DASAR

PERAMALAN OPT
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
DIREKTORAT JENDERAL TANAMAN PANGAN
DIMENSI WAKTU PERAMALAN OPT
Waktu
meramal
Waktu ramalan
Nilai ramalan
Data historis
t - n
t
Saat
Ini
t + n
Masa lampau
Jadi kalau menduga sesuatu pada waktu yang sama
berarti bukan peramalan
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
Arti peramalan adalah prakiraan/memprediksi peristiwa dimasa depan.
Tujuan peramalan adalah untuk memperkecil resiko yang mungkin terjadi akibat
suatu pengambilan keputusan.
Peramalan bagian penting dalam proses pengambilan keputusan, sebab efektif
atau tidaknya suatu keputusan umumnya tergantung pada
beberapa faktor yang tidak dapat kita lihat pada waktu keputusan
itu diambil.
Peramalan dan pengambilan keputusan merupakan dasar dalam menyusun
suatu bentuk perencanaan yang menjadi aktifitas kehidupan
sehari-hari.
KEPUTUSAN HASIL RAMALAN GALAT RAMALAN + =
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
Peramalan OPT adalah suatu kegiatan yang diarahkan untuk
mendeteksi atau memprediksi populasi/serangan OPT
serta kemungkinan penyebaran dan akibat yang
ditimbulkannya dalam ruang dan waktu tertentu.
Peramalan OPT komponem penting dalam strategi pengelolaan hama
dan penyakit tanaman sebab dengan adanya peramalan
dapat memberikan peringatan dini mengenai tingkat dan
luasnya serangan.
Tujuan peramalan OPT adalah menyusun saran tindak pengelolaan
atau penanggulangan OPT sesuai dengan prinsip dan
strategi PHT sehingga populasi/serangan OPT dapat
ditekan, tingkat produktivitas tanaman pada taraf tinggi,
secara ekonomis menguntungkan dan aman terhadap
lingkungan.
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
SISTEM PERAMALAN OPT
FAKTOR LINGKUNGAN
DATA BIOTIK DATA ABIOTIK
DATA OPT
UNIT PERAMALAN
PETAK : PETANI
HAMPARAN : KELOMPOK TANI
WILAYAH : PHP (KECAMATAN)
: LPHP (AGROEKOSISTEM)
: BPTPH (REGIONAL/KAB)
: BBPOPT (NASIONAL)
UNIT INFORMASI
Media cetak, elektrotik, pelatihan, seminar,
Pertemuan, saresehan, surat-menyurat, dll
HASIL PERAMALAN
PENELITI PERENCANA
PENGGUNA: PETUGAS, PETANI
UNIT
PERAMALAN
LAIN
INSTANSI
TERKAIT





Peramalan tingkat PETAK

Model dibangun dan diimplemantasikan di tingkat
petani pada areal yang sempit atau tingkat petak.
Komponen ekosistem relatif homogen (komoditi,
varietas, stadia dan keadaan lingkungan fisik), kecuali
populasi/serangan OPT dan musuh alaminya
mengalami perubahan dari waktu ke waktu.
Pelaksana peramalan dan pengambilan keputusan
petani.
Faktor kunci satu strata variabel (pop./inten. ser. OPT
dan musuh alami dalam musim, meramal populasi/
serangan saat fase kritis.


BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN



Peramalan tingkat HAMPARAN

Model dibangun dan diimplemetasikan pada areal yang
cukup luas (hamparan pertanaman).
Kondisi ekosistem relatife heterogen (komoditi, varietas,
stadia, budidaya dan keadaan lingkungan).
Pelaksanaan peramalan dan pengambilan keputusan
dilakukan oleh kelompok tani.
Faktor kunci dua strata variabel yaitu
(1) pop./inten. ser. OPT dan musuh alami dan
(2) komposisi komoditi, varietas, stadia dan keadaan
lingkungan, dalam musim yang sedang berlangsung,
serta mempertimbangkan keadaan variabel tersebut
pada musim tanam sebelumnya.


BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN


Peramalan tingkat WILAYAH

Wilayah meliputi batas administrasi tertentu (desa,
kecamatan, kabupaten, propinsi, nasional, regional
ataupun internasional).
Model dibangun dan diimplementasikan pada tingkat
wilayah dengan ekosistem yang sangat heterogen
(luasnya, keadaan lingkungan, budidaya juga perbedaan
ekonomi, sosial dan budaya).
Pelaksana peramalan dan pengambilan keputusan oleh
petugas/ institusi (bekerjasama dengan petugas/institusi
yang terkait sampai petugas lapang dan kelompok tani).
Faktor kunci peramalan mempertimbangkan strata yang
ketiga yaitu tingkat ekonomi, sosial dan budaya
masyarakat petani.

BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
1) Peramalan merupakan bagian integral dari kegiatan pengambilan keputusan
manajemen.
2) Alasan utama bagi peramalan dan perencanaan: adanya senjang waktu (time
lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan
peristiwa itu sendiri.
3) Kebutuhan akan peramalan meningkat sejalan dengan usaha manajemen untuk
mengurangi ketergantungannya pada hal-hal yang belum pasti, karena dalam
menentukan sasaran dan tujuan berusaha menduga faktor-faktor lingkungan,
lalu memilih tindakan yang diharapkan akan menghasilkan pencapaian sasaran
dan tujuan.
4) Arti peramalan yang sesungguhnya adalah menduga/memprediksi peristiwa di
masa depan dan bertujuan untuk memperkecil resiko yang mungkin terjadi
akibat suatu pengambilan keputusan.
5) Pengendalian Hama Terpadu (PHT) atau Integrated Pest Management (IPM)
dalam operasionalnya memerlukan kegiatan peramalan untuk membuat
perencanaan ekosistem pertanian yang tahan terhadap gangguan OPT.
( lanjutan )
6) 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.
7) Operasional peramalan yang baik maka dalam perencanaan perlindungan
tanaman akan lebih efektif dan efisien karena mengacu kepada skala prioritas
penanganan OPT menurut ruang dan waktu peramalan.
8) Sasaran Peramalan: (a) menduga kemungkinan timbulnya OPT, (b) mendeteksi
dan memprediksi populasi/serangan dan kerusakan yang ditimbulkan OPT,
berdasarkan hasil pengamatan terhadap komponen-komponen yang
berpengaruh di lapangan, (c) menduga kerugian atau kehilangan hasil akibat
gangguan OPT.
9) Tujuan Peramalan: untuk menyusun saran tindak/tindakan pengelolaan OPT
sesuai dengan prinsip, strategi, dan langkah operasional penerapan PHT,
sehingga populasi/ serangan OPT dapat ditekan, tingkat produktivitas tanaman
dipertahankan pada taraf tinggi, menguntungkan dan aman terhadap
lingkungan.
10) Peramalan OPT tidak hanya meramalkan peningkatan populasi atau serangan,
juga menduga tingkat kehilangan hasil baik tonase maupun nilai ekonominya
( lanjutan )
11) Kerugian ekonomi yang dapat diselamatkan, yang digambarkan dengan
peningkatan produktivitas tanaman adalah merupakan pendapatan (PAD =
pendapatan asli daerah) yang diterimakan langsung oleh petani.
12) Peramalan OPT yang dilakukan sebelum musim tanam (peramalan antar musim)
memberikan waktu kepada petani untuk merencanakan ekosistem yang tahan
OPT dan melakukan kegiatan preemtif.
13) Peramalan OPT yang dilakukan setelah tanam (peramalan dalam musim)
memberikan waktu kepada petani untuk melakukan kegiatan responsif
pengendalian OPT seperti dengan menggunakan bahan pengendali alami/agens
hayati/parasitoid yang telah disiapkan (aman terhadap lingkungan).
14) Peramalan OPT juga dapat memberikan peluang kapan waktu tanam komoditi
tertentu berdasarkan ramalan/kemungkinan munculnya OPT, yang disinkronkan
dengan nilai jual pasar tinggi, baik pada on-season maupun off-season.
15) Rumusan model peramalan OPT antar musim maupun dalam musim yang
dibangun oleh BB-POPT disajikan dalam buku Pedoman Pengembangan dan
Operasional Peramalan OPT pada Tanaman Pangan dan Hortikultura dan harus
terus dikembangkan secara spesifik lokasi/ model dibangun pada ekosistem
setempat
METODE KAUSAL
JENIS PERAMALAN
METODE RUNTUN WAKTU
KUALITATIF KUANTITATIF
METODE FORMAL METODE INTUISI
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
Peramalan kualitatif (tanpa angka / nilai)
digunakan apabila informasi data kuantitatif
sangat sedikit atau tidak tersedia.
Peramalan kualitatif
Contoh:
Apabila terjadi kemarau panjang di daerah penyebaran belalang
kembara maka populasi dan serangan akan meningkat.
Semakin panjang kemarau terjadi maka peluang meningkatnya
populasi dan serangan belalang kembara semakin tinggi.
Back Next
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
Mengikutkan atau menggunakan angka / nilai,
yang terbagi dalam peramalan non formal
dan formal.
Peramalan kuantitatif
Peramalan non formal yaitu mencakup intuisi, pengalaman maupun
professional judgement yang didasarkan atas pengalaman
empiris dengan penggunaan prinsip-prinsip ekstrapolasi dan
penetapan nilai namun tidak menggunakan aturan yang baku.
Contoh:
Seorang PHP/POPT mengatakan bahwa luas serangan WBC di
wilayahnya diprediksi pada bulan depan akan meningkat
sebanyak 5%.
Seorang pakar mengatakan bahwa produksi padi tahun 2005
diperkirakan akan meningkat sebanyak 4,5%
Back Next
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
Peramalan formal menggunakan ekstrapolasi
secara sistematik, bersifat baku berdasarkan
kaidah statistik.
Peramalan kuantitatif (lanjutan)
Back Next
Y
t+n
= ( I, J, K, L, )
f
METODE FORMAL:
KAUSAL (CAUSAL) = Sebab - Akibat
RUNTUN WAKTU (TIME SERIES) = Deret berkala
Tersedianya informasi masa lampau (historis)
1
Informasi dalam bentuk kuantitatif atau kualitatif yang dapat
dikuantitatifkan
2
Pola masa lalu akan terjadi dimasa mendatang
3
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
SYARAT PERAMALAN KUANTITATIF
PROGRAM
BANGKITAN
Input
Ouput
Sistem
HUBUNGAN
SEBAB-AKIBAT
Input
Ouput
Sistem
KAUSAL RUNTUN WAKTU
PERBEDAAN HUBUNGAN
BIOLOGI
molekuler
perkembangan
genetika
ekologi
b
a
k
t
e
r
i
o
l
o
g
i

