JURNAL AGROMET INDONESIA Vol. XXV No. 1, Juni 2011

Dewan Redaksi/Editorial Board

Ketua/Editor in Chief : I. Handoko

Anggota/Members : Istiqal Amien

Rizaldi Boer

Yonny Koesmaryono

Irsal Las

Mansur Ma’shum

Hidayat Pawitan

Aris Pramudia

Abdul Rauf

Johannes E. X. Rogi

Redaksi Pelaksana/Executing editors

Rini Hidayati

Suciantini

Syamsu Dwi Jadmiko

Diterbitkan oleh/Published by

Perhimpunan Meteorologi Pertanian Indonesia (PERHIMPI)

Indonesian Association of Agricultural Meteorology (IAAM)

Alamat Redaksi/Editorial Address

Sekretariat PERHIMPI Pusat

Kampus IPB Darmaga Bogor Wing 19 Lv. 4, Darmaga, Bogor – 16680

Telp. (0251) 8623850, 8312760, Fax. (0251) 8623850, 8312760

E-mail: agromet.journal@yahoo.com

ISSN : 0126-3633

Catatan untuk pelanggan :

Jurnal AGROMET INDONESIA diterbitkan secara berkala 2 (dua) nomor dalam setahun.

Nomor lepas dan back issues dapat diperoleh dengan harga Rp. 100.000,-/nomor ditambah

ongkos kirim.

The AGROMET Journal is published twice a year. Separate and back issues are available at

csts US$ 15,00/issue plus postage.

Available online at:

http://journal.ipb.ac.id/index.php/agromet

J.Agromet 25 (1) : 24-28, 2011

ISSN: 0126-3633

PENDUGAAN FLUKS PANAS DAN EVAPOTRANSPIRASI

DENGAN JARINGAN SYARAF TIRUAN

HEAT FLUX AND EVAPOTRANSPIRATION ESTIMATION USING ARTIFICIAL NEURAL NETWORK

Satyanto Krido Saptomo*

Departemen Teknik Sipil dan Lingkungan, Institut Pertanian Bogor

Fakultas Teknologi Pertanian, Kampus Institut Pertanian Bogor, Darmaga, Bogor 16680

* Corresponding Author. E-mail: saptomo@ipb.ac.id

Penyerahan Naskah: 14 Januari 2011

Diterima untuk diterbitkan: 27 Mei 2011

ABSTRACT

Artificial neural network (ANN) approach was used to model energy dissipation process into sensible heat and latent heat (evapotranspiration) fluxes. The ANN model has 5 inputs which are leaf temperature Tl, air

temperature Ta, net radiation Rn, wind speed uc and actual vapor pressure ea. Adjustment of ANN was

conducted using back propagation technique, employing measurement data of input and output parameters of the ANN. The estimation results using the adjusted ANN shows its capability in resembling the heat

dissipation process by giving outputs of sensible and latent heat fluxes closed to its respective measurement

values as the measured input values are given. The ANN structure presented in this paper suits for modeling

similar process over vegetated surfaces, but the adjusted parameters are unique. Therefore observation data set for each different vegetation and adjustment of ANN are required.

Keyword: irrigation, hydrology, water balance, energy balance, artificial neural network

PENDAHULUAN

Salah satu faktor yang sangat penting dalam menentukan kebutuhan air irigasi adalah

evapotranspirasi. Berbagai metode evapotranspirasi

telah dikembangkan, seperti metode Penmann-Monteith dan standarisasinya oleh asosiasi teknik

sipil ASCE (Allen, 2005). Standarisasi ini

menghasilkan nilai evapotranspirasi yang bukan aktual, melainkan kondisi potensial untuk satu

tanaman referensi sehingga harus dicari koefisien

untuk mendapatkan nilai sesungguhnya untuk

tanaman tertentu. Pengukuran evapotranspirasi secara aktual yang

biasa dilakukan adalah menggunakan lysimeter.

