DASAR PERAMALAN OPT BALAI BESAR PERAMALAN ORGANISME PENGGANGGU

DASAR PERAMALAN OPT BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN DIREKTORAT JENDERAL TANAMAN PANGAN

DIMENSI WAKTU PERAMALAN OPT Masa lampau Waktu meramal Nilai ramalan Data historis t-n Waktu ramalan Saat Ini t Jadi kalau menduga sesuatu pada waktu yang sama berarti bukan peramalan BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN t+n

Arti peramalan adalah prakiraan/memprediksi peristiwa dimasa depan. 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. Tujuan peramalan adalah untuk memperkecil resiko yang mungkin terjadi akibat suatu pengambilan keputusan. 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 INSTANSI TERKAIT PETAK : PETANI HAMPARAN : KELOMPOK TANI WILAYAH : PHP (KECAMATAN) : LPHP (AGROEKOSISTEM) : BPTPH (REGIONAL/KAB) : BBPOPT (NASIONAL) PERENCANA HASIL PERAMALAN PENELITI UNIT INFORMASI Media cetak, elektrotik, pelatihan, seminar, Pertemuan, saresehan, surat-menyurat, dll PENGGUNA: PETUGAS, PETANI UNIT PERAMALAN LAIN

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

JENIS PERAMALAN KUALITATIF METODE FORMAL METODE KAUSAL KUANTITATIF METODE INTUISI METODE RUNTUN WAKTU BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN

Peramalan kualitatif (tanpa angka / nilai) digunakan apabila informasi data kuantitatif sangat sedikit atau tidak tersedia. 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. BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN Back Next

Peramalan kuantitatif Mengikutkan atau menggunakan angka / nilai, yang terbagi dalam peramalan non formal dan formal. 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 meningkat sebanyak 4, 5% BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN Back Next

Peramalan kuantitatif (lanjutan) Peramalan formal menggunakan ekstrapolasi secara sistematik, bersifat baku berdasarkan kaidah statistik. Yt+n = f ( I, J, K, L, … ) METODE FORMAL: KAUSAL (CAUSAL) = Sebab - Akibat RUNTUN WAKTU (TIME SERIES) = Deret berkala 1 SYARAT PERAMALAN KUANTITATIF Tersedianya informasi masa lampau (historis) 2 Informasi dalam bentuk kuantitatif atau kualitatif yang dapat dikuantitatifkan 3 Pola masa lalu akan terjadi dimasa mendatang BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN Back Next

PERBEDAAN HUBUNGAN KAUSAL RUNTUN WAKTU Sistem Agro-ekosistem botani virologi zoologi BIOLOGI bakteriologi ornithologi perkembangan molekuler genetika ekologi Ouput HUBUNGAN SEBAB-AKIBAT entomologi Input Sistem Input PROGRAM BANGKITAN BLACK BOX klimatologi BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN Ouput

VARIABEL PERAMALAN OPT Variabel yang meramal (X = independent) 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. Variabel yang diramal (Y = dependent) Populasi OPT, intensitas serangan, luas serangan, dan kehilangan hasil BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN

PROSES PEMBANGUNAN DAN PENGEMBANGAN MODEL PERAMALAN OPT BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN

PRINSIP PENYUSUNAN MODEL PERMALAN 1 MANAGEABLE model harus sesedikit mungkin melibatkan parameter dan dikembangkan secara sederhana sehingga dapat diaplikasikan sesuai dengan sumberdaya manusia, dana dan sarana yang tersedia Parsimony (hemat) 2 QUALITY 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

Jumlah WBC per rumpun --- Kepadatan --- G 0 G 1 G 2 G 3 R 3 r 3 R 2 r 1 Minggu setelah tanam

