3.1. Menganalisis Perkembangan Penyakit Tumbuhan dalam Waktu (1): Kurva Kemajuan Penyakit

Pada materi kuliah 2.1 dan 2.2 kita sudah belajar mengamati populasi penyakit menggunakan peubah kejadian penyakit, keparahan penyakit, dan cacahan penyakit. Ketiga peubah ini, bersama dengan pengamatan dengan cara memberikan skor, secara bersama-sama dikenal sebagai intensitas penyakit. Peubah mana yang kita pilih untuk mengamati intensitas penyakit bergantung pada karakteristik penyakit, tujuan pengamatan penyakit yang kita lakukan, dan sumberdaya yang tersedia (tenaga, waktu, biaya, peralatan, dsb.). Dalam epidemiologi penyakit tumbuhan, pengamatan penyakit tidak cukup kita lakukan satu kali, melainkan perlu melakukan pengamatan beberapa kali. Mengapa demikian? Karena epidemiologi penyakit tumbuhan mempelajari perubahan populasi penyakit tumbuhan, bukan mempelajari populasi penyakit tumbuhan saja sebagaimana dalam ilmu penyakit tumbuhan. Pada materi kuliah ini dan dua materi kuliah berikutnya kita akan belajar menampilkan dan menganalisis hasil pengamatan populasi penyakit beberapa kali pada waktu yang berbeda atau pata lokasi yang berbeda. 

3.1.1. MATERI KULIAH

3.1.1.1. Membaca Materi Kuliah
Pengamatan intensitas penyakit tumbuhan secara berulang dalam waktu yang berbeda-beda juga dikenal sebagai pengamatan berulang atau pengamatan lintas waktu. Untuk memperoleh gambaran mengenai pengamatan intensitas penyakit tumbuhan secara berulang atau lintas lintas waktu, silahkan periksa data hasil pengamatan uji ketahanan kultivar kentang terhadap penyakit hawar lambat (late blight) yang disebabkan oleh oomycetes Phytophthora infestans (Month.) de Bary Pengamatan dilakukan mulai pada hari ke-11 sampai pada hari ke-37 setelah dilakukan inokulasi, dengan cara menduga keparahan penyakit menggunakan SAD. Pengamatan dilakukan dalam selang waktu 3 atau 4 hari pada pecobaan dengan empat kultivar kentang (Katahdin, Kennebec, Monona, dan Sebagi) sebagai taraf perlakuan yang masing-masing terdiri atas 4 ulangan dalam Rancangan Acak Kelompok (RAK). Percobaan dilakukan dengan tujuan untuk menentukan kultvar kentang mana yang paling tahan terhadap penyakit hawar lambat. Untuk menjawab pertanyaan ini kita dapat melakukan analisis ragam, tetapi bukan analisis ragam terhadap data keparahan penyakit setiap kali pengamatan karena hasil pengamatan penyakit setiap hari tidak menggambarkan perubahan populasi penyakit. Data keparahan penyakit yang diperoleh dari satu kali pengamatan hanya menggambarkan keadaan penyakit sampai pada hari dilakukan pengamatan. Lalu bagaimana cara menganalisis data keparahan hasil pengamatan secara berulang atau lintas waktu agar dapat menyatakan perkembangan populasi penyakit dalam waktu atau lazim disebut kemajuan penyakit (disease progress)?