Penggunaan lysimeter ini tidak terlepas dari tujuan untuk mendapatkan hasil pengukuran setiap

komponen neraca air dengan pengukuran yang

akurat, sehingga dapat diperoleh nilai evapotranspirasi aktual dari suatu tanaman,

manajemen lahan dan airnya.

Komponen evapotranspirasi selain terdapat

dalam neraca air, juga terdapat dalam neraca energi. Evapotranspirasi dalam neraca energi direpresen-

tasikan dengan jumlah energi panas laten yang ada

pada suatu neraca energi. Apabila porsi panas laten

ini dapat ditentukan maka evapotranspirasi aktual juga bisa dihitung, dengan asumsi semua komponen

energi panas lainnya seperti radiasi netto, gound

heat dan panas terasa (sensible heat) dapat ditentukan dengan tepat.

Metode analisis neraca energi ini pada dasarnya

juga digunakan dalam formulasi Penmann-Monteith. Sehingga parameter-parameter yang digunakan

dalam formula tersebut menggambar kondisi lahan

yang mempengaruhi evapotranspirasi, atau neraca

energinya. Formulasi ini dapat digantikan dengan suatu fungsi lain, yang adaptif terhadap kondisi di

lokasi tersebut dengan pendekatan kecerdasan

buatan yaitu Jaringan Syaraf Tiruan (JST) atau Artificial neural networks (ANNs).

JST berusaha untuk mensimulasikan fungsi dari

otak manusia dalam bentuk simpul-simpul syaraf (neuron) yang masif dan melakukan pengolahan

informasi secara paralel dan menggunakan aturan

pembelajaran (Lippmann, 1987). Aturan

pembelajaran ini akan dapat memodifikasi perilaku neuron-neuron sebagai respon terhadap lingkungan

Pendugaan Fluks Panas dan Evapotranspirasi 25

mereka dan melakukan pengesetan sendiri (self-

adjust) guna menghasilkan respons yang konsisten. Kemampuan JST ini dapat digunakan sebagai

pendekatan terhadap permodelan suatu sistem yang

kompleks seperti proses-proses biologi dan klimatologi. Penggunaan teknik ini telah disajikan

oleh beberapa peneliti untuk prediksi radiasi

matahari harian (Elizondo et al. 1994) dan evaporasi (Tahir 1998). Dalam makalah ini disajikan

pendekatan JST untuk pendugaan fluks panas evapot

ranspirasi.

METODE PENELITIAN

Arsitektur

Jaringan syaraf tiruan yang digunakan dalam

studi ini adalah feed forward multi layered preceptron (MLP) yang merupakan model yang

paling banyak dan mudah untuk digunakan. Dalam

MLP terdapat lapisan-lapisan input, hidden dan

output yang terbentuk dari unit-unit yang disebut neuron dan nodes. Neuron pada lapisan input

berfungsi untuk menerima input dan mendistri-

busikan menuju ke tahapan berikutnya dalam jaringan. Sinyal informasi yang diterima pada

lapisan berikutnya adalah jumlah dari output lapisan

sebelumnya yang telah diberi suatu bobot. Sehingga

input x pada suatu node i pada lapisan l ditentukan sebagai berikut :

𝑥𝑖𝑙 = wij

l yjl−1

𝑁𝑙−1

𝑗=0

dimana N adalah jumlah node, wij adalah bobot

untuk koneksi antara node j dan node i dan yj output node j. Output dari sebuah node diperoleh melalui

fungsi aktivasi node dengan input ke node tersebut

sebagai argumen. Fungsi aktivasi yang digunakan ini merupakan fungsi sigmoid 0 ke 1.

𝑦 =1

1 + 𝑒−𝑥

Input dan output untuk JST ini ditentukan berdasarkan metode yang umum digunakan untuk

penentuan panas sensible dan evapotranspirasi.

