Upload
satyanto-k-saptomo
View
226
Download
0
Tags:
Embed Size (px)
DESCRIPTION
Artificial neural network (ANN) approach was used to model energy dissipation process into sensible heatand latent heat (evapotranspiration) fluxes. The ANN model has 5 inputs which are leaf temperature Tl, airtemperature Ta, net radiation Rn, wind speed uc and actual vapor pressure ea. Adjustment of ANN wasconducted using back propagation technique, employing measurement data of input and output parametersof the ANN. The estimation results using the adjusted ANN shows its capability in resembling the heatdissipation process by giving outputs of sensible and latent heat fluxes closed to its respective measurementvalues as the measured input values are given.
Citation preview
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: [email protected]
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: [email protected]
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: [email protected]
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,
( )