3.4. Menganalisis Perkembangan Penyakit Tumbuhan dalam Ruang (2): Pola Spasial Penyakit Tumbuhan

Pada materi 6 kita sudah mempelajari perkembangan penyakit dalam ruang dengan menganalisis pemencaran patogen dan sebaran penyakit. Sebagaimana sudah saya sebutkan pada materi tersebut, pemencaran patogen menghasilkan sebaran penyakit dan pola penyakit dalam ruang. Pola sebaran penyakit berkaitan dengan perubahan kejadian atau keparahan penyakit dalam jarak, sedangkan pola penyakit dalam ruang berkaitan dengan kedudukan satu satuan penyakit secara relatif satu sama lain dan secara relatif terhadap arsitektur tanaman inang. Pada materi 3.4 ini kita akan belajar cara menganalisis pola penyakit dalam ruang. Mempelajari pola penyakit dalam ruang dalam materi ini akan dibatasi pada penggunaan add-ins Analysis ToolPak dan SmartStatXL dan layanan pemetaan daring My Maps, sedangkan untuk mempelajari secara lebih mendalam silahkan menggunakan program aplikasi statistik R dan program aplikasi sistem informasi geografik (geographic informastion system, SIG).

3.4.1. Materi Kuliah

3.4.1.1. Membaca Materi Kuliah
a. Pola Spasial Penyakit Tumbuhan
Pola spasial penyakit berkaitan dengan kedudukan satu satuan penyakit secara relatif satu sama lain dan secara relatif terhadap arsitektur tanaman inang dalam ruang (space). Ruang yang dimaksud dalam hal ini adalah ruang datar dalam sistem salib sumbu (X,Y). Sistem salib sumbu tersebut dapat berskala kecil, misalnya petak pertanaman atau petak lahan, atau berskala besar, misalnya lahan dalam satu kabupaten/kota, satu provinsi, satu negara, atau bahkan beberapa negara. Dalam skala kecil sistem salib sumbu dapat dinyatakan dalam satuan meter dari titik perpotongan sumbu X dengan sumbu Y, sedangkan dalam skala besar sistem salib sumbu dinyatakan dalam koordinat geografik yang terdiri atas derajat lintang dan derajat bujur. Analisis pola spasial penyakit tumbuhan didasarkan pada prinsip dasar dalam geografi bahwa segala sesuatu yang ada di bumi, termasuk penyakit, selalu berkaitan dengan tetangga. Dalam hal ini tetangga dapat berarti tetanggan dalam ruang yang analisisnya kita pelajari pada materi kuliah 3.3 dan pada materi kuliah ini dan tetangga dalam waktu yang analisisnya sudah kita pelajari sebelumnya pada materi kuliah 3.1 dan materi kuliah 3.2.

Pola ruang penyakit tumbuhan juga sering disebut distribusi penyakit tumbuhan, tetapi untuk menghindarkan terjadinya kekacauan pengertian dengan penggunaan istilah distribusi dalam statistika, istilah distribusi penyakit tumbuhan, jika tetap digunakan, sebaiknya disertai dengan spasial sehingga menjadi distribusi spasial penyakit tumbuhan. Dalam statistika, istilah distribusi tidak mempunyai kaitan dengan ruang, melainkan dengan rerata populasi (population mean) μ dan ragam populasi (population variance) ơ² dari kejadian atau keparahan penyakit (yang diestimasi menggunakan rerata dan ragam sampel). Menghindari kerancuan menjadi penting untuk dilakukan karena dalam menganalisis pola ruang penyakit tumbuhan digunakan teknik analisis yang berdasarkan pada distribusi statistik. Menganalisis pola penyakit dalam ruang merupakan proses untuk menentukan hubungan kedudukan propagul atau penyakit satu sama lain atau dengan kedudukan tanaman. Analisis dilakukan dengan menggunakan: (1) pendekatan analisis statistik atau (2) pendekatan analisis spasial. Berdasarkan pada hasil analisis pola ruang penyakit tumbuhan dapat diperoleh informasi mengenai:

1. Karakteristik penyakit dalam ruang guna membuat hipotesis mengenai hubungan antara propagul patogen dan tanaman sakit dengan lingkungannya;
2. Pencaran propagul dan perkembangan penyakit dalam ruang untuk memperkaya informasi mengenai perkembangan penyakit dalam waktu dan mengambil keputusan pengelolaan penyakit;
   
3. Parameter pola penyakit dalam ruang yang diperlukan untuk melakukan simulasi dan prakiraan penyakit, sebagaimana akan diuraikan pada materi kuliah selanjutnya.

Analisis pola ruang penyakit tumbuhan menghasilkan parameter rerata (means) μ dan ragam (variances) ơ2. Berdasarkan atas perbandingan antara kedua parameter tersebut dapat ditentukan pola ruang penyakit tumbuhan sebagai berikut:

1. Pola ruang acak (random pattern) bila ragam sama dengan rerata (ơ² = μ), 
2. Pola ruang mengelompok (aggregated pattern) bila ragam lebih besar dari rerata (ơ² > μ), atau 
3. Pola ruang teratur (regular pattern) bila ragam lebih kecil dari rerata (ơ² < μ). 

Ilustrasi pola spasial acak, pola spasial mengelompok, dan pola spasial teratur yang dihasilkan dengan menjalan perintah program aplikasi R sebagaimana disajikan pada Gambar 3.4.1.

Gambar 3.4.1. Penyebaran penyakit dalam ruang. Sumber: R4PDE

b. Pengumpulan Data dan Pemilihan Teknik Analisis Pola Ruang Penyakit Tumbuhan
Analisis pola ruang penyakit tumbuhan dilakukan untuk menentukan hubungan antara propagul atau penyakit dengan posisinya dalam ruang, sedangkan ruang merupakan tempat di mana pengamatan untuk pengumpulan data dilakukan. Oleh karena itu, hasil analisis pola ruang penyakit tumbuhan akan sangat bergantung pada satuan sampel (sample unit) dan sebaran satuan sampel dalam ruang. Berkaitan dengan satuan sampel, pengambilan sampel perlu memperhatikan satuan sampel sebagai berikut:

1. Penyakit terdapat pada satuan yang diskret, misalnya penyakit pada individu tanaman yang diskret. Dalam hal ini satuan sampel dapat berupa individu tanaman atau organ tanaman yang bersangkutan;
2. Penyakit terdapat pada satuan yang diskret, misalnya pada individu tanaman yang diskret, tetapi patogen dapat menyebar keluar tanaman terinfeksi melalui propagul dalam tanah atau melalui perantaraan vektor. Dalam hal ini, satuan sampel dapat berupa baris tanaman dengan panjang tertentu atau kuadrat pengamatan dengan ukuran tertentu;
3. Penyakit tidak terdapat pada satuan diskret, melainkan menyebar secara menyambung di dalam tanah ke tanaman di sekitarnya, sebagaimana misalnya terjadi pada penyakit-penyakit bawaan tanah yang disebabkan oleh jamur Rhizoctonia solani dan Phymatotrichum omnivorum. Dalam hal ini,  satuan sampel dapat berupa kuadrat pengamatan dengan ukuran yang memadai;
4. Penyakit terdapat pada satuan yang diskret, misalnya pada individu tanaman, tetapi pengamatan tidak dapat dilakukan terhadap individu tanaman diskret tersebut sebagai satuan sampel, sebagaimana misalnya jika pengamatan dilakukan untuk menentukan keparahan penyakit. Dalam hal ini satuan sampel ditentukan secara khusus yang akan dibahas dalam kaitan dengan teknik analisis data dengan menggunakan teknik autokorelasi spasial.

