Nama : M Rian Reza Panjaitan NIM : 21/477376/PN/17215

Judul Precision agriculture in oil palm plantations: diagnostic tools for

sustainable N and K nutrient supply
Jurnal OCL - Oilseeds and fats, Crops and Lipids
Volume dan Halaman 26(5): 1-8
Tahun 2019
Penulis Bernard Dubos, Victor Baron, Xavier Bonneau, Olivier Dassou,
Albert Flori, Reinout Impens, Jean Ollivier and Lénaïc Pardon.
Pendahuluan Kelapa sawit menjadi sumber utama minyak nabati yang akan terus
menduduki sebagai bahan penting di masa mendatang. Hal tersebut
dikarenakan produktivitas kelapa sawit yang tinggi dan biaya
produksi yang rendah. Intensifikasi budidaya kelapa sawit,
bergantung pada perbaikan genetik dan penerapan praktik
manajemen yang baik, seperti pemupukan dengan mineral atau
pupuk organik. Kebutuhan pupuk utama perkebunan kelapa sawit
adalah kalium (K) dan nitrogen (N). Kedua unsur hara tersebut
memiliki dampak negatif, meliputi dapat mencemari air tanah
melalui proses pencucian, dan unsur N menjadi sumber potensial
emisi gas rumah kaca. Oleh karena itu, diperlukan suatu metode
yang digunakan untuk memperkirakan kebutuhan kalium (K) dan
nitrogen
(N). Metode yang biasa dilakukan yaitu dengan menggunakan
 analisis leaflet (leaflet analysis) dan keseimbangan nutrisi (nutrient
balance).
Isi 4.1 Permintaan Pertumbuhan
Bagian tandan buah segar merupakan bagian batang tanaman kelapa
sawit yang menunjukkan hubungan signifikan dengan
keseimbangan hara. Signifikan variasi kandungan N dan K pada
tandan buah segar (khususnya pada komponen spikelet dan tangkai)
tergantung pada produksi lokasi. Secara substansial, imobilisasi
nutrisi tahunan batang beragam dari berbagai lokasi yang berbeda,
karena adanya perbedaan produksi biomassa, komposisi batang
kelapa sawit, dan kondisi tanah.
4.2 Kerugian Lingkungan
Kerugian lingkungan dalam perkebunan kelapa sawit bervariasi
tergantung pada topografi, kemiringan lereng, tekstur tanah, dan
curah hujan. Erosi dan kerugian aliran air terkait erat dengan
kemiringan lereng. Teknik penanaman seperti teras dan garis kontur
dapat mengurangi erosi. Tanah liat lebih baik mempertahankan
kalium (K) daripada tanah pasir. Variabilitas curah hujan juga
memengaruhi kerugian nitrogen (N). Prediksi kerugian lingkungan
sulit karena model yang ada belum mempertimbangkan semua
praktik standar dan efeknya. Diperlukan penelitian lebih lanjut
untuk memahami dan mengurangi kerugian lingkungan dalam
perkebunan kelapa sawit.
4.3 Apakah alat diagnostik yang ada disesuaikan dengan tantangan
masa depan?
Metode diagnostik yang umum digunakan yaitu analisis daun (LA)
yang memungkinkan untuk menentukan kebutuhan pupuk yang
tepat untuk tanaman, namun metode tersebut memiliki kelemahan
yaitu kurang mempertimbangkan evolusi cadangan dalam jangka
panjang dan kesuburan tanah. Selain metode LA, terdapat metode
NB yang bertujuan untuk mengembalikan semua yang diambil oleh
sistem tanah atau tanaman. Namun, keakuratan alat ini sangat
bergantung
pada keakuratan perkiraan item yang berbeda, seperti komposisi
 permintaan pertumbuhan dan laju pertumbuhan batang yang
bervariasi.
4.4 Apakah analisis daun (LA) dan keseimbangan nutrisi (NB)
sesuai dengan pertanian presisi?
Perkebunan harus menerapkan praktik ramah lingkungan.
Khususnya penggunaan pupuk harus diperkirakan dengan tepat
untuk mencapai hasil setinggi mungkin, tanpa memberikan jumlah
unsur hara yang berlebihan sesuai kebutuhan tanaman dan kapasitas
penyimpanan tanah. Analisis daun (LA) membantu dalam
manajemen pemberian pupuk secara tepat dengan referensi dosis
yang optimal, sehingga memungkinkan takaran pemupukan yang
diterapkan di setiap blok sesuai dengan prinsip pertanian presisi.
Penggunaan metode keseimbangan nutrisi (NB) juga dilakukan
untuk mengevaluasi dan mengganti nutrisi yang hilang dari lahan
atau digunakan oleh
tanaman lebih efisien.
Kesimpulan Kesimpulan yang didapatkan yaitu metode NB terdiri dari
mengganti unsur hara yang diekspor dari lapangan untuk mencapai
potensi hasil maksimal dan melestarikan cadangan mineral. Metode
LA umumnya mengarah pada rekomendasi yang jauh lebih rendah
daripada yang dihitung dari permintaan pertumbuhan dan kerugian
lingkungan. Metode tersebut cukup sensitif untuk mendeteksi
penipisan cadangan tanah sebelum dapat diukur melalui analisis
tanah. Tujuan utamanya adalah untuk menghindari risiko
pemupukan yang berlebihan tanpa
secara signifikan mengurangi hasil maksimal secara signifikan
Kelebihan Pada artikel ini telah menggunakan metode analisis daun sebagai
alat pemantauan pemupukan kelapa sawit dan dalam menerapkan
metode LA. Metode ini membantu mencapai potensi hasil
maksimal, menjaga keberlanjutan lingkungan, meningkatkan
akurasi anggaran permintaan pertumbuhan, mendeteksi penipisan
cadangan tanah, dan memadukan interpretasi analisis daun dengan
hasil percobaan
pemupukan.
Kekurangan kekurangan dari jurnal tersebut yaitu tidak adanya penambahan
berupa gambar seperti diagram atau grafik untuk mempermudah
 pemahaman terhadap data yang disajikan, hanya terdapat tabel saja,
lalu kekurangan lainnya yaitu mengenai simulasi dari uji coba
dalam jangka panjang yang dapat membuat adanya kemungkinan
ketidakakuratan data yang digunakan di dalam perhitungan.