v
i
r
o
l
o
g
i

o
r
n
i
t
h
o
l
o
g
i

e
n
t
o
m
o
l
o
g
i

b
o
t
a
n
i

z
o
o
l
o
g
i

BLACK
BOX
klimatologi
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
A
g
r
o
-
e
k
o
s
i
s
t
e
m

Variabel yang meramal
(X = independent)
Variabel yang diramal
(Y = dependent)
Populasi OPT,
populasi musuh alami,
intensitas serangan OPT,
komposisi varietas,
komposisi vegetasi,
komposisi stadia tanaman,
luas tanam,
luas serangan,
tindakan pengendalian,
cara budidaya,
iklim dan
sosial, ekonomi, budaya.
Populasi OPT,
intensitas serangan,
luas serangan, dan
kehilangan hasil
VARIABEL PERAMALAN OPT
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
PROSES PEMBANGUNAN DAN
PENGEMBANGAN MODEL PERAMALAN OPT
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
PRINSIP
PENYUSUNAN MODEL PERMALAN
Parsimony
(hemat)
MANAGEABLE 1
model harus sesedikit mungkin melibatkan
parameter dan dikembangkan secara
sederhana sehingga dapat diaplikasikan
sesuai dengan sumberdaya manusia, dana
dan sarana yang tersedia
QUALITY 2
model harus memiliki kualitas yang tinggi
sehingga dapat menyatakan data ramalan
yang akurat
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
THE END
--- Kepadatan ---
G
1
--- Kepadatan ---
G
2
Minggu setelah tanam
--- Kepadatan ---
G
3
--- Kepadatan ---
G
0
J
u
m
l
a
h