Formula Penman-Monteith membutuhkan input

temperatur udara Ta, ground heat flux G, tekanan uap di udara ea dan didekat permukaan tanah eg, dan

radiasi netto Rn, untuk menghitung panas sensible

dan evapotranspirasi. Selain itu juga digunakan parameter-parameter resistansi yang terkait tanah

dan indeks luas daun, kecepatan angin yang

dibutuhkan sebagai input ke persamaan tersebut. Beberapa input untuk formula Penman-Monteih

dapat digantikan dengan data-data terukur apabila

pendekatan JST digunakan, karena data-data

tersebut sudah membawa infomasi-informasi yang kemudian bisa diolah dalam JST. Sehingga input

untuk JST ini adalah ea (hPa)., Ta (oC), Rn (Wm

-2),

kecepatan angin uc (m/s), dan temperatur daun Tl (

oC). Kelima input ini cukup untuk

merepresentasikan informasi terkait jumlah energi,

kelembaban udara dan keterserapan panas. Karena JST ini dibuat untuk tumbuhan tertentu, dalam hal

ini rumput pasture, pada kondisi dalam hal

pengolahan tanah dan manajemen air tertentu, maka

parameter lainnya seperti ground heat flux, tekanan uap jenuh dan resitansi-resistansi perlakukan sebagai

fungsi internal dalam JST.

Gambar 1 JST untuk pendugaan panas sensible dan evapotranspirasi.

26 Saptomo

Gambar 1 menunjukkan JST untuk pendugaan

panas sensible dan evapotranspirasi, dengan 5 node input, 10 hidden node dan 2 node output. Output dari

JST ini adalah panas sensible H dan evapotranspirasi

LE dalam satuan Wm-2

.

Training

Pengesetan bobot dari setiap koneksi antara input, hidden dan output dilakukan dengan

menggunakan metode Back Propagation. Dalam

metode ini dilakukan evaluasi error (tpj-opj) dimana

opj adalah output aktual dari preceptron j untuk bagian dari set data training p, dan tpj adalah target

output. Proporsi dari sinyal error dialokasikan pada

berbagai koneksi di dalam jaringan dan bobot dari setiap koneksi kemudian disesuaikan untuk

mendapatkan error yang lebih kecil.

Fungsi error Ep didefinisikan sebagai:

𝐸𝑝 =1

2 𝑡𝑛𝑗 − 𝑂𝑛𝑗

2

𝑗

untuk setiap unit. Bobor dari setiap koneksi pada

stage (t+1) dari training berhubungan dengan

bobotnya pada stage sebelumnya:

𝑤𝑖𝑗 𝑡+1 = 𝑤𝑖𝑗 𝑡 + 𝜂𝛿𝑝𝑗 𝑂𝑝𝑗

dimana η adalah gain yang menentukan laju

pembelajaran. Lapisan output δpj kemudian

dituliskan sebagai:

𝛿𝑝𝑗 = 𝑂𝑝𝑗 1− 𝑂𝑝𝑗 𝑡𝑝𝑗 − 𝑂𝑝𝑗

dan untuk lapisan tersembunyi (hidden layer) :

δpj = 𝑂𝑝𝑗 1− 𝑂𝑝𝑗 𝛿𝑝𝑘𝑤𝑗𝑘

𝑘

Algorima belajar seperti ini dapat ditemukan pada berbagai buku komputasi atau kecerdasan buatan

seperti Kecman (2001), Cartwright (1993) and

Haykin (1999).

HASIL DAN PEMBAHASAN

Set data untuk training atau pembelajaran JST

ini adalah data-data pengukuran Tl, Ta, Rn, uc, ea

(hPa) sebagai input pada node input dan LE (Wm-2

)

and H (Wm-2

) untuk node output. Data-data ini diukur dengan peralatan pengukuran mikro-

meteorologi dan Eddy Covariance System (ECS).

Data-data training tersebut digunakan untuk melakukan adjustment dari JST melalui proses

training dengan teknik Back Propagation.

Gambar 2 memperlihatkan perbandingan antara data pengukuran dengan hasil estimasi

menggunakan JST untuk fluks panas sensible.

