LAPORAN AKHIR PRAKTIKUM

AGROINFORMATIKA

Yusita Ridha Insanijaya

1525010115

SEMESTER : 7 (VII)
GOLONGAN PRATIKUM : B3

LABORATORIUM SUMBER DAYA LAHAN

PROGRAM STUDI AGROTEKNOLOGI
FAKULTAS PERTANIAN
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWA TIMUR
2018
I. PENDAHULUAN

Agroinformatika adalah mata kuliah aplikasi di bidang pertanian dengan ide-ide inovatif,
teknik dan pengetahuan ilmiah untuk memperluas cakrawala dari penerapan teknologi informasi
dan komputer di bidang pertanian. Materi ajar Agroinformatika antara lain membahas berbagai
dimensi agro-informatika, mencakup berbagai bidang mulai dari pengantar database pertanian,
teknologi internet dan cyber marketing, kecerdasan buatan, sistem pendukung
keputusan,pengantar sistem informasi geografis, sistem informasi manajemen bidang pertanian.
Diharapkan bahwa matakuliah ini akan memberikan pengetahuan dasar pemanfatan TIK di
bidang pertanian dan pemahaman konsep sistem pertanian presisi (Precision Farming System).
Perangkat lunak DSSAT atau Decision Support System for Agrotechnology Transfer
adalah sebuah perangkat lunak yang diproduksi oleh ICASA (International Consortium for
Agricultural Systems Applications) dari Amerika Serikat. ICASA merupakan organisasi yang
bertujuan untuk memajukan penelitian di bidang sistem pertanian melalui pengembangan dan
penerapan analisa sistem peralatan dan metodologi yang kompatibel dan lengkap. DSSAT
digunakan untuk mensimulasikan pertumbuhan berbagai varitas tanaman sekaligus
memprediksi sejumlah nilai variabel yang berkaitan dengan produktivitas tanaman.
DSSAT dan model simulasi tanamannya telah digunakan untuk berbagai aplikasi pada
skala spasial dan temporal yang berbeda. Ini termasuk manajemen on-farm dan presisi,
penilaian regional dari dampak variabilitas iklim dan perubahan iklim, pemodelan berbasis gen
dan seleksi pemuliaan, penggunaan air, emisi gas rumah kaca, dan keberlanjutan jangka panjang
melalui keseimbangan karbon dan nitrogen organik tanah. DSSAT telah digunakan oleh lebih
dari 14.000 peneliti, pendidik, konsultan, penyuluh, petani, dan pembuat kebijakan dan
keputusan di lebih dari 150 negara di seluruh dunia.
Salah satu aplikasi model simulasi tanaman (DSSAT) adalah untuk memperkirakan hasil
panen selama musim tanam saat ini. Beberapa penelitian telah mencoba mengintegrasikan
model simulasi tanaman dengan data penginderaan jauh melalui metode asimilasi data.(Fang, et
all., 2008).
Manfaat DSSAT dapat digunakan di tingkat petani untuk memberikan informasi yang
digunakan untuk meningkatkan rencana dan keputusan. Mereka juga menyediakan rencana aksi
terbaik yang berguna di tingkat pertanian, regional, nasional dan global. DSS memberikan
informasi tentang sistem pertanian dan agro-ekologi dan sikap risikonya. DSS dapat digunakan
untuk menganalisis manfaat atau risiko yang terlibat dalam mengadopsi praktik baru di
pertanian. Ini juga memberikan gambaran ekonomi yang terlibat dalam praktik pertanian,
memberikan rasio manfaat biaya untuk menghasilkan panen di bawah praktik manajemen
tertentu.
 Manfaat DSSAT / CSM yang dirancang ulang yang baru akan memberikan peluang besar
bagi para pengembangnya dan orang lain dalam komunitas ilmiah untuk kerja sama yang lebih
besar dalam penelitian interdisipliner dan dalam penerapan pengetahuan untuk memecahkan
masalah di lapangan, pertanian, dan tingkat yang lebih tinggi (Jones et al. 2003).
II. METODA
2.1. Pengujian model kelas tanaman
1. Buka program aplikasi DSSAT version 4.5.0.0.
2. Klik Crop Management Data pada halaman Tool.
3. Berpindah pada bagian Selector, kemudian klik Crops dan pilih salah satu jenis tanaman
seperti Cereals > Barley.
4. Pada halaman Experiment, klik salah satu experiment dan klik Run hingga muncul
halaman DSSAT Simulation.
5. Klik bagian Analisys, dan pilih salah satu file yang tersedia didalamnya, contoh Summary
OUT > View, sehingga muncul halaman baru Summary OUT : Bloc de Notas. Dan
kemudian tutup kembali.
6. Memilih satu file tersedia lainnya, selain Summary OUT, seperti PlantGro OUT > Plot.
Hingga muncul halaman GBuild.
7. Klik variabel Leaf Area Index (LAID), dan centang Bagian Run semua > next.