Judul A Novel Method for Estimating Chlorophyll and Carotenoid

Concentrations in Leaves: A Two Hyperspectral Sensor Approach
Nama Penulis Sensors
Volume dan 23(3843) : 1 – 21
Nomor
Penulis
Renan Falcioni , Werner Camargos Antunes, José Alexandre Melo Demattê
and Marcos Rafael Nanni
Pendahuluan Sifat optik daun, seperti reflektansi, absorbsi, dan transmisi, dipengaruhi
oleh berbagai faktor, termasuk jenis dan jumlah pigmen yang ada dalam
daun, serta distribusinya dalam struktur seluler seperti vakuol dan
kloroplas. Konsentrasi yang lebih tinggi dari pigmen fotosintetik
mengakibatkan peningkatan penyerapan cahaya dan penurunan reflektansi
dalam spektrum terlihat. Faktor lingkungan, seperti intensitas cahaya dan
hormon tumbuhan, juga dapat memengaruhi sifat optik daun dan
menyebabkan perubahan dalam parameter seperti ketebalan daun, luas daun
spesifik, indeks luas daun, arsitektur sel, dan komposisi biokimia. Sebagai
contoh, penambahan giberelin (GA3) menghasilkan daun yang lebih tipis,
sementara penghambatan biosintesis giberelin dengan paclobutrazol (PAC)
menghasilkan tanaman yang lebih kecil, berwarna hijau gelap dengan daun
yang lebih tebal, yang menyebabkan perubahan dalam profil optik dan
tanda tangan spektral daun.
Isi 3.1 Struktur, Ultrastruktur dan Pigmen Fotosintesis

Perubahan pada komponen struktural seperti ketebalan daun, perubahan

SLA dan LAI, dan perubahan ultrastruktur (kloroplas dan tilakoid yang
lebih besar dan lebih padat) menyebabkan peningkatan penyerapan cahaya
dan perubahan sifat optik daun. Spektroskopi reflektansi menunjukkan
korelasi yang signifikan dengan SLA dan LAI (p < 0,001), tetapi tidak
ditemukan korelasi antara absorbsi dan parameter-parameter tersebut (p =
0,488 dan 0,499, masing-masing). Di sisi lain, sifat intrinsik dari faktor
struktural yang terkait dengan interaksi cahaya dengan dinding sel,
ketebalan daun, dan lapisan parenkim diungkapkan, tetapi tidak selalu
berkaitan dengan konsentrasi pigmen daun. Selain itu, data hiperspektral
reflektansi dapat memberikan perkiraan parameter dan menunjukkan
korelasi yang signifikan, tetapi tidak sepenuhnya mengungkapkan interaksi
pigmen dalam spektrum elektromagnetik ketika absorbsi diukur dalam
sistem daun in vivo dengan dua sensor.