Berkaitan dengan sebaran satuan sampel dalam ruang, penempatan satuan sampel dalam ruang dilakukan dengan memperhatikan pendekatan dan teknik analisis yang akan dilakukan terhadap data pola ruang penyakit tumbuhan yang dikumpulkan. Mengikuti Madden dkk. (2007b), pendekatan analisis pola ruang penyakit tumbuhan dapat dilakukan dengan menggunakan dua pendekatan. Pendekatan pertama menggunakan data yang dipetakan secara intensif dengan sampel yang diketahui posisi [x,y]-nya dalam ruang. Contohnya adalah antara lain data biner (tanaman sakit atau sehat) pada baris tanam, pola titik lokasi tanaman (susunan spasial titik-titik dalam ruang 2-D), dan data kuadrat (kuadrat ditumpangkan pada data pola titik lokasi). Pendekatan kedua menggunakan data sampel yang jarang berupa data hitungan atau proporsi (insiden) yang tidak diketahui lokasinya atau bila diketahui tidak diperhitungkan dalam analisis. Pada pendekatan pertama diperoleh data dengan posisi [x,y] dalam ruang yang diketahui sehingga berdasarkan tipe posisi datanya dalam ruang dapat dianalisis dengan menggunakan teknik analisis pola ruang sebagai berikut: 

• Data biner (binary data) berdasarkan kedudukan tanaman sehat dan sakit dalam baris: dianalisis dengan menggunakan teknik analisis larian (runs analysis), cacahan gabungan (joint count), atau analisus foci (foci analysis).
• Data pola titik (point-pattern data), berupa data tanaman sakit atau sehat dengan posisi [x,y] yang diketahui: dianalisis dengan menggunakan teknik cacahan kuadrat (quadrat count) atau uji Kolmogorov-Smirnov spasial (Spatial K-S test)
• Data gabungan (grouped data), berupa jumlah tanaman sakit/sehat atau keparahan penyakit dari sejumlah tanaman yang dalam sejumlah kuadrat dengan posisi [x,y] yang diketahui: dianalisis dengan menggunakan teknik otokorelasi (autocorrelation, juga dikenal sebagai uji Moran I, Moran's I test, semiragam (semivariances), atau SADIE (spatial analysis by distance indices)
• Data jarak antar tanaman sakit (distance-based data) dalam ruang tanpa kedudukan dalam ruang: dianalisis dengan menggunakan teknik uji K Ripley (Ripley's K) atau statistik cincin O (O-ring statistics).
  

Pada pendekatan kedua diperoleh data dengan posisi [x,y] dalam ruang yang tidak diketahui sehingga analisis pola ruang tidak dapat dilakukan berdasarkan tipe posisi datanya dalam ruang. Dalam hal ini analisis pola ruang penyakit tumbuhan dilakukan dengan menggunakan teknik analisis penyuaian distribusi statistik (fit to statistical distributions), indeks agregasi (aggregation indices), atau Power Law. Selain dengan menggunakan teknik analisis statistik, data dengan posisi [x,y] dalam ruang yang diketahui dapat dianalisis dengan menggunakan teknik analisis SIG (sistem informasi geografik, Geographic Information Systems, GIS).

c. Analisis Pola Spasial Penyakit Tumbuhan dengan Menggunakan Teknik-teknik Analisis Statistik
Analisis pola spasial penyakit tumbuhan dengan menggunakan berbagai teknik analisis statistik, terutama teknik-teknik statistika spasial (spatial statistics), yaitu cabang dari statistika yang berfokus pada data yang berkaitan dengan ruang dan hubungan keruangan (seperti jarak, luas, volume, panjang, tinggi, orientasi, sentralitas dan/atau sifat keruangan lainnya) secara langsung dalam dalam melakukan analisisnya. Penggunaan teknik-teknik statistik dalam menganalisis pola spasial penyakit tumbuhan bergantung kepada bagaimana cara mengumpulkan data spasial yang akan dianalisis sebagaimana telah diuraikan pada bagian b. Pada dasarnya, data yang dikumpulkan dengan posisi [x,y] merupakan data intensif, sedangkan data yang dikumpulkan tanpa posisi [x,y] merupakan data ekstensif. Posisi [x,y] dalam hal ini dapat merupakan jarak x dan jarak y ke titik acuan atau koordinat geografik lintang dan bujur dalam ruang yang sangat luas. 

Dalam ruang yang terbatas, analisis pola spasial dilakukan dengan menggunakan teknik-teknik spasial, antara lain dengan menggunakan teknik-teknik analisis yang tersedia dalam package spatstat, package khusus untuk analisis pola spasial titik dalam ruang menggunakanaplikasi statistika R. Package ini merupakan package analisis statistik spasial yang merupakan gabungan dari packages spatstat.utils (utilitas dasar spasial), spatstat.data (dataset spasial), spatstat.sparse (sparse arrays), spatstat.geom (kelas data spasial; operasi geomerik), spatstat.random (pembuatan pola acak smasial), spatstat.explore (analisis eksploratori data spasial), spatstat.model (pemodelan dan inferensi data spasial), dan spatstat.linnet(analisis spasial jaringan linier). Selain itu package ini juga mempunyai package ekstensi yang pengoperasiannya memerlukan paklacge spatstat, terdiri atas: spatstat.gui (antarmuka grafis), spatstat.Knet (jaringan linier), spatstat.local (model geografis lokal), dan spatstat.sphere (data sferik). Yang berminat mendalami analisis statistik spasial dengan menggunakan package spatstat, dapat menggunakan situs Spatial Point Patterns: Methodology and Applications with R. Berbagai package analisis spasial lainnya dapat diakses dari (Unscientific) list of popular R packages for spatial analysis dan dari R packages for spatial analysis 

Data Biner: Uji Larian. Larian didefinisikan sebagai deretan satu atau lebih tanaman sakit (D) atau sehat (H), yang diikuti dan didahului oleh tanaman yang berstatus penyakit lain atau tidak ada tanaman sama sekali. Jumlah larian akan sedikit jika tanaman sakit atau sehat menyebar secara mengelompok atau sebaliknya jumlah larian akan besar jika sakit dan tanaman sehat menyebar secara acak. Uji larian dapat dilakukan dengan menggunakan package R4PDE untuk menguji data dengan menggunakan Uji-Z sebagaimana diberikan dalam contoh skrip R uji larian dengan kurva sebagaimana pada Gambar 3.4.2. Hasil analisis yang memberikan  nilai Total Number of Runs (U): 8,  Expected Number of Runs (EU): 16.75,  Standard Deviation of Runs (sU): 2.74,  Z-score: -3.20, dan P-value: 0.0007 berarti bahwa pola spasial penyakit dalam baris adalah mengelompok.

Gambar 3.4.2. Deretan tanaman sakit (merah gelap) dan tanaman sehat (abu-abu), angka menyatakan posisi tanaman. Sumber: R4PDE

Data Biner: Cacahan Bersambungan. Dua tanaman berdekatan dapat diklasifikasikan berdasarkan kombinasi sambungan sakit-sehat yang menghubungkannya, apakah sakit-sakit (D-D), sehat-sehat (H-H), atau sehat-sakit (H-D), jumlah setiap kombinasi sambungan kemudian dihitung untuk menentukan apakah jumlah kombinasu sambungan yang diamati lebih besar (atau lebih kecil) dibandingkan dengan yang diharapkan untuk pola acak. Silahkan unduh file contoh skrip uji cacahan bersambungan untuk menganalisis data hawar batang berblendok (gummy stem blight) tanaman semangka guna menentukan pola ruang penyakit tersebut pada 65 dan 74 hari setelah tanah. Hasil uji terhadap data 65 hari setelah tanam menunjukkan bahwa pola ruang penyakit tersebut adalah acak, silahkan lakukan sendiri untuk data pada 74 hari setelah tanam dengan menggunakan skrip yang sama.