8. Sehingga muncul grafik Time Series > Back.

9. Kemudian klik Leaf number per stem (L#SD) > Next, sehingga muncul grafik.

10. Klik Back.

11. Pilih variabel Root depth (m) (RDPD) > Next, hingga muncul grafik.
12. Klik Back > Close dan klik File > Exit untuk keluar dari GBuild.
13. Kembali ke halaman awal, dan pilih Weather OUT > Plot.

14. Pilih salah satu variabel dalam halaman GBuild Time Series Plot. Contohnya pilih
Relative cloudiness factor (0-1) (CLDD), dan centang Runs nomor 1 > Next.

15. Sehingga muncul gambar grafik seperti berikut.

16. Klik Back > Close > Klik File > Exit untuk menutup GBuilds.
17. Centang file Overview OUT pada halaman Analisys dan klik View, sehingga muncul
hasil seperti berikut.
2.2.Simulasi dengan Model-1 kelas tanaman ICSIM
1. Buka aplikasi DSSAT4.5
2. Pilih menu accessories disebelah kiri windows, lalu klik kiri
3. Didalam accessories terdapat introductory simulation, lalu klik kiri

4. Setelah terbuka windows ICSim maka klik file yang terdapat pada menu bar
5. Dalam menu file terdapat new, open, close, save dan exit
6. Pilih atau klik kiri new

7. Setelah windows muncul, terdapat experiment number. Experiment number diisi

“UCCO08705”.
8. Isi Experiment Identifier; Institute Code dengan “UC”, Site Code “CO”, Experiment
Number “0005”, Crop Group “Maize”, Cultivar “Mediu Season (990002)”.
9. Isi Field Information; Weather Season “UCCO”, Soil “DEFAULT-MEDIUM SANDY
LOAM”
10. Isi Initial Soil Conditions; Water “100”, Nitrogen “25”
11. Klik Management
12. Pilih Availabe Weather Years “1987”.
13. Isi Date (MM/dd/yyyy) “03/01/1987”, Plant population (m2) “8”, Row Spacing (cm) “70”
14. Isi Irigation Applications dengan klik “Add”

Date (MM/dd/yyyy) Type Amount depth of Water,

mm
04/01/1987 Sprinkler, mm 100
05/01/1987 Sprinkler, mm 100
06/01/1987 Sprinkler, mm 100
06/15/1987 Sprinkler, mm 100
15. Isi fertilizer Application dengan klik “Add”

Date (MM/dd/yyyy) Type N in applied fertilizer,

kh/ha
03/01/1987 Urea 100
05/01/1987 Urea 100
16. Lalu klik OK

17. Klik Simulate, lalu klik “Accept” atau “OK” setelah itu muncul Simulated results for
VCC08705
18. Ubah OVERVIEW.OUT menjadi SUMMARY.OUT

19. Setelah melihat file pada SUMMARY.OUT lalu ubah menjadi SOILWAT.OUT

20. Klik Graph lalu akan muncul tampilan seperti dibawah ini
21. Kemudian centang pada: UCC08705, Soil water soil layer 1, Soil water soil layer 2, Soil
water soil layer 3, Soil water soil layer 4, Soil water soil layer 5 dan klik “Next”

22. Lalu akan muncul data “Time Series” seperti berikut

23. Kemudian klik “File” pada bagian pojok kiri atas lalu klik Exit
24. Ubah “SOILWAT.OUT” menjadi “PLANTGRO.OUT” lalu klik “Graph”
25. Setelah muncul Time Series Plot lalu centang bagian UCCO08705, Yield Potential dan Leaf
Area Index kemudian klik “Next”
26. Setelah itu akan muncul Time Series seperti dibawah ini kemudian cek grafik lalu klik Back
untuk kembali pada Time Series Plot