W
B
C

p
e
r

r
u
m
p
u
n

R
3
R
2
r
1
r
2
r
3
BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN
Contoh Peramalan Populasi WBC (Nilaparvata lugens)
Tingkat petak dalam musim hujan di lokasi A
Diketahui rata2 pop. WBC pada G0 (umur padi <30 hst) = 0,2 ekor/rmp,
Jika anda meramalkan pop. WBC pada umur padi 60-90
hst (1-2 bulan lagi sejak anda pengamatan) rata-rata 94,8
ekor per rumpun (mungkin terjadi hopperburn).
Apa yang anda rencanakan dan putuskan sebagai saran-
tindak agar populasi tinggi/hopperburn tidak terjadi?
Berapa pop. G2 pada umur padi 60-90 hst. (1 2 bulan lagi) ?
Log G2 = 2,403 + 0,61 Log (G0)
Log G2 = 2,403 + 0,61 Log (0,2)
Log G2 = 2,403 + 0,61 (-0,699)
Log G2 = 1,977.
Jadi diramalkan padat pop. G2 = 10
1,977
= 94,8 ekor / rumpun.
KEHILANGAN HASIL
(% / Berat)
Luas Serangan Intensitas Serangan
Populasi Larva
Populasi Ngengat G-2 Iklim
Pertanaman
Populasi MA
Populasi Pupa
Luas Serangan Intensitas Serangan
Populasi Larva
Populasi Ngengat G-1 Iklim
Pertanaman
Populasi Pupa
Luas Serangan Intensitas Serangan
Populasi Larva
Populasi Ngengat G-0
Iklim
Pertanaman
Populasi MA Populasi Telur
Populasi MA
Populasi Telur
Populasi Telur
CONTOH PENGEMBANGAN MODEL PERAMALAN KAUSAL
Hubungan Sebab-akibat Hama Penggerek Batang Padi
MUSIM HUJAN
MUSIM HUJAN
OPT Model C.L R*R
Wereng Coklat Log Y
MH
=0,503 +0,365 Log (Y
MK
) +0,380 Log (Y
MH-1
) 0.12 0.46
Penggerek Batang Log Y
MH
=0,3358 +0,3116 Log (Y
MK
) +0,5857 Log (Y
MH-1
) 0.05 0.71
Tikus Log Y
MH
=0,160 +0,4516 Log (Y
MK
) +0,5073 Log (Y
MH-1
) 0.06 0.76
Tungro Log Y
MH
=0,2712 +0,718 Log (Y
MK
) +0,1324 Log (Y
MH-1
) 0.09 0.62
Blast Log Y
MH
=0,3289 +0,3516 Log (Y
MK
) +0,5433 Log (Y
MH-1
) 0.09 0.57
MUSIM KEMARAU
MUSIM KEMARAU
OPT Model C.L. R*R
Wereng Coklat Log Y
MK
=0,161 +0,570 Log (Y
MH
) +0,278 Log (Y
MK-1
) 0.12 0.48
Penggerek Batang Log Y
MK
=0,2275 +0,3567 Log (Y
MH
) +0,5533 Log (Y
MK-1
) 0.06 0.64
Tikus Log Y
MK
=0,3817 +0,3085 Log (Y
MH
) +0,5638 Log (Y
MK-1
) 0.06 0.72
Tungro Log Y
MK
=0,1929 +0,375 Log (Y
MH
) +0,4972 Log (Y
MK-1
) 0.09 0.65
Blast Log Y
MK
=0,2685 +0,3916 Log (Y
MH
) +0,3402 Log (Y
MK-1
) 0.08 0.48
MUSIM HUJAN
MUSIM HUJAN
OPT Model C.L R*R
Ulat Grayak Log Y
MH
= 0,2022 + 0,2533 Log (Y
MK
) + 0,4745 Log (Y
MH-1
) 0,12 0,41
Penggulung daun Log Y
MH
= 0,2249 + 0,6489 Log (Y
MK
) + 0,1772 Log (Y
MH-1
) 0,09 0,60
Ulat Jengkal Log Y
MH
= 0,1704 + 0,2826 Log (Y
MK
) + 0.5482 Log (Y
MH-1
) 0,18 0,51
Lalat Kacang Log Y
MH
= 0,0448 + 0,6694 Log (Y
MK
) + 0,1098 Log (Y
MH-1
