Modul Pelatihan Teknik Analisis Kuantitatif Data *

Modul Pelatihan Teknik Analisis Kuantitatif Data* Hawis H. Madduppa, S.Pi., M.Si. Bagian Hidrobiologi Departemen Ilmu dan Teknologi Kelautan Fakultas Perikanan dan Ilmu Kelautan Institut Pertanian Bogor A. Analisis struktur komunitas Analisa struktur komunitas ditentukan oleh indeks keanekaragaman (H’), indeks keragaman (E), dan indeks dominansi. Berikut penjelasan masing-masing indeks komunitas yang dipakai: Indeks keanekaragaman (H’) Indeks keanekaragaman atau keragaman (H’) menyatakan keadaan populasi organisme secara matematis agar mempermudah dalam menganalisis informasi jumlah individu masing-masing bentuk pertumbuhan/genus ikan dalam suatu komunitas habitat dasar/ikan (Odum 1971). Indeks keragaman yang paling umum digunakan adalah indeks Shannon-Weaver (Odum 1971; Krebs 1985 in Magurran 1988) dengan rumus: S

H ' = ∑ Pi ln Pi i =1

Dimana H’ = Indeks keanekaragaman; Pi = Perbandingan proporsi ke i; S = Jumlah spesies yang ditemukan. Logaritma natural (In) biasanya digunakan untuk komunitas ikan karena ikan merupakan biota yang mobile (aktif bergerak), memiliki kelimpahan relatif tinggi dan preferensi habitat tertentu. Selain itu dapat pula digunakan Log2. oleh karena Log2 atau 2Log atau logaritma dengan bilangan dasar 2 dari suatu ekspresi numerik dapat dinyatakan sebagai 2Log x, maka 2Log x dapat dinyatakan kembali menjadi (log x/log 2) = 3.32 log x (Bengen 2000). Hal yang harus diperhatikan adalah konsisten dalam menggunakan Ln atau Log. Indeks keanekaragaman digolongkan dalam kriteria sebagai berikut : H’≤ 2 : Keanekaragaman kecil 2 < H’≤ 3 : Keanekaragaman sedang H’ > 3 : Keanekaragaman tinggi Indeks keseragaman (E) Indeks keseragaman atau Equitabilitas (E) menggambarkan penyebaran individu antar spesies yang berbeda dan diperoleh dari hubungan antara keanekaragaman (H’) dengan keanekaragaman maksimalnya (Bengen 2000). Semakin merata penyebaran individu antar spesies maka keseimbangan ekosistem akan makin meningkat. Rumus yang digunakan adalah (Odum 1971; Pulov 1969 in Magurran 1988):

E=

H' H maks

Diman E = indeks keseragaman; H maks = Ln S; dan S = Jumlah ikan karang yang ditemukan. Nilai indeks keseragaman berkisar antara 0 – 1. Selanjutnya nilai indeks keseragaman berdasarkan Kreb (1972) dikategorikan sebagai berikut : 0 < E ≤ 0.5 : Komunitas tertekan 0.5 < E ≤ 0.75 : Komunitas labil 0.75 < E ≤ 1 : Komunitas stabil Semakin kecil indeks keseragaman, semakin kecil pula keseragaman populasi, hal ini menunjukkan penyebaran jumlah individu setiap jenis tidak sama sehingga ada kecenderungan satu jenis biota mendominasi. Semakin besar nilai keseragaman, menggambarkan jumlah biota pada masing-masing jenis sama atau tidak jauh beda. Indeks dominansi (C) Indeks dominansi berdasarkan jumlah individu jenis digunakan untuk melihat tingkat dominansi kelompok biota tertentu. Persamaan yang digunakan adalah indeks dominansi (Simpson, 1949 in Odum, 1971), yaitu : *

Disampaikan pada Pelatihan Pengolahan Data Statistik Biologi Laut oleh Himpunan Mahasiswa Pasacasrjana Ilmu Kelautan (Watermass) dan Himpunan Mahasiswa Ilmu dan Teknologi Kelautan (HIMITEKA) di Fakultas Perikanan dan Ilmu Kelautan Institut Pertanian Bogor, 8 Desember 2007

S

C = ∑ ( Pi ) 2 i =1

Dimana C = Indeks dominansi; Pi = Perbandingan proporsi ikan ke i; S = Jumlah spesies yang ditemukan. Nilai indeks dominansi berkisar antara 1 – 0. Semakin tinggi nilai indeks tersebut, maka akan terlihat suatu biota mendominasi substrat dasar perairan. Jika nilai indeks dominansi (C) mendekati nol, maka hal ini menunjukkan pada perairan tersebut tidak ada biota yang mendominasi dan biasanya diikuti oleh nilai keseragaman (E) yang tinggi. Sebaliknya, jika nilai indeks dominansi (C) mendekati satu, maka hal ini menggambarkan pada perairan tersebut ada salah satu biota yang mendominasi dan biasanya diikuti oleh nilai keseragaman yang rendah. Nilai indeks dominansi dikelompokkan dalam 3 kriteria, yaitu: 0 < C ≤ 0.5 : Dominansi rendah 0.5 < C ≤ 0.75 : Dominansi sedang 0.75 < C ≤ 1 : Dominansi tinggi Tahap analisis komunitas di Microsoft Excel:

Teknik Analisis Kuantitatif Data_2007

2


3


4


5


6

B. Analisis Komponen Utama (Principal Component Analysis-PCA)


7

Permasalahan Penarikan kesimpulan dari suatu data yang cukup kompleks dengan jumlah individu yang sangat banyak (misalnya 500 individu) dengan variable yang juga banyak (misalnya 40 variable) merupakan hal yang sangat sulit. Untuk itu, PCA digunakan untuk memudahkan dalam menarik suatu kesimpulan yang lebih representative atau keterwakilan dengan menyederhanakan berbagai factor dan variable dari struktur data yang diberikan (Bengen 2000). Tujuan Bengen (2000) mengungkapkan beberapa tujuan utama penggunaan PCA dalam suatu matriks data berukuran cukup besar diantaranya adalah: a. Mengekstraksi informasi esensial yang terdapat dalam suatu table/matriks data yang besar b. Menghasilkan suatu representasi grafik yang memudahkan interpretasi c. Mempelajari suatu table/matriks data dari sudut pandang kemiripan antara individu atau hubngan antar variable. Bentuk Data Bentuk data yang umumnya dianalisis dengan PCA adalah: a. Tabel/matriks yang terdiri dari n individu (baris) dan p variable (kolom). b. Variabel harus metric. Perangkat Lunak Perangkat lunak yang digunakan adalah STATISTICA 6.0 Tahapan PCA


8


9


10


11


12


13


14

Hasil analisis komponen akan memunculkan nilai tengan (Mean) masing-masing variable dan simpangan bakunya (Std. Dev).

Hasil analisis komponen juga dimunculkan matriks korelasi variable yang menjelaskan hubungan antara variabel


15

Salah satu fase terpenting untuk dapat menginterpretasi hasil yang diperoleh adlah menentukan jumlah sumbu yang digunakan. Untuk ini dapat ditempuh beberapa cara, antara lain dengan menetapkan suatu dasar persentase informasi untuk dipresentasikan (misal ~70%), atau dengan hanya mengambil sumbu-sumbu pertama sebelum adanya penurunan inersi secara drastic. Hal ini dapat dilihat pada menu Eigenvalues. Perlu pula diingat bahwa maksud membentuk factor baru atau sumbu baru adalah untuk memudahkan interpretasi. Dengan demikian,


16

pemilihan terlalu banyak sumbu akan memberikan kesulitan yang sama sebelum menemukan sumbu baru tersebut. Beberapa pakar memberikan patokan untuk memilih tidak lebih dari 3 sumbu.


17

3 sumbu: factor 1 vs factor 2 factor 1 vs factor 3 factor 2 vs factor 3


18


19

Hasil yang diperoleh, mengindikasikan koefisien dari setiap variable dalam persamaan linear sumbu, misalkan koordinat pada sumbu 1 dan individu ke-I sama dengan 0.436936 suhu + 0.950856 pH + …. Koordinat variable untuk setiap sumbu adalah sama dengan korelasi antara variable dan sumbu. Juga kualitas representasi dari variable pada sumbu dievaluasi secara langsung dengan cara berikut: semakin kuat korelasi (negative atau positif), maka semakin dekat variable tersebut pada sumbu. Posisi variabel pada grafik bidang terhadap lingkaram korelasi berperan untuk mengevaluasi kualitas representasi dari variabel tersebut terhadap bidang, dan bukan untuk sumbu (lihat Grafik Lingkaran). Dapat pula kita menginterpretasi hubungan antar variabel dengan memperhatikan sudut yang terbentuk antar mereka.


20

Kosinus kuadrat berperan untuk mengevaluasi kualitas representasi yang tidak terikat pada tanda.


21

3 sumbu: factor 1 vs factor 2 factor 1 vs factor 3 factor 2 vs factor 3

Hasil yang diperoleh dikhususkan pada kajian individu/case/stasiun. Selain Koordinat dari setiap titik individu pada sumbu-sumbu (disebut Komponen Utama), program analisis juga memunculkan Kosinus Kuadrat *kontribusi relative) yang berguna untuk mengevaluasi kualitas representasi titik pada sumbu tertentu.


22

Representasi grafik memperlihatkan prosimitas/kedekatan antara individu berdasarkan keseluruhan variable. Perlu dicatat bahwa apabali terlihat adanya pengelompokan individu, sebaiknya diverifikasi kedekatan setiap individu/stasiun dengan menggunakan Analisis Kelompok (Cluster Analysis).


23

Modul Pelatihan Teknik Analisis Kuantitatif Data *

Recommend Documents