    Dengan cara analogi yang dipakai pada waktu berangkat dari rerata bergerak

    tunggal ke pemulusan eksponensial tunggal, maka kita dapat juga berangkat dari rerata

    bergerak ganda ke pemulusan eksponensial ganda. Persamaan yang dipakai dalam

    Bulan PeriodeWaktu

    NilaiPengama-tan

    Nilai Pemulusan Eksponensial

    = 0,1 = 0,5 = 0,9

    1 2 3 4 5 6

    Jan 1 200,0 - - -

    Feb 2 135,0 200,0 290,0 200,0

    Mar 3 195,0 193,5 167,5 141,5

    Apr 4 197,5 193,7 181,3 189,7

    Mei 5 310,0 194,0 189,4 196,7

    Juni 6 175,0 205,6 249,7 298,7

    Juli 7 155,0 202,6 212,3 187,4

    Ags 8 130,0 197,8 183,7 158,2Sep 9 220,0 191,0 156,8 132,8

    Okt 10 277,5 193,9 188,4 211,3

    Nov 11 235,0 202,3 233,0 270,9

    Des 12 - 205,6 234,0 238,6

    Periode Pengujian

    Analisis Kesalahan = 0,1 = 0,5 = 0,9Nilai Tengah Kesalahan 5,56 6,80 4,29

    Nilai Tengah Kesalahan Absolut 47,76 56,94 61,32

    Nilai Tengah Kesalahan Persentase Absolut(MAPE)

    24,58 29,20 30,81

    Deviasi Standar Kesalahan (Tak Berbias) 61,53 69,13 74,69

    Nilai Tengah Kesalahan Kuadrat (MSE) 3438,33 4347,24 5039,37

    Statistik Durbin-Watson 1,57 1,84 2,30Statistik Udari Theil 0,81 0,92 0,98

    Rata-rata Batting dari Mc Laughlin 319,12 307,84 301,79

    Page 29 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    30/83

    p p g p _ _

    implementasi pemulusan eksponensial ganda ditunjukkan di bawah ini dan

    aplikasinya dapat dilihat pada Tabel 9.

    S t = Xt+ (1 ) S t-1 (eksponensial tunggal)

    St = S

    t+ (1 ) S

    t 1(eksponensial ganda)

    a t = S t+ (St S t ) = 2 S t- St

    b t = / (1 ) (S t - S t)

    F t = a t + b t(m), m adalah jumlah eriod eke muka.

    Untuk inisialisasi analisis pemulusan Eksponensial Linear dari Brown ini dapat

    digunakan rumus :

    S1 = S

    1 = X

    1

    a 1 = X1

    (X2 - X1) + (X4 - X3)

    b 1 = ------------------------------

    2

    Tabel 9. Aplikasi Peramalan dengan Metode Pemulusan Eksponensial Ganda

    Periode

    (1)Produk

    (2)Pemulu-

    sanEkspo-

    nensialTunggal

    (3)a

    Pemulu-san

    Ekspo-

    nensialGanda

    (4)Nilai a t

    (5)Nilai b t

    (6)Nilai

    Rama-lan a+b

    (m){(4)+(5)}

    1 143,00 143,00 143,00

    2 152,00 144,80 143,36 146,240 0,300

    3 161,00 148,04 144,30 151,754 0,936 146,00

    4 139,00 146,23 144,68 147,781 0,387 152,72

    5 137,00 144,39 144,62 144,148 -0,060 148,17

    6 174,00 150,31 145,76 154,856 1,137 144,09

    7 142,00 148,65 146,34 150,956 0,577 155,99

    8 141,00 147,12 146,49 147,741 0,156 151,53

    9 162,00 150,09 147,21 152,974 0,720 147,90

    10 180,00 156,08 148,99 163,164 1,772 153,69

    11 164,00 157,66 150,72 164,599 1,735 164,94

    12 171,00 160,33 152,64 168,014 1,921 166,3313 206,00 169,46 156,01 182,919 3,364 169,94

    14 193,00 174,17 159,64 188,701 3,633 186,28

    15 207,00 180,74 163,86 197,614 4,219 192,33

    16 218,00 188,19 168,72 207,653 4,866 201,83

    17 229,00 196,35 174,25 218,452 5,525 212,52

    18 225,00 202,08 179,82 224,346 5,566 223,98

    19 204,00 202,46 184,35 220,584 4,530 229,91

    20 227,00 207,37 188,95 225,793 4,605 225,11

    21 223,00 210,50 193,26 227,735 4,309 230,40

    22 242,00 216,80 197,97 235,629 4,708 232,04

    Page 30 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    31/83

    p p g p _ _

    b. Evaluasi Ketepatan Model Peramalan

    Untuk mengetahui seberapa jauh metode peramalan itu mampu memprdiksi data

    yang telah diketahui, maka perlu dilakukan evaluasi kesesuaian metode peramalan

    terhadap suatu kumpulan data yang diberikan. Dalam pemodelan eksplanatoris

    (kausal), ukuran ketepatan cukup menonjol. Dalam pemodelan runtun waktu, sebagian

    data yang diketahui dapat digunakan untuk meramalkan sisa data berikutnya sehingga

    memungkinkan orang untuk mempelajari ketepatan ramalan secara langsung. Untuk

    mengevaluasi ketepatan ramalan dapat digunakan beberapa cara yaitu; Ukjuran Statistik

    standar, ukuran-ukuran Relatif dan statistik Udari Theil.

    b.1. Statist ik Standar

    ei= Xi Fi = Kesalahan ramalan periode i.

    Xi= Data aktual periode i.

    Fi = Data hasil ramalan periode i.

    Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, maka dapat dihitung:

    Nilai Tengah Kesalahan

    (ME=Mean Error):

    Nilai Tengah Kesalahan Absolut

    23 239,00 221,24 202,62 239,855 4,654 240,34

    24 266,00 230,19 208,14 252,246 5,514 244,51

    25 257,76 (m = 1)

    26 263,27 (m = 2)

    27 268,78 (m = 3)

    28 274,30 (m = 4)

    29 279,81 (m = 5)

    30 285,33 (m = 6)

    Analsis Kesalahan dari Periode 10 ke Periode 24

    7,99 = Nilai Tengah Kesalahan 273,47 = Nilai tengah kesalahan Kuadrat(MSE)

    12,73 = Nilai Tengah Kesalahan Absolut 1,33 = Statistik Durbin-Watson

    6,04 = Nilai Tengah Kesalahan PersentaseAbsolut (MAPE)

    0,98 = Statistik Udari Theil

    14,59 = Deviasi Standar Kesalahan (Tak Berbias) 302,48 = Rata-rata Batting dariMcLaughlin

    a Nilai ditetapkan pada 0,2

    nME = ei/

    n

    Page 31 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    32/83

    p p g p _ _

    (MAE=Mean Absolute Error) :

    Jumlah Kuadrat Kesalahan

    (SSE= Sum of Squared Error) :

    Nilai Tengah Kesalahan Kuadrat

    (MSE=Mean Sguared Error) :

    Deviasi Standar Kesalahan

    (SDE=standard Deviation of Error) :

    b.2. Ukuran-ukuran Relatif

    Kesalahan persentase

    (PE=Percentage Error) :

    nMAE = | ei| / n

    i=1

    n

    SSE = ei2

    =

    n

    MSE = ei2/ n

    i=1

    n

    SDE = ei2/ (n-1)

    i=1

    Xt Ft

    PEt= (--------------) x 100%

    X

    Page 32 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    33/83

    p p g p _ _

    Nilai Tengan Kesalahan persentase

    (MPE= Mean Percentage Error) :