27. Hilangkan tanda centang pada Leaf Index Area lalu klik centang pada root density soil layer
1, root density soil layer 2, root density soil layer 3, root density soil layer 4, root density
soil layer 5. Lalu klik Next

28. Setelah itu akan muncul Time Series seperti dibawah ini kemudian cek grafik lalu klik Back
untuk kembali pada Time Series Plot
29. Hilangkan tanda centang pada Yield Potential dan klik centang pada Water stress-
photosynthesis lalu klik Next dan muncul Time Series seperti berikut

30. Hilangkan centang pada root density soil layer 1, root density soil layer 2, root density soil
layer 3, root density soil layer 4, root density soil layer 5. Lalu klik NEXT
31. Setelah itu akan muncul Time Series seperti dibawah ini kemudian cek grafik lalu klik Back
untuk kembali pada Time Series Plot

32. Klik centang pada water stress expansion lalu klik next
33. Lalu akan muncul Time Series seperti di bawah ini lalu klik Back untuk kembali pada Time
Series Plot
34. Lalu klik Top Weight dan Yield Potential lalu klik Next dan muncul Time Series seperti
dibawah ini lalu klik Back

35. Kemudian klik Close, klik File pada pojok kiri atas lalu klik Exit
36. Ubah PLANTGRO.OUT menjadi SOILNI.OUT lalu klik Graph
37. Centang bagian NO3 soil layer 1, NO3 soil layer 2, NO3 soil layer 3, NO3 soil layer 4, NO3
soil layer 5 lalu klik Next
38. Kemudian klik Aceptar
39. Klik UCCO8705 klik Next, lalu muncul Time Series seperti di bawah ini dan kemudian klik
Back

40. Kembali ke Time Series Plot lalu klik NO3 soil

2.3.Analisis Musim menggunakan DSSAT 4.5
1. Klik crop management data
2. Klik file > new > close
3. Pilih seasonal pada file type
4. Ketik ‘’UCCO8109’’ pada experiment name
5. Ketik ‘’UC’’’pada institute code
6. Ketik ‘’CO’’ pada site code
7. Ketik ‘’1981’’ pada years
8. Ketik ‘’9’’ pada experiment number
9. Klik management > pilih cultivar
10. Ketik ‘’1’’ pada kolom level > lalu pilih maize pada kolom crop
11. Pilih pio 3995 pada kolom cultivar
12. Klik ‘’OK’’

13. Pilih environment > pilih field > pilih UCCO pada name di weather seation
14. Pilih ‘’DEFAULT-MEDIUM SANDY LOAM (SOIL.SOL)’’ pada name di SOIL
15. Pilih SANDY LOAM pada surface tektur pada soil
16. Ketik ‘’UCCO8109’’ pada field ID
17. Ketik “150’’ pada depth,cm pada soil
18. Ketik ‘’0’’ surface stones
19. Klik ‘’OK’’

20. Klik environment > pilih initial condition > klik acceptar
21. Klik envciroment > pilih field > klik management > klik planting
22. Ketik ‘’05/01/1981’’ pada planting date
23. Pilih dry seed pada planting metode
24. Pilih rows planting distribution
25. Ketik ‘’70’’ pada row spasing,cm
26. Ketik ‘’2’’ pada plant population at seeding,plant m2
27. Ketik ‘’2’’ pada plant population at emergence,plant m2
28. Ketik ‘’0’’ pada rowderection, degrees from north
29. Ketik ‘’5’’ pada planting deep, cm > klik ‘’OK’’
30. Klik environment > pilih initial condition
31. Klik residue > klik acceptar
32. Ketik ‘’05/01/1981’’ pada measurement date
33. Pilih wheat pada previous crop
34. Ketik ‘’1000’’ pada root weight,kg/ha
35. Ketik ‘’0’’ pada number
36. Ketik ‘’0’’ pada evectiveness
37. Ketik ‘’2000’’ pada crop residu , kg/ha
38. Ketik ‘’1’’ pada N % pada residue
39. Ketik ‘’100’’ pada % di incorporation
40. Ketik ‘’20’’ pada deep, cm > profile
41. Ketik ‘’100’’ pada water (% available)
42. Ketik ‘’50’’ pada nitrogen (kg/ha)
43. Klik recalculate > klik ‘’OK’’

