Pengembangan Model Simulasi Potensi Hasil Kedelai Berbasis...

296 Tastra et al.: Pengembangan Model Simulasi Potensi Hasil Kedelai Berbasis Web

Pengembangan Model Simulasi Potensi Hasil Kedelai Berbasis Web (Sucsoy.Ins)

Simulation Model Development of A Web-Based Soybean Potential Yield (Sucsoy.Ins)

I K. Tastra1, B.S. Koentjoro1 dan F.R. Abadi1*) 1Balai Penelitian Tanaman Aneka Kacang dan Umbi

Jl. Raya Kendalpayak km 8 PO Box 66 Malang, Indonesia *e-mail: [email protected]

ABSTRAK

Masih kurangnya model simulasi potensi hasil kedelai berbasis web, merupakan salah satu kendala dalam pengembangan model simulasi swasembada kedelai nasional, yang membutuhkan kecepatan dan ketepatan informasi dalam proses pengambilan keputusan. Tujuan penelitian ini mengembangkan model simulasi potensi hasil kedelai (SUCSOY.INS) berbasis web. Penelitian dilakukan di Laboratorium Sistem Dinamik Balitkabi, dari Januari hingga April 2017. Bahan yang digunakan adalah skrip program simulasi SUCROS.CSM, parameter dan data partisi tanaman kedelai, Open source program simulasi Insightmaker. com dan SUCROS.CSM sebagai acuanvalidasi. Penelitian dilakukan dalam dua tahap yaitu: (1). Validasi penulisan model simulasi potensi hasil Wheat (SUCWHT.CSM) dalam Insightmaker.com (selanjutnya disebut SUCWHT.INS) dengan menggunakan time step simulasi 2 hari dan metode ntegrasi RKSFX. (2). Validasi penulisan model simulasi potensi hasil Kedelai (SUCSOY.CSM) dalam Insightmaker.com (selanjutnya disebut SUCSOY.INS) dengan menggunakan kombinasi dua time step simulasi (D1 = 1 hari, D2 = 2 hari) dengan dua metode integrasi (M1= Euler, M2=RKSFX). Dengan demikian ada empat kombinasi perlakuan (M1D1, M1D2, M2D1 dan M2D2).Kelayakan model simulasi SUCSOY.INS dinilai berdasarkan kriteria koefisien determinasi (R2) >0,99 dan Root Mean Square Error (RMSE)<0,3 kg/ha. Hasil penelitian tahap pertama menunjukkan bahwa untuk simulasi tanaman Wheat (SUCWHT.INS), diperoleh nilai R2=1 dan RMSE=0,02–0,11 kg/ha; sehingga layak dikembangkan mensimulasi potensi hasil kedelai. Hasil penelitian tahap kedua menunjukkan bahwa untuk simulasi total bahan kering tanaman kedelai termasuk biji (TADRW), diperoleh nilai R2 = 1; dengan nilai RMSE ma-sing-masing 0,14; 0,13; 0,12, dan 0,03 kg/ha untuk kombinasi perlakuan M1D1, M1D2, M2D1, dan M2D2. Kesimpulannya model simulasi potensi hasil kedelai berbasis web (SUCSOY.INS) yang paling baik adalah dengan menggunakan metode integrasi RKSFX pada time step 2 hari (M2D2). Model simulasi potensi SUCSOY.INS dapat diakses di https://insightmaker.com/insight/78049/SUCSOY-INS.

Kata kunci: Insightmaker.com, kedelai, simulasi potensi hasil, SUCSOY.INS

ABSTRACT

The lack of a simulation model of a web-based soybean yield potential is one of the constraints in development of simulation model for national soybean self-sufficiency, which requires speed and accurate information for decision-making process. The objective of this

Prosiding Seminar Hasil Penelitian Tanaman Aneka Kacang dan Umbi 2017 297

research was to develop a web-based soybean potential simulation model (SUCSOY.INS). The study was conducted at the IETRI’s Laboratory of System Dynamic, from January to April 2017. The materials used were SUCROS.CSM simulation program scripts, soybean plant partition data and parameters, open source software of Insightmaker.com and SUCROS.CSM simulation programs as validation references. The study was carried out in two stages: (1). Validation of yield potential simulation model of Wheat (SUCWHT.CSM) in Insightmaker.com (hereinafter SUCWHT.INS) with using 2 days’ time step simulation and RKSFX integration method. (2). Validation of the soybean yield potential simulation (SUCSOY.CSM) resulting in Insightmaker.com (hereinafter SUCSOY.INS) with using a combination of two simulated time steps (D1 = 1 day, D2 = 2 days) with two integration methods (M1 = Euler, M2 = RKSFX). Thus there were four treatment combinations (M1D1, M1D2, M2D1, and M2D2). The feasibility of the SUCSOY.INS simulation model was judged according to the coefficient of determination (R2)> 0.99 and Root Mean Square Error (RMSE) <0.3 kg/ha. The results of the first phase showed the value of R2was 1 and RMSE was 0.02 - 0.11 kg/hathat for the simulation of Wheat (SUCWHT.INS); therefore it is feasible for developing soybean yield potential simulation. The second phase result showed that for the total dry matter of soybean including seed (TADRW), the value of R2 = 1; with RMSE valuewas 0.14; 0.13; 0.12 and 0.03 kg/ha, respectively for treatment combinations of M1D1, M1D2, M2D1 and M2D2. In conclusion, the best web-based soybean simulation model (SUCSOY.INS) was the combination of using RKSFX integration method with 2-days time step (M2D2). The SUCSOY.INS of soybean yield potential simulation model can be accessed at https://insightmaker.com/insight/ 78049/SUCSOY-INS.

