Memprediksi Produktivitas Padi dengan DSSAT sebagai Validasi Model Perhitungan Produktivitas dengan Data Hyperspektral Nasriyati1), Arif Darmawan1) Pusat Teknologi Inventarisasi Sumberdaya Alam, Badan Pengkajian dan Penerapan Teknologi (PTISDA BPPT),Gedung 2 Lantai 19, Jl. MH. Thamrin no. 8, Jakarta 10340, Tel. (021) 316 9711, Fax. (021) 316 9720 Email :
[email protected] 1)
Abstrak
Decision Support System (DSS) merupakan sebuah sistem informasi berbasis komputer untuk membantu pengguna dalam mengambil sebuah keputusan atau kebijakan. Decision Support System for Agrotechnology Transfer (DSSAT) adalah sebuah perangkat lunak yang digunakan untuk mensimulasikan pertumbuhan berbagai varitas tanaman sekaligus memprediksi sejumlah variabel yang berkaitan dengan produktivitas tanaman. Beberapa variabel tersebut antara lain : jumlah daun per batang, Leaf Area Index (LAI), berat hasil panen (grain weight), berat kanopi (canopy weight), tinggi kanopi (canopy height), tekanan air (water stress), berat akar (root weight), dan masih banyak lagi variable lain. Keluaran yang dihasilkan oleh 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. Salah satu jenis tanaman yang dapat dimodelkan adalah berbagai varitas padi. Varitas IR64 dan varitas Ciherang merupakan salah satu varitas padi yang banyak ditanam di Indonesia. Untuk dapat mensimulasikan varitas IR64 dan Ciherang dibutuhkan data spesifikasi khusus milik varitas tersebut agar nilai prediksi yang dihasilkan oleh DSSAT pun mendekati nilai ratarata hasil yang dipanen oleh para petani. Hasil yang dikeluarkan oleh DSSAT salah satunya berupa prediksi nilai berat hasil panen (Grain Weight) dapat digunakan sebagai pembanding hasil yang dikeluarkan oleh perangkat lunak HyperSRISoft. HyperSRIsoft adalah sistem yang digunakan untuk mengolah data hyperspektral untuk keperluan prediksi hasil panen tanaman padi. Kata kunci: Decision Support System, DSSAT, Hyperspektral, Sistem prediksi panen padi
Abstract
Decision Support System (DSS) is a computer-based information system to assist users in taking a decision or policy. Decision Support System for Agrotechnology Transfer (DSSAT) is a software used to simulate the growth of various plant varieties as well as predicting the number of variables related to plant productivity. Some variables include: number of leaves per stem, Leaf Area Index (LAI), grain weight, canopy weight, canopy height, water stress, root weight, and many other variables. Output generated by DSSAT can be used to assist in decision making, eg whether a farm requires considerable irrigation, moderate, or many, whether the fertilizers used in accordance with the type of plant, whether the levels are too excessive or less, and so on. By combining some minimal data such as soil data, climate data, plant data (crop phenotype) and planting arrangements of data, it can be carried out simulations to predict the crop planted in a certain period of time. One type of plant that can be modeled are the various varieties of rice. IR64 varieties and varieties Ciherang is one of many rice varieties grown in Indonesia. To be able to simulate a variety IR64 and Ciherang data required special specifications such varieties belong to the predicted value generated by DSSAT were close to the average value of which is harvested by farmers. The results released by the DSSAT one form of predictive value of weight yields (Grain Weight) can be used as a comparison the results released by the software HyperSRISoft. HyperSRIsoft is a system used to process data for the purposes of prediction hyperspectral rice crop yields. Keywords: Decision Support System, DSSAT, Hyperspectral, the rice harvest prediction system