Gambar 3.4.3. Peta posisi tanaman semangka sakit (merah gelap) dan posisi tanaman sehat (abu-abu) hasil pengamatan pada 65 hari setelah tanam dalam matriks posisi [x,y]. Sumber: R4PDE

Data Biner: Analisis Fosi. Analisis fosi, atau secara lengkap analisis struktur dan dinamika fosi (Analysis of Foci Structure and Dynamics, AFSD), diperkenalkan oleh (Nelson 1996) dan diperluas lebih lanjut oleh (Laranjeira et al. 1998), digunakan dalam beberapa penelitian penyakit jeruk di Brazil. Dalam analisis ini, data berasal dari hasil pengamatan pohon jeruk sakit dan tidak sakit yang dipetakan dalam bidang dua dimensi (Jesus Junior dan Bassanezi 2004; Laranjeira et al. 2004). Dalam analisis fosi, fosi merupakan kumpulan tanaman sakit dengan posisi [x,y] diketahui yang berada saling berdekatan satu sama lain, baik berdekatan dalam batas garis maupun dalam batas sudut, sedangkan fokus merupakan tanaman sakit menyendiri dengan posisi [x,y] diketahui. 

Gambar 3.4.4. Peta posisi tanaman sakit (merah tua) sebagai fokus atau sebagai fosi di antara tanaman sehat (abu-abu), Perhatikan terdapat satu fokus tanaman sakit (kanan bawah) dan tiga foci tanaman sakit (kanan atas serta kanan atas dan bawah). Pada fosi kanan atas 5 tanaman membentuk fosi karena berbatas sudut, pada kiri atas 5 tanaman membentuk fosi karena berbatasan garis, dan pada kiri bawah 11 tanaman salit membentuk fosi karen 1 tanaman sakit berbatasan sudut dan 10 tanaman sakit lainnya saling berbatasan garis. Sumber: R4PDE

Data yang diperlukan untuk melakukan analisis fosi adalah sebagai berikut:

1. Jumlah fosi (NF) dan jumlah fokus (NSF). Untuk melakukan perbandingkan antar petak dengan jumlah tanaman yang berbeda, jumlah fosi dan jumlah fokus dapat dinormalisasi terhadap 1000 ranaman sebagai NF1000 dan NSF1000.
2. Jumlah tanaman yang tergabung dalam fosi ke-i (NPFi)
3. Jumlah maksimum baris yang ditempati tanaman sakit dalam fosi ke-i (rfi) dan jumlah maksimum kolom yang ditempati tanaman sakit dalam kolom ke-i (cfi)

Berdasarkan pada data di atas selanjutnya dihitung:

1. Rerata indeks bentuk fosi (shape index of foci, SIF) dihiitung sebagai: meanSIF = [∑(fri / cfi)]/NF; jika nilai SIF values = 1.0 menyatakan fosi berbentuk isodiametris; nilai SIF > 1.0 menyatakan fosi dengan panjang yang lebih besar pada arah antar baris tanaman daripada dalam baris tanaman, dan nilai SIF < 1 menyatakan fosi dengan panjang yang lebih besar dalam baris daripada antar baris tanaman.
2. Rerata indeks kekompakan fosi (mean compacness index of foci, CIF) dihitung sebagai meanCIF = [∑(NPFi/rfi*cfi)]/NF; jika nilai CIF yang mendekati 1,0 menunjukkan fosi yang lebih kompak, yaitu agregasi dan kedekatan yang lebih besar dantar semua tanaman sakit yang termasuk dalam fosi.

Untuk memperoleh gambaran mengenai cara melakukan analisis fosi, silahkan unduh file contoh skrip R analisis fosi terhadap data kejadian penyakit variegated chlorosis pada tanaman jeruk. Berdasarkan pada hasil analisis, silahkan tentukan apakah penyakit variegated chlorosis ini mempunyai pola ruang acak atau mengelompok.

Data Pola Titik: Cacahan Kuadrat. Data diperoleh dari petak yang dibagi menjadi grid teratur berbentuk bujur sangkar atau persegi panjang berukuran sama yang dikenal sebagai kuadrat. Jumlah tanaman sakit yang terdapat di dalam kuadrat kemudian kuadrat dihitung. Jika titik-titik tanaman sakit terdistribusi secara seragam dan independen di seluruh wilayah, yaitu terdistribusi secara acak, maka jumlah titik tanaman sakit di dalam setiap kuadrat harus mengikuti distribusi Poisson. Jika ragamnya kira-kira sama dengan rerata maka pola ruang tanaman sakit dianggap acak. Jika ragamnya lebih besar dari rerata maka menunjukkan pola ruang tanaman sakit mengelompok. Uji cacahab kuadrat memerlukan pengetahuan dasar mengenai statistik spasial, tetapi bagi yang berminat silahkan pelajari lebih lanjut disertai dengan mengerjakan contoh melakukan analisis sebagaimana yang diberikan oleh situs R4PDE pada halaman Spatial Analysis: 15. Tests for pattern, 15.1. Intensively Mapped, 15.1.2. Point Pattern Analysis, 15.1.2.1. Quadrat Count.

Data Pola Titik: Uji Kolmogorov-Smirnov Spasial. Uji Kolmogorov-Smirnov Spasial (K-S Satias Test) merupakan uji untuk menilai kesesuaian suatu data pola titik tertentu tanaman sakit terhadap asumsi Keacakan Spasial Lengkap (complete spatial randomness, CSR). Dengan kata lain, uji ini digunakan untuk menentukan apakah sekumpulan titik spasial tanaman sakit terdistribusi secara acak atau terdistribusi dengan pola interaksi tertentu. Namun, tidak seperti uji konteks spasial lainnya, uji Kolmogorov-Smirnov Spasial memanfaatkan data kovariat spasial dari setiap titik tanaman sakit dan membandingkannya dengan distribusi kovariat yang diharapkan berdasarkan asumsi CSR. Hal ini dilakukan untuk memeriksa apakah ada perbedaan antara distribusi data kovariat spasial yang diamati dan distribusi yang diharapkan jika titik-titik tersebut terdistribusi secara acak spasial. Uji Kolmogorov-Smirnov spasial memerlukan pengetahuan dasar mengenai statistik spasial, tetapi bagi yang berminat silahkan pelajari lebih lanjut disertai dengan mengerjakan contoh melakukan analisis sebagaimana yang diberikan oleh situs R4PDE pada halaman Spatial Analysis: 15. Tests for pattern, 15.1. Intensively Mapped, 15.1.2. Point Pattern Analysis, 15.1.2.2. Spatial KS Test.