Keywords: Insightmaker.com, soybean, SUCSOY.INS, yield potential simulation

PENDAHULUAN

Masih terbatasnya model simulasi potensi hasil kedelai berbasis web, meru-pakan salah satu kendala dalam pengembangan model simulasi swasembada kedelai nasional, yang membutuhkan kecepatan dan ketepatan informasi dalam proses pengambilan keputusan. Penggunaan model simulasi ke depan akan se-makin berkembang sejalan dengan diperlukannya sistem perkiraan hasil, potensi hasil, dan produksi suatu komoditas yang lebih tepat. Data produksi kedelai yang tepat antara lain diperlukan untuk menghitung besarnya impor yang sesuai dengan kebutuhan dan produksi dalam negeri. Tastra et al. (2012) mengem-bangkan model simulasi swasembada kedelai nasional, yang diantaranya meng-gunakan data hasil kedelai dari BPS yang relatif statis. Cara ini kurang dirasa aku-rat, karena belum mempertimbangkan varietas kedelai yang digunakan, ter-masuk penggunaan varietas unggul berpotensi hasil tinggi (Suhartina 2016). Untuk itu, penggunaan model potensi hasil kedelai yang memasukkan sifat varie-tas sebagai komponen (subsistem) model simulasi sangat diperlukan.

Sejalan dengan perkembangan teknologi informasi, beberapa model simulasi pertumbuhan tanaman kedelai digunakan dalam proses pengambil keputusan. Seidl et al. (2001) menggunakan model CROPGRO_Soybean untuk analisis keragaman hasil kedelai dengan berbasis Decision Support


System (DSS). Model ini dapat digunakan untuk menganalisis pertumbuhan tanaman kedelai berdasarkan intensitas cahaya dan fotosintesis harian, suhu, air dan stress nitrogen. Karbohidrat yang diperoleh kemudian dipartisi keseluruh bagian/komponen tanaman. Model ini juga dapat mengintegrasikan pengaruh cekaman lingkungan dengan keragaman spasial terhadap pertumbuhan tanam-an. Penggunaan model simulasi CROPGRO-Soybean untuk kedelai lahan kering seperti yang dilakukan Bhatia et al. (2008) menunjukkan model simu-lasi potensi hasil kedelai dengan pengairan yang cukup memberikan hasil yang lebih tinggi dibanding model simulasi dengan penggunaan air terbatas. Sementara Setiyono et al. (2010) mencoba mengulas penggunaan SOYSIM untuk memodelkan pertumbuhan dan hasil kedelai yang mendekati kondisi optimal. Pada model SOYSIM digunakan formula mekanistik baru untuk mensimulasikan fenologi, fotosintesis kanopi, dan akumulasi bahan kering. Model SOYSIM dapat digunakan sebagai Decision Suppor System (DSS) untuk meningkatkan hasil kedelai.

Model simulasi pertumbuhan kedelai yang telah ditemukan membutuhkan masukan yang relatif kompleks, dibandingkan dengan model simulasi pertum-buhan tanaman SUCROS.CSM (Keulen et al. 1982); sehingga kurang akomodatif diimplementasikan dalam program simulasi swasembada kedelai. Untuk itu, SUCROS.CSM telah ditulis ulang (rewritten) dengan menggunakan perangkat lunak Powersim (SUCROS.SIM) dan telah diintegrasikan penggunaannya dengan Sistem Informasi Geografis (SIG) untuk prediksi potensi hasil dan produksi kedelai di Jawa Timur; dengan nilai koefisien determinasi (R2): 0,945-0,992 dan RMSE (Root Mean Squre Error): 0,11-0,25 t/ha (Koentjoro dkk. 2015). Namun integrasi SUCROS.SIM dengan SIG masih belum optimal mengingat saat ini berbagai perangkat lunak SIG berbasis Web sudah tersedia, sementara program simulasi SUCROS.CSM atau SUCROS.SIM belum berbasis Web. Oleh karena itu, pene-litian ini dilakukan untuk mengembangkan model simulasi potensi hasil kedelai (SUCSOY.INS) berbasis web, menggunakan perangkat lunak open source pro-gram simulasi berbasis Web Insightmaker.com.