44. Pilih management > pilih fertilizer > pilih urea pada kolom fertilizer material
45. Pilih banded on surface pada kolom fertilizer application
46. Ketik ‘’1’’ pada kolom deep,cm
47. Ketik ‘’100’’ pada kolom N, Kg/ha
48. Klik add application > ganti tanggal ‘’06/01/1981’’ pada kolom date
49. Klik add application > ganti tanggal ‘’07/01/1981’’ pada kolom date
50. Klik ‘’OK’’
51. Klik simulation option
52. Ketik ‘’9’’ pada years di runs
53. Pilih ceres-maize pada crop model
54. Pilih option > pilih NO pada simbiosis > pilih metod > pilih measured data pada weather
55. Pilih management > pilih irrigation and water management
56. Pilih automatic when requiret
57. Ketik ‘’100’’ pada management deep,cm
58. Pilih output
59. Ketik ‘’1’’ frequency of output (days)
60. Klik “OK’’

61. Pilih treatment > pilih ‘’1’’ pada kolom fertile > klik ‘’OK’’
62. Pilih management > pilih planting
63. Ketik ‘’2’’ pada kolom description
64. Klik add > ketik ‘’4’’ pada plant population at seeding, plant m2
65. ketik ‘’4’’ pada plant population at emergency, plant m2
66. Ketik ‘’4’’ pada kolom description
67. Klik add > Ketik ‘’6’’ pada kolom description
68. Klik add > ketik ‘’6’’ pada plant population at seeding, plant m2
69. ketik ‘’6’’ pada plant population at emergency, plant m2
70. Klik add > Ketik ‘’8’’ pada kolom description
71. Klik add > ketik ‘’8’’ pada plant population at seeding, plant m2
72. ketik ‘’8’’ pada plant population at emergency, plant m2
73. Klik add > Ketik ‘’10’’ pada kolom description
74. Klik add > ketik ‘’10’’ pada plant population at seeding, plant m2
75. ketik ‘’10’’ pada plant population at emergency, plant m2
76. Klik add > Ketik ‘’12’’ pada kolom description
77. Klik add > ketik ‘’12’’ pada plant population at seeding, plant m2
78. ketik ‘’12’’ pada plant population at emergency, plant m2
79. klik ‘’OK’’
80. pilih treatment > klik add (5x) > ganti angka pada kolom plant sesuai urutan
81. ganti sim1 pada kolom description muali angka ‘’2 hingga 12’’ > klik ‘’OK’’
82. pilih file > save as > local disk C > DSSAT 45 > seasonal dengan nama file ‘’UCC08109.SNX >
klik guarder
83. pilih file > exit
84. Buka aplikasi DSSAT4.5
85. Pilih menu seasonal, lalu disebelah kanan muncul kotak experiment.

86. Setelah muncul ada beberapa experiment, pilih atau centang pada nomor 4.
87. Dikotak experiment nomor 4 akan muncul treatment. Selanjutnya klik run.

88. Dalam kotak DSSAT v45 Simulation, akan muncul model. Selanjutnya klik Run
Model.
89. Setelah itu akan mucul windows CMD.
90. Pilih Analysis, lalu akan muncul kotak Summary. Klik OK

91. Akan muncul kotak penyimpanan file dengan nama UCCO8109.OSR, Klik save
92. Lalu muncul kotak seasonal analysis, selanjutnya pilih variabel harvest yield, lalu klik view
summary data. Klik OK
93. Lalu pilih top wt kg/ha, klik view summary data, klik ok
94. Pilih Et total mm, view summary data, klik ok

95. Kemudian hilangkan ctg pada top wt dan et total. Lalu klik plot, dan muncul tabel plot. Lalu
klik close,
96. Hilangkan ctg pada harvested yield, lalu pilih tops n kg/ha, Klik plot, klik CLOSE (X)
97. Hilangkan lagi ctg pada tops wt kg/ha, plot lagi, klik back
98. Lalu hilangkan ctg pd tops wt, plih lagi harvested yield, ganti tipe graph dg
commulative function plot, klik plot, lalu klik back

99. Ganti type graph dg mean variance plot, klik plot, klik back

100. Klik regresi, akan muncul kotak regresi, lalu mengganti kotak variabel x dg et total, lalu
variabel y diganti dg harvested yield, lalu klik regresi, akan muncul kotak regresi, lalu klik
close, kemudian ganti mode all values, lalu klik regresi, diatas klik file regresipilih linear, lalu
klik oke.