Untuk menyajikan kemajuan penyakit, kita dapat membuat kurva kemajuan penyakit (disease progress curve) pada setiap ulangan per kultivar kentang dan kurva kemajuan penyakit pada setiap kultivar sebagai rerata dari data empat ulangan dengan mudah menggunakan aplikasi Excel dengan mengklik menu Insert>Charts> Line or Area Chart. Silahkan pelajari langkah-langkah membuat kurva menggunakan Excel dengan menggunakan data kemajuan penyakit hawar bertepi pada tanaman buncis. Menggunakan langkah-langkah yang sama dengan menggunakan data percobaan perkembangan penyakit hawar lambat pada tanaman kentang dapat diperoleh kurva perkembangan penyakit hawar lambat tanaman kentang pada setiap ulangan kultivar kentang dan rata-rata keempat ulangan pada setiap kultivar kentang. Silahkan periksa kurva kemajuan penyakit hawar lambat sebagai rerata empat ulangan pada setiap kultivar. Berdasarkan kurva kemajuan penyakit, tampak bahwa penyakit hawar lambat pada tanaman kentang berkembang paling lambat pada kultivar Sebago. Dengan kata lain, Sebago merupakan kultivar kentang yang paling mampu menahan perkembangan penyakit hawar lambat. Dengan demikian maka Sebago merupakan kultivar yang paling tahan. Tapi seberapa tahan dibandingkan dengan kultivar Katahdin, Kennebec, dan Monona? Anda tidak dapat menjawab pertanyaan ini hanya dengan melihat kurva kemajuan penyakit.

Untuk menjawab pertanyaan di atas, kita perlu menghitung luas daerah di bawah kurva kemajuan penyakit (LDBK kemajuan penyakit, area under the disease progress curve, AUDPC). Apa itu sebenarnya LDBK Kemajuan Penyakit? LDBK Kemajuan Penyakit sebenarnya merupakan integrasi nilai intensitas penyakit terhadap waktu. Bila kurva kemajuan mempunyai persamaan matematis, integrasi dapat dihitung dengan menggunakan teknik integral. Tetapi kurva kemajuan penyakit merupakan penyajian hasil pengamatan dalam bentuk kurva yang tidak diketahui persamaan matematisnya sehingga penghitungan luas daerah di bawah kurva tidak dapat dilakukan dengan menggunakan teknik integral. Sebagai alternatif, perhitungan dilakukan dengan menjumlahkan berturut-turut luas trapesium yang terbentuk pada setiap dua waktu pengamatan. Luas trapesium dapat dihitung dengan menjumlahkan garis sejajar, yaitu garis pada sumbu Y yang dibentuk oleh kejadian, keparahan, atau cacahan penyakit pada dua waktu pengamatan, dan kemudian mengalikan dengan tinggi, yaitu selisih waktu antara dua waktu pengamatan, dibagi dua. Silahkan perhatikan Gambar 6 di bawah ini.

 

Gambar 3.1.1. LDBK sebagai penjumlahan berturut-turut luas trapesium

Dengan menggunakan program aplikasi tabel lajur Excel, perhitungan LDBK (AUDPC) kemudian dilakukan dengan menggunakan persamaan sebagai berikut:

Persamaan di atas merupakan persamaan yang digunakan untuk menghitung LDBK dengan cara sebagaimana pada Gambar 3.1.1. LDBK dan Gambar 3.1.2A. juga dapat dihitung dengan menggunakan cara pada Gambar 3.1.2B dengan persamaan:

Gambar 3.1.2. Dua cara menghitung LDBK

Gambar 3.1.2 menunjukkan bahwa pada menghitung LDBK dengan persamaan pertama, rentang waktu yang digunakan untuk semua trapesium adalah selisih antara dua pengamatan, sedangkan dengan menggunakan persamaan kedua, selang waktu yang digunakan pada pengamatan pertama (ke-1) dan pengamatan terakhir (ke-n) adalah setengah dari selang waktu pengamatan ke-2 (ke(1+1) sampai waktu pengamatan satu kali sebelum pengamatan terakhir (ke-(n-1)). Jika selang waktu antara dua waktu pengamatan bertutut-turut dilambangkan sebagai v maka 

vi = (t(i+1) - t(i-1))/2

vi = ((t(1+1)-ti)/2) + (ti - t(i-1))/2

Menurut Simko & Piepho (2012), cara menghitung LDBK dengan menggunakan kedua persamaan dapat memberi nilai yang lebih rendah untuk pengamatan pertama dan pengamatan terakhir. Untuk memperbaikinya, mereka mengusulkan agar digunakan faktor koreksi D/( 2* (n-1)), di mana D=tn - t1. Hasil perhitungan luas dengan menggunakan faktor koreksi ini mereka sebut luas daerah di bawah tangga kemajuan penyakit (LDBT Kemajuan Penyakit, area under the disease progress stairs, AUDPS) yang dihitung dengan menggunakan persamaan:

Agar LDBK dan LDBT dapat diperbandingkan maka keduanya perlu distandardisasi. LDBK distandardisasi menjadi LDBKs dengan menggunakan selang waktu antara waktu pengamatan pertama dan waktu pengamatan reakhir D sebagai pembagi, sedangkan LDBT distandardisasi menjadi LDBTs dengan menggunakan D*n:

LDBKs = LDBK/D

LDBTs = LDBT/(D*n)

Dalam menggunakan LDBK maupun LDBT untuk melakukan perbandingan, masing-masing dibagi dengan LDBK maksimum atau dengan LDBT maksimum menghasilkan LDBKrelatif dan LDBTrelatif:

LDMKrelatif = LBNK(i)/LDNKmaks

LDBT relatif = LDBT(i)/LDBTmaks

di mana LDBK(i) dan LDBT(i) adalah nilai LDBK atau LDBT dalam unsur ke-i dalam perbandingan. LDBKs dan LDBKr merupakan turunan LDBK, sedangkan LDBTs dan LDBTr merupakan turunan LDBT. LBKK dan LDBT mempunyai satuan intensitas penyakit * waktu, misalnya jika data merupakan hasil pengamatan keparahan dalam % dalam satuan waktu hari maka satuan LDBK dan LDBT adalah %*hari. LDBKs dan LDBTs tidak mempunyai satuan karena diperoleh dari membagi LDBK atau LDBT dengan D dan D*n yang bersatuan waktu.

Untuk mempelajari cara menghitung LDBK dan LDBKr dengan menggunakan aplikasi Excel, silahkan unduh dan pelajari panduan perhitungan LDBK kemajuan penyakit hawar bertepi pada tanaman buncis. Menggunakan langkah-langkah yang sama dengan menggunakan data percobaan perkembangan penyakit hawar lambat pada tanaman kentang dapat dihitung LDBK dan LDBKr kemajuan penyakit hawar lambat tanaman kentang pada setiap ulangan kultivar kentang dan rata-rata keempat ulangan pada setiap kultivar kentang dengan mengklik sheet LDBK. Untuk menjawab pertanyaan seberapa tahan kultivar Sebago dibandingkan dengan kultivar Katahdin, Kennebec, dan Monona, silahkan bandingkan nilai rata-rata LDBK dan LDBKr keempat kultivar. Tapi apakah cukup dengan hanya membandingkan nilai rata-rata LDBK atau LDBKr? Karena Anda sudah mempelajari mata kuliah statistika dan perancangan percobaan, seharusnya Anda bisa menjawab belum cukup disertai dengan memberikan alasannya. Supaya Anda dapat melakukan perbandingan yang seharusnya, Anda dapat melakukan analisis ragam terhadap data LDBK dan data LDBKr disertai dengan uji terhadap asumsi homogenitas dan normalitas data dan kemudian melakukan uji lanjut perbandingan berganda, misalnya uji Duncan's Multiple Range test (DMRT), untuk membandingkan setiap kultivar dengan satu kultivar lainnya. Pada file LDBK dan LDBKr kemajuan penyakit hawar lambat tanaman kentang yang sudah Anda unduh, silahkan klik sheet ANOVA_LDBK dan sheet ANOVA-LDBKr untuk melihat hasil analisis ragam dengan menggunakan add-in Excel SmartStatXL. Perhatikan bahwa untuk melakukan ANOVA terhadap kemajuan keparahan penyakit hawar lambat pada tanaman kentang dapat juga dilakukan terhadap data keparahan penyakit, bukan terhadap ANOVA, tetapi dengan menggunakan model ANOVA pengamatan berulang (repeated measures ANOVA).