BAHAN DAN METODE

Penelitian dilakukan di Laboratorium Sistem Dinamik Balitkabi, dari Januari hingga April 2017. Bahan yang digunakan adalah script program simulasi SUCROS.CSM, parameter dan data partisi tanaman kedelai (de Vries dan van Laar 1982). Program simulasi Open sources Insightmaker.com dan SUCROS. CSM digunakan sebagai acuan validasi. Penelitian dilakukan dalam dua tahap yaitu: (1) Validasi penulisan model simulasi potensi hasil Wheat (SUCROS.CSM) dalam Insightmaker.com (selanjutnya disebut SUCWHT.INS) dengan menggu-nakan time step simulasi dua hari dan metode integrasi RKSFX (Lampiran 1), (2) Validasi penulisan model simulasi potensi hasil Kedelai (SUCSOY.CSM) dalam Insightmaker.com (selanjutnya disebut SUCSOY.INS) dengan menggunakan kom-


binasi dua time step simulasi (D1 = 1 hari, D2 = 2 hari) dengan dua metode inte-grasi (M1 = Euler, M2 = RKSFX). Dengan demikian ada empat kombinasi perla-kuan (M1D1, M1D2, M2D1, dan M2D2), yang digunakan untuk memverifikasi dan validasi model simulasi potensi hasil kedelai SUCSOY.INS.

Input data iklim (suhu maksimum, minimum dan radiasi surya) memakai data yang sama dengan dengan model simulasi potensi hasil Wheat (SUCWHT.CSM), sementara data partisi asimilat tanaman kedelai memakai data de Vries dan van Laar (1982). Kelayakan model simulasi SUCSOY.INS dinilai berdasarkan kriteria koefisien determinasi (R2)>0,99 dan Root Mean Square Error (RMSE) <0,3 kg/ha. Secara teoritis jika SUCSOY.INS sudah benar maka slope koefisien regresi antara keluaran model simulasi SUCSOY.INS (x) dengan model simulasi acuan SUCSOY.CSM (y) sama dengan 1 dan intersept-nya sama dengan 0. Untuk itu akan dilakukan uji slope dan intersept (Gomes dan Gomez 1984 ) pada semua keluaran model simulasi meliputi peubah: WLVT, WVEG, TADRW, NWRT,WLV dan WSO (Keterangan simbol pada Lampiran 1).

Adapun rumus untuk menghitung RMSE adalah sebagai berikut (Ghamari et al. 2011 ):

1RMSE = ∑ n (Xm - Xp) 2n /1/ di mana: Xm : keluaran model simulasi acuan (SUCROS.CSM) (t/ha) Xp : keluaran model simulasi yang divalidasi (SUCWHT.INS atau

SUCSOY.INS) (t/ha) n: waktu pengamatan (hari) Nilai koefisien determinasi model simulasi dihitung menggunakan persa-

maan berikut (Ghamari et al. 2011)

[ (Xp - Xp) (Xm Xm)] [ (Xp Xp) (Xm Xm)]

∑

∑

2

2 2

-

- - R =2

/2/ di mana:

Xp: keluaran model simulasi yang divalidasi (SUCWHT.INS atau SUCSOY.INS) (t/ha) X : rata-rata keluaran model simulasi Xm : keluaran model simulasi acuan (SUCROS.CSM) (t/ha)

HASIL DAN PEMBAHASAN

Validasi Model Simulasi SUCWHT.INS

Diagram model simulasi SUCWHT.INS yang ditulis dengan menggunakan perangkat lunak Insightmaker.com disajikan pada Gambar 1. Secara umum dia-gram simulasi SUCWHT.INS sama dengan diagram model simulasi SUCROS.SIM


(Tastra 2004) yang juga memakai pendekatan state variable. Namun demikian, metode integrasi yang digunakan dalam Insightmaker.com hanya ada dua, yaitu Euler dan RKSFX. Disamping itu fungsi Amod yang digunakan dalam program simulasi SUCWHT.CSM tidak dikenal dalam Insightmaker.com, sehingga diper-lukan modifikasi dalam menulis persamaannya memakai kombinasi fungsi Ramp dan Step. Adapun persamaan yang digunakan dalam SUCWHT.INS untuk meng-ganti fungsi Amod adalah sebagai berikut: Day = (Ramp(0,365,365) - step(365,365) + Ramp(365,730,365)

-step(730,365) + Ramp(730,1095,365)-step(1095,365)) . /3/ Rincian persamaan yang digunakan dalam program SUCWHT.INS dapat

diakses pada alamat https://insightmaker.com/insight/78480/SUCWHT-INS.

Gambar 1. Diagram model simulasi potensi hasil Wheat (SUCWHT.INS) yang ditulis dalam Insightmaker.com (Keterangan simbol pada Lampiran 2).

Validasi model simulasi potensi hasil tanaman Wheat (SUCWHT.INS) diban-dingkan dengan SUCWHT.CSM; untuk peubah WLVT, WVEG, TADRW, NWRT, WLV, dan WSO (Keterangan simbol pada Lampiran 2). Hasil analisis menunjuk-kan bahwa untuk semua peubah model simulasi tanaman Wheat (SUCWHT.INS), diperoleh nilai R2 = 1 dengan nilai RMSE = 0,02–0,11 kg/ha; sehingga model layak dikembangkan untuk mensimulasi potensi hasil kedelai. Hal ini didukung


pula dari hasil uji slope dan intersept regresi antara keluaran model simulasi SUCWHT.INS (x) dengan model simulasi acuan SUCWHT.CSM (y) sama dengan 1 (tb-hitung> t-tabel(0,01; 44) dan intersept-nya sama dengan 0 (ta-hitung< t-tabel (0,01; 44) (Gambar 3).