Data Gabungan: Autokorelasi Spasial. Analisis autokorelasi dilakukan terhadap data jumlah propagul atau data intensitas penyakit yang diperoleh dari pengamatan kuadrat bersambungan, misalnya kuadrat dengan ukuran tertentu dalam posisi bersambungan membentuk transek sabuk (belt transect). Analisis autokorelasi spasial memberikan penilaian kuantitatif apakah jumlah propagul atau intensitas penyakit yang besar dalam suatu kuadrat menjadikannya lebih (autokorelasi positif) atau kurang (autokorelasi negatif) berkemungkinan mempengaruhi jumlah propagul atau intensitas penyakit pada kuadrat tetangganya. Metode autokorelasi spasial biasanya mengacu pada Moran's I, suatu statistik yang banyak digunakan untuk mengukur autokorelasi spasial dalam data spasial. Adanya autokorelasi spasial menyiratkan bahwa jumlah propagul atau intensitas tanaman sakit yang berdekatan menunjukkan nilai yang lebih mirip (autokorelasi positif) atau berbeda (autokorelasi negatif) daripada yang diharapkan dalam distribusi acak. Analisis autokorelasi spasial memerlukan pengetahuan dasar mengenai statistik spasial, tetapi bagi yang berminat silahkan pelajari lebih lanjut disertai dengan mengerjakan contoh melakukan analisis sebagaimana yang diberikan oleh situs R4PDE pada halaman Spatial Analysis: 15. Tests for pattern, 15.1. Intensively Mapped, 15.1.3. Grouped Data, 15.1.3.1. Autocorrelation.

Data Gabungan: Analisis Semiragam. Semiragam (semi-variances) berbeda dengan autokorelasi spasial karena dalam semiragam jarak diukur dalam sebagai senjang spasial diskret. Semiragam dapat didefinisikan sebagai setengah dari ragam perbedaan antar semua titik yang mungkin berjarak konstan satu sama lain. Semiragam pada jarak d = 0 akan bernilai nol karena tidak ada perbedaan antar titik-titik yang dibandingkan dengan titik yang sama. Namun, ketika titik dibandingkan dengan titik yang semakin jauh, semiragam meningkat. Pada jarak tertentu, yang disebut Range, semiragam akan menjadi kira-kira sama dengan ragam titik-titik di seluruh petak. Jarak ini merupakan jarak terjauh dimana nilai pada suatu titik di permukaan berhubungan dengan nilai di titik lain. Dalam kenyataan, ketika jarak antara dua unit sampling kecil, satuan sampel akan salingberdekatan, dan biasanya variabilitasnya rendah. Sebaliknya, jika jarak bertambah, variabilitasnya akan meningkat. Hasil analisis semivarian biasanya disajikan dalam bentuk plot semiragam terhadap jarak, yang disebut semivariogram. Dalam melakukan analisis pola ruang penyakit, karakteristik utama semivariogram yang perlu diperhatikan adalah nugget, rentang, dan ambang batas, yang diestimasi diestimasi melalui penyuaian model non-linier terhadap titik-titik data semiragam. Analisis semiragam memerlukan pengetahuan dasar mengenai statistik spasial, tetapi bagi yang berminat silahkan pelajari lebih lanjut disertai dengan mengerjakan contoh melakukan analisis semiragam yang diberikan pada halaman Spatial Analysis: 15. Tests for pattern, 15.1. Intensively Mapped, 15.1.3. Grouped Data, 15.1.3.2. Semivariance dalam situs R4PDE.

SADIE. SADIE (spatial analysis by distance indices, analisis spasial berdasarkan indeks jarak) merupakan alternatif terhadap metode autokorelasi spasial dan semiragam yang telah diuraikan di atas. Mirip dengan metode-metode tersebut, untuk melakukan analisis SADIE diperlukan data koordinat spasial untuk kejadian penyakit, intensitas penyakit, atau cacahan penyakit. SADIE mengkuantifikasi pola spasial dengan menghitung total jarak minimum terhadap keteraturan. Artinya, jarak yang harus ditempuh individu-individu dari titik awal yang ditentukan oleh jumlah individu-individu yang sama pada titik akhir dalam setiap satuan sampel. Oleh karena itu, jika data sangat teragregasi maka jarak ke keteraturan akan besar, namun jika data mendekati keteraturan maka jarak ke keteraturan akan lebih kecil. Hipotesis nol yang diuji adalah bahwa pola yang diamati adalah acak. SADIE menghitung indeks agregasi (Ia). Jika nilai Ia = 1 maka pola spasial penyakit adalah acak dan jika nilai Ia > 1 maka pola spasial penyakit adalah mengelompok. Analisis SADIE memerlukan pengetahuan dasar mengenai statistik spasial, tetapi bagi yang berminat silahkan pelajari lebih lanjut disertai dengan mengerjakan contoh melakukan analisissebagaimana yang diberikan pada halaman Spatial Analysis: 15. Tests for pattern, 15.1. Intensively Mapped, 15.1.3. Grouped Data, 15.1.3.3. SADIE dalam situs R4PDE.

Data Gabungan: Indeks Pola Spasial. Data cacahan tanaman penyakit maupun data insidensi penyakit yang diperoleh dari kuadrat dapat digunakan untuk menentukan indeks pola spasial. Beberapa indeks pola spasial yang lazim digunakan adalah: nisbah ragam terhadap rerata (variance to mean ratio, VM), indeks ukuran pengelompokan (index of cluster size, ICS), indeks keterkelompokan Lloyd (Lloyd's Index of Patchiness, LIP), indeks kemerapatan rerata Llloyd (Lloyd's Index of Mean Crawding, LIMC), indeks dispersi Morisita (Morisita Index of Dispersion, MID), dan Indeks Keterkelompokkan Gugus Iwao (Iwao's Index of Patchiness of Clusters within a Field, IIPC). Indeks pola ruang yang sama yang sama juga dapat digunakan untuk data cacahan tanaman sakit atau kejadian penyakit dari kuadrat tanpa koordinat lokasi sehingga juga dapat digunakan digunakan untuk analisis pola spasial dengan pendekatan ekstensif sebagaimana akan diuraikan pada bagian lain. Untuk memperoleh gambaran mengenai cara melakukan analisis pola spasial dengan menggunakan indeks spasial, silahkan unduh dan jalankan file contoh skrip R indeks LIP. Berdasarkan pada hasil analisis, silahkan tentukan apakah penyakit mempunyai pola ruang acak atau mengelompok.

Data Berbasis Jarak: Fungsi K Ripley. Fungsi K, atau secara lengkap fung K Ripley, mengukur jumlah titik yang diharapkan dalam jarak tertentu dari suatu titik acak, dengan asumsi semua titik mempunyai peluang yang sama untuk terjadi di suatu lokasi. Bayangkan setelah melakukan pengambilan sampel pohon secara acak di suatu kawasan hutan Anda menemukan sebatang pohon berpenyakit akar papan. Fungsi K membantu Anda menjawab pertanyaan: “Berapa banyak pohon sakit lain yang akan saya temukan dalam jarak tertentu dari pohon sakit yang telah saya temukan ini?”. Menggunakan fungsi K Ripley:

• Plot fungsi K berupa garis dengan sudut = 45o: titik-titik terdistribusi dengan pola acak, 
• Plot fungsi K berupa garis dengan sudut > 45o: titik-titik terdistribusi dengan pola mengelompok,
• Plot fungsi K berupa garis dengan sudut < 45o: titik-titik terdistribusi dengan pola teratur

Uji Fungsi K Ripley memerlukan pengetahuan dasar mengenai statistik spasial, tetapi bagi yang berminat silahkan pelajari lebih lanjut disertai dengan mengerjakan contoh melakukan analisissebagaimana yang diberikan pada halaman Spatial Analysis: 15. Tests for pattern, 15.1. Intensively Mapped, 15.1.3. Grouped Data, 15.1.2.3. Distance-Based, 15.1.2.3.1. Ripley's K dalam situs R4PDE.