    Nilai Tengah kesalahan Persentase Absolut

    (MAPE=Mean Absolute Percentage Error) :

    MAPE untuk

    Peramalan Naif 1 :

    MAPE untuk

    Peramalan Naif 2 :

    di mana Xi

    adalah nilai Xi

    yang disesuaikan dengan musiman.

    b.3.Statistik U dari Theil

    StatistikU dari Theil ini adalah suatu metode evaluasi ketepatan ramalan yang

    membandingkan antara metode peramalan formal dengan pendekatan naif dan juga

    nMPE = PE

    t/

    n

    nMAPE = | PEt| /

    n

    n Xi X i-1

    --------------i=1 Xi

    MAPE-NF1 = ------------------------------- x 100% n - 1

    n X

    i X

    i-1

    --------------i=1 Xi

    MAPE-NF2 = ------------------------------ x 100% n - 1

    Page 33 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    34/83

    p p g p _ _

    mengkuadratkan kesalahan yang terjadi sehingga kesalahan yang besar

    diberikan lebih banyak bobot daripada kesalahan yang kecil. Karakteristik positif yang

    ditimbulkan dalam menggunakan statistik u dari Theil sebagai ukuran ketepatan adalah

    mengenai interpretasi yang intuitif. Rumus matematis:

    StatistikU dari Theil dapat lebih dimengerti dengan memeriksa interpretasinya, yaitu:

    U = 1 : Metode Naif sama baiknya dengan teknik peramalan formal yang dievaluasi.

    U < 1 : Teknik peramalan formal yang digunakan adalah lebih baik daripada metode

    Naif. Makin kecil nilai statistikU, makin baik teknik peramalan formal

    dibanding metode naif secara relatif.

    U > 1 : Tidak ada gunanya menggunakan metode naif akan menghasilkan ramalanyang lebih baik.

    IV. OPERASIONAL MODEL PERAMALAN

    Model peramalan yang telah dikembangkan oleh Balai Peramalan Organisme Pengganggu

    Tumbuhan Jatisari berdasarkan hasil penelitian, studi, kajian dan mempelajari data-data

    historis. Penelitian, studi, kajian dan data-data historis yang digunakan dalam pengembangan

    model peramalan dikumpulkan dari beberapa lokasi yang dianggap sebagai daerah endemis

    suatu OPT di Indonesia. Tentunya karena ada perbedaan karakteristik dan agroekosistem

    maka model peramalan OPT kemungkinan akan ada perbedaan bobot masing-masing

    variabel atau bahkan ada perbedaan variabel spesifik lokasi ekosistem. Oleh karena itu masih

    perlu dilakukan evaluasi model untuk penyesuaian terhadap spesifik lokasi.

    Model-model peramalan yang telah dikembangkan dibagi kedalam 4 (empat) kelompok

    komoditi yaitu komoditi padi, palawija, hortikultura (sayuran dan buah-buahan) dan komplek

    sebagaimana tercantum berikut ini.

    1. KOMODITI PADI

    n-1 F i+1 X i+1

    ( -----------------------) 2

    i=1 Xi

    U = ------------------------------------

    n-1 Xi+1 Xi+1

    ( ----------------------) 2

    i=1 Xi

    Page 34 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    35/83

    p p g p _ _

    a. Wereng Batang Coklat (Nilaparvata lugens)

    Model 1.1 : Peramalan Populasi WBC pada musim hujan

    a. Log G-2 = 2,403 + 0,61 Log G-0 ; (R2= 0,80)

    b. Log G-2 = 1,273 + 0,566 Log G-1 ; (R2= 0,89)

    ContohModel 1.1.a :

    Padat populasi WBC pada G-0 adalah 0,2 ekor, maka pada populasi pada G-2

    adalah: Log G-2 = 2,403 + 0,61 Log G-0 = 2,403 + 0,61 Log(0,2) = 2,403 + 0,61 (-0,699)

    = 2,403 0,426 = 1,977. Jadi padat populasi G-2 adalah 10 1,977 = 94,8 ekor per

    rumpun.

    ContohModel 1.1. b:

    Padat populasi WBC pada G-1 adalah 20 ekor, maka pada populasi pada G-2

    adalah: Log G-2 = 1,273 + 0,566 Log G-1 = 1,273 + 0,566 Log(20) = 1,273 + 0,566

    (1,301) = 1,273 + 0,736 = 2,009. Jadi padat populasi G-2 adalah 10 2,009= 102,09 ekor

    per rumpun.

    Model 1.2 : Peramalan Populasi WBC pada musim kemarau

    Log G-2 = Log (G-1) - 0.98 Log (S-1) + 1.29 ; (R2= 0,82)

    Keterangan Model 2, 3 :

    G-2 = Populasi generasi puncak

    G-0 = Populasi generasi pendatang

    G-1 = Populasi generasi penetap

    S-1 = padat populasi laba- laba pada G-1

    ContohModel 1.2 :

    Diketahui padat populasi G-0 sebanyak 0,2 ekor per rumpun, G-1 sebanyak 20

    ekor per rumpun dan pada populasi laba-laba S-1 sebanyak 10 ekor epr rumpun. Maka

    dapat diduga pada populasi generasi puncak G-2, yaitu: Log G-2 = Log (G-1) - 0.98 Log

    (S-1) + 1.29 = Log (20) 0,98 Log (10) + 1,29 = 1,301 0,98 (1) + 1,29 = 1,611.

    Jadi padat populasi G-2 adalah 10 1,611= 40,8 ekor per rumpun.

    Model 1.3 : Peramalan serangan WBC tingkat wilayah pengamatan

    Page 35 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    36/83

    p p g p _ _

    Y = 1.17 X1 + 0.35 X2 + 0.61 X3- 3.74 ; (R2= 0,81)

    Keterangan :

    Y = Luas serangan WBC pada akhir musim tanam (KLTS) dengan klasifikasi

    sebagai berikut :

    1 = tidak ada serangan,

    2 = serangan < 50 ha,

    3 = serangan 51 - 100 ha,

    4 = serangan 101 - 500 ha dan

    5 = serangan > 500 ha

    X1 = Kepadatan populasi generasi awal pada puncak tanam dengan klasifikasi

    sebagai berikut :

    1 = populasi < 0.2 ekor per-rumpun

    2 = populasi 0.2 - 0.4 ekor per-rumpun

    3 = populasi > 0.4 ekor per-rumpun

    X2 = Persentase luas tanam varietas peka pada puncak tanam dengan klasifikasi

    sebagai berikut :

    1 = kurang dari 10 %,

    2 = 10 - 30 %,

    3 = 30 - 60 %,

    4 = 60 - 80 % dan

    5 = lebih dari 80 %

    X3 = Persentase luas tanam tanaman muda pada puncak tanam dengan klasifikasi

    sebagai berikut :

    1 = kurang dari 10 %,

    2 = 10 - 30 %,

    3 = 30 - 60 %,

    4 = 60 - 80 % dan

    5 = lebih dari 80 %

    ContohModel 1.3 :

    Berdasarkan surveillance pada awal musim hujan (waktu puncak tanam) di

    Kecamatan A ditemukan populasi WBC dengan kepadatan 0,3 ekor/rumpun, varietas

    peka yang ditanam di kecamatan tersebut seluas 1500 ha dari luas areal tanam

    keseluruhan 7500 ha. Pada saat yang sama luas tanaman muda yang berumur

  • 5/24/2018 Pedoman Peramalan Hama

    37/83

    p p g p _ _

    Maka pada akhir musim hujan sekarang dapat diramalkan kumulatif luas tambah

    serangan (KLTS) di Kecamatan A sebagai berikut:

    Padat populasi WBC 0,3 ek/rmp atau X1 = 2. Persentase varietas peka = 1500 /

    7500 * 100 = 20% atau X2= 2. Persentase tanaman muda = 5000 / 7500 * 100 = 66,7%

    atau X3= 4. Jadi KLTS pada akhir musim (Y) adalah sebesar: Y = 1,17 (2) + 0,35 (2) +

    0,61 (4) 3,74 = 2,34 + 0,7 + 2,44 3,74 = 1,74 atau dibulatkan 2 jadi diduga KLTS

    musim hujan adalah seluas

  • 5/24/2018 Pedoman Peramalan Hama

    38/83

    p p g p _ _

    Maksimum = 10 (1,696+0,12) = 10 1,816 = 65.46 ha.