Validasi model simulasi SUCSOY.INS

Diagram model simulasi SUCSOY.INS yang ditulis dengan menggunakan perangkat lunak Insightmaker.com disajikan pada Gambar 4(A). Secara struktural diagram model simulasinya sama dengan model simulasi SUCWHT.CSM, namun masukan data partisi dan parameter tanaman berbeda yaitu menggunakan data tanaman kedelai. Contoh keluran model simulasi SUCSOY.INS dalam bentuk grafik disajikan pada Gambar 4(B).

Validasi model simulasi potensi hasil tanaman kedelai (SUCSOY.INS) diban-dingkan dengan SUCSOY.CSM; untuk peubah WLVT, WVEG, TADRW, NWRT, WLV, dan WSO (Keterangan simbol pada Lampiran 2). Hasil analisis menun-jukkan bahwa untuk semua peubah model simulasi tanaman kedelai (SUCSOY. INS), diperoleh nilai R2 = 1 dengan nilai RMSE = 0,1– 0,18 kg/ha; sehingga model layak dikembangkan untuk mensimulasi potensi hasil kedelai. Namun hal ini kurang didukung oleh hasil uji intersept regresi antara keluaran model simulasi SUCSOY.INS (x) dengan model simulasi acuan SUCSOY.CSM (y); dimana untuk peubah WLV pada kombinasi perlakuan M1D1 dan M2D2 intercept-nya berbeda dengan 0 (ta-hitung> t-tabel (0,01; 44) (Tabel 1). Hal ini menunjukkan masih belum sempurnanya penggunaan persamaan /3/ untuk mengganti fungsi Amod yang tidak tersedia dalam Insightmaker.com.

Hasil simulasi total bahan kering tanaman kedelai termasuk biji (TADRW), menunjukkan bahwa koefisien determinasinya (R2) = 1; dengan nilai RMSE masing-masing 0,14; 0,13; 0,12 dan 0,03 kg/ha untuk kombinasi perlakuan M1D1, M1D2, M2D1 dan M2D2. Terlihat bahwa penggunaan metode integrasi RKSFX pada time step 2 (M2D2) mempunyai tingkat kesalahan paling kecil sehingga lebih layak digunakan dalam mensimulasi potensi hasil kedelai (Gambar 3).

Khusus untuk mensimulasi potensi hasil (WSO) kedelai, terlihat bahwa tingkat Error paling kecil dibandingkan dengan mensimulasi peubah lainnya (WLVT, WVEG, TADRW, NWRT,WLV) masing-masing nilai RMSE nya 0,01; 0,02; 0,02; 0,02 untuk kombinasi perlakuan M1D1, M1D2, M2D1, dan M2D2 (Tabel 2). Implikasinya jika fokusnya pada simulasi hasil kedelai, cukup digunakan metode integrasi Euler atau RKSFX dengan time step 1 hari atau 2 hari.

Selain menghitung potensi hasil kedelai, model simulasi ini dapat dugunakan juga untuk memperkirakan dampak penggunaan varietas unggul kedelai terhadap peningkatan produksi kedelai pada suatu agroekosistem. Implikasinya model simulasi potensi hasil kedelai berguna untuk mendukung proses pelepasan varietas sekaligus pengembangannya setelah dilepas. Untuk mewujudkan hal ini perlu


langkah operasional meliputi pembentukan tim peneliti dari berbagai disiplin ilmu, pengembangan basis data partisi asimilat dari setiap varietas unggul kedelai dan basis data iklim, terutama data suhu udara maksimum, suhu udara minimum dan radiasi surya serta ketinggian tempat (Latitude).

Prosedur Penggunaan Model Simulasi SUCSOY.INS

Model simulasi SUCSOY.INS bersifat open sources sehingga pengguna dapat mengaksesnya secara bebas dengan cara meng-copy (meng-clone). Adapun pro-sedur penggunaan model simulasi SUCSOY.INS adalah sebagai berikut:

Gambar 2. Prosedur penggunaan model simulasi SUCSOY.INS dengan syarat pengguna sudah Log In di https://insightmaker.com.


Gambar 3. Validasi model simulasi potensi hasil tanaman Wheat (SUCWHT.INS) diban-

dingan dengan SUCWHT.CSM; untuk peubah WLVT, WVEG, TADRW, NWRT,WLV dan WSO (Keterangan simbol pada Lampiran 2).

ta-hitung : 0.73 < t-tabel(0,01;30) : 2 98 tb-hitung : 118272 >t-

ta-hitung : 1,09< t-tabel(0,01;44) : 2,69 tb-hitung :

ta-hitung : 1,31< t-tabel(0,01;44) : 2,69 tb-hitung : 193985 >t-

ta-hitung : 2.12 < t-tabel(0,01;44) : 2,69 tb-hitung :

ta-hitung : 1,43< t-tabel(0,01;44) : 2,69 tb-hitung : 626769 >t-

ta-hitung : 0,21< t-tabel(0,01;44) : 2 69 tb-hitung : 250677 >t-


Gambar 4. Diagram model simulasi potensi hasil kedelai (SUCSOY.INS) (A) dan contoh

keluarannya dalam bentuk grafik (B) (keterangan simbol pada Lampiran 2).