101. Lalu klik close ganti mode means, lalu klik regresi, plih linear klik ok. Klik close
102. Di tabel regresi ganti ep total mm, Ganti tops wt. Ulangi seperti langkah nomer sebelas
dan selanjutnya.
103. Variabel x ganti n uptake, regresi
104. Variabel y ganti harvested yield, regresi
105. Ganti means, regresi, close
2.4.Analisis Musim dalam Pembandingan Distribusi
1. Klik seasonal kemudian centang UCCO8109 > run

2. Setelah muncul DSSATv46 Simulation kemudian pilih run model pada model kemudian
klik ok pada menu information

3. Kemudian klik analysis, setelah muncul table summary klik ok dan save

4. Pada table seasonal analysis centang variables harvested yeld

5. Setelah itu klik economic
6. Pada graph type klik box-plot > plot
7. Setelah muncul graph box plot
8. Ulangi langkah nomer 6 dengan comulative function plot dan mean variance plot
9. Setelah semua selesai kemudian klik economic analysis dan strategis analysis.
2.5.Model Kalibrasi menggunakan Gencalc DSSAT 4.6 Ulangan 1
1. Buka DSSAT 4.5 kemudian pilih Genotype Coefficient Calculator
2. Klik start Gen Select > pilih OK pada GenCalc

3. Select a crop Barley > select hasil dari Pengujian model kelas tanaman (Default UCCO8705)
> klik GO

4. Select Treatments to Include Sim 1 > Klik GO > Save

5. Klik Run GenCalc

6. Klik action > check > Run dan klik yes

7. Klik file > Model Outputs > Evaluate > Check/Final run > View
III. HASIL PENGAMATAN
3.1 Pengujian Model Kelas Tanaman
Hasil PlantGro.OUT Leaf Area Index

Hasil PlantGro.OUT Leaf number per stem

Hasil PlantGro.OUT Root depth

Hasil Plot Weather.OUT Relative cloudiness factor

3.2 Simulasi dengan Model-1 kelas tanaman ICSIM
Hasil Grap SOILWAT.OUT soil water layer 1-5

Hasil PLANTGRO.OUT leaf area index

Hasil PLANTGRO.OUT root density, soil layer 1-5

Hasil PLANTGRO.OUT root density, soil layer 1-5 and water stress- phothosysthesis
Hasil PLANTGRO.OUT water stress- phothosysthesis and water stress expansion

Hasil PLANTGRO.OUT water stress- phothosysthesis and water stress expansion and tops
weight
Hasil SOILNI.OUT NO3 soil layer 1-5

Hasil SOILNI.OUT NO3 soil layer 5 and N leached

Hasil SOILNI.OUT N leached

3.3 Analisis Musim menggunakan DSSAT 4.5

Hasil View summary data harvested yield
Hasil View summary data tops wt kg/ha

Hasil View summary data ET total mm

Hasil Box-plot dari harvested yield

Hasil Cumulative Function plot dari harvested yield

Hasil Mean-Variance plot dari harvested yield

Hasil Box-plot dari Tops N kg/ha

Hasil Cumulative Function plot dari Tops N kg/ha

Hasil Mean-Variance plot dari Tops N kg/ha

Hasil Box-plot dari tops wt kg/ha

Hasil Cumulative Function plot dari tops wt kg/ha

Hasil Mean-Variance plot dari tops wt kg/ha

Hasil Mean Regression of ET total mm on Harvested yield

Hasil All Values Regression of ET total mm on Harvested yield

Hasil All Values Regression of EP total mm on Harvested yield

Hasil All Values Regression of ET total mm on Tops wt kg/ha

Hasil All Values Regression of N uptake kg/ha on Tops wt kg/ha

Hasil All Values Regression of N uptake kg/ha on Harvested yield

3.4 Analisis Musim dalam Perbandingan Distribusi

Hasil Economic Analysis Box-plot dari harvested yield
Hasil Economic Analysis Cumulative Fungtion Plot dari harvested yield