    ContohModel 1.5 yang diterapkan pada model 1.5.b :

    Ramalan KLTS WBC pada padi Musim Hujan 2003/2004.

    Dilaporkan KLTS MK 2003 seluas 10 ha dan KLTS MH 2002/2003 seluas 100 ha. Maka

    dapat diramalkan:Log Y

    MH= 0,503 + 0,365 Log (X

    1) + 0,380 Log (X

    2) 0,12

    Log YMH= 0,503 + 0,365 Log (10) + 0,380 Log (100)

    Log YMH

    = 0,503 + 0,365 (1) + 0,380 (2)

    Log YMH= 0,503 + 0,365 + 0,76 = 1,628

    Jadi Ramalan KLTS MH 2003/2004 = 10 1,628 = 42,5 ha,

    Minimum = 10 (1,628-0,12) = 10 1,16= 14,5ha, dan

    Maksimum = 10 (1,628+0,12) = 10 1,748 = 56,0 ha.

    b. Tikus Sawah (Ratus ratus argentiventer)

    Model 2.1: Kehilangan hasil akibat gangguan pada stadia pembentukan anakan:

    Y = 0,90 X 7,68 ; (R2= 0,91)

    Model 2.2 : Kehilangan hasil akibat gangguan pada stadia anakan maksimum:

    Y = 0,89 X 2,39 ; (R2= 0,94)

    Model 2.3 : Kehilangan hasil akibat gangguan pada stadia primordia:

    Y = 1,07 X 1,97 ; (R2= 0,98)

    Model 2.4 : Kehilangan hasil akibat gangguan pada stadia pembentukan malai:

    Y = 1,07 X 0,43 ; (R2= 0,98)

    Keterangan Model 2.1, 2.2, 2.3 dan 2.4 :

    Y = Kehilangan hasil (%)

    X = Intensitas kerusakan akibat serangan tikus (%)

    ContohModel 2.1, 2.2, 2.3 dan 2.4 yang diterapkan pada model 2.4:

    Berdasarkan hasil pengamatan pada saat stadia pembentukan malai diketahui intensitas

    serangan tikus sebesar 50%, maka diduga kehilangan hasil yang diakibatkannya adalah:

    Y = 1,07 X 0,43 = 1,07 (50) 0,43 = 53.5 - 0,43 = 53.07%

    Page 38 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    39/83

    p p g p _ _

    Model 2.5 : Peramalan serangan Tikus padamusim kemarau

    a. Log Y = 0,7658 + 0,7333 Log (X1) 0,07 ; (R2= 0,61)

    b. Log Y = 0,3817 + 0,3085 Log (X1) +0,5638 Log (X2) 0,06 ;

    (R2= 0,72)

    Model 2.6 : Peramalan serangan Tikus padamusim hujan

    a. Log Y = 0,2887 + 0,8914 Log (X1) 0,07 ; (R2= 0,67)

    b. Log Y = 0,160 + 0,4516 Log (X1) + 0,5073 Log (X2) 0,06 ;

    (R2= 0,76)

    Keterangan Model 2.5 dan 2.6 :

    Y = Ramalan luas serangan yang akan terjadi pada musim yang akan datang

    X1 = Luas serangan yang terjadi pada 1 musim yang lalu.

    X2 = Luas serangan yang terjadi pada 2 musim yang lalu.

    ContohModel 2.5 yang diterapkan pada model 2.5.b:

    Ramalan KLTS Tikus pada tanaman padi Musim Kemarau 2003.

    Dilaporkan KLTS MH 2002/2003 seluas 10 ha dan KLTS MK 2002 seluas 100 ha. Makadapat diramalkan:

    Log YMK= 0,3817 + 0,3085 Log (X1) +0,5638 Log (X2) 0,06

    Log YMK= 0,3817 + 0,3085 Log (10) +0,5638 Log (100)

    Log YMK= 0,3817 + 0,3085 (1) +0,5638 (2)

    Log YMK= 0,3817 + 0,3085 + 1,1276 = 1.8178

    Jadi Ramalan KLTS MK 2003 = 10 1,8178= 65,7 ha,

    Minimum = 10 (1,8178-0,06) = 10 1.7578 = 57,2 ha, dan

    Maksimum = 10 (1,8178+0,06) = 10 1.8778 = 75,5 ha.

    ContohModel 2.6 yang diterapkan pada model 2.6.b:

    Ramalan KLTS Tikus pada tanaman padi Musim Hujan 2002/2003.

    Dilaporkan KLTS MK 2002 seluas 10 ha dan KLTS MH 2001/2002 seluas 100 ha. Makadapat diramalkan:

    Log YMH= 0,160 + 0,4516 Log (X1) + 0,5073 Log (X2) 0,06

    Page 39 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    40/83

    p p g p _ _

    Log YMH= 0,160 + 0,4516 Log (10) + 0,5073 Log (100)

    Log YMH= 0,160 + 0,4516 (1) + 0,5073 (2)

    Log YMH= 0,160 + 0,4516 + 1,0146 = 1.6262

    Jadi Ramalan KLTS MH 2002/2003 = 101,6262

    = 42,3 ha,

    Minimum = 10 (1,6262-0,06) = 10 1,5662= 36,8 ha, dan

    Maksimum = 10 (1,6262+0,06) = 10 2.2262 = 168,3 ha.

    c. Penggerek Batang Padi Kompleks(S. innotata, S. incertulas, Sesamia inferen

    dan Chilo supresalis)

    Model 3.1 : Peramalan serangan PBP padamusim kemarau

    a. Log Y = 0,5533 + 0,76 Log (X1) 0,07 ; (R2= 0,51)

    b. Log Y = 0,2275 + 0,3567 Log (X1) + 0,5533 Log (X2) 0,06 ;

    (R2= 0,64)

    Model 3.2 : Peramalan serangan PBP padamusim hujan

    a. Log Y = 0,833 + 0,7184 Log (X1) 0,06 ; (R2= 0,56)

    b. Log Y = 0,3358 + 0,3116 Log (X1) + 0,5857 Log (X2) 0,05 ;

    (R2= 0,71)

    Keterangan Model 3.1 dan 3.2 :Y = Ramalan luas serangan yang akan terjadi pada musim yang akan datang

    X1

    = Luas serangan yang terjadi pada 1 musim yang lalu.

    X2 = Luas serangan yang terjadi pada 2 musim yang lalu.