Data Berbasis Jarak: Statistik Cincin-O. Nama Cincin-O diambil dari metode penempatan sejumlah lingkaran konsentris (cincin-O) dengan jari-jari berbeda di sekitar setiap titik tipe 1 (tanaman sehat) dan menghitung berapa banyak titik tipe 2 (tanaman sakit) yang berada dalam setiap cincin. Plot yang dihasilkan oleh statistik cincin-O disebut plot cincin-O atau plot fungsi-O yang merupakan plot dengan jari-jari cincin sebagai sumbu x dan perkiraan jumlah titik tipe 2 di sekitar titik tipe 1 sebagai sumbu y. Menggunakan plot cincin-O:

• Plot cincin-O berupa kurva datar: titik-titik tipe 2 terdistribusi secara acak di sekitar titik-titik tipe 1, berarti jumlah titik tipe 2 tidak berubah terhadap jarak ke titik tipe 1.
• Plot cincin-O berupa kurva yang miring ke atas: titik-titik tipe 2 terdistribusi secara mengelompok di sekitar titik-titik tipe 1, berarti jumlah titik tipe 2 meningkat seiring dengan semakin dekat dengan titik tipe 1.
• Plot cincin-O berupa kurva yang miring ke bawah: titik-titik tipe 2 tersebar secara teratur di sekitar titik-titik tipe 1, berarti jumlah titik tipe 2 semakin berkurang seiring dengan semakin dekat dengan titik tipe 1.

Plot cincin-O biasanya disertai dengan batas selang kepercayaan yang disebut amplop kepercayaan. Statistik cincin-O yang berada dalam batasan aplop kepercayaan menunjukkan bahwa pola yang diamati mungkin merupakan hasil dari proses spasial acak. Sebaliknya, statistika cincin-O yang berada di luar amplop kepercayaan menunjukkan bahwa pola yang diamati mungkin merupakan hasil dari proses spasial tidak acak (sehingga terdistribusi mengelompok). Uji statistik cincin O memerlukan pengetahuan dasar mengenai statistik spasial. Namun bagi yang berminat silahkan pelajari lebih lanjut disertai dengan mengerjakan contoh melakukan analisis sebagaimana yang diberikan pada situs R4PDE pada halaman Spatial Analysis: 15. Tests for pattern, 15.1. Intensively Mapped, 15.1.3. Grouped Data, 15.1.2.3. Distance-Based, 15.1.2.3.2. O-ring statistics.

Data Berbasis Jarak: Indeks. Jika individu tersebar acak, sebagaimana misalnya pohon jenis tertentu di kawasan hutan, maka dapat dikumpulkan data berbasis jarak yang terdiri terdiri atas: (1) nilai duga kerapatan tanaman berpenyakit (kejadian penyakit) (p), (2) jarak tanaman sakit acak ke tanaman sakit terdekat (d), dan (3) Kuadrat jarak satu titik acak ke tanaman sakit terdekat (w). Berdasarkan dua dari ketiga ukuran ini, dapat dihitung indeks Clark & Evans dengan menggunakan ukuran 1 dan ukuran 2, indeks Hopkins & Skellam menggunakan ukuran 2 dan ukuran 3, dan indeks Pielou dengan menggunakan ukuran 1 dan ukuran 3 sebagai berikut:

• Indeks Clark & Evans: D_CE=2-2sqrt(pd), dalam hal ini d=adalah jarak rata-rata antara tanaman sakit acak ke tanaman sakit terdekat;
• Indeks Hopkins & Skellam: D_HS=w/w_i, dalam hal ini w=kuadrat jarak rata-rata antara titik acak dengan tanaman sakit terdekat dan w_i=kuadrat jarak rata-rata antara tanaman sakit acak dengan tanaman sakit terdekat;
• Indeks Pielou: D_P=pi*p*w, dalam hal ini w=kuadrat jarak rata-rata antara titik acak dengan tanaman skit terdekat, p=nilai duga kerapatan tanaman berpenyakit (kejadian penyakit), dan pi= 3.141592653589793238.
  

Nilai D yang diperoleh selanjutnya digunakan untuk menentukan pola penyakit dalam ruang dengan berdasarkan pada distribusi normal atau distribusi F. Perlu diperhatikan bahwa pendekatan jarak hanya dapat digunakan terhadap tanaman sakit yang tersebar secara alami di lapangan sebagaimana misalnya pohon sakit di kawasan hutan, tidak dapat digunakan untuk tanaman yang ditanam dengan jarak tanam. Uji indeks terhadap data berbasis jarak menggunakan indeks Clark & Evans dapat dilakukan menggunakan fungsi clarkevans danuntuk menghitung nilai D dan fungsi clarkevans.test untuk melakukan uji statistik terhadap nilai D yang diperoleh dan menggunakan indeks Hopkins & Skellam dengan menggunakan fungsi hopskel dari package spatstat.explore dalam kelompok package spatstat yang dijalankan menggunakan aplikasi statistika R. 

Data Ekstensif: Penyuaian Distribusi Statistik. Distribusi statistik yang digunakan adalah distribusi statistik binomial yang merupakan distribusi data mengelompok dan distribusi statistik Poison yang merupakan distribusi data acak. Penyuaian kedua distribusi statistik tersebut dapat dilakukan terhadap data cacahan individu tanaman sakit atau terhadap data insidensi penyakit. Penyuaian dapat dilakukan dengan menggunakan aplikasi daring Poison Distribution Fitting dari situs Agricultural and Meteorological Software atau menggunakan fungsi fit_two-dist() dalam package epiphy. Mengingat penelitian penyakit tumbuhan biasanya dilakukan secara ekstensif, yaitu koordinat geografik tanaman sakit tidak diketahui, dan mengetahui pola ruang penyakit sangat penting dalam penelitian penyakit tumbuhan maka kita akan mempelajari penggunaan fungsi fit_two_dist() dari package epiphy tersebut untuk menyuai data. Silahkan terlebih dahulu mmembaca artikel berjudul Analyzing plant disease epidemics with the R package epiphy.

Data Ekstensif: Indeks Pola Spasial. Indeks pola spasial yang digunakan untuk menganalisis data gabungan menggunakan pendekatan analisis pola spasial penyakit tumbuhan dengan pendekatan intensif juga dapat digunakan untuk melakukan analisis pola spasial penyakit tumbuhan dengan menggunakan pendekatan ekstensif, baik terhadap data cacahan tanaman sakit maupun data kejadian penyakit. Untuk mempelajari cara menentukan indeks pola spasial penyakit tumbuhan, silahkan unduh file data contoh dan latihan dan kemudian membuka sheet PolaSpasialContoh dan kemudian mengerjakan latihan pada sheet PolaSpasialLatihan dengan terlebih dahulu mempelajari contoh yang diberikan. Mengingat indeks pola spasial penyakit sangat penting dalam mempelajari penyakit tumbuhan maka akan dibahas mengenai cara menentukan nilai nilai beberapa macam indeks tersebut dan melakukan uji kesesuaian indeks terhadap data dengan menggunakan package epiphy.