Bagaimana dengan perkembangan penyakit dalam jarak  (distances), yaitu perkembangan penyakit dari satu titik pengamatan ke titik pengamatan lebih jauh dari sumber inokulum pada waktu yang sama, apakah dapat menyajikan data dengan menggunakan kurva dan menganalisis dengan menghitung LDBK beserta turunannya maupun LDBT beserta turunannya? Jawabannya tentu bisa. Sebagai contoh, silahkan periksa kurva gradien dan LDBK gradien penyakit hawar bakteri tanaman padi dan penyakit bercak daun septoria pada tanaman tomat. Gradien penyakit menyatakan perubahan intensitas penyakit seiring dengan bertambahnya jarak dari sumber inokulum, diperoleh dengan cara mengukur keparahan penyakit pada jarak tertentu dari sumber inokulum. Berbeda dengan kurva kemajuan penyakit yang menunjukkan keparahan penyakit yang semakin tinggi seiring dengan bertambahnya waktu, kurva gradien penyakit menunjukkan keparahan penyakit yang semakin rendah seiring dengan pertambahan jarak dari sumber inokulum. LDBK gradien penyakit juga dapat digunakan untuk melakukan perbandingan, sebagaimana perbandingan antara LDBK gradien penyakit bercak daun septoria pada tanaman tomat pada 1 hari dan 4 hari setelah inokulasi. Karena perbandingan dapat dibuat hanya untuk dua taraf yang masing-masing terdiri atas hanya satu ulangan, maka perbandingan dilakukan dengan menggunakan uji-t berpasangan langsung terhadap data keparahan penyakit setiap kali pengamatan.

Untuk menghitung LDBK, LDBKs, dan LDBKr maupun LDBT, LDBTs, dan LDBTr menggunakan aplikasi Excel, Anda dapat mengunduh dan menggunakan file IdeTo (klik untuk mengunduh) yang dapat digunakan secara gratis Tabel 1). Setelah file terunduh, silahkan membuka dan kemudian memasukkan data Anda ke dalam kolom yang sesuai pada sheet Data Input dan kemudian memeriksa hasilnya pada sheet Results. Menggunakan file IdeTo, Anda dapat melakukan analisis hubungan antara LDBK dan LDBT kemajuan penyakit dengan beberapa peubah lain yang juga Anda amati pada waktu yang bersamaan dengan waktu pengamatan keparahan penyakit. Misalnya untuk penyakit bercak daun pada tanaman padi Anda mungkin mengamati jumlah daun total, jumlah daun berbercak, dan jumlah bercak per helai bersamaan dengan waktu pengamatan keparahan penyakit. Dengan menggunakan IdeTo Anda dapat menentukan apakah terdapat hubungan yang nyata antar sepasang perubah dari kemungkinan pasangan keempat peubah. Selain menggunakan file Excel IdeTo, Anda tentu dapat menggunakan aplikasi analisis statistika R Base maupun dengan menggunakan R packages, antara lain package epifitter dan package agricolae Tabel 2). Namun untuk menggunakan R Base maupun R packages, Anda perlu belajar program aplikasi statistika R dan menjalankannya dengan menggunakan RStudio. Anda dapat mempelajari dasar-dasar R dan mempelajari cara menghitung LDBK mutlak kemajuan penyakit dan LDBK relatif kemajuan penyaki menggunakan R dari situs Reproducible Science in R. Anda juga dapat mempelajari cara menghitung LDBK kemajuan satu penyakit dan LDBK kemajuan satu penyakit pada tahun yang berbeda menggunakan R dari situs American Phytopathological Society (APS).  