Tabel 1. Validasi model simulasi potensi hasil tanaman kedelai (SUCSOY.INS) diban-ding SUCSOY.CSM; untuk peubah WLVT, WVEG, TADRW, NWRT, WLV, dan WSO (Keterangan simbol pada Lampiran 2).

Perlaku-an1)

Peubah (kg/ha)

Persamaan regresi2) R2

RMSE 3)

(kg/ha) ta-hitung Intersept

tb-hitung Slope

t-tabel (0.01)

M1D1 TADRW y = 1x -0,009 1 0,14 0,40 297112 2,618 WVEG y = 1x +0,059 1 0,18 2,37 267338 2,618 WLV y = 1x +0,018 1 0,05 2,99** 634678 2,618 WLVT y = 1x +0,014 1 0,05 2,56 852053 2,618 NWRT y = 1x +0,01 1 0,03 1,98 634107 2,618 WSO y = 1x +0,001 1 0,01 0,32 233526 2,750 M1D2 TADRW y = 1x -0,017 1 0,13 0,54 219050 2,662 WVEG y = 1x +0,036 1 0,12 1,33 243712 2,662 WLV y = 1x +0,001 1 0,03 0,13 545051 2,662 WLVT y = 1x -0,002 1 0,03 0,29 725691 2,662 NWRT y = 1x +0,003 1 0,02 0,51 544521 2,662 WSO y = 1x -0,001 1 0,02 0,30 194853 2,977 M2D1 TADRW y = 1x +0,007 1 0,12 0,34 342746 2,618 WVEG y = 1x +0,012 1 0,16 1,82 275480 2,618 WLV y = 1x +0,013 1 0,04 2,36 893925 2,618 WLVT y = 1x +0,047 1 0,04 2,33 686768 2,618 NWRT y = 1x -0,001 1 0,03 0,16 590647 2,618 WSO y = 1x +0,001 1 0,02 1,41 226005 2,744 M2D2 TADRW y = 1x +0,035 1 0,03 1,02 205689 2,662 WVEG y = 1x +0,046 1 0,16 1,34 194925 2,662 WLV y = 1x +0,025 1 0,06 2,69** 408315 2,662 WLVT y = 1x +0,02 1 0,06 2,30 524686 2,662 NWRT y = 1x +0,01 1 0,03 2,33 760231 2,662 WSO y = 1x +0,0004 1 0,02 0,14 399799 2,947 1) M: Metode integrasi Euler (M1), dan RKSFX (M2); D: Time step simulasi 1 hari (D1), 2 hari (D2) 2) Persamaan regresi linier : y = b x + a; di mana x : SUCSOY.INS dan y : SUCSOY.CSM. 3) Root Mean Square Error


Gambar 5. Sebaran nilai RMSE dari kombinasi dua metode integrasi dengan 2 time step

model simulasi potensi hasil tanaman kedelai (SUCSOY.INS) (Keterangan simbol pada Lampiran 2).

KESIMPULAN DAN SARAN

Kesimpulan

Model simulasi potensi hasil kedelai berbasis web (SUCROS.INS) paling baik hasilnya dengan menggunakan metode integrasi RKSFX pada time step 2 hari, dengan nilai R2 =1 dan RMSE = 0,03 untuk mensimulasi total bahan kering ter-masuk biji kedelai (TADRW). Model simulasi potensi SUCSOY.INS bersifat open sources dan dapat diakses di https://insightmaker.com/insight/78049/SUCSOY-INS.

Saran

Untuk mendukung penggunaan model simulasi potensi hasil kedelai berbasis web dalam program simulasi swasembada kedelai nasional, perlu dikembangkan basis data partisi asimilat dari setiap varietas unggul kedelai dan basis data iklim utamanya data suhu maksimum, suhu minimum dan radiasi surya.


DAFTAR PUSTAKA

Bhatia VS, Singh P, Wani SP, Chauhan GS, Kesava Rao AVR, Mishra AK, Srinivas K. 2008. Analysis of potential yields and yield gaps of rainfed soybean in India using CROPGRO-Soybean model. Journal Agricultural and Forest Meteorology 148:1252-1265.

De Vries PFWT, Van Laar HH. 1982. Simulation of growth processes and the model BACROS. p. 114-135. In Simulation of plant growth and crop pro-duction. F.W.T. de Vries & van Laar (eds). Simulation Monographs, Pudoc, Wageningen.

Gomez AK, Gomez AA. 1984. Statistical procedures for agricultural research. 2nd Edition. John Willey and Sons. New York.

Ghamari A, Rabbani H, Khazael J. 2011. Mathematic model for predicting the terminal velocity of chickpea, rice and lentil. J. World App. Sci. 15(11): 1557-1561.

Keulen HV, Penning de Vries FWT, Drees EM. 1982. A summary model for crop growth. p. 87-07. In Simulation of plant growth and crop production. F.W.T. Penning de Vries & H.H. van Laar (eds). Simulation Monographs, Pudoc, Wageningen.