    ContohModel 3.1 yang diterapkan pada model 3.1.b:

    Ramalan KLTS PBP pada tanaman padi Musim Kemarau 2003.

    Dilaporkan KLTS MH 2002/2003 seluas 10 ha dan KLTS MK 2002 seluas 100 ha. Mak

    dapat diramalkan:Log Y

    MK= 0,2275 + 0,3567 Log (X

    1) + 0,5533 Log (X

    2) 0,06

    Log YMK= 0,2275 + 0,3567 Log (10) + 0,5533 Log (100)

    Log YMK= 0,2275 + 0,3567 (1) + 0,5533 (2)

    Log YMK= 0,2275 + 0,3567 + 1,1066 = 1.6908

    Jadi Ramalan KLTS MK 2003 = 10 1,6908= 49,1 ha,

    Page 40 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    41/83

    p p g p _ _

    Minimum = 10 (1,6908-0,06) = 10 1.6308 = 42,7 ha, dan

    Maksimum = 10 (1,6908+0,06) = 10 1.7508 = 56,3 ha.

    ContohModel 3.2 yang diterapkan pada model 3.2.b:

    Ramalan KLTS PBP pada tanaman padi Musim Hujan 2002/2003.

    Dilaporkan KLTS MK 2002 seluas 10 ha dan KLTS MH 2001/2002 seluas 100 ha.Maka dapat diramalkan:

    Log YMH

    = 0,3358 + 0,3116 Log (X1) + 0,5857 Log (X

    2) 0,05

    Log YMH

    = 0,3358 + 0,3116 Log (10) + 0,5857 Log (100)

    Log YMH= 0,3358 + 0,3116 (1) + 0,5857 (2)

    Log YMH= 0,3358 + 0,3116 + 1.1714 = 1.8188

    Jadi Ramalan KLTS MH 2002/2003 = 10 1,8181= 65,8 ha,

    Minimum = 10 (1,8181-0,05) = 10 1,7681= 58,6 ha, dan

    Maksimum = 10 (1,8181+0,05) = 10 1.8681 = 73,8 ha.

    c. Penggerek Batang Padi Kuning (Scirpophaga incertulas)

    Model 4.1 : Peramalan luasserangan beluk.

    a. Log (Y+1) = 1,0034 Log (X+1) 0,20 ; (R2 = 0,72)

    Keterangan :

    Y = Luas puncak serangan beluk dalam bentuk transformasi Log (Y+1)

    X = Populasi ngengat penerbangan pendatang (G-0)

    b. Log Y = 1,585 Log X + 1,825 ; (R2= 0,894)

    Keterangan :

    Y = Luas serangan penggerek batang pada fase generatif (ha)

    X = Populasi kelompok telur penggerek batang pada pesemaian (ekor/m2)

    ContohModel 4.1.a :

    Diketahui populasi ngengat penerbangan pendatang (G-0) pada lampu perangkap

    sebanyak 100 ekor. Maka dapat diduga luas puncak serangan beluk adalah sebagai

    berikut:

    Log (Y+1) = 1,0034 Log (X+1) 0,20

    Page 41 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    42/83

    p p g p _ _

    Log (Y+1) = 1,0034 Log (100+1) 0,20 = 1,0034 (2.004) 0,20

    Log (Y+1) = 1,8111

    Y = 10 1,8111 1 = 63,7 ha

    ContohModel 4.1.b :

    Diketahui populasi kelompok telur pada pesemaian sebanyak 2 kelompok per meter

    persegi. Maka dapat diduga luas serangan pada fase generatif (beluk) adalah sebagai

    berikut:

    Log Y = 1,585 Log X + 1,825

    Log Y = 1,585 Log (2) + 1,825 = 1,585 (0,301) + 1,825

    Log Y = 2,5813

    Y = 10

    2,5813

    = 381,3 ha

    Model 4.2 : Peramalan intensitas serangan beluk

    Kemunculan intensitas serangan PBPK pada fase generatif (beluk) dapat

    diramalkan dengan populasi kelompok telurnya pada fase pesemaian dan serangan

    pada fase vegetatif (sundep) dengan model sebagai berikut :

    a. Log Y = 1,262 Log X1+ 1,122 ; (R2= 0,796)

    b. Log Y = 1,265 Log X1+ 1,354 Log X2+ 1,125 ; (R

    2

    = 0,896)Keterangan :

    Y = Intensitas serangan penggerek batang pada fase generatif / beluk (%)

    X1 = Populasi kelompok telur penggerek batang pada pesemaian (ekor/m2), dengan

    kisaran 0 < X10,5 ekor/m2.

    X2

    = Intensitas serangan penggerek batang pada fase vegetatif / sundep (%) dengan

    kisaran 0 < X26 %.

    ContohModel 4.2 :

    Pengamatan pada saat fase pesemaian ditemukan rata-rata 0,2 kelompok telur PBPK

    dan pada pengamatan periode berikutnya dipertanaman fase vegetatif diketahui

    intenasitas serangan sundep sebesar 10%. Maka dengan menggunakan model 4.2

    dapat diduga intensitas serangan PBPK pada fase generatif / beluk adalah sebagai

    berikut:

    a. Log Y = 1,262 Log (0,2) + 1,122

    Page 42 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    43/83

    p p g p _ _

    Log Y = 1,262 (-0,699) + 1,122 = 0,2399

    Y = 10 0,2399 = 1,74%

    b. Log Y = 1,265 Log X1+ 1,354 Log X

    2+ 1,125

    Log Y = 1,265 Log (0,2) + 1,354 Log (10) + 1,125

    Log Y = 1,265 (-0,699) + 1,354 (1) + 1,125 = 1,5948

    Y = 10 1,5948 = 39.3%

    e. Penggerek Batang Padi Putih (Scirpophaga innotata)

    Model peramalan untuk musim hujan pada tingkat wilayah kecamatan dengan

    memanfaatkan beberapa faktor yang aktual dari lapangan, seperti : luas puncak

    serangan beluk pada akhir musim kemarau, populasi larva diapause pada tunggul dan

    penerbangan ngengat generasi awal (G-0) yang dipantau dari lampu perangkap.

    Model 5.1 : (untuk digunakan pada akhir musim kemarau)

    Y = 0,7843673 + 0,52551 X1 ; (R2= 0,56)

    Model 5.2 : (untuk digunakan pada saat bera/setelah survei tunggul)

    Y = 0,4466202 + 0,4427815 X1+ 0,29687 X2 ; (R2= 0,60)

    Model 5.3 : (untuk digunakan pada saat pesemaian)

    Y = 0,453077 + 0,428118 X1+ 0,29426 X

    2+ 0,0148885 X

    3;

    (R2= 0,61)

    Keterangan :

    Y = Luas puncak serangan yang akan terjadi pada musim hujan

    X1= Luas puncak serangan yang terjadi pada musim kemarau

    Luas puncak serangan (Y dan X1) menggunakan klasifikasi sebagai berikut :

    X2

    = Populasi larva diapause pada tunggul padi bekas panen dengan klasifikasi

    sebagai berikut :

    1 = 0 Ha

    2 = 1 50 Ha3 = 51 100 Ha4 = 101 500 Ha5 = >500 Ha

    1 = 0 Ha2 = 1 10 Ha

    Page 43 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    44/83

    p p g p _ _

    X3

    = Populasi ngengat G-0 tangkapan lampu perangkap dengan menggunakan

    klasifikasi sebagai berikut :

    ContohModel 5.1, 5.2. dan 5.4 :

    Berdasarkan laporan diketahui luas puncak serangan PBPP pada MK 2003

    seluas 500 ha. Hasil pengamatan pada fase bera ditemukan populasi larva diapausepada tunggul padi rata-rata sebanyak 65 ekor per tunggul. Pada fase vegetatif (periode

    puncak tanam) dari pengamatan lampu perangkap diperoleh data tangkapan ngengat G-

    0 rata-rata sebanyak 200 ekor per malam.