Untuk berlatih menggunakan R untuk menghitung LDBK, silahkan nyalakan RStudio dan ketik perintah berikut tahap demi tahap mulai dari tahap satu sampai tahap 7. Ketik perintah setiap langkah pada panel konsol setelah tanda > lalu tekan tombol Enter:

1) Memasukkan waktu pengamatan dan keparahan penyakiit

waktupengamatan <- c(0,10,20,30,40,50,60,70,80,90,100) # vektor data waktu pengamatan

keparahan68 <- c(0,0,0,0,3,20,50,80, 90, 100, 100) # vektor data keparahan penyakit tahun 1968

keparahan69 <- c( 0,0,0,0,0,0,0,3,6,30,70) # vektor data keparahan penyakit tahun 1969

2) Menampilkan kurva kemajuan penyakit pada 1968

plot( # kurung buka untuk menyatakan awal fungsi kurva

       waktupengamatan, # vektor data yang digunakan untuk membuat kurva

        keparahan68, # vektor data yang digunakan untuk membuat kurva

        type="o", # simbol untuk menyatakan data dalam kurva

        pch=22, # ukuran lingkaran data

        col="mediumblue", # warna lingkaran data

        ylim=c(0,100), # kisaran nilai sumbu y

        xlab='Hari Setelah Inokulasi', # label sumbu x

        ylab='% Keparahan' # label sumbu y

) # kurung tutup untuk menyatakan akhir fungsi kurva

3) Menampilkan judul kurva

title(main="Kurva Kemajuan Penyakit")

4) Menumpangtindihkan kurva kemajuan penyakit pada 1969

lines( # kurung buka untuk mengawali fungsi lines

        waktupengamatan, # vektor data yang digunakan untuk membuat kurva

        keparahan69, # vektor data yang digunakan untuk membuat kurva

        type="o", # simbol untuk menyatakan data dalam kurva
        col="orange" # warna lingkaran data
) # kurung tutup untuk mengakhiri fungsi lines

5) Menampilkan kurva pada sudut kiri atas

legend(
       "topleft", # posisi legenda
       c("1968","1969"), # 
       pch= c(22,21), # keterangan bentuk simbol
       lty=1, # keterangan simbol garis
       col = c("mediumblue","orange"), # keterangan warna
       title="Tahun",
       inset=0.05 # ukuran kotak keterangan
)

6) Menjalankan fungsi menghitung LDBK

# Membuat fungsi untuk menghitung LDBK (AUDPC) 

# tanda kurung kurawal buka menandai awal fungsi

LDBK <- function(disease.severity,time.period){

  # n adalah panjang time.period, atau jumlah total pengamatan

  n <- length(time.period)

  # meanvec adalah vektor (matriks satu dimensi)

  # yang akan memuan rerata persentase keparahan penyakit

  # diawali dengan mengandung -1 untuk semua unsur matriks

  # cara memulai matriks seperti ini memudahkan debugging

  meanvec <- matrix(-1,(n-1))

  

  # intvec adalah vektor yang berisi selisih panjang waktu antar pengamatan

  intvec <- matrix(-1,(n-1))

  # pengulangan berlangsung terus dari data pertama sampai data terakhir

  # kurung kurawal buka menandai awal perintah pengulangan (loop)

    for(i in 1:(n-1)){

    # data meanvec ke-i diganti dengan data rerata persentase keparahan penyakit 

    # antara pengamatan ke-i dan pengamatan ke-i+1

    meanvec[i] <- mean(c(disease.severity[i],

                         disease.severity[i+1]))

    # data intvec ke-i digantikan dengan selirih waktu 

    # antara pengamatan ke-i dan ke-i+1

    intvec[i] <- time.period[i+1] - time.period[i]

    # kurung kurawaltutup menandai akhir dari perintah pengulangan (loop)

  }

  # kedua vektor dikalikan satu sama lain

  # satu per satu untuk setiap unsur vektor

  infprod <- meanvec * intvec

  # jumlah hasil perkalian dalam vektor yang dihasilkan memberikan nilai LDBK (AUDPC)

  sum(infprod)

  # kurung kurawal tutup menandai akhir fungsi

}

7) Menampilkan hasil perhitungan LDBK tahun 1968 dan hasil perhitungan LDBK tahun 1969

LDBK(keparahan68,waktupengamatan)

LDBK(keparahan69,waktupengamatan)

