PEST MONITORING AND FORECASTING

Yenumula G. Prasad and Mathyam Prabhakar

Division of Crop Sciences, Central Research Institute for
Dryland Agriculure, Hyderabad, India
Desember, 2012

Oleh :
Fatikhul Karim (NPM. 22063020014)
Yeni Trias Kurniawati (NPM. 22063020004)
 Pendahuluan

Pemantauan hama adalah langkah pertama yang mendasar dalam penerapan

program pengelolaan hama terpadu (PHT) yang tepat
Hama dipantau melalui berbagai alat pemantauan
• Perangkap hama yang menggunakan feromon sex (pheromone trap)
• Lampu perangkap (light trap)
• Likat kuning (yellow sticky trap)
• Perangkap jatuh (pitfall trap)
• Perangkap hisap (suction trap
Data tangkapan perangkap untuk :
• studi ekologi
• melacak migrasi serangga
• menentukan waktu kedatangan hama ke dalam agroekosistem
• memulai prosedur pencarian dan pengambilan sampel lapangan
• menentukan waktu aplikasi pestisida
• tanggal mulai untuk model fenologi
• prediksi generasi selanjutnya berdasarkan ukuran generasi
sebelumnya

Data-data tersebut untuk menyusun peringatan dini

Peringatan dini dan prakiraan berdasarkan metode biofisika

memberikan waktu tunggu untuk mengelola serangan hama yang
akan datang dan dengan demikian dapat meminimalkan kehilangan
hasil panen, mengoptimalkan pengendalian hama, dan mengurangi
biaya budidaya
 Peramalan Hama

Sebagian besar model perkiraan hama memperhitungkan fenologi herbivora dan inangnya.
Data kejadian hama hampir real-time digabungkan dengan penginderaan jauh dan alat GIS
(Geographic Information System) memfasilitasi peringatan dini akan munculnya hama dalam
perspektif temporal dan spasial.
Pengumpulan dan analisis data cuaca dari area yang terkena hama merupakan input penting untuk
model. Aplikasi praktis dari keluaran model dibantu oleh sistem pendukung keputusan berupa
pemrograman komputer

Tujuan penting peramalan hama : agar tindakan pengendalian

dapat direncanakan dengan efisiensi maksimum
 METODE
PERAMALAN
PERAMALAN OPT

KUALITATIF KUANTITATIF

M ETODE METODE
N O N FORMAL
FORMAL

Model Intuisi,
Peramala Profesion
al
 Syarat untuk Peramalan
Kuantitatif:

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 membuat katagori/klasifikasi numerik dari
informasi kualitatif tersebut,

3) Diasumsikan bahwa pola masa lalu akan terus berlanjut di

masa datang.
 MODEL PERAMALAN OPT
Model : penggambaran suatu sistem menggunakan simbol-simbol, spt diagram
alir (flow chart) atau persamaan matematika

 Meniru dan sekaligus menyederhanakan yg asli, bukan untuk meng-copy

atau menciptakan replika

Model Peramalan OPT: penggambaran sistem interaksi antara hama

dengan tanaman dan factor lingkungan (biotik dan
abiotik) di masa yang akan datang

Model Matematika
Model Machine Learning
 Data yang Diperlukan untuk Menyusun Model Peramalan

Pengendali Hayati
 Predator
 Parasitoid
 Mikroorganisme

Iklim Tanaman
Curah hujan • Fenologi
Temperatur M od el tanaman
Kelembaban Peramalan • Pertumbu
Arah & Hama han
kecepatan angin • Luas daun
dll • Varietas

 Kepadatan populasi
hama
Skema Penyusunan Model Peramalan OPT

Data serangan hama

dan penyakit (Y)

Data iklim (X1) Uji

Data tanaman Model hama sensitifitas
(X2) Data /penyakit model
pengendali
hayati (X3)
Prediksi serangan
hama
M odel: Y = f(X1, X2,
X3)
atau
Y = a + b1 X1
+ b2 X2 + b3
X3 + e
 MODEL MATEMATIKA
Jenis fungsi Persamaan model Bentuk kurva