120
1. Latar Belakang Padi adalah sumber makanan pokok bagi masyarakat Indonesia. Sebagian besar beras yang dikonsumsi merupakan hasil produktivitas padi nasional. Seringkali pemerintah kesulitan dalam memperkirakan kecukupan bahan pangan pokok yang dapat disediakan oleh pertanian dalam negeri. Karena itu dibutuhkan suatu metode untuk dapat memprediksi hasil panen padi secara tepat dan akurat. 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. Belum banyak makalah yang membahas tentang bagaimana menggunakan perangkat lunak DSSAT untuk keperluan prediksi panen suatu tanaman. Maka dari itu makalah ini ditulis untuk memaparkan bagaimana menjalankan software DSSAT dan data apa saja yang dibutuhkan agar dapat menghasilkan keluaran berupa nilai prediksi panen padi. Disamping itu dengan pemanfaatan teknologi penginderaan jauh Hyperspektral hasil prediksi model DSSAT kemudian akan dibandingkan sekaligus divalidasi dengan model prediksi dari data penginderaan jauh hypersectral. Model prediksi yang dibangun dari data Hyperspektral ini dapat diterapkan tidak hanya untuk memprediksi hasil panen padi juga untuk mengamati kondisi pertumbuhan tanaman pada suatu area yang luas. Pengolahan awal data Hyperspektral dilakukan dengan menggunakan perangkat lunak HyperSriSoft yaitu suatu perangkat lunak yang dapat digunakan untuk mengolah data hyperspektral untuk keperluan prediksi hasil panen tanaman padi. Untuk memvalidasi hasil keluaran HyperSriSoft digunakan dua metode, yaitu : 1) Validasi menggunakan data ubinan (membandingkan dengan hasil perhitungan kerangka sampel area) 2) Membandingkan dengan hasil keluaran software DSSAT. 2. Lokasi Penelitian (ROI) Lokasi penelitian (ROI) dilakukan di sawah beririgasi daerah Indramayu (15 km x 30 km) dan Subang (19 km x 22 km), Jawa Barat (Gambar 1.3) dari tanggal 25 Juni – 1 Juli 2008. Pemilihan lokasi ini berdasarkan rancangan kerangka sample area yang telah dilakukan pada fase pengembangan metodologi proyek SARI (BPPT) pada tahun 1995. Zonasi daerah studi dilakukan dengan mengklasifikasikan daerah padi dan non padi sehingga dapat mengurangi areal yang akan diambil sampelnya. Pertimbangan lainnya dalam penentuan wilayah studi ini adalah karena Kabupaten Subang dan Indramayu merupakan daerah sentra produksi padi di Jawa Barat untuk beberapa varietas seperti Ciherang, ketan dan IR-42 dan alih fungsi lahan di kedua daerah ini termasuk cepat (Ditjen. Pengelolaan Lahan dan Air, 2010) sehingga perlu dilakukan pengamatan yang akurat dan kontinu. Selain itu, khususnya di Kabupaten Subang telah memiliki sarana dan prasarana pendukung penelitian tanaman padi seperti laboratorium dan lahan percobaan yang memadai.
121
Pada ROI Subang dipilih 6 sampel area dan 5 sample area untuk ROI Indramayu dengan luas tiap sampel area 500m x 500m. Selanjutnya tiap-tiap sample area dibagi lagi ke dalam 10 area yang lebih kecil, 10m x 10m yang disebut ’qudrat’. Namun, pengukuran data spektral untuk quadrat-quadrat yang telah disekesi tidak seluruhnya bisa dilakukan karena kondisi cuaca atau tutupan awan yang tinggi. Pengukuran spektral sebaiknya dilakukan pada rentang waktu pukul 10.00 – 14.00 dan pada kondisi cuaca cerah.