) 0,09 0,59
Penggerek polong Log Y
MH
= 0,0333 + 0,3608 Log (Y
MK
) + 0,5237 Log (Y
MH-1
) 0,08 0,53
Tikus Log Y
MH
= 0,0565 + 0,2858 Log (Y
MK
) + 0,3940 Log (Y
MH-1
) 0,09 0,46
MUSIM KEMARAU
MUSIM KEMARAU
OPT Model C.L. R*R
Ulat Grayak Log Y
MK
= 0,2988 + 0,5174 Log (Y
MH
) + 0,2609 Log (Y
MK-1
) 0,11 0,49
Penggulung daun Log Y
MK
= 0,2089 + 0,1957 Log (Y
MH
) + 0,6491 Log (Y
MK-1
) 0,08 0,62
Ulat Jengkal Log Y
MK
= 0,130 + 0,2850 Log (Y
MH
) + 0,4683 Log (Y
MK-1
) 0,05 0,48
Lalat Kacang Log Y
MK
= 0,2021 + 0,2579 Log (Y
MH
) + 0,5388 Log (Y
MK-1
) 0,08 0,58
Penggerek Polong Log Y
MK
= 0,3021 + 0,2213 Log (Y
MH
) + 0,5090 Log (Y
MK-1
) 0,09 0,49
Tikus Log Y
MK
= 0,1740 + 0,2604 Log (Y
MH
) + 0,5031 Log (Y
MK-1
) 0,15 0,50
S. litura
S. litura
log Y = 0,023 + 0,14 L
2
; R = 0,90
1
Y = Intensitas serangan pada stadia kritis
L
2
= Kepadatan populasi Larva generasi-2
2
log L
2
= 0,57 + 0,92 log L
1
; R = 0,94
L
1
= Kepadatan populasi Larva generasi-1
L
2
= Kepadatan populasi Larva generasi-2
Etiella spp.
1
2
Y = 4,45 + 1,08 T ; R = 0,57
Y = Intensitas polong terserang pada saat panen
T = Kepadatan populasi Telur pada pembungaan
Y = 1,83 + 3,49 L ; R = 0,75
Y = Intensitas polong terserang pada saat panen
T = Kepadatan populasi Larva pada pembungaan
3 P = 1044,52 531,227 log Y ; R = 0,83
P = Produksi kedele (kg/ha)
Y = Intensitas polong terserang pada saat panen
MUSIM HUJAN
MUSIM HUJAN
OPT Model C.L R*R
Penggerek batang Log Y
MH
= 0.177 + 0.354 Log (Y
MK
) + 0.514 Log (Y
MH-1
) 0.08 0.53
Ulat grayak Log Y
MH
= 0.351 + 0.407 Log (Y
MK
) + 0.294 (Y
MH-1
) 0.11 0.24
Lalat bibit Log Y
MH
= 0.261 + 0.377 Log (Y
MK
) + 0.366 Log (Y
MH-1
) 0.09 0.38
Tikus Log Y
MH
= 0.294 + 0.333 Log (Y
MK
) + 0.386 Log (Y
MH-1
) 0.10 0.35
Bulai Log Y
MH
= 0.452 + 0.313 Log (Y
MK
) + 0.358 Log (Y
MH-1
) 0.11 0.26
Penggerek tongkol Log Y
MH
= 0.329 + 0.247 Log (Y
MK
) + 0.518 Log (Y
MH-1
) 0.09 0.46
MUSIM KEMARAU
MUSIM KEMARAU
OPT Model C.L. R*R
Penggerek batang Log Y
MK
= 0.263 + 0.202 Log (Y
MH
) + 0.511 Log (Y
MK-1
) 0.08 0.45
Ulat grayak Log Y
MK
= 0.28 + 0.143 Log (Y
MH
) + 0.194 (Y
MK-1
) 0.08 0.11
Lalat bibit Log Y
MK
= 0.0895 + 0.281 Log (Y
MH
) + 0.489 Log (Y
MK-1
) 0.07 0.52
Tikus Log Y
MK
= 0.215 + 0.153 Log (Y
MH
) + 0.611 Log (Y
MK-1
) 0.09 0.48
Bulai Log Y
MK
= 0.172 + 0.174 Log (Y
MH
) + 0.539 Log (Y
MK-1
) 0.08 0.42
Penggerek tongkol Log Y
MK
= 0.194 + 0.309 Log (Y
MH
) + 0.441 Log (Y
MK-1
) 0.07 0.52
Model Peramalan
Serangan Belalang Kembara Model Pulau Sumba