Contoh Peramalan Populasi WBC (Nilaparvata lugens) Tingkat petak dalam musim hujan di lokasi A Diketahui rata 2 pop. WBC pada G 0 (umur padi <30 hst) = 0, 2 ekor/rmp, Berapa pop. G 2 pada umur padi 60 -90 hst. (1 – 2 bulan lagi) ? Log G 2 = 2, 403 + 0, 61 Log (G 0) Log G 2 = 2, 403 + 0, 61 Log (0, 2) Log G 2 = 2, 403 + 0, 61 (-0, 699) Log G 2 = 1, 977. Jadi diramalkan padat pop. G 2 = 101, 977 = 94, 8 ekor / rumpun. 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 sarantindak agar populasi tinggi/hopperburn tidak terjadi? BALAI BESAR PERAMALAN ORGANISME PENGGANGGU TUMBUHAN

CONTOH PENGEMBANGAN MODEL PERAMALAN KAUSAL Hubungan Sebab-akibat Hama Penggerek Batang Padi KEHILANGAN HASIL (% / Berat) Intensitas Serangan Luas Serangan Populasi Larva Pertanaman Populasi Telur Populasi MA Populasi Ngengat G-2 Iklim Populasi Pupa Intensitas Serangan Luas Serangan Populasi Larva Pertanaman Populasi Telur Populasi MA Populasi Ngengat G-1 Iklim Populasi Pupa Intensitas Serangan Luas Serangan Populasi Larva Populasi MA Populasi Telur Populasi Ngengat G-0 Pertanaman Iklim

MUSIM HUJAN OPT Model C. L R* R Wereng Coklat Log YMH = 0, 503 + 0, 365 Log (YMK) + 0, 380 Log (YMH-1) 0. 1 2 0. 4 6 Penggerek Batang Log YMH = 0, 3358 + 0, 3116 Log (YMK) + 0, 5857 Log (YMH-1) 0. 0 5 0. 7 1 Tikus Log YMH = 0, 160 + 0, 4516 Log (YMK) + 0, 5073 Log (YMH-1) 0. 0 6 0. 7 6 Tungro Log YMH = 0, 2712 + 0, 718 Log (YMK) + 0, 1324 Log (YMH-1) 0. 0 9 0. 6 2 Blast Log YMH = 0, 3289 + 0, 3516 Log (YMK) + 0, 5433 Log (YMH-1) 0. 0 9 0. 5 7

MUSIM KEMARAU OPT Model C. L. R* R Wereng Coklat Log YMK = 0, 161 + 0, 570 Log (YMH) + 0, 278 Log (YMK-1) 0. 12 0. 4 8 Penggerek Batang Log YMK = 0, 2275 + 0, 3567 Log (YMH) + 0, 5533 Log (YMK-1) 0. 06 0. 6 4 Tikus Log YMK = 0, 3817 + 0, 3085 Log (YMH) + 0, 5638 Log (YMK-1) 0. 06 0. 7 2 Tungro Log YMK = 0, 1929 + 0, 375 Log (YMH) + 0, 4972 Log (YMK-1) 0. 09 0. 6 5 Blast Log YMK = 0, 2685 + 0, 3916 Log (YMH) + 0, 3402 Log (YMK-1) 0. 08 0. 4 8

MUSIM HUJAN OPT Model C. L R*R Ulat Grayak Log YMH = 0, 2022 + 0, 2533 Log (YMK) + 0, 4745 Log (YMH 1) 0, 12 0, 41 Penggulung daun Log YMH = 0, 2249 + 0, 6489 Log (YMK) + 0, 1772 Log (YMH 1) 0, 09 0, 60 Ulat Jengkal Log YMH = 0, 1704 + 0, 2826 Log (YMK) + 0. 5482 Log (YMH 1) 0, 18 0, 51 Lalat Kacang Log YMH = 0, 0448 + 0, 6694 Log (YMK) + 0, 1098 Log (YMH 1) 0, 09 0, 59 Penggerek polong Log YMH = 0, 0333 + 0, 3608 Log (YMK) + 0, 5237 Log (YMH 1) 0, 08 0, 53 Tikus Log YMH = 0, 0565 + 0, 2858 Log (YMK) + 0, 3940 Log (YMH 1) 0, 09 0, 46