    Maka dapat diduga luas puncak serangan PBPP pada MH 2003/2004 adalah

    sebagai berikut:

    Model 5.1: Y = 0,7843673 + 0,52551 X1

    Pada klasifikasi luas serangan seluas 500 ha termasuk pada kelas 4, jadi dapat

    disubtitusikan sebagai berikut:

    Y = 0,7843673 + 0,52551 (4) = 2.9 atau dibulatkan menjadi 3.

    Maka luas puncak serangan yang akan terjadi pada MH 2003/2004 termasuk kelas 3

    atau diramalkan berkisar antara 51 100 Ha.

    Model 5.2: Y = 0,4466202 + 0,4427815 X1+ 0,29687 X2

    Pada klasifikasi luas serangan seluas 500 ha termasuk pada kelas 4 dan populasi larva

    diapause 65 ekor termasuk pada kelas 4, jadi dapat disubtitusikan sebagai berikut:

    Y = 0,4466202 + 0,4427815 (4) + 0,29687 (4)

    Y = 0,4466202 + 1.771126 + 1.18748 = 3.4 atau dibulatkan menjadi 3.

    Maka luas puncak serangan yang akan terjadi pada MH 2003/2004 termasuk kelas 3

    atau diramalkan berkisar antara 51 100 Ha.

    Model 5.3: Y = 0,453077 + 0,428118 X1+ 0,29426 X

    2+ 0,0148885 X

    3

    3 = 11 50 Ha4 = 51 100 Ha5 = > 100 Ha

    1 = 0 Ha2 = 1 100 Ha3 = 101 500 Ha4 = 501 1000 Ha5 = > 1000 Ha

    Page 44 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    45/83

    p p g p _ _

    Pada klasifikasi luas serangan seluas 500 ha termasuk pada kelas 4, populasi larva

    diapause 65 ekor termasuk pada kelas 4 dan populasi ngengat G-0 200 ekor termasuk

    kelas 3, jadi dapat disubtitusikan sebagai berikut:

    Y = 0,453077 + 0,428118 (4) + 0,29426 (4) + 0,0148885 (3)

    Y = 0,453077 + 1.712472 + 1.17704 + 0.0446655 = 3.4 atau dibulatkan menjadi 3.

    Maka luas puncak serangan yang akan terjadi pada MH 2003/2004 termasuk kelas 3

    atau diramalkan berkisar antara 51 100 Ha.

    f. Ganjur (Orseolia oryzae Wood-Masson)

    Model ini bersifat spesipik lokasi yang diperoleh di Kabupaten Cirebon yang

    merupakan salah satu daerah endemis hama ganjur di Jawa Barat. Model peramalan

    yang diperoleh adalah :

    Model 6.1:Log (YMH) = 0,54640 + 0,44569 Log (XMK) ; (R2= 0,15)

    Keterangan :

    YMH = Ramalan kumulatif luas serangan (ha) pada musim hujan

    XMK = Total tangkapan hama ganjur (ekor) dengan lampu perangkap pada musim

    kemarau

    ContohModel 6.1 :

    Berdasarkan data hasil pengamatan populasi hama ganjur dengan lampuperangkap selama MK 2003 didapat total sebanyak 1.000 ekor. Maka dapat diramalkan

    kumulatif luas serangan pada MH 2003/2004 adalah sebagai berikut:

    Log (YMH) = 0,54640 + 0,44569 Log (XMK)

    Log (YMH) = 0,54640 + 0,44569 Log (1000) = 0,54640 + 0,44569 (3) = 1,88347

    (YMH) = 101,88347= 76,5 Ha.

    g. Penyakit Tungro

    Model 7.1: Peramalan luasserangan pada pola tanam serempak

    Y = 0,25 (X1+0,5)2 + 0,08 (X2+0,5) 0,19 ; (R

    2= 0,75)

    Keterangan :

    Y = Proporsi gejala tungro pada hamparan, (hasil bagi antara luas petak yang

    Page 45 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    46/83

    p p g p _ _

    bergejala tungro dengan luas keseluruhan hamparan)X1 = Proporsi tanaman muda (2-6 MST) pada hamparan tersebut.

    X2 = Populasi wereng hijau (Nephotetix virescens) per 25 ayunan tunggal dengan

    jaring (sweeping).

    ContohModel 7.1 :

    Pada suatu hamparan padi dengan pola tanam serempak diketahui luas

    pertanaman 100 ha, sebagian tanaman masih berumur muda (2-6 MST) dengan luas 10

    ha. Berdasarkan pengamatan dengan jaring sebanyak 25 kali ayunan tunggal diperoleh

    rata-rata populasi wereng hijau 36 ekor. Maka dapat diramalkan proporsi luas serangan

    tungro yang akan terjadi pada hamparan tersebut, sebagai berikut:

    Proporsi tanaman muda diketahui sebesar 10/100 ha = 0,1 dengan

    menggunakan transformasi (X+0,5)2maka diperoleh nilai X1

    = 0,36. Populasi wereng

    hijau sebanyak 36 ekor, dengan tranformasi (X+0,5) diperoleh nilai X2= 6,04. Apabila

    disubtitusikan pada model maka akan diperoleh hasil ramalan:

    Y = 0,25 (0,1+0,5)2 + 0,08(36+0,5) 0,19

    Y = 0,25 (0,36) + 0,08 (6,04) 0,19 = 0,09 + 0,4832 0,19 = 0.3832

    Jadi apabila luas pertanaman pada hamparan tersebut adalah 100 ha maka dapat

    diduga luas pertanaman yang akan terserang oleh tungro adalah : 0,3832 x 100 ha =

    38,32 Ha.

    Model 7.2: Peramalan luasserangan pada pola tanam tidak serempak

    Y = (0,43 X1+ 0,00014 Log (X2+0,01) 0,214 Log (X3+0,01) 0,133

    Log (X4+0,01) - 0,19) ; (R2= 0,87)

    Keterangan :

    Y = Proporsi gejala tungro pada hamparan, (hasil bagi antara luas petak yangbergejala tungro dengan luas keseluruhan hamparan),

    X1= Proporsi tanaman muda (2-6 MST) pada hamparan tersebut.

    X2= Proporsi singgang pada hamparan tersebut,

    X3= Proporsi luas panen pada hamparan tersebut,

    X4 = Proporsi penggunaan tanah lain (olah tanah, pesemaian, baru tanam) pada

    hamparan tersebut.

