(PNE 1622)
Pertemuan 7
Site Specific Nutrient Management
Kemampuan Akhir yang Diharapkan (KAD) :
SSNM is an approach to feeding crops with nutrients as and when needed (Daasdan
Chudhary, 2014)
Sumber : https://www.slideshare.net/tutan2009/precision-agriculture-in-
relation-to-nutrient-management-by-dr-tarik-mitran
Konsep 4R dalam Pertanian Presisi
Sumber :
https://www.slideshare.net/tutan2009/precision-agriculture-in-relation-to-n
utrient-management-by-dr-tarik-mitran
Perbedaan antara
manajemen hara
dengan
mengguanakan
dengan
a. SSNM sederhana
b.SSNM modern
a. SSNM Sederhana
SSNM ini sudah banyak diterapkan dalam mengelolan kebutuhan hara dalam
bidang pertanian
Sumber :
http://www.knowledgebank.irri.org/eri
ceproduction/pop_up_nutrient_omissi
on_plot.htm
Prosedur yang digunakan dengan SSNM sederhana umumnya dalah
sebagai berikut :
Tahap 1. The first step is to establish an attainable yield target, which is location
and season-specific depending upon climate and crop management. This yield
target or goal reflects the total amount of nutrients that must be taken up by
the crop.
Tahap 3. The third step is to apply fertilizer to dynamically fill the deficit
between crop needs and indigenous supply and to maintain soil fertility
Carilah
berbagai
sumber untuk
memperoleh
kejelasan
Sumber : https://slideplayer.com/slide/16546614/
b. SSNM Modern
SSNM Modern ini berusaha untuk melakukan praktek pertanian dengan berbasis
pada pengelolaan yang sedetail mungkin dari sisi ruang (space) yang dikelola)
maupun dari waktu yang tepat untuk memberikan input
Dalam konsep SSNM modern ini, kunci utama adalah pada integrasi teknologi dan
bukan pada satu (singe) teknologi
Contoh Pengelolaan Detil dari Nitrogen
Contoh Integrasi teknologies dalam SSNM modern
Sumber : Adamchuck, 2010
Contoh lain dari integrasi teknologi untuk rekomendasi SSNM
(Sumber : Diacono, et al. 2012)
STUDI KASUS SSNM
Kasus 1.
Judul jurnal : Geospatial approach to study the spatial distribution of major soil
nutrients in the Northern region of Ghana (Antwi et al., Cogent Geoscience (2016), 2:
1201906 http://dx.doi.org/10.1080/23312041.2016.1201906) atau
https://www.cogentoa.com/article/10.1080/23312041.2016.1201906.pdf
Metode : (a) 120 samples diambil dan dianalisis di laboratorium untuk sifat tanah : N, P,
dan K ; (b) model geostatistik digunakan untuk anaisis 120 sample tersebut, teknik
yang digunakan adalah teknik geostatistik kriging
Hasil : (a) Persentasi luasan dengan kekuangan N sebesar 97%, persentasi kekurangan P
adalah 72% dan kekurangan K adalah 12%. Distribusi K pada lahan adalah
mengelompok (clustered) sedang distribusi P adalah random.
Kesimpulan : Hasil penelitian ini bisa digunakan untuk meningkatkan pengeloaan hara
spesifik lokasi pada daerah tersebut
Gambar-gambar dari Kasus 1
Kasus 2.
Judul jurnal : Precision fertilizing using drones and scanners
https://knowledge4food.net/fifth-iys2015-article-in-a-series-precision-fertilizing-using-
drones-and-scanners/
Metode : (a)citra diperoleh dari hasil survey dengan drones; (b) analisis laboratorium
sifat tanah dilakukan pada daerah yang dikaji
Hasil :
Tujuan : Mengaplikasikan teknik geospasial untuk memetakan 120 lahan pertanian jagung
di 16 kabupaten di ghana bagian Utara
Metode : (a) 120 samples diambil dan dianalisis di laboratorium untuk sifat tanah : N, P,
dan K ; (b) model geostatistik digunakan untuk anaisis 120 sample tersebut, teknik yang
digunakan adalah teknik geostatistik kriging
Hasil : (a) Persentasi luasan dengan kekuangan N sebesar 97%, persentasi kekurangan P
adalah 72% dan kekurangan K adalah 12%. Distribusi K pada lahan adalah mengelompok
(clustered) sedang distribusi P adalah random.
Kesimpulan : Hasil penelitian ini bisa digunakan untuk meningkatkan pengeloaan hara
spesifik lokasi pada daerah tersebut
Drones dapat digunakan juga dalam aplikasi-aplikasi berikut ini :
Sumber :
https://www.slideshare.net/RedmondRaminShamshir/choosing-the-best-uav-dron
es-for-precision-agriculture-and-smart-farming-agricultural-drone-buyers-guide-fo
r-farmers-and-agriculture-service-professionals
Kasus 4.
Judul jurnal : Multispectral remote sensing for site-specific nitrogen fertilizer
management (Bagheri, et.al, 2013)
Metode : (a) 53 pixels pada citra penginderaan jauh dipilih secara sistematik random
pada daerah seluas 23 Ha pada lahan tanaman jagung; (b) Index vegetasi digunakan
untuk prediksi klorophyl normalized difference vegetation index (NDVI), soil-adjusted
vegetation index (Savi), optimized soil-adjusted vegetation index (Osavi), modified
chlorophyll absorption ratio index 2 (MCARI2), and modified triangle vegetation index 2
(MTVI2). (c) Teknik klasifikasi terawasi spectral angle mapper classifier (SAM) untuk
menghasilkan peta rekomendasi N
Hasil : The MTVI2 menunjukkan korelasi tinggi (R2=0.87) and prediktor baik dalam
kandungan nitrogen pada kanopi pada V13 dan pada 60hari setelah penanaman.
Aster imagery can be used to predict nitrogen status in corn canopy. Tiga level nitrogen
diperlukan : rendah (0-2.5 kg), sedang (2.5-3 kg), and tinggi (3-3.3 kg).