Koentjoro BS, Sitanggang IS, Makarim AK. 2015. Model simulasi dan visualisasi prediksi potensi hasil dan produksi kedelai di Jawa Timur. Penelitian Pertanian Tanaman Pangan 34(3):195-201.

Seidl MS, Batchelor WD, Fallick JB, Paz JO. 2001. GIS-crop model based deci-sion support system to evaluate cornand soybean prescriptions. American Society of Agricultural Engineers 17(5):721-728.

Setiyono TD, Cassmana KG, Spechta JE, Dobermann A, Weissc A, Yangd H, Conleye SP, Robinsonf AP, Pederseng P, De Bruinh JL. 2010. Simulation of soybean growth and yield in near-optimal growth conditions. Science Direct. Field Crops Research 119: 161-174.

Suhartina. 2016. Deskripsi varietas unggul kacang-kacangan dan umbi-umbi-an. Edisi 7. Balai Penelitian Tanaman Aneka Kacang dan Umbi. Malang. p:1-75.

Tastra IK. 2004. Prospek penerapan model simulasi interaktif sistem produksi tanaman pangan pada era otonomi daerah. hlm. 521-538. Dalam: Sri Har-daningsih, dkk (eds). Pros. Teknologi Inovasi Agribisnis Kacang-kacangan dan Umbi-umbian untuk Mendukung Ketahanan Pangan. Pusat Penelitian dan Pengambangan Tanaman Pangan. Bogor.

Tastra IK, Ginting E, Fatah GSA. 2012. Menuju swasembada kedelai melalui penerapan kebijakan yang sinergis. IPTEK Tanaman Pangan Vol. 7.


Lampiran 1. Program simulasi potensi hasil kedelai (SUCROS.CSM) dengan meng-gunakan Continous System Modelling Program III (CSM III) (Keulen et al., 1982). (Keterangan simbol peubah/parameter dari model disajikan pada Lampiran 2).

TITLE SUCROS - A SIMPLE AND UNIVERSAL CROP GROWTH SIMULATOR *** DRY WEIGHT OF PLANT ORGANS, GROWTH RATES AND PARTITIONING WLV = INTGRL(WLVI,GLV-DLV) WST = INTGRL(0.,GST) WSO = INTGRL(0.,GSO) WRT = INTGRL(WRTI,GRT) * WEIGHTS OF LEAF BLADES, STEMS (TRUE STEMS AND LEAF SHEATHS), STORAGE * ORGANS AND ROOTS RESP., IN KG/HA INCON WLVI=25., WRTI=25. * WEIGHT OF LEAVES AND ROOTS AT EMERGENCE GTW=(GPHOT-MAINT)*CVF * GROWTH RATE OF ALL ORGANS COMBINED, IN KG/HA/DAY GRT=GTW*(1.-FSH) GSH=GTW*FSH GLV=GSH*FLV GST=GSH*FST GSO=GSH*FSO * GROWTH RATES OF ROOTS AND SHOOTS (LEAVES,STEMS, STORAGE ORGANS)IN KG/HA/DAY DLV = WLV*RDR * DEATH R ATE OF LEAVES, IN KG/HA/DAY RDR = AFGEN(RDRTB,DVS) FUNCTION RDRTB = 0.,0., 1.,0., 1.01,0.03, 2.,0.03 WLVD = INTGRL(0.,DLV) * DEAD MATERIAL (LEAVES) AT THE FIELD IN KG/HA FSH = AFGEN(FSHTB,DVS) FUNCTION FSHTB=0.,0.5, 0.3,0.5, 0.45,0.775, 0.7,0.825, 1.,1., 2.,1. * FRACTION OF GROWTH OCCURING IN SHOOTS AS FUNCTION OF DEVELOPMENT STAGE FLV = AFGEN(FLVTB,DVS) FST = AFGEN(FSTTB,DVS) FSO = 1.-FLV-FST FUNCTION FLVTB = 0.,1., 0.45,1., 0.85,0., 2.,0. FUNCTION FSTTB = 0.,0., 0.45,0., 0.85,1.,1.,1., 1.01,0., 2.,0.


