3.3. Menganalisis Perkembangan Penyakit Tumbuhan dalam Ruang (1): Gradien Spasial Penyakit Tumbuhan

Sebagaimana sudah kita pelajari pada materi kuliah 1.1 dan materi kuliah 1.2, epidemiologi penyakit tumbuhan mempelajari perkembangan penyakit dalam waktu dan ruang. Untuk mempelajari perkembangan penyakit dalam waktu kita perlu melakukan pengamatan penyakit pada sampel yang sama pada waktu yang berbeda-beda. Selanjutnya data yang kita peroleh kita analisis dengan menghitung LDBK atau LDBT sebagaimana sudah kita pelajari pada materi kuliah 3.1 dan dengan melakukan analisis regresi linier sebagaimana sudah kita pelajari pada materi kuliah 3.2. Pada materi kuliah ini kita akan mempelajari perkembangan penyakit dalam ruang dengan menganalisis data penyakit dari satu titik ke titik lainnya yang semakin jauh dari sumber penyakit. analisis perkembangan penyakit dalam ruang dengan menggunakan pendekatan yang sama. 

3.3.1. MATERI KULIAH

3.3.1.1. Membaca Materi Kuliah

a. Gradien Spasial

Untuk mempelajari perkembangan penyakit dalam ruang, terlebih dahulu kita perlu menentukan titik, garis, atau petak yang menjadi sumber penyakit terhadap tanaman sehat di sekitarnya. Garis dan titik dapat berada pada salah satu tepi lahan pertanaman, sedangkan titik dapat berada di tengah, pada salah satu sudut, atau pada salah satu tepi lahan pertanaman (Gmbar 3.3.1).

Gambar 3.3.1. Bentuk dan posisi sumber penyakit. Sumber: R4PDE 

Penyakit menular dari sumbernya dalam bentuk propagul sebagai satuan pemencaran penyakit dari sumbernya ke tanaman sehat di sekitarnya. Bergantung pada jenis patogen, propagul dapat berupa spora, fragmen hifa, individu sel, organ pertahanan hidup, dan sebagainya. Pemencaran merupakan proses perpindahan propagul dari tanaman sakit sebagai sumber penyakit menular ke tanaman sehat di sekitarnya. Pemencaran terjadi secara aktif maupun secara pasif. Pemencaran secara aktif terjadi melalui mekanisme pelepasan propagul dari tempat dihasilkan, sedangkan pelepasan secara pasif difasilitasi oleh hembusan angin, percikan dan aliran air, perantaraan organisme lain sebagai vektor, perpindahan tanaman terinfeksi, serta perpindahan barang dan orang. Pemencaran secara aktif terjadi dalam jarak dekat, pemencaran secara pasif dengan bantuan air dan vektor dalam jarak sedang, dan pemencaran secara pasif dengan bantuan angin, perpindahan tanaman terinfeksi, serta perpindahan barang dan orang terjadi dalam jarak jauh. Pemencaran propagul menyebabkan tanaman sehat yang berada paling dekat dengan tanaman sakit yang menjadi sumber penyakit menerima propagul paling banyak. Semakin jauh letak tanaman sehat dari tanaman sakit yang menjadi sumber penyakit maka semakin sedikit menerima propagul. Akibatnya tanaman sehat yang berada pada jarak paling dekat dengan tanaman sakit yang menjadi sumber penyakit menjadi lebih berisiko menjadi berpenyakit lebih parah dibandingkan dengan tanaman sehat yangb berada pada jarak yang paling jauh dari tanaman sakit yang menjadi sumber penyakit. Hubungan antara jarak dengan jumlah propagul dan dengan keparahan penyakit dikenal sebagai gradien spasial (spatial gradien). Gradien spasial terdiri atas:

1. Gradien propagul: menyatalkan distribusi frekuensi jarak yang ditempuh oleh individu-individu propagul dalam populasi suatu jenis patogen tertentu dalam arah tertentu dari sumbernya. Gradien pencar patogen tidak melibatkan tanaman inang, melainkan hanya propagul dan faktor lingkungan yang mempengaruhi perpindahan propagul, dimulai dari pelepasan (release), pengangkutan (transport), dan penempatan (deposition), tetapi bukan pada tanaman rentan. Gradien propagul juga disebut gradien pencar patogen (pathogen dispersal gradient).
2. Gradien penyakit: menyatakan distribusi frekuensi jarak terjadinya penyakit dengan kejadian,  keparahan, atau cacahan tertentu. Gradien penyakit melibatkan tanaman inang dan faktor lingkungan yang mendukung perkembangan penyakit, dimulai dari pelepasan (release), pengangkutan (transport), dan penempatan (deposition) pada permukaan tanaman rentan sehingga memungkinkan propagul menjadi inokulum yang siap menginfeksi dan menyebabkan tanaman menjadi sakit. Gradien penyakit juga disebut gradien sebaran penyakit (disease spread gradient).