Gambar 1 Wilayah Studi di Kabupaten Subang dan Indramayu, Jawa Barat 3. Bahan dan Metode 3.1 Bahan Untuk menjalankan DSSAT diperlukan beberapa data minimal (minimum data set). Data minimal merujuk kepada sekumpulan data yang dibutuhkan untuk menjalankan model tanaman (crop model) dan memvalidasi hasil keluarannya. Data yang dibutuhkan untuk memvalidasi keluaran tersebut adalah: 1. Data Iklim sepanjang waktu penanaman 2. Data tanah 3. Data manajemen penanaman dan data hasil observasi Data Iklim Data iklim meliputi: 1) Koordinat lintang dan bujur dari stasiun iklim 2) Nilai radiasi matahari (MJ/m²-day) 3) Nilai maksimum dan minimum suhu udara (ºC) 4) Curah hujan (mm) Data Tanah Profil data tanah yang dibutuhkan mencakup: 1) Informasi tentang warna tanah untuk setiap lapisan tanah (kuning, coklat, merah, hitam, atau abu-abu) 2) Pengaliran air (Drainage) Jenis-jenis pengaliran air di tanah: • Berlebihan (excessive): air segera keluar dari tanah sehingga tanah akan mengalami kekurangan air • Agak berlebihan (somewhat excessice): air hanya sebentar tertahan dalam tanah, sehingga kurang tersedia bagi tanaman • Baik (well): Tanah mempunyai peredaran udara yang baik, profil tanah berwarna terang, seragam dan tidak terdapat bercak
122
Agak baik (moderat well): tanah mempunyai peredaran di daerah perakaran, tidak terdapat bercak • Agak buruk (somewhat poorly): lapisan atas tanah mempunyai peredaran tanah baik, tidak terdapat bercak, pada lapisan bawah terdapat bercak • Buruk (poorly): pada bagian bawah dari lapisan atas tanah terdapat bercak • Sangat buruk (very poorly): seluruh lapsan tanah berwarna kelabu dan terdapat bercak. Air menggenang di permukaan tanah dalam waktu yang lama Kecuraman Lereng (Slope) Macam-macam slope antara lain: • Datar (0-3%) • Landai atau berombak (>3-8%) • Agak miring atau bergelombang (>8-15%) • Miring atau berbukit (>15-30%) • Agak curam atau bergunung (>30-45%) • Curam (>45-65%) • Sangat curam (>65%) Potensi Limpasan Air (Runoff Potential) Tingkat potensi limpasan air yang tersedia di DSSAT antara lain: • Lowest: antara lain pada tanah yang berpasir dalam dengan sedikit endapan lumpur, tanah liat dan cepat menyerap. • Moderatlely low: paling banyak terdapat pada tanah berpasir kedalaman rendah. • Moderately high: terdapat pada tanah dangkal dan mengandung tanah liat dan koloid cukup. • Highest: terdapat pada sebagian besar tanah liat juga termasuk beberapa tanah dangkal yang bersifat hampir kedap air Faktor Kesuburan (Fertility Factor ) Faktor kesuburan merujuk pada jumlah nutrisi, yang cukup untuk mendukung kehidupan tanaman. Data Inputan tabel, yang meliputi: • Kedalaman horizon: diketahui berapa lapis horizon dan kedalamannya misalnya (0-20 cm, 20-35 cm , 35-60 cm) • Master Horizon:Abg. Bg, …. • Persentase kandungan pasir, endapan lumpur, dan tanah liat • Karbon organik • pH air • Cation Exchange Capacity (KTK) cmol/kg (Data sifat kimia tanah) • Informasi tentang kelimpahan akar • Tekstur Tanah • Tekstur tanah penting dalam mempengaruhi kapasitas tanah untuk menahan air dan permeabilitas tanah serta berbagai sifat fisik dan kimia tanah lainnya. •
3)
4)
5) 6)
Data Manajemen dan Hasil Observasi Data manajemen mencakup tanggal penanaman, tanggal ketika kondisi tanah diukur sebelum penanaman, kepadatan tanaman, jarak tanam, kedalaman tanam, varitas
123
tanaman, irigasi, dan praktek pemupukan. Data ini dibutuhkan baik untuk validasi model ataupun pada saat evaluasi . 3.2 Metode Penelitian untuk memprediksi nilai hasil panen pada tanaman padi ini menggunakan metoda perulangan dengan memasukkan beberapa kumpulan data yang berbeda sampai didapat hasil yang mendekati nilai rata-rata yang biasa dipanen oleh para petani. Tahapan Percobaan: 1) Memasukkan data Iklim Untuk memasukkan data iklim ke dalam perangkat lunak DSSAT, maka yang pertama dilakukan adalah menyiapkan file berisi data iklim sesuai dengan format DSSAT. File ini memiliki ekstension WTH. Setiap 1 file WTH berisi data cuaca harian dalam satu tahun. Contoh dari file WTH adalah seperti gambar di bawah ini Nama stasiun iklim yang digunakan
INSI : kolom untuk kode stasiun Iklim (INDR: Indramayu) LAT /LONG : koordinat lintang dan bujur
Gambar 2 Isi dari File WTH yang Berisi Data Iklim yang Dibutuhkan oleh DSSAT Data Iklim yang wajib ada di dalam file WTH terdiri dari: a. Header file , yang terdiri dari nama dan kode stasiun iklim, serta koordinat lintang dan bujur b. Data Cuaca Harian, yang terdiri dari @Date, SRAD, TMAX, TMIN, RAIN: @Date: kode untuk data tanggal , dengan format: 2 digit pertama adalah angka tahun, 3 digit terakhir diisi oleh nomer urut hari dalam setahun (Julian days). Contoh: @Date: 79001 [79= tahun 1979, 001=hari ke-1] SRAD: nilai radiasi sinar matahari (Radiation) [joule] TMAX, TMIN: suhu maksimum, dan minimum [o C] RAIN: curah hujan [mm] Setelah file WTH siap, maka file tersebut diberi nama sesuai format nama data iklim di DSSAT yaitu: xxxx-yy-dd: 4 huruf pertama adalah nama kode stasiun, 2 digit berikutnya adalah angka tahun data tersebut, 2 digit terakhir biasa diberi angka 01.