Terlihat persamaan regresi dengan R2 yang

mendekati 1. Nilai intercept pada persamaan regresi linier antara data dan estimasi memiliki nilai yang

cukup kecil yaitu 1. Hasil yang serupa dapat dilihat

pada Gambar 3 yang merupakan perbandingan antara data dan estimasi dari fluks panas

evapotranspirasi, dengan R2 mendekati 1 dan

intercept yang cukup rendah. Dari kedua gambar ini dapat disimpulkan bahwa JST telah cukup baik

memodelkan proses ini dan dapat menghasilkan

estimasi yang mendekati data pengukuran dengan

input yang telah diberikan.

Gambar 2 Perbandingan antara fluks panas sensible antara pengukuran dan estimasi JST

Pendugaan Fluks Panas dan Evapotranspirasi 27

Gambar 3 Perbandingan antara fluks panas evapotranspirasi antara pengukuran dan estimasi JST

Gambar 4. Fluks panas evapotranspirasi

Gambar 5. Fluks panas sensible

28 Saptomo

Dengan mempergunakan JST yang telah dibuat,

dilakukan estimasi nilai fluks panas sensible dan evapotranspirasi berdasarkan data pengamatan yang

pernah dilakukan. Gambar 3 memperlihatkan

fluktuasi fluks panas evapotranspirasi, dimana garis yang solid menunjukkan nilai yang terukur dengan

ECS dan garis putus-putus menunjukkan hasil

estimasi dengan mempergunakan JST. Dapat dilihat bahwa pengukuran tidak dapat dilakukan secara

kontinyu karena keterbatasan operasional alat ukur.

Namun dengan adanya pengukuran parameter-

parameter input ke JST, nilai evapotranspirasi tetap dapat diperkirakan. Pada gambar tersebut juga dapat

dilihat bahwa JST dapat memberikan estimasi yang

cukup baik dibandingkan data pengukuran. Sehingga estimasi pada waktu dimana data evapotranspirasi

tidak terukur dapat dilakukan selama parameter

input yang dibutuhkan oleh JST dapat dipenuhi. Seperti halnya Gambar 4, fluktuasi fluks panas

sensible ditampilkan pada Gambar 5. Karena

pengukuran menggunakan alat yang sama, maka

data fluks panas sensible juga tidak dapat diperoleh melalui pengukuran pada waktu-waktu tertentu.

Akan tetapi hasil estimasi JST menunjukkan

kemampuannya dalam memberikan nilai estimasi panas sensible berdasarkan parameter input yang

diberikan dan dapat memperkirakan nilai panas

sensible tersebut pada hari-hari pengukuran

langsung tidak dilakukan. Pada JST ini tidak ada hubungan langsung

dalam bentuk koneksi antar neuron di dalamnya

antara LE dan H. Pada kenyataannya nilai LE dan H saling mempengaruhi dalam satu neraca energi,

sehingga pergeseran porsi ke salah satu komponen

panas akan menyebabkan pengurangan porsi dari komponen yang lain. Hal ini seharusnya dapat

direpresentasikan dalam formulasi JST tersebut.

Walaupun JST dapat memberikan kemudahan

dalam memodelkan sesuatu proses, seperti proses biologik dan neraca energi, tetapi JST memiliki

keterbatasan yang harus dipahami. Pada kasus ini

diketahui bahwa JST di-training dengan menggunakan set data tertentu. Hal ini menyebabkan

JST ini hanya dapat digunakan pada rentang data

yang digunakan dalam training tersebut. Selain itu JST dibuat sesuai dengan kondisi lapang tertentu,

tanaman, kondisi fisik, pengolahan lahan dan

manajemen air tertentu yang menyebabkan JST ini

tidak bisa digunakan untuk tumbuhan yang berbeda atau kondisi yang berbeda, walaupun struktur JST

ini dapat digunakan secara umum

KESIMPULAN

Sebuah jaringan syaraf tiruan (JST) telah dibuat

untuk estimasi fluks panas sensible dan

evapotranspirasi. JST ini menunjukkan

kemampuannya dalam mengestimasi fluks panas sensible dan evapotranspirasi dengan cukup baik.