Menghitung LDBK juga dapat dilakukan dengan menggunakan package epifitter dan package agricolae. Untuk menggunakan package epifitter, terlebih dahulu perlu memasang dan mengaktifkan package dengan menjalankan perintah

install.packages("epifitter")

library(epifitter)

dan kemudian menjalankan fungsi AUDPC dan fungsi AUDPS dalam package tersebut:

data(disease)
time <- c(1,2,3) # day
y <- disease[,c(4,5,6)]
AUDPC(time, y, y_proportion = FALSE, type = "ABSOLUTE")
AUDPS(time, y, y_proportion = FALSE, type = "ABSOLUTE")

Untuk menggunakan package agricolae, terlebih dahulu perlu memasang dan mengaktifkan package dengan menjalankan perintah

install.packages("agricolae")
library(agricolae)

dan kemudian menjalankan fungsi AUDPC dan fungsi AUDPS dalam package tersebut untuk menghitung LDBK dan LDBT:

data(disease)
dates <- c(1,2,3) # week
severity <- disease[,c(4,5,6)]

audpc(severity, dates, type = "ABSOLUTE")

audps(severity, dates, type = "ABSOLUTE")

Menggunakan kedua fungsi dapat menghitung LDBK dan LDBT dengan cepat dibandingkan dengan menggunakan Excel dan R Base. Untuk mempelajari penggunaan kedua packages dalam menghitung LDBK dan LDBT, silahkan kunjungi dan baca Disease progress curves dari situs R4PDE dan buku gratis dalam format ePub atau Docx dari situs R4PDE.net.

Mengapa harus membuat kurva dan menghitung LDBK kemajuan penyakit? Sebenarnya ada beberapa cara untuk menganalisis perkembangan penyakit. Di antara cara-cara yang ada tersebut, LDBK merupakan cara yang paling mudah. Cara lainnya, yaitu dengan menggunakan pemodelan melalui analisis regresi linier dan cara analisis ragam lintas waktu, akan kita pelajari pada materi kuliah 3.2. LDBK kemajuan penyakit karena merupakan integrasi antara kejadian atau keparahan penyakit dengan waktu. Sebagaimana sudah saya jelaskan pada tulisan-tulisan sebelumnya, fokus kajian epidemiologi adalah perubahan penyakit seiring dengan perubahan waktu dan ruang. LDBK merupakan cara untuk mengaitkan perubahan kejadian atau keparahan penyakit dengan perubahan waktu dan ruang tersebut. Penggunaan LDBK untuk menganalisis perkembangan penyakit dalam ruang akan kita pelajari materi materi kuliah 3.3.

3.1.1.2. Mengakses dan Membaca Pustaka Wajib

Silahkan mengunduh buku-buku dari Pustaka Daring dan membaca bab atau sub-bab yang berkaitan dengan materi kuliah ini. Untuk memperoleh informasi tambahan, silahkan juga baca:

• The basics of R dan Calculating the absolute or relative value of the AUDPC dari situs Reproducible Science in R 
• Calculating the area under the disease progress curve to quantify disease progress dan Stripe rust (Puccinia striiformis) on wheat: Using the area under the disease progress curve to compare disease severity dari APS
• Primary disease gradients of bacterial blight of rice caused by Xanthomonas oryzae pv. oryzae in a South Korea research station field dan Primary and secondary gradients of septoria leaf spot caused by Septoria lycopersici on greenhouse tomato dari APS
• Mudita, I W., (2013). Membuat Kurva dan Menghitung LDBK dengan menggunakan R untuk Menganalisis Perkembangan Penyakit Tumbuhan. Blog Epidemiologi Penyakit Tumbuhan (versi lama). 
• Disease progress curves dari situs R4PDE dan buku gratis dalam format ePub atau Docx dari situs R4PDE.net
• Plant Disease Epidemiology: Temporal Aspects -- Disease Progress dari American Phytopathological Society
• Simko, I. (2021) IdeTo: Spreadsheets for Calculation and Analysis of Area Under the Disease Progress Over Time Data. File EXCEL dapat diunduh dari halaman figshare atau langsung dari https://figshare.com/ndownloader/files/25841018
• Ivan Simko, I&Piepho, H.P. (2012) The Area Under the Disease Progress Stairs: Calculation, Advantage, and Application

Mahasiswa wajib menyampaikan melalui Laporan Melaksanakan Kuliah dan Mengerjakan Tugas judul buku, judul bab buku, dan isi bab buku yang telah dibaca terkait dengan materi kuliah ini.