MUSIM KEMARAU OPT Model C. L. R*R Ulat Grayak Log YMK = 0, 2988 + 0, 5174 Log (YMH) + 0, 2609 Log (YMK-1) 0, 11 0, 49 Penggulung daun Log YMK = 0, 2089 + 0, 1957 Log (YMH) + 0, 6491 Log (YMK-1) 0, 08 0, 62 Ulat Jengkal Log YMK = 0, 130 + 0, 2850 Log (YMH) + 0, 4683 Log (YMK-1) 0, 05 0, 48 Lalat Kacang Log YMK = 0, 2021 + 0, 2579 Log (YMH) + 0, 5388 Log (YMK-1) 0, 08 0, 58 Penggerek Polong Log YMK = 0, 3021 + 0, 2213 Log (YMH) + 0, 5090 Log (YMK-1) 0, 09 0, 49 Tikus Log YMK = 0, 1740 + 0, 2604 Log (YMH) + 0, 5031 Log (YMK-1) 0, 15 0, 50

S. litura 1 log Y = 0, 023 + 0, 14 L 2 ; R = 0, 90 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 Y = 4, 45 + 1, 08 T ; R = 0, 57 Y = Intensitas polong terserang pada saat panen T = Kepadatan populasi Telur pada pembungaan 2 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 OPT Model C. R* L R Penggerek batang Log YMH = 0. 177 + 0. 354 Log (YMK) + 0. 514 Log (YMH-1) 0. 0 0. 5 8 3 Ulat grayak Log YMH = 0. 351 + 0. 407 Log (YMK) + 0. 294 (YMH-1) 0. 1 0. 2 1 4 Lalat bibit Log YMH = 0. 261 + 0. 377 Log (YMK) + 0. 366 Log (YMH-1) 0. 0 0. 3 9 8 Tikus Log YMH = 0. 294 + 0. 333 Log (YMK) + 0. 386 Log (YMH-1) 0. 1 0. 3 0 5 Bulai Log YMH = 0. 452 + 0. 313 Log (YMK) + 0. 358 Log (YMH-1) 0. 1 0. 2 1 6 Penggerek tongkol Log YMH = 0. 329 + 0. 247 Log (YMK) + 0. 518 Log (YMH-1) 0. 0 0. 4 9 6

MUSIM KEMARAU OPT Model C. L. R*R Penggerek batang Log YMK = 0. 263 + 0. 202 Log (YMH) + 0. 511 Log (YMK-1) 0. 08 0. 45 Ulat grayak Log YMK = 0. 28 + 0. 143 Log (YMH) + 0. 194 (YMK-1) 0. 08 0. 11 Lalat bibit Log YMK = 0. 0895 + 0. 281 Log (YMH) + 0. 489 Log (YMK-1) 0. 07 0. 52 Tikus Log YMK = 0. 215 + 0. 153 Log (YMH) + 0. 611 Log (YMK-1) 0. 09 0. 48 Bulai Log YMK = 0. 172 + 0. 174 Log (YMH) + 0. 539 Log (YMK-1) 0. 08 0. 42 Penggerek tongkol Log YMK = 0. 194 + 0. 309 Log (YMH) + 0. 441 Log (YMK-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 Ŷt = 0, 127225 + 0, 870733 (Log Yt-1); R 2 = 0, 75 Atau Ŷt = 1, 34037 (Yt-1 0, 870733 ) Ŷt Dimana: = Ramalan luas serangan bulanan yang akan terjadi (ha) Yt-1 = Kumulatif luas tambah serangan bulanan (ha) t = Bulan

Model Peramalan Serangan Belalang Kembara Model Propinsi Lampung Peramalan luas serangan berdasarkan parameter luas serangan dan jumlah koloni pada lag 1 bulan. Log Ŷt = 0, 002342 + 0, 219787 Log Yt-1 + 0, 715199 Log Kt ; R 2 = 0, 73 Dimana: Ŷt = Ramalan luas serangan bulanan yang akan terjadi (ha) Yt-1 = Kumulatif luas tambah serangan bulanan (ha) K = Jumlah koloni belalang kembara dewasa dan nimfa t = Bulan

MODEL PERAMALAN POPULASI LALAT BUAH PADA TANAMAN BUAH-BUAHAN Log Yt = 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 Yt-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) Yt = 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)