Jika dalam jalur yang dilalui oleh propagul terdapat tanaman rentan dan lingkungan yang mendukung maka pemencaran propagul patogen (propagul dispersal) akan menghasilkan sebaran penyakit (disease spread). Gradien propagul dan gradien penyakit menyatakan perkembangan penyakit dalam jarak, sebagaimana halnya waktu menyatakan perkembangan penyakit dalam waktu sebagaimana yang sudah kita pelajari pada materi kuliah 3.1 dan materi kuliah 3.2. Perkembangan penyakit dalam waktu menghasilkan data kemajuan penyakit, sedangkan perkembangan penyakit dalam jarak dari sumber penyakit menghasilkan data gradien dispersal (Gambar 3.3.2).

Gambar 3.3.2. Gradien spasial, A: Gradien propagul dan B: Gradien propagul menghasilkan gradien penyakit dan pola ruang penyakit. 

Sebagaimana disebutkan pada Gambar 3.3.2, gradien propagul menghasilkan gradien penyakit yang akan kita pelajari pada bagian berikut dalam materi kuliah ini dan menghasilkan pola ruang penyakit yang akan kita pelajari pada materi kuliah 3.3.4.

b. Model Gradien Spasial: Gradien Propagul dan Gradien Penyakit

Model gradien spasial terdiri atas model gradien propagul dan model gradien penyakit. Model gradien propagul terdiri atas model fisik dan model empirik. Model fisik didasarkan pada teori tertentu, misalnya model kepulan asap yang didasarkan pada teori kepulan Gauss (Gaussian plume model) (Gambar 3.3.3), model transfer gradien yang didasarkan pada teori transfer gradien (gradient transfer theory), dan model jalan acak yang didasarkan pada teori mengenai jalan acak (random walk theory). Karena model fisik sangat kompleks maka pada materi pengantar ini kita hanya akan membahas model empirik. Analisis dengan pemodelan menggunakan pendekatan empirik didasarkan semata-mata atas data dengan cara melakukan analisis statistik tertentu, dalam hal ini analisis regresi untuk menentukan persamaan hubungan antara padat populasi propagul dengan jarak dari sumber.

Gambar 3.3.3. Model kepulan asap Gauss (Gaussian flume model)

Berdasarkan pada persamaan yang digunakan sebagai model, model empirik gradien propagul terdiri atas:

• Model Power Law, dengan persamaan integrasi Y = a_P*s - b_P dan persamaan linier ln(Y) = ln(a_P) - b_P*ln(s)
• Model Eksponensial, dengan persamaan integrasi Y= a*Eexp(-b_E*s) dan persamaan linier ln(Y) = ln(a_E) - b_E*s’

Pada kedua model di atas, Y=padat populasi propagul, s=jarak, s’=jarak setelah dikoreksi dengan parameter h, h=parameter yang merupakan intersep jika s’=0, sedangkan aP dan bP=parameter b0 dan b1 untuk persamaan linier model Power Law serta aE dan bE=parameter b0 dan b1 untuk persamaan linier model Eksponensial. Persamaan linier identik dengan persamaan regresi linier sederhana derajat satu Y = b0 + b1X. Persamaan ketiga model di atas menyatakan bahwa tanaman sehat pada jarak s dari tanaman sakit dengan intensitas tertentu dan kemampuan memperoduksi inokulum tertentu akan berpeluang menerima propagul sebagai satuan pencar patogen dengan peluang yang semakin menurun seiring dengan bertambahnya jarak s. 

Gradien penyakit menyatakan kejadian, keparahan, atau cacahan penyakit pada individu tanaman dengan jarak tertentu dari sumber. Berdasarkan pada persamaan yang digunakan sebagai model, model gradien penyakit terdiri atas:

• Pengembangan model Power Law 1, dengan persamaan integrasi Y = 1 - a*s^b dan persamaan linier ln[1/(1-y)] = a - b*ln(s), tanpa satuan;
• Pengembangan model Power Law 2, dengan persamaan integrasi Y = 1/(1 + a*s^b) dan persamaan linier ln[y/(1-y)] = a - b*ln(s), tanpa satuan;
• Pengembangan model Eksponensial 1, dengan persamaan integrasi Y = 1 - a*exp(b*s) dan persamaan linier ln[1/(1-y)] = a - b*s, satuan (Jarak^-1);
• Pengembangan model Eksponensial 2, dengan persamaan integrasi Y = 1/[1 + a*exp(b*s)] dan persamaan linier ln[y/(1-y)] = a - b*s, satuan (Jarak^-1);