124
Contoh, nama file seperti gambar di atas adalah: INDR7901.WTH. File WTH tersebut kemudian disalin (copy) ke folder “Weather” di mana terdapat program DSSAT, misalnya di C:/DSSAT/Weather. Ketika membuka program DSSAT (XBuild) maka akan muncul nama stasiun iklim yang sudah dimasukkan tersebut. Hal ini dapat dilihat pada gambar 3 berikut:
Nama stasiun iklim Indramayu muncul di GUI DSSAT Gambar 3 Tampilan Data iklim di General User Interface (GUI) DSSAT Untuk percobaan ini penulis menggunakan data iklim dari stasiun Indramayu dengan rentang waktu dari tahun 1979-2007 dan data iklim stasiun Jatiwangi tahun 2008. 2) Memasukkan data tanah Pada percobaan ini profil tanah yang digunakan adalah sebagai berikut: • Warna tanah (Color): abu-abu (Grey) • Jenis pengaliran (Drainage): agak buruk (somewhat poorly) • Sumber data (Soil Source) BBSLDP (Balai Besar Sumber Daya Lahan Pertanian) • Tahun pengambilan sampel: 1999 • Nama seri tanah: Indramayu • Klasifikasi tanah: gleisol • Persentase kemiringan (slope): 3 • Potensi limpasan (runoff potential): agak tinggi (Moderately High) • Tingkat kesuburan: 1 Gambar 4 menunjukkan tampilan GUI untuk modul tanah 1
125
Gambar 4 GUI Modul Tanah 1 Berikutnya untuk modul tanah yang kedua , diisikan profil tanah sebagai berikut: Tabel 1 Data Tanah yang Dimasukkan pada Input Table DSSAT
Kedalaman
20 40 70
Master Horizon
Apg Bg1 Bg2
Tanah Liat (%)
66 65 65
Lumpur (%)
32 34 34
Batuan (%)
2 1 1
Karbon Organik %
1.81 0.98 0.8
Kelembapan
6.8 6.8 6.8
Kapasitas Pertukaran Ion (cmol/kg)
Total Nitrogen (%)
49.9 54.1 44.8
0.16 0.11 0.1
Gambar 5 menunjukkan Input Table di DSSAT dengan isian seperti data di atas:
Gambar 5 GUI Pengisian Data Tanah Langkah selanjutnya adalah menghitung parameter tanah, dengan isian sebagai berikut:
126
Tabel 2 Pengisian di Modul Tanah Kedalaman
Tanah liat %
Endapan Lumpur %
Batuan %
Batas Bawah
20 40 70
66 65 65
32 34 34
2 1 1
0.397 0.374 0.369
Kerapatan 1.22 1.31 1.33
Sat.Hydraulic Control 0.06 0.06 0.06
Root Factor 1 0.549 0.333
Batas Kejenuhan Atas Pengaliran 0.573 0.535 0.526
0.59 0.569 0.563 Growth
Gambar 6 menunjukkan tabel untuk memasukkan parameter tanah di modul tanah:
Gambar 6 GUI Untuk Memasukkan Parameter Tanah 3) Memasukkan Data Pengaturan Penanaman (Planting Management) Beberapa asumsi pengaturan penanaman yang digunakan: a. Data Cultivar: data varitas padi IR64 b. Metode Penanaman (Planting Method): Transplants c. Penyebaran (Planting Distribution): Rows d. Jumlah Tanaman per baris pada saat pembibitan (Plant population at Seedings): 80 e. Jumlah tanaman pada saat mulai muncul (Plant population at emergence): 80 f. Jarak Tanam (Row Spacing): 25 cm g. Arah tanam (Row Direction): 90O dari Utara (arah Timur) h. Kedalaman tanam (Planting depth): 5 cm Gambar pengisian data penanaman (Planting):
127
Gambar 7 GUI untuk Pengisian Data Penanaman 4) Memasukkan Data Pengairan Simulasi percobaan dibagi menjadi 2 (dua) level, irrigated , dan not irrigated. Untuk yang irrigated, diberi nilai Efficiency fraction: 0.8. dengan data pengairan sebagai berikut: Tabel 3 Data Pengairan Hari Ke10 20 30 40 50 60 70
Jumlah Pengairan 50 50 50 50 50 50 50