Struktur JST yang telah dibuat dapat digunakan

untuk estimasi evapotranspirasi aktual selama data yang digunakan untuk training adalah data hasil

pengukuran evapotranspirasi aktual dan data-data

lain yang dibutuhkan sebagai input juga cukup baik. Akan tetapi satu kali adjustment hanya berlaku pada

suatu kondisi yang serupa baik dalam hal jenis

tanaman maupun manajemen lahan dan air, juga

kondisi fisik dari tanaman tersebut. Sehingga untuk setiap kondisi yang berbeda harus dilakukan training

dengan data yang sesuai pada kondisi tersebut.

DAFTAR PUSTAKA

Allen, R. G. I. A. Walter, R. Elliott, T. Howell, D.

Itenfisu, M. Jensen. 2005. The Asce Standardized

Reference Evapotranspiration Equation. Environmental and Water Resources Institute of

the American Society of Civil Engineers.

Cartwright, H.M. 1993 Application of Artificial

Intelligence in Chemistry. Oxford University Press,

New York.

Elizondo, D., G. Hoogenboom and R.W. McClendon

1994 Development of a Neural Network model to

predict daily solar radiation. Agricultural and

Forest Meteorology, 71:155-132

Haykin, S. 1999 Neural Network : A Comprehensive

Foundation. Prentice-Hall, New Jersey.

Kecman, V. 2001 Learning and Soft Computing. The MIT Press, London.

Tahir, S.A. 1998 “Estimationg potential evaporation

using artificial neural network” Proceeding of The

Tenth Afro-Asian Conference ICID, pp A-28.1-12.

J. Agromet 25 (1) : 2011 45

INFORMASI UNTUK PENULIS

1. Umum Jurnal Agromet Indonesia diterbitkan dua kali

dalam setahun oleh Perhimpunan Meteorologi Pertanian Indonesia (PERHIMPI). Jurnal Agromet

Indonesia berisi naskah asli hasil penelitian atau

telaahan (review) yang belum pernah dipublikasikan. Lingkup isi tulisan meliputi bidang

meteorologi/klimatologi pertanian (kaitan antara

pertanian dalam arti luas dengan aspek meteorologi

atau klimatologi). Naskah yang berkaitan dengan meteorologi/klimatologi dan lingkungan (polusi dan

kondisi atmosfer) dapat diterima secara selektif.

2. Hak Cipta PERHIMPI sebagai pemilik Hak Cipta

(Copyright) dari seluruh naskah yang diterbitkan dalam Jurnal Agromet Indonesia.

3. Dewan Redaksi

Dewan Redaksi Jurnal Agromet Indonesia bertindak sebagai penyeleksi dan penelaah setiap

naskah yang akan diterbitkan serta

bertanggungjawab dalam memberi rekomendasi apakah suatu naskah layak diterbitkan, direvisi

terlebih dahulu atau ditolak. Dewan Redaksi juga

berperan menentukan Mitra Bestari sebagai pihak

yang memberikan saran apakah suatu naskah layak diterbitkan terkait tema serta metodologinya. Saran

tersebut yang akan menjadi bahan pertimbangan

Dewan Redaksi dalam penerbitan artikel.