Linier Y = a + bX Y : peub ah
terpengaruh
(kepadatan populasi
hama/intensitas
serangan patogen)
Kuadratik Y = a + bX + cX2 X : peub ah yang
mempengaruhi Y
(kond isi iklim,
tanaman, d ll)
Kubik Y = a + bX + cX2 +
dX 3

Eksponensial Y = aebX

Logaritmik Y = a + b logX

Logistik K
Y
1  ae  bX
PENYUSUNAN MODEL MATEMATIKA
Menggunakan Analisis Statistika
 Analisis Regresi dan Korelasi Linier

Y = a + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 +

b6X6

Y : kepadatan populasi hama

X1 : suhu
X2 : kelembaban
X3 : curah hujan
X4 : umur tanaman
X5 : ketahanan
varietas
X6 : kepadatan
populasi predator

 Analisis Regresi
Non Linier
 Kriteria Penentuan Model
Terbaik
1. Nilai-P (significant level) pada tabel Anova < taraf nyata uji ()
Nilai  yang biasa digunakan adalah 5% atau 0.05 (nyata) dan 1% atau 0.01
(sangat nyata)
ANOVA
df SS MS F Significance F
Regression 1 131932.5 131932.5 74.757 2.48607E- < 0.01
5 05
Residual 8 14118.44 1764.806
Total 9 146050.9

2. Nilai R2 (koefisien determinasi model)  80%

= 90%, artinya model mampu menjelaskan hubungan antara Y dan X
R2
sebesar 90% dan sisanya (10%) disebabkan oleh faktor lain yang tidak ada di
model (galat).
 Model Machine Learning
Ada banyak model machine learning yang digunakan untuk peramalan hama,
diantaranya adalah :
1. DYMEX
2. CLIMEX
3. North Carolina State berbasis web
Sistem pemodelan University APHIS Plant Pest Forecast (NAPPFAST),
4. Insect Life Cycle Modeling (ILCYM) software
5. EntomoLOGIC diturunkan dari sistem pendukung keputusan SIRATAC yang
digunakan oleh industri kapas Australia
6. MORPH telah dikembangkan di Horticulture Research International, Inggris
(Phelps et al.,1999), untuk digunakan pada tanaman buah dan sayuran
7. ECAMON, dengan tepat memprediksi ada/tidaknya penggerek jagung Eropa di
wilayah penelitian di Republik Ceko selama periode referensi 1961–1990
8. RICEPEST, model yang mensimulasikan kehilangan hasil akibat beberapa hama
padi dalam kisaran situasi produksi spesifik di Asia tropis dikembangkan oleh
International Rice Research Institute (IRRI) di Filipina
9. SOPRA diterapkan sebagai sistem pendukung keputusan untuk delapan hama
serangga utama kebun buah-buahan pada skala lokal dan regional di Swiss dan
Jerman bagian selatan
10. SIMLEP adalah model peramalan regional yang digunakan dalam
praktik untuk kumbang kentang Colorado (Leptinotarsa decemlineata)
di Jerman dan Austria dalam skala besar dan di bagian barat Polandia
 Kesimpulan:
1. Pemantauan hama adalah dasar untuk masalah peringatan dini,
pengembangan dan validasi model perkiraan hama
2. Model adalah alat potensial untuk mensintesis informasi dan pengetahuan
yang tersedia tentang dinamika populasi hama di agroekosistem dan
habitat alami
3. Pengembangan data spasial pemantauan jangka panjang pada hubungan
tanaman- hama-cuaca akan mempersempit kesenjangan dalam
pengetahuan yang diperlukan untuk prakiraan yang andal
4. Sistem berbasis komputer telah meningkatkan kecepatan dan akurasi, dan
efektif
5. Di daerah tropis, agroekosistem dicirikan oleh keanekaragaman tanaman
yang lebih besar di bidang tanah kecil dengan cuaca yang
berubah secara dinamis. Model simulasi dengan input spesifik
lokasi untuk akurasi yang lebih baik.
6. Di negara berkembang, ada kebutuhan yang kuat untuk membangun
jaringan agro-meteorologi untuk sektor tanaman tertentu dengan tujuan
utama peramalan hama melalui model dan sistem pendukung