Hasil Economic Analysis Mean-Variance Plot dari harvested yield

Hasil Economic Analysis dari harvested yield

Hasil Strategy Analysis dari harvested yield

3.5 Model Kalibrasi menggunakan Gencalc DSSAT 4.6 Ulangan 1
Hasil Experimen Data

Hasil Gencalc Plant Evaluation Barley UCCO8705

IV. DESKRIPSI
4.1 Pengujian model kelas tanaman
Selain untuk melakukan uji coba pada setiap jenis tanaman ataupun merekayasa
lingkungan serta lahan untuk ditanamai. Salah satu kegunaan pengujian medel kelas tanaman ini
dapat mengetahui grafik pertumbuhan tanaman dari awal tanam hingga tanaman dewasa seperti
pada (gambar. leaf area index) menunujukkan daun yang bekerja secara maksimal pada kurun
waktu tanaman muda hingga dewasa. (gambar. Leaf number per stem) merupakan grafik jumlah
daun perbatang pada masing masing perlakuan. (gambar. Root depth) pada gambar ini
menunjukkan kedalaman akar pada masing perlakuan. (gambar. Relatife cloudiness factor)
menunjukkan grafik cuaca pada saat simulasi.

4.2 Simulasi dengan Model-1 kelas tanaman ICSIM

Pada bab ini menunjukkan tata cara untuk memulai simulasi yang diawali dari persiapan
lahan yang di dalamnya terdapat pemilihan stasiun cuaca, jenis tanaman, jenis tanah, kandungan
air serta hara pada tanah. Kemudian dilanjutkan dengan penanaman yang meliputi tanggal
penanaman,jarak tanam, irigasi dan aplikasi pupuk. Hasil dari grafik soil water menunjukkan
adanya fluktuasi konsentrasi air didalam tanah pada jangka waktu awal penanaman hingga
panen. Dari hasil grafik leaf area indect, adanya perbedaan yang terjadi pada pendugaan
simulasi dimana hasil pada simulasi kurang optimal karena masih dibawah potensi dari
tanaman. Dari grafik rodencity, massa jenis akar pada perlakuan 1 menunjukkan adanya
peningkatan pada hari2 pertama, perlakuan 2 dan 3 mengalami kesetimbangan sedangakan pada
perlakuan 4 dan 5 mengalami perlambatan. Rata-rata setiap perlakuan mengalami perlambatan
pada hari ke 60. Pada water strees tidak menunjukkan adanya peningkatan ataupun penurunan.
Top wet adanya perbedaan yang terjadi pada pendugaan simulasi dimana hasil pada simulasi
kurang optimal karena masih dibawah potensi dari tanaman. Hasil dari nitrat perlakuan pertama
menunjukkan adanya peningkatan yang tinggi pada hari pertama dan mengalami kemunduran
pada hari ke 30. Nitrat perlakuan kedua menunjukkan tidak adanya perubahan peningkatan pada
hari pertama tapi mengalami peningkatan pada hari ke 25 kemudian mengalami penurunan pada
hari 30 dan mengalami peningkatan lagi pada hari ke 98. Nitrat perlakuan ketiga mengalami
peningkatan pada hari ke 35 kemudian mengalami penurunan pada hari 30 dan tidak mengalami
peningkatan yang berarti. Nitrat perlakuan keempat menunjukkan tidak adanya perubahan
peningkatan pada hari pertama tapi mengalami peningkatan pada hari ke 30 kemudian
mengalami penurunan pada hari 40 dan mengalami peningkatan lagi pada hari ke 100. Nitrat
perlakuan kelima menunjukkan tidak adanya perubahan peningkatan pada hari pertama tapi
mengalami peningkatan pada hari ke 30 kemudian mengalami penurunan pada hari 60 dan
mengalami peningkatan lagi pada hari ke 100. Pada grafik N-tercuci menunjukkan peningkatan
terus-menerus secara konstan .
 Dalam studi ini, Model Sistem Tanam-Jagung-CERES diintegrasikan dengan produk
indeks luas daun Immediate Resolution Imaging Spectroradiometer (MODIS) (LAI) untuk
memperkirakan hasil jagung di negara bagian Indiana, AS. Prosedur ini, inversi model simulasi
tanaman, memfasilitasi beberapa mode input pengguna yang berbeda dan menghasilkan
serangkaian parameter agronomi dan biofisik, termasuk hasil panen.(Fang et al. 2008)