3.2 Model Reflektansi dan Absorbansi untuk Prediksi Pigmen Fotosintetik

3.2.1 Model Kalibrasi

Dengan menggunakan sensor hiperspektral, kami menerapkan metode

perbandingan untuk memperkirakan konsentrasi pigmen fotosintetik.
Model kalibrasi kami, yang dibangun menggunakan PLSR untuk pigmen
kloroplas (klorofil a, klorofil b, total klorofil (a+b), dan karotenoid),
menunjukkan hasil yang lebih baik ketika menggunakan data absorbsi
dibandingkan dengan data reflektansi. Parameter statistik yang digunakan
dalam evaluasi mengungkapkan bahwa meskipun terdapat variasi
signifikan dalam pertumbuhan tanaman akibat perubahan anatomis dan
ultrastruktural, kami dapat memperoleh data analitik yang sangat cocok
dengan hasil konsentrasi pigmen yang diperoleh melalui spektrofotometri.
Sebagai contoh, baik data reflektansi maupun data absorbsi, serta hasil
prediksi, menunjukkan akurasi pendekatan kalibrasi multivariat.

3.2.2 Validasi Silang ke Pigmen Kloroplastidik

Hasil uji cross-validation (RMSECV) menunjukkan bahwa data absorbsi

lebih efektif dalam memodelkan pigmen kloroplas dibandingkan dengan
data reflektansi, yang serupa dengan tahap kalibrasi (RMSEC). Korelasi
antara variabel prediktor (absorbsi atau reflektansi) dan variabel yang
diprediksi (pigmen fotosintetik) lebih kuat untuk data absorbsi daripada
data reflektansi. Titik merah pada gambar menggambarkan hasil cross-
validation dari statistik multivariat. Koefisien determinasi untuk Chl a, Chl
b, Chl a+b, dan Car serupa pada tahap cross-validation, tetapi nilai yang
lebih rendah tercatat untuk data absorbsi dibandingkan dengan data
reflektansi, bahkan dibandingkan dengan tahap kalibrasi. Namun, hasil
untuk karotenoid sangat luar biasa, dengan nilai "r" sebesar 0,86 dan 0,92
untuk reflektansi dan absorbsi, secara berturut-turut dan dibandingkan
dengan studi-studi ini. Dalam hal ini, sensor hiperspektral dan analisis
PLSR terhadap data absorbsi telah menunjukkan potensi yang tinggi untuk
pembangkitan model, terutama dalam rentang visual (VIS), seperti yang
diilustrasikan dalam aplikasinya pada tanaman jagung.

3.3 Hubungan Konsentrasi Pigmen dengan Refleksi dan Absorbansi Daun

Hipotesis awal didukung oleh fakta bahwa absorbsi (A) tidak dipengaruhi
oleh transmisi (T) dan reflektansi (R), tetapi sebaliknya; T dan R
dipengaruhi oleh absorbsi intrinsik material. Keberadaan pigmen
kloroplas/fotosintetik atau pigmen ekstrakloroplastidi mengkonfirmasi
bahwa A bertanggung jawab dalam menyerap cahaya dan menentukan
spektrum absorbsi-interaksi-pigmen dan tanda tangan hiperspektral,
sehingga menghasilkan prediksi pigmen yang lebih akurat yang secara
dekat mencerminkan karakteristik alaminya. Hukum Lambert-Beer
mengasumsikan solusi homogen, jernih, dan kepadatan optik rendah, tetapi
tidak sepenuhnya berlaku untuk bahan-bahan nonhomogen, seperti bahan
biologis termasuk daun. Oleh karena itu, reflektansi dan transmisi tidak
memiliki kemampuan untuk menyerap cahaya dan dapat melebih-lebihkan
atau meremehkan keberadaan pigmen dalam sampel tanaman. Sebagai
contoh, jika data reflektansi sempurna berkomplementer dengan absorbsi,
 rasio antara keduanya akan menjadi 1:1, tetapi perbedaan pigmen dan
perubahan struktural pada daun mengakibatkan hubungan ini lebih kuat
terkorelasi dengan puncak pada 435 dan 674 nm dan lebih lemah pada 550
nm, dengan hubungan yang secara statistik signifikan (p < 0,001).
Akibatnya, band berwarna hijau mungkin tidak signifikan dalam beberapa
analisis, tetapi tetap mencerminkan perubahan yang dihasilkan dari pigmen
daun.