Metode Pengairan Flood Flood Flood Flood Flood Flood Flood
5) Memasukkan Data Pemupukan Percobaan ini menggunakan data pemupukan sebagai berikut: • Pemberian pupuk pada hari ke-10 • Bahan pupuk: urea • Metode aplikasi pemupukan (Fertilizer Applications): Broadcast on flooded • Kedalaman tanah: 5 cm Tabel 4 Komposisi Nitrogen (N), Fosfor (P), Kalium (K), dan Kalsium (Ca) (dalam kg /ha) N P P Ca 75 50 50 5
128
G am bar 8 Mo dul Pen gisi an Dat a Pe mu puk
an 6) Penggunaan Bahan Organik Penyertaan data bahan organik bukan bersifat wajib, namun hasil prediksi akan lebih baik bila data tentang bahan organik ada. Data tentang bahan organik yang digunakan adalah sebagai berikut: • Bahan sisa (residue material): Crop Residue • Jumlah: 500 kg/ha • Konsentrasi Nitrogen: 0.5 %
Gambar 9 Pengisian Data Bahan Organik Semua isian pada modul tersebut disimpan dalam file eksperimental berakhiran RIX. Contoh: BPIN7901.RIX . Penamaan ini berasal dari kode instansi (BP), lokasi penanaman (Indramayu), tahun percobaan (1979), dan nomor percobaan (01). 7) Menjalankan Model DSSAT
129
Setelah semua data yang dibutuhkan selesai dimasukkan ke dalam modul, langkah selanjutnya adalah menjalankan file eksperimental dengan membuka program DSSAT4 . Gambar 10 menunjukkan tampilan GUI untuk ruing file eksperimental: Tombol Run untuk menjalankan file RIX
Gambar 10 Modul untuk Menjalankan File Experimental Hasil eksekusi file RIX dapat dilihat pada gambar di bawah ini:
Gambar 11 Tampilan Hasil Eksekusi File RIX 4. Hasil dan Pembahasan Hasil Percobaan Hasil dari menjalankan file eksperimental (RIX) akan terlihat pada file-file keluaran DSSAT yang berakhiran out. File ini dapat dilihat langsung pada folder DSSAT atau dapat juga dilihat pada GUI Analysis seperti pada gambar berikut:
130
Tab Analysis untuk melihat hasil eksekusi
Gambar 12 GUI Pilihan Keluaran Hasil Eksekusi DSSAT Beberapa file Out dapat dilihat dalam bentuk teks ataupun dalam bentuk grafik. Contoh yang dapat dilihat dalam bentuk teks adalah file Summary.out:
Gambar 13 Tampilan file Summary.OUT Hasil keluaran dapat juga berupa grafik. Gambar 12 menunjukkan grafik antara LAI, dan Grain (berat hasil panen) dengan umur tanaman
131
Gambar 14 Grafik Hasil Simulasi Model Prediksi dengan DSSAT Pada grafik terlihat untuk percobaan dengan irigasi (kurva berwarna hijau) hasilnya mendekati rata-rata hasil panen di lapangan yaitu 6 ton/ha dengan usia tanam 95 hari. Hasil rata-rata panen untuk varitas IR64 adalah sekitar 5 – 6 ton/ha. (Suprihatno, B.,et.al., 2009). Hasil beberapa percobaan dirangkum pada tabel di bawah ini: Tabel 5 Hasil Percobaan Simulasi Prediksi Panen Padi IR64 dengan DSSAT Stasiun Pengairan Pemupukan Berat Berat dan Potensi Umur Iklim (N) kg/ha Panen Panen Rata-rata *) Tanam (kg/ha) (kg/ha) (hari) Indramayu √ 150 5500 5000-6000 (1979-2007) Indramayu √ 200 6107 5000-6000 (1979-2007) Indramayu X 150 5513 5000-6000 (1979-2007) Indramayu X 200 5776 5000-6000 (1979-2007) Jatiwangi √ 150 2186 5000-6000 (2008-2009) Jatiwangi √ 200 4978 5000-6000 (2008-2009) Jatiwangi X 150 2294 5000-6000 (2008-2009) Jatiwangi X 200 5112 5000-6000 (2008-2009) Sumber: Balai Besar Penelitian Tanaman Padi, Kementerian Pertanian.