4.3 Analisis Musim menggunakan DSSAT 4.5

Mengelola data panen dengan nama percobaan UCCO8109. Kultivar yang digunakan
adalah komoditas jagung. Kondisi lingkungan menggunakan tanah bertekstur pasir berlempung
dengan kedalaman 150 cm, tanpa batuan di permukaan. Bahan tanam yang digunakan adalah
benih kering dengan jarak tanam 70 cm. Pembibitan jagung membutuhkan luasan sebesar 2 m2
dan deret baris 0 derajat dari sebelah utara. Penanaman dilakukan dengan kedalaman 5 cm.
Kondisi lingkungan sebelumnya ditanami komoditas gandum dengan berat akar 1000 kg/ha dan
efektivitas 2000 kg/ha. Residu N 1%, jumlah penggabungan residu N,P,K sebesar 100%,
dengan solum pada penanaman komoditas gandum 20 cm. Air tersedia 100%, dengan
membutuhkan 50% Nitrogen kg/ha. Pupuk N 100 kg/ha diaplikasikan pada permukaan dengan
kedalaman 1 cm. Hal tersebut berlangsung selama 9 tahun. Model penanaman menggunakan
CERES-MAIZE tanpa adanya simbiosis. Pengelolaan irigasi dan drainasi hanya ketika
dibutuhkan, dengan kedalaman pengelolaan 100 cm. Model overpredicted gandum jagung
menghasilkan sedikit untuk beberapa perawatan, umumnya overpredicted total serapan N dan
kandungan total N dan kelembaban tanah yang kurang terprediksi (Asadi and Clemente 2003)
Hasil Regression menunjukkan bahwa hubungan dari ET total dengan hasil panen
memiliki nilai linier 0,877646 dengan koefisiennya k= 20,389 dan d = 134,746. Pada regresi
antara EP total dengan hasil panen menunjukkan nilai linier 0,907406 dengan koefisiennya k=
27,312 dan d= 1277,246. Pada regresi ET total dengan berat hasil ( Tops wt kg/ha)
menunjukkan nilai linear 0,884062 dengan koefisiennya k= 40,861 dan d= 392,141. Pada
regresi N uptake (serapan N) dengan berat hasil ( Tops wt kg/ha) menunjukkan nilai linear
0,934491 dengan koefisiennya k= 71,688 dan d= 3107,479. Pada regresi N uptake (serapan N)
dengan hasil panen menunjukkan nilai linier 0,913212 dengan koefisiennya k= 35,491 dan d=
1532,610. Hasil tersebut memiliki rumus persamaan y = k*x+d. Regresi dapat menghubungkan
antar kebutuhan dari tumbuhan.
Menggunakan LAI musiman dalam prosedur optimasi menghasilkan hasil terbaik
dibandingkan dengan hanya LAI hijau atau nilai LAI tertinggi. Penanaman, munculnya dan
tanggal pematangan, dan N tingkat aplikasi pupuk juga diperkirakan di tingkat regional. Studi
lebih lanjut akan mencakup menyelidiki ketidakpastian model dan menggunakan produk
MODIS lainnya, seperti indeks vegetasi yang ditingkatkan.(Fang et al. 2008).
4.4 Analisis Musim dalam Perbandingan Distribusi
DSSAT memiliki modul yang memungkinkan pengguna untuk membuat file input model
untuk simulasi spasial di zona manajemen yang telah ditentukan, mengkalibrasi model untuk
mensimulasikan variabilitas hasil spasial historis, memvalidasi model untuk musim yang tidak
digunakan untuk kalibrasi, dan memperkirakan respon tanaman dan dampak lingkungan dari
nitrogen, populasi tanaman, kultivar, dan resep irigasi (Thorp et all., 2008).