3.4 Karakteristik Optik untuk Memprediksi Karotenoid

Distribusi karotenoid yang mirip dengan sistem in vivo memungkinkan

prediksi parameter foto-kimia lainnya, seperti siklus xantofil dan laju
transport elektron, penggunaan cahaya yang efisien oleh tumbuhan,
penggabungan nitrogen, efisiensi disipasi energi, dan tingkat perlindungan
terhadap cahaya berlebih melalui pita hijau dan kuning (525–580 nm), yang
merupakan perbedaan spektral yang paling signifikan.

3.5 Prediksi Berdasarkan Kumpulan Data Independen

Studi ini menemukan korelasi yang kuat antara data absorbsi dan
reflektansi dengan distribusi pigmen pada daun, seperti yang ditunjukkan
oleh nilai RPD yang lebih besar dari 4,7 untuk data absorbsi dan 4,5 untuk
data reflektansi. Model-model untuk memprediksi konsentrasi Chl a+b dan
Karotenoid akurat dan memiliki korelasi yang sangat baik dalam rentang
spektral (0,2 hingga 0,6 g m-2 untuk Chl a+b dan 0,04 hingga 0,16 g m-2
untuk Karotenoid. Data absorbsi berdasarkan dua sensor dianggap lebih
mencerminkan hubungan antara cahaya dan pigmen dalam membran
tilakoid, yang lebih dekat dengan kejadian in vivo. Estimasi cross-
validation untuk data reflektansi juga ditemukan lebih baik daripada
estimasi menggunakan dataset independen. Oleh karena itu, nilai tinggi
untuk Chl a dan Chl a+b juga diamati pada tahap sebelumnya.

3.6 Analisis Dua-Sensor Hyperspectral dan Analisis PLSR Adalah Alat

Yang Baik untuk Memprediksi Pigmen dan Memahami Properti Optik
Profil

Integrasi sensor beresolusi tinggi untuk akuisisi dan analisis spektral

menggunakan dekonvolusi kurva dan PLSR bersama dengan teknik
multivariat lainnya telah menghasilkan pengembangan model yang lebih
akurat dan tangguh untuk memprediksi konsentrasi pigmen. Penggunaan
pita spektral yang berdekatan daripada spektra inframerah secara signifikan
meningkatkan model, seperti yang ditunjukkan oleh nilai RMSE yang lebih
rendah. Kemampuan untuk memilih antara berbagai pita spektral melalui
analisis diskriminan juga berkontribusi pada ketepatan dan akurasi data
spektral beresolusi tinggi.
Kelebihan Jurnal tersebut memiliki beberapa kelebihan, antara lain pendekatan
komprehensif dalam mempelajari sifat optik daun dengan menggunakan
sensor hiperspektral dan teknik analisis multivariat, mencapai akurasi dan
ketepatan tinggi dalam memprediksi konsentrasi pigmen, penggunaan
sensor beresolusi tinggi yang menghasilkan data spektral yang lebih detail,
keandalan model yang dibangun melalui cross-validation dan evaluasi
independen, serta relevansi yang tinggi terhadap penelitian tanaman dan
pemahaman proses fotosintesis.
Kekurangan Jurnal tidak secara rinci membahas faktor-faktor yang dapat mempengaruhi
 keakuratan model, seperti variasi genetik dan kondisi pertumbuhan
tanaman. Kedua, meskipun hasil penelitian menunjukkan korelasi yang
kuat antara data absorbsi dan reflektansi dengan distribusi pigmen dalam
daun, artikel tidak secara mendalam menjelaskan mekanisme fisik dan
biologis di balik hubungan tersebut. Ketiga, meskipun model prediksi
mencapai akurasi yang tinggi, kemungkinan masih terdapat kesalahan atau
ketidaktepatan dalam prediksi pigmen pada situasi yang berbeda atau pada
jenis tanaman lain.
Kesimpulan Jurnal ini memberikan pemahaman yang lebih mendalam tentang pengaruh
faktor-faktor optik terhadap konsentrasi pigmen dalam daun. Pendekatan
yang digunakan, termasuk penggunaan sensor hiperspektral dan analisis
multivariat, menghasilkan model prediksi yang akurat dan dapat
diandalkan. Namun, artikel ini juga memiliki keterbatasan dalam
menjelaskan faktor-faktor yang mempengaruhi keakuratan model dan
mekanisme yang mendasari hubungan antara data optik dan distribusi
pigmen. Meskipun demikian, penelitian ini memberikan sumbangan
penting dalam memahami sifat optik daun dan aplikasinya dalam
pemodelan konsentrasi pigmen