4. Naskah (artikel)

a. Naskah Asli Naskah asli adalah hasil penelitian yang belum

pernah dipublikasikan atau sedang dalam proses

publikasi pada penerbitan lain dan dapat terdiri atas

paper penuh dan paper pendek.

b. Naskah Lain

Jurnal Agromet Indonesia juga dapat menerbitkan naskah lain dalam bentuk:

1) Diskusi, yaitu naskah tentang analisis dan

kritik terhadap naskah asli yang diterbitkan 2) Forum Ilmiah, yaitu paper tentang konsep

dasar dan terapan yang berkaitan dengan

meteorologi pertanian,

meteorologi/klimatologi dan lingkungan 3) Bedah Buku atau abstrak dari jurnal lain,

yaitu naskah tentang buku baru atau hasil

penelitian yang diterbitkan oleh penerbit lain.

c. Bahasa

Naskah Asli atau naskah lain harus ditulis dalam Bahasa Indonesia atau Inggris. Penggunaan Bahasa

Indonesia mengikuti cara penulisan yang baik dan

benar, sedangkan naskah berbahasa Inggris diupayakan untuk menghindari kesalahan penulisan

baik ejaan maupun tata bahasanya.

d. Biaya penerbitan dan panjang naskah

Setiap naskah yang diterima dan diterbitkan

dikenakan biaya yang ditetapkan Dewan Redaksi yaitu Rp. 250.000 per naskah (maksimum 500 baris

tidak termasuk tabel dan gambar). Tambahan baris

akan dikenakan biaya Rp 200.000 per 100 baris.

5. Perbaikan oleh Penulis Penulis bertanggung jawab terhadap perbaikan

yang disarankan oleh Dewan Redaksi dan naskah hanya bisa diterbitkan setelah penulis mengirimkan

kembali naskah hasil perbaikan dan diterima oleh

Dewan Redaksi.

6. Tata Cara Penulisan Naskah Naskah (manuscript) diketik dua spasi pada

kertas berukuran A4 (21 x 29.7 cm) dengan huruf Arial 11 point. Maksimum 500 baris tanpa tabel dan

gambar. Setiap baris harus diberi nomor. Tabel dan

gambar di-upload secara terpisah dengan nama file berbeda. Naskah, tabel, dan gambar hanya

diserahkan (upload) secara online melalui

http://journal.ipb.ac.id/index.php/agromet. Gambar

dalam format file *.jpg, sedangkan tabel dalam format *.xls. Nama file ditulis sebagai berikut:

1 Naskah : Nama keluarga penulis utama_naskah.doc

Contoh : Handoko_naskah.doc

2 Gambar : Nama keluarga penulis

utama_gambar(i).jpg

Contoh : Handoko_gambar1.jpg

: Handoko_gambar2.jpg

3 Tabel : Nama keluarga penulis

utama_tabel(i).xls Contoh : Handoko_tabel1.xls

i = 1, 2, 3 …

Komposisi naskah mengikuti urutan sebagai

berikut : judul, identitas penulis, abstrak dan kata

kunci, pendahuluan, bahan dan metode, hasil dan pembahasan, kesimpulan, dan daftar pustaka. Tata

cara penulisannya diuraikan sebagai berikut :

a. Judul diusahakan sesingkat mungkin maksimal 20 kata, menggambarkan masalah yang diteliti.

Judul ditulis dalam Bahasa Indonesia dan

Bahasa Inggris. Di bawah judul dituliskan nama

lengkap serta alamat (identitas) para penulis meliputi alamat pos dan email.

46 J. Agromet 25 (1) : 2011

b. Abstrak (Abstract) dan Kata Kunci (Keywords)

ditulis dalam Bahasa Inggris. Abstrak tidak melebihi 300 kata, memuat secara ringkas latar

belakang, tujuan, metode yang digunakan dan

kesimpulan yang diperoleh. Kata Kunci ditulis di bawah abstrak, terdiri dari 5 (lima) buah kata

penting terkait isi naskah, yang disusun berdasar

abjad. c. Pendahuluan mengandung latar belakang

penelitian, tinjauan pustaka dan tujuan penelitian

disajikan secara ringkas dan jelas.

d. Metode Penelitian menggambarkan secara rinci tetapi ringkas, bahan dan metode yang

digunakan serta mencantumkan waktu dan

tempat pelaksanaan penelitian. Rancangan statistik dan Instrumentasi yang digunakan

diuraikan dengan ringkas tapi jelas.