*** CARBON BALANCE PROCESSES LAI = WLV*SLFA PARAM SLFA = 0.0020 * LEAF AREA INDEX IN HA/HA AND SPECIFIC LEAF AREA IN HA LEAF/KG LEAF WEIGHT GPHOT=DTGA*30./44. DTGA = FOV*DGAO+(1.-FOV)*DGAC * GROSS PHOTOSYNTHESIS IN KG (CH2O AND CO2 RESP.) PER HA PER DAY, CALCULATED * FROM LEAF CHARACTERISTICS (AMAX, EFF), LAI AND ACTUAL DAILY RADIATION * (AVRAD), AND CORRECTED FOR DAYLENGTH (DL AND DLE): DGAC=INSW(LAI-5.,PHCL,PHCH) DGAO=INSW(LAI-5.,PHOL,PHOH) PHCH=0.95*(PHCH1+PHCH2)+20.5 PHCH1=SSLAE*AMAX*DLE*X/(1.+X) X=ALOG(1.+0.45*DRC/(DLE*3600.)*EFFE/(SSLAE*AMAX)) PHCH2=(5.-SSLAE)*AMAX*DLE*Y/(1.+Y) Y=ALOG(1.+0.55*DRC/(DLE*3600.)*EFFE/((5.-SSLAE)*AMAX)) SSLAE=SIN((90.+DEC-LAT)*PI/180.) PHCL=AMIN1(PHC3,PHC4)*(1.-EXP(-(AMAX1(PHC3,PHC4)/AMIN1(PHC3,PHC4)))) PHC3=PHCH*(1.-EXP(-0.8*LAI)) PHC4=DL*LAI*AMAX PHOH=0.9935*PHOH1+1.1 PHOH1=5.*AMAX*DLE*Z/(1.+Z) Z=DRO/(DLE*3600.)*EFFE/(5.*AMAX) PHOL=AMIN1(PHO3,PHC4)*(1.-EXP(-(AMAX1(PHO3,PHC4)/AMIN1(PHO3,PHC4)))) PHO3=PHOH*(1.-EXP(-0.8*LAI)) EFFE=(1.-REFLC)*EFF PARAM EFF= 0.5, AMAX = 30., REFLC=.08 * INITIAL LIGHT USE EFFICIENCY AND LIGHT SATURATED CO2 ASSIMILATION RATE * OF INDIVIDUAL LEAVES. UNITS: KG CO2/HA/HR /(J/M2/S) AND KG CO2/HA LEAF/HR |E1 FOV = (DRC-AVRAD)/(0.8*DRC) * AVERAGE FRACTION OF PERIOD OVERCAST DURING A DAY. * CALCULATION OF DAILY RADIATION OF A CLEAR AND AN OVERCAST SKY (DRC * AND DRO, P.A.R., IN J/M2) AND OF DAYLENGTH (IN HR) AS A FUNCTION OF * LATITUDE (LAT, IN DEGREE), DECLINATION (DEC, IN DEGREE) AND DATE: DRC=0.5*1300.*RDN*EXP(-0.1/(RDN/(DL*3600.)))


DRO=0.2*DRC RDN=3600.*(SINLD*DL+24./PI*COSLD*SQRT(1.-(SINLD/COSLD)**2)) SINLD=SIN(DEC*PI/180.)*SIN(LAT*PI/180.) COSLD=COS(DEC*PI/180.)*COS(LAT*PI/180.) DEC=-23.4*COS(2.*PI*(DAY+10.)/365.) DL=12.*(PI+2.*ASIN(SINLD/COSLD))/PI DLE=12.*(PI+2.*ASIN((-SIN(8.*PI/180.)+SINLD)/COSLD))/PI DLP=12.*(PI+2.*ASIN((-SIN(-4.*PI/180.)+SINLD)/COSLD))/PI CONSTANT PI = 3.1416 PARAM LAT = -15. * MAINTENANCE RESPIRATION MAINT =AMIN1(GPHOT,MAINTS*TEFF) MAINTS=WLV*0.03+WST*0.015+WSO*0.01+WRT*0.01 TEFF =Q10**(0.1*TMPA-2.5) PARAM Q10 = 2. * GROWTH EFFICIENCY CVF= (FLV*0.72+FST*0.69+FSO*CVFSO)*FSH+(1.-FSH)*0.72 PARAM CVFSO=0.73 *** DEVELOPMENT OF THE VEGETATION DVS = INTGRL(0.,INSW(DVS-1.,DVRV,DVRR)) FINISH DVS = 2. DVRV= 0.0252 * AFGEN(DVRTTB,TMPA) * AFGEN(DVRDTB,DLP) DVRR= 0.0477 * AFGEN(DVRRTB,TMPA) FUNCTION DVRTTB =10.,.63, 15.,.83, 20.,.92, 25.,.96, 30.,.98, 35.,.99 FUNCTION DVRRTB= 10.,.08, 15.,.38, 20.,.575, 25.,.71,30.,.80, 35.,.865 FUNCTION DVRDTB= 10.,0.223, 11.,0.425, 12.,0.575, 13.,0.685, ... 14.,0.767, 15.,0.828, 16.,0.872, 17.,0.906 *** WEATHER DATA DAY = AMOD(TIME,365.) AVRAD = 0.5*41820.*AFGEN(AVRADT,DAY) FUNCTION AVRADT = 1.,523., 15.,526., 46.,532., 74.,575., 105.,557.,... 135.,509., 166.,466.,196.,482.,227.,545.,258.,611.,288.,644.,... 319.,556.,349.,521.,365.,523. TMPA = 0.5*(AFGEN(TMAXT,DAY)+AFGEN(TMINT,DAY)) FUNCTION TMAXT = 1.,28.6, 15.,28.3, 46.,28.1, 74.,28.7,105.,28.9,... 135.,27.2,166.,24.9,196.,24.7,227.,27.4,258.,29.9,... 288.,33.6,319.,31.3,349.,28.9,365.,28.6 FUNCTION TMINT = 1.,18.2, 15.,18.2, 46.,18.2, 74.,16.3,105.,13.9,... 135.,10.1,166., 8.5,196., 7.4,227., 9.7,258.,13.4,... 288.,16.6,319.,18.2,349.,18.2,365.,18.2 *** SIMULATION RUN SPECIFICATIONS