Peramalan luas serangan berdasarkan parameter luas
serangan sebelumnya pada lag 1 bulan.

Log
t
= 0,127225 + 0,870733 (Log Y
t-1
); R
2
= 0,75

Atau

t
= 1,34037 (Y
t-1

0,870733
)

Dimana:

t
= Ramalan luas serangan bulanan yang akan terjadi (ha)
Y
t-1
= Kumulatif luas tambah serangan bulanan (ha)
t = Bulan
Peramalan luas serangan berdasarkan parameter luas serangan dan
jumlah koloni pada lag 1 bulan.

Log
t
= 0,002342 + 0,219787 Log Y
t-1
+ 0,715199 Log K
t
; R
2
= 0,73

Dimana:

t
= Ramalan luas serangan bulanan yang akan terjadi (ha)
Y
t-1
= Kumulatif luas tambah serangan bulanan (ha)
K = Jumlah koloni belalang kembara dewasa dan nimfa
t = Bulan
Model Peramalan
Serangan Belalang Kembara Model Propinsi Lampung
MODEL PERAMALAN POPULASI LALAT BUAH
PADA TANAMAN BUAH-BUAHAN
Log Y
t
= 0,90 + 0,49 Log Y
t-1
+ 0,35 Log Y
t-3
; R=0,82)
Log Y
t
= 1,02 + 0,64 Log Y
t-1
; R=0,76)
Log Y
t
= 1,20 + 0,50 Log T
t-2
; R=0,70)
Log Y
t
= 1,24 + 0,51 Log Y
t-3
; R=0,74)
Log Y
t
= 1,20 + 0,67 Log Y
t-4
; R=0,72)

Y
t
= Puncak populasi lalat buah (Nopember-Desember)

Y
t-1
= Populasi lalat buah 1 bulan sebelum puncak (Oktober)

Y
t-2
= Populasi lalat buah 2 bulan sebelum puncak (September)

Y
t-3
= Populasi lalat buah 3 bulan sebelum puncak (Agustus)

Y
t-4
= Populasi lalat buah 4 bulan sebelum puncak (Juli)