e. Hasil dan Pembahasan mengandung hasil-hasil yang diperoleh, menonjolkan hasil yang perlu

mendapat perhatian, kemudian dibahas untuk

menjelaskan artinya, membandingkan hasil

dengan hasil penelitian lain untuk memberi arah bagi penelitian lebih lanjut. Uraian hasil dan

pembahasan dapat diperjelas dengan

menggunakan tabel dan gambar. Setiap tabel dan gambar harus diberi nomor sesuai urutannya

dalam teks. Judul tabel ditulis di atas tabel dan

judul gambar ditulis di bawah gambar yang

bersangkutan. f. Kesimpulan disusun secara ringkas dan jelas

berdasarkan tujuan yang ditetapkan diikuti saran

apakah penelitian perlu dilanjutkan atau merupakan masukan yang dapat dimanfaatkan

masyarakat pengguna.

g. Daftar Pustaka disusun berdasarkan abjad nama

pengarang. Daftar pustaka berupa jurnal urutannya adalah : nama pengarang, tahun terbit,

judul lengkap, nama publikasi (sesuai dengan

singkatan yang dibakukan), nomor publikasi dan halaman. Jika berupa buku, setelah judul adalah

nama penerbit, tempat penerbit dan jumlah

halaman buku. Diutamakan pustaka yang dirujuk 80% berupa pustaka primer (jurnal

ilmiah). Semua referensi untuk kutipan dalam

teks harus disajikan pada daftar pustaka.

Sebaliknya, hanya referensi yang digunakan dalam teks yang disajikan dalam daftar pustaka.

7. Reprint PERHIMPI akan memberikan cetak lepas

(reprint) naskah yang diterbitkan dalam Jurnal

Agromet Indonesia kepada penulis pertama, sebanyak 5 (lima) eksemplar.

8. Penjaminan Review Untuk menjamin integritas telaahan (review)

dari naskah yang diserahkan pada jurnal ini,

diusahakan untuk selalu menghindari indentitas dari

penulis dan mitra bestari (reviewer) yang saling mengenal. Hal ini menyangkut pengecekan penulis,

editor, dan mitra bestari untuk mengetahui apakah

tahapan berikut telah dilakukan sehubungan dengan

isi naskah dan keterangan dari file tersebut : a. Penulis telah menghilangkan identitasnya dari

isi naskah, dengan menghindari pencantuman

nama pada pustaka, catatan kaki, dan lain-lain. b. Pada naskah berformat Microsoft Office,

identitas penulis harus dihilangkan dari

keterangan file.

J. Agromet 25 (1) : 2011 47

INFORMASI UNTUK PELANGGAN

Formulir Berlangganan/Subscription Form

Kepada Yth : Sekretariat PERHIMPI Pusat

Send to Sekretariat PERHIMPI Pusat

Kampus IPB Darmaga Bogor Wing 19 Lv. 4, Darmaga, Bogor – 16680

Telp. (0251) 8623850, 8312760, Fax. (0251) 8623850, 8312760

E-mail: agromet.journal@yahoo.com

Mohon berlangganan terhitung mulai tahun ………………………………

Please register my subscription starting ……….…………………………

Nama/Name : ……………………………………………

Alamat/Address : ……………………………………………

Kota/City-Country : …………………………………………….

Kode Pos/Post Code : ……………………………………………

Tel./Telp. : ……………………………………………

Fax./Facs. : ……………………………………………

E-mail : ……………………………………………

Terlampir bukti pembayaran sebesar Rp. 100.000,-/eksp. ditambah 30% dari harga sebagai Ongkos

Kirim. Pembayaran dapat ditransfer melalui Rekening Pengurus Pusat PERHIMPI No.3887464,

Bank BNI 46 Cabang Bogor.

Subscription fee US $ 15,00/eksp. is payable to PERHIMPI, Bank Acc. 3887464, Bank BNI 46

Bogor Branch, Indonesia.

..………., ……………………………….

Hormat kami,

( )