    ContohModel 7.2 :

    Pada suatu hamparan padi dengan pola tanam tidak serempak diketahui luas

    pertanaman 100 ha yang terdiri dari tanaman muda (2-6 MST) seluas 10 ha, singgang

    Page 46 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    47/83

    p p g p _ _

    seluas 25 ha, panen 50 ha dan kondisi lainnya (bera/pesemaian/ olah tanah/baru

    tanam) seluas 15 ha. Maka dapat diramalkan proporsi luas serangan tungro yang akan

    terjadi pada hamparan tersebut, sebagai berikut:

    Proporsi tanaman muda (X1) diketahui sebesar 10/100 ha = 0,1. Proporsi

    singgang 25/100 ha = 0,25 dengan tranformasi log (X+0,01) maka diperoleh nilai X2 = -

    0,585. Proporsi luas panen 50/100 ha = 0,5 dengan tranformasi log (X+0,01) maka

    diperoleh nilai X3 = -0,2924. Proporsi areal lainnya 15/100 ha = 0,15 dengan tranformasi

    log (X+0,01) maka diperoleh nilai X4 = -0,79588. Apabila disubtitusikan pada model

    maka akan diperoleh hasil ramalan:

    Y = (0,43(0,1) + 0,00014 Log (0,25+0,01) 0,214 Log (0,5+0,01) 0,133 Log

    (0,15+0,01) - 0,19)

    Y = (0,43(0,1) + 0,00014(-0,585) 0,214(-0,2924) 0,133(-0,79588) - 0,19)

    Y = (0,043 0,0000819 + 0,0625736 + 0,10585204 - 0,19) = 0.357

    Jadi apabila luas pertanaman pada hamparan tersebut adalah 100 ha maka

    dapat diduga luas pertanaman yang akan terserang oleh tungro adalah :

    0,357 x 100 ha = 35,7 Ha

    Model 7.3: Peramalan intensitasserangan pada pola tanam serempak

    Log (Y+1,02) = 0,19 X1+ 0,44 (X2+0,1)2 1,97 ; (R2= 0,79)

    Keterangan :

    Y = Ramalan intensitas serangan tungro pada dekade berikutnya.X1= Curah hujan pada satu dekade terakhir (mm) pada awal musim, dengan kisaran 0

    < X1100 mm.

    X2 = Populasi wereng hijau (Nephotetix virescens) per 25 ayunan tunggal dengan

    jaring (sweeping) pada awal musim, dengan kisaran 0X22 ekor.

    ContohModel 7.3 :

    Berdasarkan pengamatan curah hujan pada suatu hamparan padi dengan pola

    tanam serempak pada awal musim dalam periode satu dekade terakhir tercatat

    sebanyak 50 mm. Pada saat yang sama hasil pengamatan dengan jaring sebanyak 25

    kali ayunan tunggal diperoleh rata-rata populasi wereng hijau 2 ekor. Maka dapat

    diramalkan intensitas serangan tungro yang akan terjadi pada dekade berikutnya adalah

    Page 47 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    48/83

    p p g p _ _

    sebagai berikut:

    Log (Y+0,01) = 0,19X1+ 0,44 (X2+0,1)2 1,97

    Log (Y+0,01) = 0,1950 + 0,44 (2+0,1)2 1,97

    Log (Y+0,01) = 0,19 (7,071) + 0,44 (4.41) 1,97

    Log (Y+0,01) = 1,34349 + 1,9404 1,97 = 1,31389

    Y = 10 1,31389 0,01 = 20,6%

    Model 7.4: Peramalan serangan pada musim kemarau

    a. Log Y = 0,3122 + 0,7385 Log (X1) 0,1 ; (R2= 0,55)

    b. Log Y = 0,1929 + 0,375 Log (X1) +0,4972 Log (X2) 0,09;

    (R

    2

    = 0,65)

    Model 7.5: Peramalan serangan pada musim hujan(ramalan antar musim)

    a. Log Y = 0,3394 + 0,8173 Log (X1) 0,09; (R2= 0,60)

    b. Log Y = 0,2712 + 0,718 Log (X1) +0,1324 Log (X2) 0,09;

    (R2= 0,62)

    Keterangan Model 7.4 dan 7.5 :

    Y = Ramalan luas serangan yang akan terjadi pada musim yang akan datang.X1 = Luas serangan yang terjadi pada 1 musim yang lalu.

    X2= Luas serangan yang terjadi pada 2 musim yang lalu.

    ContohModel 7.4 yang diterapkan pada model 7.4.b:

    Ramalan KLTS Tungro pada tanaman padi Musim Kemarau 2003.

    Dilaporkan KLTS MH 2002/2003 seluas 10 ha dan KLTS MK 2002 seluas 100 ha. Makadapat diramalkan:

    Log YMK= 0,1929 + 0,375 Log (X1) + 0,4972 Log (X2) 0,09

    Log YMK

    = 0,1929 + 0,375 Log (10) + 0,4972 Log (100)

    Log YMK= 0,1929 + 0,375 (1) + 0,4972 (2)

    Log YMK= 0,1929 + 0,375 + 0,9944 = 1,5623

    Jadi Ramalan KLTS MK 2003 = 10 1,5623= 36,5 ha,

    Minimum = 10 (1,5623-0,09) = 10 1,4723= 29,7 ha, dan

    Page 48 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    49/83

    p p g p _ _

    Maksimum = 10 (1,5623+0,09) = 10 1,65 = 44,9 ha.

    ContohModel 7.5 yang diterapkan pada model 7.5.b:

    Ramalan KLTS Tungro pada tanaman padi Musim Hujan 2002/2003.

    Dilaporkan KLTS MK 2002 seluas 10 ha dan KLTS MH 2001/2002 seluas 100 ha. Makadapat diramalkan:

    Log YMH= 0,2712 + 0,718 Log (X1) +0,1324 Log (X2) 0,09

    Log YMH= 0,2712 + 0,718 Log (10) +0,1324 Log (100)

    Log YMH= 0,2712 + 0,718 (1) + 0,1324 (2)

    Log YMH

    = 0,2712 + 0,718 + 0,2648 = 1,254

    Jadi Ramalan KLTS MH 2002/2003 = 10 1,254= 17,9 ha,

    Minimum = 10 (1,254-0,09) = 10 1,164= 14,6 ha, dan

    Maksimum = 10 (1,254+0,09) = 10 1,6523 = 21,6ha.

    h. Penyaki t Hawar Daun Bakteri (HDB, Xanthomonas campestrispv. Oryzae)

    Model 8.1: Peramalan rasio petak terinfeksipenyakit HDB pada stadia anakanmaksimum.

    Y = 8,99 Log (X1+0,05) + 0,36 X2+ 62,44 ; (R2= 0,68)

    Keterangan :Y = Proporsi petak terinfeksi hawar daun bakteri pada stadia keluar malai.

    X1 = Populasi bakteriophage pada umur tanaman 14 HST.

    X2 = Jumlah hari hujan yang terjadi pada periode 1 42 HST.

    ContohModel 8.1:

    Pengamatan pada tanaman padi umur 14 HST dengan luas hamparan 100 ha ditemukan

    bakteriophage 40, sedangkan hari hujan pada periode umur tanaman 1 42 HST

    sebanyak 30 hari. Maka dapat diramalkan luas serangan penyakit HDB pada stadiaanakan maksimum sebagai berikut:

    Y = 8,99 Log (X1+0,05) + 0,36 X2+ 62,44

    Y = 8,99 Log (40+0,05) + 0,36 (30) + 62,44

    Y = 8,99 (1,6026) + 0,36 (30) + 62,44 = 14,407 + 10,8 + 62,44

    Y = 87,647

    Page 49 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    50/83

    p p g p _ _

    Jadi kalau luas hamparan 100 ha maka 87,647% (87,647 Ha) akan terserang oleh

    penyakit HDB.

    Model 8.2: Peramalan luasserangan penyakit HDB pada stadia pengisian.