3.1.2. TUGAS KULIAH

3.1.2.1. Menyampaikan dan Menanggapi Komentar dan/atau Pertanyaan

Setelah membaca materi kuliah ini, silahkan menyampaikan komentar dan/atau pertanyaan mengenai hal-hal berkaitan langsung dengan materi kuliah tetapi belum diuraikan secara jelas, bukan komentar dan/atau pertanyaan mengenai hal yang tidak berkaitan langsung atau yang sudah diuraikan dalam materi dan juga bukan komentar dan/atau pertanyaan yang sama dengan yang sudah disampaikan oleh mahasiswa lain. Ketik komentar dan/atau pertanyaan di dalam kotak komentar yang terletak di sebelah bawah materi kuliah ini selambat-lambatnya sampai pada Senin, 3 Maret 2024 pukul 24.00 WITA. Kunjungi kembali materi ini beberapa hari kemudian dan tanggapi komentar dan/atau pertanyaan yang disampaikan oleh minimal satu mahasiswa lain, prioritaskan komentar dan/atau pertanyaan yang belum ditanggapi oleh mahasiswa lain. Komentar dan/atau pertanyaan yang tidak berkaitan dengan materi ini atau yang sama dengan yang telah disampaikan oleh mahasiswa lain akan diabaikan dalam penilaian. Salin (copy) komentar dan/atau pertanyaan yang disampaikan untuk dilaporkan dalam Laporan Melaksanakan Perkuliahan Daring. Setiap mahasiswa juga wajib menyampaikan laporan penyampaian pertanyaan dan/atau komentar dan memberikan tanggapan terhadap pertanyaan dan/atau pertanyaan yang disampaikan oleh mahasiswa lain pada saat mengikuti ujian tengah semester.

 

3.1.2.2. Membagikan Blog Mata Kuliah dan Materi Kuliah

Sebagai mahasiswa milenial, setiap mahasiswa tentu mempunyai akun media sosial untuk tujuan menampilkan diri. Gunakan media sosial masing-masing juga untuk tujuan belajar dengan cara membagikan blog mata kuliah dengan mengklik pilihan tombol media sosial untuk membagikan blog secara keseluruhan dan membagikan setiap materi kuliah dengan mengklik tombol pilihan media sosial yang disediakan pada setiap materi kuliah selambat-lambatnya sampai pada Senin, 3 Maret 2024 pukul 24.00 WITA. Catat tautan (link) pembagian blog dan pembagian materi kuliah melalui media sosial masing-masing untuk dilaporkan dalam Laporan Melaksanakan Perkuliahan Daring. Setiap mahasiswa wajib menyampaikan laporan pembagian blog dan materi kuliah pada saat mengikuti ujian tengah semester.

3.1.2.3. Mengerjakan Projek Kuliah
Untuk mengerjakan Projek Kuliah ini, silahkan terlebih dahulu baca Peanut Disease Identification, terutama pelajari cara membedakan antara gejala bercak dini (early leaf spot, disebabkan oleh jamur Cercospora arachidicola Hori, periksa di Species Fungorum) dengan bercak lambat (late leaf spot, disebabkan oleh Cercosporidium personatum (Berk. & M.A. Curtis) Deighton, periksa di Species Fungorum). Perbedaan utama antara kedua penyakit tampak pada permukaan bawah helai daun. Pada permukaan bawah helai daun, gejala bercak daun dini berwarna coklat sedangkan gejala bercak daun lambat berwarna hitam. Setelah bisa membedakan gejala kedua penyakit tersebut, silahkan unduh Lembar Pengamatan Penyakit Bercak Daun Kacang Tanah dan cetak file untuk melakukan pengamatan. Silahkan melakukan pengamatan dengan langkah-langkah sebagai berikut:

File pengamatan dan file foto dilaporkan sebagai bagian dari Laporan Mengikuti Perkuliahan Daring di bawah ini.