Hasil analisis ekonomi dari program Analisis Musiman memperkirakan hasil panen setiap
perlakuan dari tanaman jagung. Grafik menunjukkan bahwa pada perlakuan 6 memiliki hasil
panen yang lebih tinggi dari perlakuan lainnya. Dengan adanya economi analisis dapat
menentukan besaran hasil panen yang diharapkan dari setiap perlakuan. Pengaplikasian
perlakuan 6 untuk hasil panen khususnya analisis Mean-Gini, menunjukkan bahwa
pengaplikasian tersebut mendapatkan perolehan 705,3 t / ha dan hasil mean returnnya 1284,9 t /
ha. Penelitian ini mengungkapkan bahwa data cuaca masa depan yang dihasilkan dapat
diandalkan dan DSSAT dapat berhasil menggunakannya untuk memprediksi hasil panen di
masa mendatang di bawah praktik manajemen yang berbeda dan memilih yang terbaik untuk
produksi jagung yang berkelanjutan oleh DSSAT.

4.5 Model Kalibrasi menggunakan Gencalc DSSAT 4.6 Ulangan 1

GENCALC (Genotype Coefficient Calculator) adalah paket perangkat lunak yang

memfasilitasi penghitungan koefisien ini untuk digunakan dalam model tanaman yang ada.
Dalam GENCALC, koefisien untuk genotip diestimasi secara iteratif dengan menjalankan
model pemangkasan yang sesuai dengan data input model dan koefisien perkiraan,
membandingkan output model dengan data aktual, dan kemudian mengubah koefisien sampai
nilai simulasi dan nilai yang diukur. Koefisien ditentukan dalam urutan tertentu, dimulai dengan
yang berhubungan dengan aspek pengembangan (Welch et all, 2000).
GenSelect adalah antarmuka pengguna untuk menentukan input untuk Kalkulator Genetik
Koefisien GENCALC. Setelah pengguna memilih tanaman dan kultivar, GENCALC akan
menampilkan semua eksperimen dan perawatan yang terkait dengan kultivar ini. Pengguna
kemudian memilih perawatan yang sesuai, lebih disukai perawatan tanpa tekanan, untuk
kalibrasi model menggunakan GENCALC. Barley UCCO8705 dengan perhitungan GenCalc
menunjukkan run complete 13 dari 504 Run per rules set (max). hasil model output evaluate
check view menunjukkan bahwa Plant Evaluation dari UCCO8705BA dan UCCO8705
menentukan hasil genetic koefisien dari pemilihan tanaman dan kultivar.
V. KESIMPULAN
DSSAT dapat digunakan untuk membantu dalam pengambilan keputusan, misal apakah
suatu lahan pertanian membutuhkan irigasi yang cukup, sedang, atau banyak, apakah pupuk
yang digunakan telah sesuai dengan jenis tanaman, apakah kadarnya terlalu berlebih atau
kurang, dan sebagainya. Dengan menggabungkan beberapa data minimal seperti data tanah, data
iklim, data tanaman (crop phenotype) dan data pengaturan penanaman, maka dapat dilakukan
simulasi untuk memprediksi hasil panen yang ditanam dalam kurun waktu tertentu.
 Daftar Pustaka

Asadi, Mohammad E. and Roberto S. Clemente. 2003. “Evaluation of CERES-Maize of DSSAT

Model to Simulate Nitrate Leaching , Yield and Soil Moisture Content under Tropical
Conditions.” Food, Agriculture & Environment 1(3):270–76.
Fang, Hongliang, Shunlin Liang, Gerrit Hoogenboom, John Teasdale, and Sustainable
Agricultural. 2008. “International Journal of Remote.” International Journal of Remote
Sensing 29(10):3011–32.
Jones, J. W., G. Hoogenboom, C. H. Porter, K. J. Boote, W. D. Batchelor, L. A. Hunt, P. W.
Wilkens, U. Singh, A. J. Gijsman, and J. T. Ritchie. 2003. “The DSSAT Cropping System
Model.” Europ. J. Agronomy 18:235–65.
Thorp, Kelly R., Kendall C. Dejonge, Amy L. Kaleita, and William David Batchelor. 2008.
“Methodology for the Use of DSSAT Models for Precision Agriculture Decision Support.”
Computers and Electronics in Agricultur 64:276–85.
Welch, S. M., R. L. Vanderlip, and E. Roma. 2000. “Comparing Genetic Coefficient Estimation
Methods Using the CERES-Maize Model.” Agricultural Systems 65:29–41.