    (Y+0,01) = 2,06 (X1+0,01) + 0,05 Log (X2) + 0,01 ;

    (R2= 0,87)

    Keterangan :

    Y = Proporsi luas serangan penyakit HDB pada stadia pengisian.X

    1 = Proporsi luas serangan penyakit HDB pada stadia pembungaan.

    X2= Curah hujan harian selama stadia anakan maksimum.

    ContohModel 8.2 :

    Pengamatan pada tanaman padi stadia pembungaan dengan luas hamparan 100 ha

    terserang oleh penyakit HDB seluas 25 ha, sedangkan rata-rata curah hujan harian

    selama stadia anakan maksimum sebanyak 10 mm. Maka dapat diramalkan luas

    serangan penyakit HDB pada stadia pengisian sebagai berikut:

    Proporsi luas serangan penyakit HDB pada stadia pembungaan (X1) adalah 25/100 =

    0,25, jadi dapat disubtitusikan kedalam model dibawah ini:

    (Y+0,01) = 2,06 (X1+0,01) + 0,05 Log (X2) + 0,01

    (Y+0,01) = 2,06 (0,25+0,01) + 0,05 Log (10) + 0,01

    (Y+0,01) = 2,06 (0,5099) + 0,05 (1) + 0,01

    (Y+0,01) = 1,050394 + 0,05 + 0,01 = 1,110394

    Y = 1,110394 2 0,01 = 1,23

    Jadi apabila luas hamparan 100 ha, maka diduga akan terjadi serangan penyakit HDB

    seluas 1,23% (1,23 ha).

    Model 8.3: Peramalan proporsi luasserangan penyakit HDB pada stadiapemasakan.

    Y = 1,06 (X1+0,01) + 0,06 (X2) 0,20 ; (R2= 0,75)

    Keterangan :

    Y = Proporsi luas serangan HDB pada stadia pemasakan.

    X1= Proporsi luas serangan pada stadia pengisian malai

    Page 50 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    51/83

    p p g p _ _

    X2= Curah hujan harian antara stadia pengisian malai sampai awal pemasakan.

    ContohModel 8.3 :

    Pengamatan pada tanaman padi stadia pengisian malai dengan luas hamparan 100 ha

    terserang oleh penyakit HDB seluas 50 ha, sedangkan rata-rata curah hujan harian

    selama stadia antara pengisian malai sampai awal pemasakan sebanyak 10 mm. Maka

    dapat diramalkan luas serangan penyakit HDB pada stadia pemasakan sebagai berikut:

    Proporsi luas serangan penyakit HDB pada stadia pengisian (X1) adalah 50/100 = 0,5,

    jadi dapat disubtitusikan kedalam model dibawah ini:

    Y = 1,06 (X1+0,01) + 0,06 (X2) 0,20

    Y = 1,06 (0,5+0,01) + 0,06 (10) 0,20

    Y = 1,06 (0,714) + 0,06 (3,162) 0,20

    Y = 0,75684 + 0,18974 0,20 = 0,74658

    Y = 0,74658 2= 0,557

    Jadi apabila luas hamparan 100 ha, maka diduga akan terjadi serangan penyakit HDB

    seluas 0,557% (0,557 ha).

    Model 8.4: Peramalan intensitasserangan penyakit HDB pada stadia pengisianmalai

    Y 2= 3,31 Log (X1+5) + 0,69 (X2) + 1,09 ; (R2= 0,89)

    Keterangan :

    Y = Intensitas penyakit HDB pada stadia pengisian malai.

    X1= Intensitas penyakit HDB pada stadia pembungaan.

    X2= Curah hujan harian pada stadia pembungan.

    ContohModel 8.4 :

    Pengamatan pada tanaman padi stadia pembungaan ditemukan intensitas serangan

    penyakit HDB sebanyak 10% dan pada saat yang sama curah hujan rata-rata harian

    diketahui sebanyak 10 mm. Berdasarkan data tersebut dapat diramalkan intensitas

    serangan penyakit HDB pada stadia pengisian malai sebagai berikut:

    Page 51 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    52/83

    p p g p _ _

    Y 2= 3,31 Log (X1+5) + 0,69 (X2) + 1,09

    Y 2= 3,31 Log (10+5) + 0,69 (10) + 1,09

    Y 2= 3,31 (1,17609) + 0,69 (3,1623) + 1,09

    Y 2= 3,8928579 + 2,182 + 1,09 = 7,1648579

    Y = (8,4328579) = 2,9%

    Model 8.5: Peramalan intensitasserangan penyakit HDB pada stadia pemasakan

    Y 2= 6,84 (X1) - 0,05 (X2) - 1,41 ; (R2= 0,86)

    Keterangan :

    Y = Intensitas penyakit hawar daun bakteri pada stadia pemasakan.

    X1

    = Intensitas penyakit pada stadia pengisian malai.

    X2= Curah hujan harian pada stadia pengisian malai.

    ContohModel 8.5 :

    Pengamatan pada tanaman padi stadia pengisian malai ditemukan intensitas serangan

    penyakit HDB sebanyak 20% dan pada saat yang sama curah hujan rata-rata harian

    diketahui sebanyak 10 mm. Berdasarkan data tersebut dapat diramalkan intensitas

    serangan penyakit HDB pada stadia pengisian malai sebagai berikut:

    Y 2= 6,84 (X1) - 0,05 (X2) - 1,41

    Y 2= 6,84 (20) - 0,05 (10) - 1,41

    Y 2= 6,84 (4,472) - 0,05 (3,16228) - 1,41

    Y 2= 30,58848 0,1581+ 1,41 = 31,84038

    Y = (31,84038) = 5,64%

    Model 8.6 : Peramalan intensitasserangan HDB pada stadia kritis

    Y = 0,10 X1+ 0,11 X2+ 1,06 X3 0,91 ; (R2= 0,44)

    Keterangan :

    Y = Intensitas penyakit HDB pada stadia kritis.

    X1= Kondisi air di persawahan sampai dengan stadia anakan maksimum.

    X2= Rata rata curah hujan harian sampai dengan stadia anakan maksimum

    X3 = Rata rata populasi bakteriophage di saluran sampai stadia anakan maksimum

    Page 52 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    53/83

    p p g p _ _

    i. Penyakit Blas (Pyricularia oryzae Cav.)

    Model 9.1: Peramalan luasserangan pada musim kemarau

    a. Log Y = 0,4040 + 0,5781 Log (X1) 0,09; (R2= 0,42)

    b. Log Y = 0,2685 + 0,3916 Log (X1) + 0,3402 Log (X2) 0,08;

    (R2= 0,48)

    Model 9.2: Peramalan luasserangan pada musim hujan

    a. Log Y = 0,7180 + 0,7522 Log (X1) 0,09; (R2= 0,44)

    b. Log Y = 0,3289 + 0,3516 Log (X1) + 0,5433 Log (X2) 0,09;

    (R2= 0,57)

    Keterangan Model 9.1, 9.2 :

    Y = Ramalan luas serangan yang akan terjadi pada musim yang akan datang.

    X1

    = Luas serangan yang terjadi pada 1 musim yang lalu.

    X2= Luas serangan yang terjadi pada 2 musim yang lalu.

    ContohModel 9.1 yang diterapkan pada model 9.1.b:

    Ramalan KLTS Blas pada tanaman padi Musim Kemarau 2003.