Pada persamaan linier dari keempat model di atas, tetapan a menyatakan b0 dan b menyatakan b1 dari persamaan regresi linier derajat satu Y = b0 + b1X. Keempat model di atas menyatakan bahwa kejadian atau keparahan penyakit pada sembarang tanaman yang berjarak s dari tanaman sakit lainnya yang menyebar dengan laju b akan berpenyakit dengan intensitas yang lebih rendah bergantung pada laju penyebaran penyakit b. Gradien penyakit dalam pemodelan ini merupakan gradien yang terjadi karena sebaran penyakit dalam jarak dekat. Sebaran penyakit dalam jarak jauh dianalisis dengan menggunakan teknik analisis tersendiri yang sangat kompleks sebagaimana misalnya dilakukan terhadap penyakit karat batang gandum. Karena sangat kompleks maka tidak diuraikan dalam materi pengantar ini.

Gambar 3.3.4a. Gradien penyakit model Power Law. Sumber: Meyer & Held (2014) 

Gambar 3.3.4b. Gradien penyakit model Power Law, Eksponensial, dan Gauss Sumber: Mikaberidze et al (2016)

Situs R4PDE menyediakan aplikasi shiny, aplikasi yang dibangun dengan menggunakan pemrograman R, dengan nama Gradients untuk melihat perubahan bentuk model gradien spasial penyakit, yaitu model eksponensial dan model Power Law termodifikasi (modified Power Law), yang terjadi dengan mengubah parameter-parameternya dan jarak maksimum gradasi. Silahkan mencoba melihat perubahan bentuk yang terjadi terhadap persamaan aslinya dan terhadap persamaan garis lurusnya.

c. Analisis Gradien Spasial: Gradien Propagul dan Gradien Penyakit

Untuk belajar menganalisis gradien propagul dan menganalisis gradien penyakit dalam jarak dekat dengan menggunakan pemodelan empirik sebagaimana diuraikan di atas, silahkan mengunduh, menyimpan, dan mempelajari file contoh dengan membuka berturut-turut sheet GradienPropagul_ToolPak, sheet GradienPropagul_SmartStatXL, sheet GradienPenyakit_ToolPak, dan sheet GradienPenyakit_SmartStatXL Selanjutnya silahkan mengunduh file latihan dan lakukan latihan menganalisis gradien spesies menggunakan skrip R yang diberikan untuk melakukan analisis gradien patogen dan skrip untuk melakukan analisis gradien penyakit dengan menggunakan data yang disediakan pada sheet LatihanGradienPatogen dan sheet LatihanGradienPenyakit. Data untuk latihan menganalisis pemencaran patogen dan sebaran penyakit masing-masing saya ambil dari situs: Peranan jumlah droplet air dalam pemencaran propagul penyakit karat pada tanaman gandum dan Gradien primer penyakit karat pada tanaman gandum. Simpan skrip dalam folder D:\\LatihanR dan kemudian klik untuk membukanya dalam RStudio. Pada setiap skrip, saya memberikan tanda # sebelum setiap kode untuk memberikan penjelasan terhadap maksud dari kode yang digunakan untuk melakukan analisis tertentu. Silahkan membaca penjelasan tersebut terlebih dahulu sebelum menjalankan skrip dalam RStudio. Jalankan skrip bagian demi bagian di antara dua tanda #. 

d. Analisis Spasio-temporal

Jika kejadian, keparahan, atau cacahan penyakit diamati pada jarak yang berbeda dari sumber inokulum beberapa kali dalam selang waktu tertentu maka kita dapat menganalisis perkembangan penyakit dalam ruang dan waktu sekaligus. Analisis penyakit hasil pengamatan seperti ini dianalisis dengan melibatkan jarak dan waktu sebagai peubah maka analisis penyakit yang dilakukan disebut analisis spasio-temporal. Sebagai contoh adalah data tomato_tswv dari package epiphy yang merupakan pengamatan tanaman tomat bergejala penyakit tomato spotted wilt virus (TSWV). Data merupakan hasil percobaan 2 varietas tomat (Burwood-Prize dan Early-Dwarf-Red) yang diairi dengan dua tipe irigasi (overhead-sprays dan trenches, masing-masing dalam 4 petak. Pengamatan dilakukan sebanyak 6 kali terhadap setiap tanaman pada petak yang terdiri atas 14 baris yang masing-masing berisi 32 tanaman dengan memberi skor 0 bila tanaman sehat dan skor 1 bila tanaman sakit.  Analisis spatio-temporal penyakit TSWV pada setiap tanaman tomat dalam satu petak yang ditanami kultivar Burwood-Prize dan dengan irigasi tipe trenches dapat dilakukan dengan menyajikan plot perkembangan penyakit menggunakan fungsi ggplot dalam package ggplot2 dengan terlebih dahulu memastikan bahwa package epiphy dan package tidyverse telah terpasang:

# Memasang packages yang perlu dipasang dan diaktifkan
packages <- c("agricolae", "car", "doebioresearch", "dplyr")
# Memasang packages jika belum dipasang
installed_packages <- packages %in% rownames(installed.packages())
if (any(installed_packages == FALSE)) {
install.packages(packages[!installed_packages])
}
# Mengaktifkan packages
invisible(lapply(packages, library, character.only = TRUE))

Memilih hanya data TSWW 1928 dari dataframe:

> data(tomato_tswv) # data dari package epiphy
> tswv_1928 <- tomato_tswv$field_1928 # Mengambil hanya data 1928 dari dataframe

Mengambil hanya data varietas tomat Burwood-Prize dan irigasi trenches untuk membuat grafik kemajuan penyakit secara spasial menggunakan fungsi ggplot dari package ggplot2:

> tswv_1928 |>

+ filter(variety == "Burwood-Prize"& # Mengambil hanya data varietas Burwood-Prize

+ irrigation == "trenches") |> # Mengambil hanya data irigasi trenches

+ ggplot(aes(x, y, fill= factor(i)))+

+ geom_tile(color = "black")+

+ coord_fixed()+

+ scale_fill_manual(values = c("grey70", "darkred"))+

+ labs(fill = "Status", title = "")+

+ theme_void()+

+ theme(legend.position = "bottom")+

+ facet_wrap(~ t, nrow =1)

Analisis spatio-temporal dengan membuat perkembangan penyakit pada setiap tanaman dalam plot memberikan hasil sebagaimana disajikan pada Gambar 3.3.5.

 

Gambar 3.3.5. Hasil analisis spatio-temporal penyakit TSWV pada tanaman tomat.

Hasil analisis sebagaimana tampak pada Gambar 3.3.5 menunjukkan bahwa penyakit semakin menyebar sehingga semakin banyak tanaman sakit seiring dengan bertambahnya waktu dari pengamatan 1 sampai pengamatan 6.

 

3.3.1.2. Membaca Pustaka Wajib

Silahkan mengunduh buku-buku perancangan percobaan dari Pustaka Daring dan membaca bab atau sub-bab yang berkaitan dengan prinsip perancangan percobaan. Untuk memperoleh informasi lebih lanjut, silahkan juga baca:

• Garrett, K. A., Esker, P. D., & Sparks, A. H. 2007. An introduction to the R programming environment. The Plant Health Instructor. DOI:10.1094/PHI-A-2008-0​129-01​​.
• Sparks, A.H., P.D. Esker, M. Bates, W. Dall' Acqua, Z. Guo, V. Segovia, S.D. Silwal, S. Tolos, and K.A. Garrett, 2008. Ecology and Epidemiology in R: Disease Progress over Time. The Plant Health Instructor. DOI:10.1094/​PHI-A-2008-0129-02​​​.
• Esker, P.D., A.H. Sparks, G. Antony, M. Bates, W. Dall' Acqua, E.E. Frank, L. Huebel, V. Segovia, and K.A. Garrett, 2007. Ecology and Epidemiology in R: Modeling dispersal gradients. The Plant Health Instructor. DOI:10.1094/PHI-A-200​8-0129-03​.
• Sparks, A.H., P.D. Esker, G. Antony, L. Campbell, E.E. Frank, L. Huebel, M.N. Rouse, B. Van Allen, and K.A. Garrett. 2008. Ecology and Epidemiology in R: Spatial Analysis. The Plant Health Instructor. ​DOI:10.1094/PHI-A-2008-0129​-04​.​​​
• Esker, P.D., A.H. Sparks, L. Campbell, Z. Guo, M. Rouse, S.D. Silwal, S. Tolos, B. Van Allen, and K.A. Garrett, 2008. Ecology and Epidemiology in R: Disease Forecasting. The Plant Health Instructor. DOI:10.1094/PHI-A-2008-0129-05​.
• Mudita, I W., (2013). Membuat Kurva dan Menghitung LDBK untuk Menganalisis Perkembangan Penyakit Tumbuhan. Blog Epidemiologi Penyakit Tumbuhan (versi lama). Diakses dari: http://muditaept.blogspot.com/2013/11/membuat-kurva-dan-menghitung-ldbk-untuk.html

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.

Lanjutkan membaca Materi 3.4 untuk mengerjakan Tugas Kuliah, Menandatangani Daftar Hadir dan Memasukkan Melaksanakan Laporan Kuliah dan Mengerjakan Tugas.

 

Hak cipta blog dan tulisan: I Wayan Mudita

Revisi pertama: 5 Maret 2019, revisi termutakhir: 18 Februari 2020

Hak cipta blog dan tulisan: I Wayan Mudita

Revisi pertama: 5 Maret 2019, revisi termutakhir: 7 Maret 2024

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.