93 95 93 92 102 79 102 79
Keterangan gambar: angka yang ditulis dengan warna merah adalah hasil yang jauh menyimpang dengan nilai hasil yang bersumber dari BB – Padi. Perbandingan dengan Hasil Model Prediksi Hyperspektral dan Data Ubinan Perbandingan hasil panen rata-rata dari ketiga metode; DSSAT, Model Prediksi data Hyperspektral dan Ubinan dapat dilihat pada tabel di bawah. Data Ubinan adalah merupakan data hasil panen yang diukur langsung pada saat panen tiba dengan pemakaian pupuk standar yaitu 200 kg N per hektar. Bias yang mungkin terjadi dari
132
pengukuran ini kemungkinan disebabkan oleh kurang telitinya orang dalam hal ini petani dalam melakukan pengukuran hasil untuk area ubinan yang berukuran 2.5 m x 2.5 m. Kesalahan yang kecil saja berdampak besar pada hasil karena hasil ini kemudian akan dikonversikan ke dalam nilai panen dalam ton perhektar. Tabel 6 Perbandingan Prediksi Hasil Panen Keluaran DSSAT, Ubinan, dan Hyperspektral DSSAT Ubinan Model Hyperspektral 5.5 ton/hektar 6.87 ton/hektar 5.30 ton/hektar Perbandingan ketiga metode menunjukkan bahwa model prediksi panen dengan metode DSSAT memiliki nilai yang hampir sama dengan nilai prediksi dari Model Hyperspektral yaitu 5.5 ton/ha dan 5.3 ton/ha. Namun untuk data Ubinan menunjukkan nilai yang lebih tinggi yaitu 6.87 ton/ha. Menurut informasi dari Balai Besar Penelitian Padi di Sukamandi-Subang, varitas IR-64 dan Ciherang memiliki rata-rata hasil 5 ton/ha. Untuk itu dapat dikatakan bahwa hasil panen baik dari model DSSAT maupun Model Hyperspektral memiliki nilai akurasi yang cukup baik.
Gambar 15 Model Prediksi Panen dengan Data Hyperspektral (HyMap)
133
5. Kesimpulan 1. DSSAT dapat digunakan untuk memprediksi hasil panen tanaman padi. Nilai keluaran yang dihasilkan DSSAT dapat dibuktikan sudah mendekati nilai ratarata hasil panen padi di lapangan. 2. Keluaran dari perangkat lunak DSSAT dapat dijadikan bahan untuk memvalidasi hasil keluaran dari sistem prediksi lain yaitu sistem yang menggunakan data hyperspektral. 3. Jika merujuk pada referensi dari BB Padi, hasil panen baik dari model DSSAT maupun Model Hyperspektral memiliki nilai akurasi yang cukup baik. 6. Referensi Sumarni, E. (2010): Data Tanah, Presentasi Pelatihan DSSAT di BPPT, Balai Penelitian Agroklimat dan Hidrologi, Kementerian Pertanian. Suprihatno, B.,et.al. (2009): Buku: Deskripsi Varietas Padi, Subang: Balai Besar Penelitian Tanaman Padi. ICASA , 2007: DSSAT Software: Tersedia di http://icasa.net/dssat/index.html.
134