    Dilaporkan KLTS MH 2002/2003 seluas 10 ha dan KLTS MK 2002 seluas 100 ha. Maka

    dapat diramalkan:

    Log Y = 0,2685 + 0,3916 Log (X1) + 0,3402 Log (X2) 0,08

    Log Y = 0,2685 + 0,3916 Log (10) + 0,3402 Log (100)

    Log Y = 0,2685 + 0,3916 (1) + 0,3402 (2)

    Log Y = 0,2685 + 0,3916 + 0,6804 = 1,3405

    Jadi Ramalan KLTS MK 2003 = 10 1,3405= 21,9 ha,

    Minimum = 10 (1,3405-0,08) = 10 1,2605 = 18,2 ha, dan

    Maksimum = 10 (1,3405+0,08) = 10 1,4205 = 26,3 ha.

    ContohModel 7.5 yang diterapkan pada model 7.5.b:

    Page 53 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    54/83

    p p g p _ _

    Ramalan KLTS Blas pada tanaman padi Musim Hujan 2002/2003.

    Dilaporkan KLTS MK 2002 seluas 10 ha dan KLTS MH 2001/2002 seluas 100 ha. Mak

    dapat diramalkan:

    Log Y = 0,3289 + 0,3516 Log (X1) + 0,5433 Log (X

    2) 0,09

    Log Y = 0,3289 + 0,3516 Log (10) + 0,5433 Log (100)

    Log Y = 0,3289 + 0,3516 (1) + 0,5433 (2)

    Log Y = 0,3289 + 0,3516 + 1,0866 = 1,7671

    Jadi Ramalan KLTS MH 2002/2003 = 10 1,7671= 58,5 ha,

    Minimum = 10 (1,7671-0,09) = 10 1,6771= 47,5 ha, dan

    Maksimum = 10 (1,7671+0,09) = 10 1,8571 = 72,0 ha.

    2. KOMODITI PALAWIJA

    a. OPT Kedelai

    a.1. Kutu kebul Kedelai (Bemisia tabaci)

    Pengamatan populasi kutu kebul dilakukan dengan menghitung populasi yan

    tertangkap oleh perangkap lem pada papan yang ditempatkan di lokasi pertanaman.

    Model 10.1: Peramalan populasi kutu kebul (G-1) di daerah tanam kedelai terumenerus.

    Log G-1 = 1,002 Log G-0 0,17 ; (R2= 0,65)

    Keterangan :

    G-1 = Populasi kutu kebul generasi 1 (G-1) (ekor/perangkap)

    G-0 = Populasi kutu kebul generasi pendatang (G-0) (ekor/perangkap)

    ContohModel 10.1:

    Pengamatan pada tanaman kedelai yang berumur 2 MST (periode G-0) denga

    menggunakan perangkap papan lem berwarna kuning (yellow-sticky trap) diketahui rata

    rata populasi kutu kebul 50 ekor per perangkap, maka dapat diramalkan populasi pad

    periode G-1 (umur 4-5 MST) adalah sebagai berikut:

    Log G-1 = 1,002 Log G-0 0,17

    Page 54 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    55/83

    p p g p _ _

    Log G-1 = 1,002 Log (50) 0,17

    Log G-1 = 1,002 (1.69897) 0,17

    Log G-1 = 1,7023679 0,17 = 1,5324

    G-1 = 10 1,5324 = 34,1 ekor per perangkap.

    Model 10.2: Peramalan populasi kutu kebul (G-2) di daerah tanam kedelai terumenerus.

    Log G-2 = 0,73 Log G-1 0,66 ; (R2= 0,74)

    Keterangan :

    G-2 = Populasi puncak kutu kebul generasi 2 (G-2) (ekor/perangkap)

    G-1 = Populasi kutu kebul generasi 1 (G-1) (ekor/perangkap)

    ContohModel 10.2:

    Pengamatan pada tanaman kedelai yang berumur 4-5 MST (periode G-1) denga

    menggunakan perangkap papan lem berwarna kuning (yellow-sticky trap) diketahui rata

    rata populasi kutu kebul 50 ekor per perangkap, maka dapat diramalkan populasi pad

    periode G-2 (umur 6-7 MST) adalah sebagai berikut:

    Log G-2 = 0,73 Log G-1 0,66

    Log G-2 = 0,73 Log (50) 0,66

    Log G-2 = 0,73 (1,69897) 0,66

    Log G-2 = 1,2402481 0,66 = 0,58025

    G-1 = 10 0,58025= 3,8 ekor per perangkap.

    Model 10.3: Peramalan populasi kutu kebul (G-1) di daerah tanam kedelai pada poltanam padi-padi-palawija.

    Log G-1 = 0,81 Log G-0 + 0,21 ; (R2= 0,93)

    Keterangan :

    G-1 = Populasi kutu kebul generasi 1 (G-1) (ekor/perangkap)

    G-0 = Populasi kutu kebul generasi pendatang (G-0) (ekor/perangkap)

    ContohModel 10.3:

    Pengamatan pada tanaman kedelai yang berumur 2 MST (periode G-0) denga

    menggunakan perangkap papan lem berwarna kuning (yellow-sticky trap) diketahui rata

    rata populasi kutu kebul 50 ekor per perangkap, maka dapat diramalkan populasi pad

    Page 55 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PEDOM_RAMAL_OPT.h...

  • 5/24/2018 Pedoman Peramalan Hama

    56/83

    p p g p _ _

    periode G-1 (umur 4-5 MST) adalah sebagai berikut:

    Log G-1 = 0,81 Log G-0 + 0,21

    Log G-1 = 0,81 Log (50) + 0,21

    Log G-1 = 0,81 (1,69897) + 0,21

    Log G-1 = 1,3762 + 0,21 = 2,7524

    G-1 = 10 2,7524= 565,5 ekor per perangkap.

    Model 10.4: Peramalan populasi kutu kebul (G-2) di daerah tanam kedelai padpola tanam padi-padi-palawija.

    Log G-2 = 0,77 Log G-1 0,22 ; (R2= 0,67)

    Keterangan :

    G-2 = Populasi puncak kutu kebul generasi 2 (G-2) (ekor/perangkap)

    G-1 = Populasi kutu kebul generasi 1 (G-1) (ekor/perangkap)

    ContohModel 10.4:

    Pengamatan pada tanaman kedelai yang berumur 4-5 MST (periode G-1) denga

    menggunakan perangkap papan lem berwarna kuning (yellow-sticky trap) diketahui rata

    rata populasi kutu kebul 50 ekor per perangkap, maka dapat diramalkan populasi pad

    periode G-2 (umur 6-7 MST) adalah sebagai berikut:

    Log G-2 = 0,77 Log G-1 0,22Log G-2 = 0,77 Log (50) 0,22

    Log G-2 = 0,77 (1,69897) 0,22

    Log G-2 = 1,3082 0,22 = 1,0882

    G-1 = 10 1,0882= 12,3 ekor per perangkap.

    Model 10.5: Peramalan intensitas serangan kutu kebul (G-0) di daerah tanamkedelai terus menerus.

    Log I-0 = 0,65 Log G-0 0,01 ; (R2= 0,83)

    Keterangan:

    I-0 = Intensitas serangan pada periode G-0 (%)

    G-0 = Populasi kutu kebul generasi pendatang (G-0) (ekor/perangkap)

    ContohModel 10.5:

    Pengamatan pada tanaman kedelai yang berumur 2-3 MST (periode G-0) denga

    Page 56 of 83I

    01/08/2007http://www.deptan.go.id/ditlin-tp/PEDOMAN/PERAMALAN/PE