d. Analisis Pola Ruang Penyakit Tumbuhan dengan Menggunakan Pendekatan Analisis Spasial
Selain menggunakan teknik-teknik analisis statistik spasial, analisis pola spasial juga dapat dilakukan dengan menggunakan Sistem Informasi Geografik (SIG). Program aplikasi SIG berbeda dari statistika spasial terutama dalam menyajikan hasil analisis dalam bentuk peta formal, yang dalam melakukan analisisnya juga menggunakan teknik-teknik analisis spasial sebagaimana misalnya statistika spasial pada program aplikasi QGIS. Teknik-teknik analisis geostatistik yang lazim diintegrasikan dengan SIG antara lain adalah analisis autokorelasi spasial (spatial autocorrelation analysis) yang sudah dibahas pada bagian c dan teknik interpolasi spasial dengan metode Kriging, Inverse Distance Weighting (IDW), dan Kernel Density Estimation (KDE). Untuk mempelajari penggunaan pendekatan analisis spasial dengan menggunakan teknik-teknik SIG memerlukan pengetahuan yang memadai mengenai SIG sehingga tidak memungkankan untuk membahasnya secara menyeluruh dalam materi kuliah ini. Namun demikian, SIG sebenarnya sudah dimanfaatkan dalam kehidupan seharai-hari melalui layanan pemesanan dan pengantaran barang secara daring serta transportasi secara daring. Pemanfaatan SIG dalam kehidupan sehari-hari juga dilakukan dalam bentuk aplikasi berbasis spasial pada ponsel, sebagaimana misalnya aplikasi Google Maps dan aplikasi sejenis lainnya Google Earth. Bahkan untuk menentukan koordinat lokasi, yang selama ini dilakukan dengan menggunakan alat yang biasa disebut GPS (global positioning systems), kini dapat dilakukan dengan menggunakan aplikasi seperti misalnya aplikasi GPS Data dan GPS Essentials yang dapat dipasang ke ponsel dari Google Play Store. Uraian pada materi kuliah ini diberikan hanya untuk memberikan dasar-dasar SIG dan menggunakan aplikasi yang tersedia secara daring untuk menganalisis pola spasial penyakit.

Gambar 1. Peta 3-D Inverse Distance Weighting (IDW) Penyakit visrus pada labu zucchini di kawasan savana pesisir Gana. Sumber: Gyamera et al. (2015) Spatial and Temporal Spread Patterns of Viral Diseases on a Zucchini Squash Field in the Coastal Savannah Zone of Ghana

Untuk melakukan analisis pola penyakit dalam ruang dengan menggunakan pendekatan SIG, terlebih dahulu perlu dipahami bahwa titik, garis, dan bidang datar terdiri atas data spasial dan data atribut. Data spasial adalah data yang menunjukkan letak titik, garis atau bidang datar pada permukaan bumi, lazim dinyatakan dalam koordinat geografik. Data atribut adalah data mengenai karakteristik titik, garis, atau bidang datang tersebut, misalnya titik tanaman sakit, garis yang menyatakan baris tanaman sakit, atau bidang yang menyatakan kuadrat sampel tanaman sakit dapat mempunyai knilai kejadian penyakit, keparahan penyakit, atau cacahan penyakit sebagai atribut. Letak titik, garis, atau bisang yang memuat data atribut penyakit tersebut dinyatakan sebagai koordinat geografik ynag terdiri atas garis lintang (sumbu X) dan garis bujur (sumbu Y), lazim dinyatakan dalam derajat (tetapi juga dalam jarak). Garis lintang 0o disebut katulistiwa (equator), sedangkan garis bujur 0o disebut garis bujur Greenwich karena melalui kota tersebut di Inggris. Dari katulistiwa ke kutub utara atau ke kutub selatan terbagi menjadi 90o Lintang Utara (LU) dan 90o Lintang Selatan (LS), sedangkan dari garis bujur Greenwich ke Timur atau ke Barat terbagi menjadi 180o Bujur Timur (BT) dan 180o Bujur Barat (BB). Setiap derajat terdiri atas 60 menit dan setiap menit terdiri atas 60 detik. Koordinat geografik dapat dinyatakan dalam satuan dengan format derajat, menit, dan detik atau dalam format derajat desimal, keduanya dapat saling dikonversi. Selain dalam satuan derajat, koordinat geografik juga dapat dinyatakan dalam format Universal Transverse Mercator (UTM) dalam satuan ribuan m ke arah Utara (Northing) dan ribuan m ke arah Timur (Easting).

Untuk mempelajari seperti apa sistem koordinat geografik itu dalam praktik, Anda dapat menggunakan program aplikasi Google Earth Pro. Silahkan masuk ke situs Google Earth dan kemudian pilih apakah akan menjalankan secara daring (Google Earth on web) (memerlukan kecepatan Internet tinggi), menggunakan komputer (Google Earth on desktop), atau menggunakan ponsel (Google Earth on mobile). Google Earth on web bisa dijalankan dengan menggunakan komputer maupun ponsel yang terhubung ke Internet dengan kecepatan yang memadai. Untuk menjalankan Google Earth on desktop maupun Google Earth on mobile, silahkan klik tautan masing-masing ketika membuka halaman Google Earth menggunakan komputer atau menggunakan ponsel. Untuk menjalankan Google Earh menggunakan komputer perlu terlebih dahulu memasang program Google Earth Pro on desktop, demikian juga untuk menjalankan dengan ponsel, perlu mempasang app Google Earth Pro on mobile. Silahkan buka Google Earth Pro yang Anda pilih. Klik bagian Menu, pilih Setting, dan kemudian cari pilihan Format and Units. Untuk pilihan Unit of measurement, silahkan pilih Meters and Kilometers dan untuk pilihan Latitude/Longitude Formating, silahkan pilih dahulu Degrees, Minutes, Seconds lalu periksa angka koordinat di bagian kanan bawah layar. Kemudian klik kembali Menu dan pilih Latitude/Longitude Formating, tapi sekarang pilih Decimal dan periksa angka koordinat di bagian kanan bawah layar. Angka koordinat yang tertera menunjukkan posisi kursor di layar dalam satuan koordinat derajat, menit, detik atau dalam satuan derajat desimal. Cari lokasi rumah atau tempat kos masing-masing, setelah menemukannya, klik tombol Add placemark dan klik lokasi tumah atau tempat kos. Perhatikkan koordinat geografik rumah atau tempat kos yang telah Anda klik.

Data lokasi dalam SIG disimpan sebagai file dalam format khusus, yang paling umum digunakan adalah format SHP. Selain dengan cara mengklik di layar Google Earth, koordinat lokasi dapat diukur dengan menggunakan alat khusus yang disebut alat penerima GPS khusus atau alat penerima GPS yang diintegrasikan dengan posel. GPS merupakan singkatan dari Global Positioning System dan terdiri atas tiga segmen, masing-masing disebut space segment (satelit), control segment (statisun pengendali), dan user segment (alat penerima). Alat penerima GPS khusus atau yang terintegrasi dengan ponsel merupakan bagian dari user segment. Untuk mengecek apakah ponsel yang Anda miliki sudah mempunyai alat penerima GPS, silahkan cek apakah Anda sudah menggunakan aplikasi Gojek, Grab, atau sejenisnya untuk bepergian ke suatu tempat atau memesan sesuatu. Jika ya berarti ponsel Anda sudah mempunyai alat penerima GPS. Untuk menggunakan ponsel yang sudah dilengkapi dengan alat penerima GPS untuk mengukur dan merekam koordinat geografik, seperti misalnya koordinat geografik tanaman sakit, silahkan pasang aplikasi (apps) untuk merekam koordinat geografik dengan menggunakan ponsel. Ada beberapa aplikasi yang dapat digunakan untuk merekam koordinat geografik dengan menggunakan GPS ponsel, dua di antaranya yang saya pernah coba adalah GPS Essentials (unduh panduan) dari Google Play Store (GPS Essentials). Setelah terpasang di ponsel, pelajari cara menggunakannya untuk mengukur koordinat geografik dengan cara mencatat secara manual dan dengan cara merekam sebagai Waypoint. Data koordinat yang direkam secara otomatis dengan menggunakan alat penerima GPS disimpan dalam format file GPX, bukan dalam format SHP. Perlu dicatat, sinyal GPS diterima ponsel secara gratis, tidak berbayar sebagaimana halnya paket data ponsel, kecuali ketika Anda menggunakan AGPS (Assisted GPS), yaitu GPS yang menerima sinyal melalui provider (dengan mematikan fitur lokasi pada ponsel).