TIMER FINTIM = 1000.,DELT = 2.,PRDEL=2., OUTDEL= 2., TIME=300. * INITIAL VALUE OF DAG INDICATES STARTING DAY OF SIMULATION METHOD RKSFX PRINT WLV,WLVD,WST,WSO,WRT,LAI,DVS,MAINT,DTGA,CVF NWRT =-WRT WLVT =WLV+WLVD WVEG =WLVT+WST TADRW=WVEG+WSO PREPARE NWRT,WLV,WLVT,WVEG,TADRW PAGE GROUP, NPLOT=5 PRTPLOT NWRT,WLV,WLVT,WVEG,TADRW PAGE GROUP, NPLOT=5 END STOP ENDJOB


Lampiran 2. Keterangan simbol peubah dan parameter model simulasi SUCROS.CSM, SUCWHT.INS, SUCSOY.CSM, dan SUCSOY.INS (Lampiran 1 dan Gambar 1, 3, 4, 5).

Simbol Keterangan Satuan AMAX CO2 assimilation rate of leaf at light saturation kg(CO2)/ha(Leaf)/h AVRAD Actual daily radiation (400-700 nm) J/m2/d AVRADT Table measured global radiation (cal/Cm2/d) vs day

number -

CVF Conversion efficiency for growth of plant dry matter (DM) kg(DM)/kg (CH2O) CVFSO Conversion efficiency for formation of storage organs kg (DM)/kg (CH2O) DAY Number of day in the year from 1st January day DEC Declination of sun with respect to the equator Degree DGAC Daily gross CO2 assimilation -standard clear sky- kg (CO2)/ha/d DGAO Daily gross CO2 assimilation -standard overcast sky- kg (CO2)/ha/d DL Astronomical day length h DLE Effective day length h DLP Photoperiodic day length h DLV Death rate of the leaves kg/ ha/d DRC Photo synthetically active radiation -standard clear sky- J/m2/d DRO Photo synthetically active radiation -standard overcast

sky- J/m2/d

DTGA Actual daily gross co2 assimilation kg (CO2)/ha/d DVRDTB Relation between rate of development and day length - DVRR Rate of development in reproductive phase in relation to

temperature 1/d

DVRRTB Table of DVRR as function of temperature - DVRTTB Relation between rate of development and temperature - DVRV Rate of development in vegetative phase in relation to

temperature

And day length 1/d DVS Development stage of the crop Fraction EFF Efficiency of use of absorbed visible radiation for CO2

assimilation at low light level kg(CO2)/J/ha/h m2 s

EFFE EFF based on incident radiation kg(CO2)/J/ha/h m2 s FLV Fraction of leaves in shoot biomass - FLVTB Table FLV vs development stage - FOV Fraction of time that sky is overcast - FSH Fraction of shoot in total plant biomass - FSHTB Table FSH vs development stage - FSO Fraction of storage organs in shoot biomass - FSOTB Table FSO vs development stage -


FST Fraction of stems in shoot biomass - FSTTB Table FST vs development stage - GLV Growth rate of the leaves kg (DM)/ha/d GPHOT Daily gross CO2 assimilation kg (CH2O)/ha/d GRT Growth rate of the roots kg (DM)/ha/d GSH Growth rate of the shoot kg (DM)/ha/d GSO Growth rate of the storage biomass kg (DM)/ha/d GST Growth rate of the stems kg (DM)/ha/d GTW Growth rate of total plant biomass kg (DM)/ha/d LAI Leaf area index m2/m2 LAT Latitude Degree MAINT Maintenance respiration of the vegetation kg (CH2O)/ha/d MAINTS Maintenance respiration at standard temperature (25 C) kg (CH2O)/ha/d NWRT Negative weight of roots (output variable) kg (DM)/ha PI Circumference of a circle, divided by its diameter - O10 Increase in rate of maintenance processes per 10 degree

C -

RDN Average level incoming photosynthetic active radiation J/m2/S RDR Relative death rate of the leaves 1/d RDRTB Table RDR vs development stage - REFLC Reflection coefficient of the canopy Fraction SLFA Specific leaf area ha(Leaf)/kg(Leaf) TADRW Total above-ground biomass kg /ha TEFF Effect of temperature on rate of maintenance respiration - TIME Simulated time day TMAXT Table maximum temperature vs day number - TMINT Table minimum temperature vs day number - TMPA Average air temperature Degree C WLV Weight of the green leaves kg /ha WLVD Weight of the dead leaves kg /ha WLVI Initial weight of the leaves kg /ha WLVT Weight of the green plus dead leaves (output variable) kg /ha WRT Weight of the dead leaves kg /ha WRTI Initial weight of the roots kg /ha WSO Weight of the storage organs kg /ha WST Weight of the stems kg /ha WVEG Weight of the vegetative parts (output variable) kg /ha

Pengembangan Model Simulasi Potensi Hasil Kedelai Berbasis...

Documents

Transcript of Pengembangan Model Simulasi Potensi Hasil Kedelai Berbasis...