Download - 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