Setelah merekam data koordinat sebagai Waypoint dengan menggunakan GPS Essentials, file data hasil rekaman dapat diimpor ke, yaitu dimasukkan dan dibuka dengan, Google Earth. Caranya bergantung pada alat yang digunakan untuk merekam data koordinat:

• Jika data koordinat direkam dengan menggunakan alat penerima GPS khusus, dilakukan dengan menghubungkan alat penerima GPS ke komputer, mengklik menu Tools pada Google Eart Pro, dan kemudian memilih GPS
• Jika data koordinat direkam dengan menggunakan ponsel dengan bantuan apps GPS Essentials, file data diimpor dengan mengklik menu File lalu pilih Open dan kemudian pilih file yang akan dibuka.

Jika ponsel yang Anda gunakan untuk merekam koordinat dapat melakukan perekaman dengan tepat maka koordinat yang Anda rekam akan ditampilkan pada layar Google Earth secara benar. Artinya, jika Anda merekam koordinat rumah atau koordinat tempat kos maka di layar Google Earth akan ditampilkan koordinat yang Anda rekam bertumpang tindih dengan lokasi rumah atau tempat kos yang tampil di Google Earth. Jika ternyata menyimpang berarti terjadi kesalahan pada saat Anda merekam. Kesalahan bisa terjadi karena berbagai sebab, antara lain akurasi alat penerima satelit yang terpasang di ponsel, gangguan penerimaan sinyal satelit GPS karena tutupan pohon, atau terburu-buru merekam sebelum alat penerima satelit bisa menerima minimal sinyal dari sedikitnya tiga satelit terlebih dahulu atau akurasi pengukuran kira-kira sekitar 5 m. Coba lakukan perekaman sekali lagi sampai alat penerima GPS dapat menerima sinyal dari banyak satelit GPS baru kemudian tunggu sampai angka akurasi menunjukkan sekitar 5 m baru mencatat atau merekam data koordinatnya.

Jika Anda mengalami kesulitan mengimpor file yang direkam dengan menggunakan GPS Essentials langsung ke Google Earth Pro, silahkan ubah terlebih dahulu file dari format asal ke format KML/KMZ atau format CSV (Google Earth menggunakan file dalam format ini). Anda dapat melakukan pengubahan format file secara daring dengan menggunakan layanan GPS Visualizer. Setelah file Anda konversi ke format KML/KMZ, file dapat Anda impor ke Google Earth atau ke layanan My Maps, layanan pemetaan daring berbasis Google Maps yang dapat Anda bagikan melalui media sosial. Untuk menggunakan layanan My Maps, terlebih dahulu Anda harus membuka Google dan melakukan login dengan menggunakan program aplikasi peramban yang Anda gunakan (misalkan saja Chrome). Setelah melakukan login, ketik My Maps di dalam kotak dan kemudian klik pilihan My Maps yang tampil. Untuk memulai silahkan membuat peta baru dengan mengklik Create a New Map. Dengan menggunakan My Maps Anda dapat melakukan:

• Membuat peta dengan cara mengimpor file hasil perekaman koordinat dengan menggunakan alat penerima GPS atau ponsel;
• Membuat peta dengan mengklik di layar dengan menggunakan menu yang disediakan sebagaimana Anda membuat peta dengan menggunakan Google Earth Pro. 
• Membagikan peta yang Anda buat dengan menggunakan layanan My Maps melalui media sosial dengan mudah dengan cara memasang aplikasi My Maps dari Google Play Store ke ponsel Anda. 

Untuk membuat peta, selain dengan menggunakan koordinat yang Anda ukur langsung dengan menggunakan alat penerima GPS khusus atau alat penerima GPS yang terintegrasi dengan ponsel, Anda juga dapat menggunakan koordinat lokasi fitur geospasial tertentu dari layanan daring, misalnya Peta Rupa Bumi Indonesia Format SHP. Membuat peta dengan menggunakan layanan My Maps akan bermanfaat nanti ketika misalnya pada saat menyusun skripsi, Anda perlu menyajikan peta lokasi penelitian. Silahkan pelajari cara menggunakan layanan My Maps untuk menyimpan dan menampilkan data lokasi pengamatan penyakit tumbuhan. Setelah memahami cara merekam data koordinat dengan menggunakan alat penerima GPS yang terdapat pada ponsel dan mengimpor data rekamannya ke Google Earth atau ke My Maps, Anda mungkin ingin belajar menggunakan GIS. Kurikulum baru prodi Agroteknologi Faperta Undana sudah memasukkan mata kuliah SIG. Tapi sebelum melanjutkan belajar menggunakan program aplikasi SIG, ada baiknya terlebih dahulu membaca buku teks mengenai SIG, antara lain buku teks akses terbuka The Nature of Geographic Information dari Department of Geography, PennState College of Earth and Mineral Science. Selanjutnya, jika Anda ingin belajar SIG, sebaiknya gunakan program aplikasi GIS akses terbuka yang gratis, misalnya QGIS atau SAGA GIS. Untuk QGIS tersedia aplikasi ponsel QField untuk melakukan pengumpulan data dari lapangan yang terintegrasi langsung dengan QGIS. Materi mengenai pelatihan GIS kerjasama antara CDU dan Undana dapat Anda akses dari situs SAGA GIS Indonesia dan SAGA GIS Tutorials. Bagi Anda yang ingin mempelajari cara menggunakan SAGA GIS, silahkan unduh panduan dalam Bahasa Indonesia. Untuk memperoleh gambaran mengenai penggunaan geostatistika dan SIG untuk menganalisis pola spasial penyakit, silahkan kunjungi Spatial Analysis of Lettuce Downy Mildew Using Geostatistics and Geographic Information Systems.

e. Analisis Pola Ruang Penyakit Tumbuhan di Masa Depan

Dalam epidemiologi penyakit tumbuhan, program aplikasi SIG digunakan untuk menganalisis data geospasial penyakit tumbuhan untuk tujuan sebagai berikut:

• Menganalisis pola spasial penyakit, dengan menggunakan data geospasial yang dikumpulkan sendiri dan dilengkapi dengan data geospasial yang diunduh dari berbagai situs yang menyediakan data geospasial, yang kemudian diintegrasikan dengan statistika spasial, sebagaimana yang dilakukan untuk menganalisis pola spasial genotipe Phytophthora infestans dan hubungannya dengan penyakit hawar lambat dalam hamparan produksi kentang dan tomat di Mexico. 
• Mendukung pengambilan keputusan dalam pengelolaan penyakit sebagaimana Crop Crisis Control Project menggunakan SIG dalam pengelolaan penyakit sebagai sarana untuk memvisualisasi data penyakit dan tanaman, mengekstrapolasi penyakit dan kerusakan yang ditimbulkannya, menentukan target lokasi pengendalian penyakit, dan memodelkan pola penyebaran penyakit (disease spread). 
• Mengintegrasikan analisis kemajuan penyakit dalam waktu (yang telah dipelajari pada materi kuliah 3.1 dan 3.2 dan pola spasial penyakit yang telah Anda pelajari pada materi kuliah 3.2 dan pada materi kuliah ini) sebagaimana yang dilakukan oleh Laboratorium SIG Departement Penyakit Tumbuhan Universitas Arizona, AS, terhadap penyakit Cotton Leaf Curl Virus (CLCuV) di Pakistan.
• Merancang program pengendalian penyakit tanaman sebagaimana telah dilakukan terhadap penyakit virus di Amerika Serikat dan untuk mengevaluasi penyakit sebagaimana dilakukan terhadap penyakit moko di Columbia,
• Menganalisis pengaruh faktor geografik, khususnya lanskap, terhadap perkembangan penyakit dalam waktu maupun dalam ruang sebagaimana dibahas oleh Plantegenest et al. (2007) dalam artikelnya Landscape epidemiology of plant diseases, dengan mengintegrasikan dengan geostatistika untuk menilai dampak lanskap terhadap dinamika penyakit tumbuhan, menilai peranan lanskap dalam menahan ancaman pemencaran propagul global serta kontribusi ketersediaan inang pengganti (alternative host) dan kontribusi inang penggilir (alternate host) terhadap perkembangan penyakit, menganalisis pengaruh dinamila lanskap terhadap perkembangan penyakit dan pengaruh konektivitas lanskap terhadap permebangan penyakit, serta menganalisis pengaruh karakteristik lanskap terhadap dinamika evolusioner patogen

Penggunaan SIG dalam epidemiologi penyakit tumbuhan akan terus berkembang seiring dengan perkembangan di bidang epidemiologi penyakit tumbuhan sendiri dan perkembangan di bidang SIG dan statistika spasial. Dan yang lebih penting, penggunaan SIG dalam epidemiologi penyakit tumbuhan akan bisa berkembang bila orang-orang yang berkecimpung dalam bidang penyakit tumbuhan dan epidemiologi penyakit tumbuhan bersedia keluar dari zona nyaman, dari selama ini berhenti pada penggunaan program aplikasi statistika biasa menjadi berani mencoba mempelajari program aplikasi statistika spasial dan SIG untuk menganalisis data.

 

3.4.1.2. Referensi Wajib

• Applied Spatial Data Analysis with R: menyajikan skrip dan dataset R untuk buku berjudul sama, silahkan unduh buku gratis
• Aplikasi shiny SpatialEpiApp serta package epiflows dan rspatialdata dari situs GeoHealth, situs penulis buku Spatial Statistics for Data Science: Theory and Practice with R
• 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​.​​​.
• 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
• What is GIS dari situs Geographyrealm

3.4.2. TUGAS PROJEK

3.4.2.1. 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, 18 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.

 

3.4.2.2. 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, 18 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.

3.4.2.3. Mengerjakan Projek Kuliah
Setelah mempelajari materi kuliah 3.2. dan materi kuliah 3.3, silahkan kunjungi halaman Primary and Secondary Gradients dan halaman Lloyd's Index of Patchiness pada situs American Phytopathological Soeciety (APS). Pada setiap situs, silahkan baca uraian mengenai data yang dianalisis dan kemudian periksa perintah R yang digunakan untuk menganalisis data. Selanjutnya silahkan lakukan:

1. Setelah memahami uraian mengenai data penyakit yang dianalisis halaman Primary and Secondary Gradients, silahkan salin perintah R yang diberikan pada halaman tersebut ke aplikasi Notepad, simpan dengan nama file GradienPenyakitTomat_skripR.txt pada drive D:\\LatihanR lalu panggil data melalui RStudio  dengan mengklik File>Open File, lalu coba jalankan perintah bagian demi bagian. Jika terjadi kesalahan, coba periksa jangan sampai terjadi kesalahan ketik. Setelah tidak terjadi kesalahan, simpan kembali file sebagai skrip dengan mengklik File>Save as untuk menyimpan file sebagai file skrip pada folder D:\\LatihanR. 
2. Setelah memahami uraian mengenai data penyakit yang dianalisis halaman Lloyd's Index of Patchiness, silahkan salin perintah R yang diberikan pada halaman tersebut ke aplikasi Notepad, simpan dengan nama file IndeksKeterkelompokanLloyd_skripR.txt pada drive D:\\LatihanR lalu panggil data melalui RStudio dengan mengklik File>Open File, lalu coba jalankan perintah bagian demi bagian. Jika terjadi kesalahan, coba periksa jangan sampai terjadi kesalahan ketik. Setelah tidak terjadi kesalahan, simpan kembali file sebagai skrip dengan mengklik File>Save as untuk menyimpan file sebagai file skrip pada folder D:\\LatihanR. 
3. Silahkan pelajari cara menggunakan layanan My Maps untuk menyimpan dan menampilkan data lokasi pengamatan penyakit tumbuhan lalu gunakan My Maps untuk lokasi pengamatan penyakit bercak daun kacang tanah yang selama ini telah Anda lakukan. Gunakan citra satelit sebagai peta dasar lalu beri nama peta dan nama layer (lapisan peta) sesuai dengan apa yang Anda petakan. Setelah peta selesai Anda buat, silahkan atur agar peta dapat dibagikan lalu gunakan tautan pembagian peta untuk menjawab pertanyaan tugas ini.

Laporkan data hasil pengamatan untuk menjawab pertanyaan-pertanyaan Pengerjaan Tugas Projek pada saat memasukan Laporan Melaksanakan Kuliah dan Mengerjakan Tugas paling lambat pada Senin, 18 Maret 2024 pukul 24.00 WITA.

3.4.3. 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, 13 Maret 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, 18 Maret 2024 pukul 24.00 WITA dan setelah menyampaikan, memeriksa untuk memastikan bahwa laporan sudah masuk.

Mahasiswa yang tidak mengisi dan menandatangani Daftar Hadir Melaksanakan Kuliah dan tidak menyampaikan Laporan Melaksanakan Kuliah dan Mengerjakan Tugas akan ditetapkan sebagai tidak mengikuti perkuliahan.

Kembali Membaca Materi 3.3.

 

Ujian Tengah Semester

Ujian Tengah Semester Genap Tahun Akademik 2023/2024 akan dilaksanakan secara daring pada Selasa, 19 Maret 2024 mulai pada pulul 16.00 WITA sampai Rabu, 20 Maret 2024 pukul 16.00 WITA. UTS akan terdiri atas pertanyaan dengan jawaban menjelaskan (essay) dan pertanyaan dengan jawaban analisis data menggunakan aplikasi statistika R. Kuliah akan dilanjutkan pada hari yang sama oleh Ibu Julinda B.D. Henuk. Untuk mempersiapkan diri melaksakan ujian tengah semester, silahkan membaca Panduan Persiapan Melaksanakan Ujian Tengah Semester Genap Tahun Akademik 2023/2024 (klik setelah tautan diaktifkan). Pastikan telah mengerjakan semua tugas untuk diunggah pada saat mengerjakan UTS.

Hak cipta blog dan tulisan: I Wayan Mudita

Revisi pertama: 5 Maret 2019, revisi termutakhir: 10 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.