1. Lanjutkan pengamatan sebagaimana pada pengerjaan Latihan Pembelajaran Kasus materi 2.2 sebagai pengamatan ketiga dengan cara mengamati, memasukkan data, dan menyimpan file hasil pengatan ketiga.
2. Menggunakan data dari file LDBK dan LDBKr kemajuan penyakit hawar lambat tanaman kentang untuk menghitung LDBK dan LDBT setiap ulangan (4 kultivar masing-masing 4 ulangan = 16 kali perhitungan) dengan menggunakan file Excel IdeTo
3. Menggunakan data dari file LDBK dan LDBKr kemajuan penyakit hawar lambat tanaman kentang untuk menghitung LDBK dan LDBT setiap ulangan (4 kultivar masing-masing 4 ulangan = 16 kali perhitungan) dengan menggunakan fungsi AUDPC dan AUDPS dalam package epifitter atau agricolae dengan memasukkan data melalui papan ketik dengan format pemasukan data sebagaimana disajikan di bawah ini:

data(hawarlambatkentang)

hari <- c(11,14,18,dst) # hari setelah inokulasi

keparahankatahdin1 <- disease[,c(0.0,2.5,23.2, dst)]

keparahankatahdin2 <- disease[,c(0.0,11.8,26.2, dst)]

...

keparahansebago4 <- disease[,c(0.0,1.4,5.8, dst)]

audpc(keparahankatahdin1, hari, type = "ABSOLUTE")

audpc(keparahankatahdin2, hari, type = "ABSOLUTE")

...

audpc(keparahansebago4, hari, type = "ABSOLUTE")

audps(keparahankatahdin1, hari, type = "ABSOLUTE")

audps(keparahankatahdin2, hari, type = "ABSOLUTE")

...

audps(keparahansebago4, hari, type = "ABSOLUTE")

Laporkan data hasil pengamatan untuk menjawab pertanyaan-pertanyaan Pengerjaan Tugas Projek pada saat memasukan Laporan Melaksanakan Kuliah dan Mengerjakan Tugas paling lambat pada Senin, 3 Maret 2024 pukul 24.00 WITA.

3.1.3. ADMINISTRASI PELAKSANAAN KULIAH

Untuk membuktikan telah melaksanakan perkuliahan daring materi kuliah ini, Anda wajib mengakses, menandatangani presensi, dan mengumpulkan tugas di situs SIADIKNONA. Sebagai cadangan, silahkan juga menandatangani daftar hadir dan memasukkan laporan melaksanakan kuliah dan mengerjakan tugas dengan mengklik tautan berikut ini:

1. Menandatangani Daftar Hadir Melaksanakan Kuliah selambat-lambatnya pada Rabu, 38 Februari 2024 pukul 24.00 WITA dan setelah menandatangani, memeriksa daftar hadir yang telah ditandatangani;
2. Menyampaikan Laporan Melaksanakan Kuliah dan Mengerjakan Tugas selambat-lambatnya pada Senin, 3 Maret 2024 pukul 24.00 WITA dan setelah menyampaikan, memeriksa untuk memastikan bahwa laporan sudah masuk.

Mahasiswa yang tidak mengisi dan memasukkan Daftar Hadir Melaksanakan Kuliah dan Laporan Melaksanakan Kuliah dan Mengerjkan Tugas akan ditetapkan sebagai tidak melaksanakan kuliah.

**********

Hak cipta: I Wayan Mudita

Revisi pertama: 20 Februari 2016, revisi termutakhir: 2 Februari 2021

Hak cipta selurun tulisan pada blog ini dilindungi berdasarkan Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported License. Silahkan mengutip tulisan dengan merujuk sesuai dengan ketentuan perujukan akademik.