LAPORAN RESMIPRAKTIKUM EKOLOGI KUANTITATIF MODUL IVKLASIFIKASI COMMUNITY

DISUSUN OLEH :Dias Natasasmita26020110130093

PROGRAM STUDI ILMU KELAUTANJURUSAN ILMU KELAUTANFAKULTAS PERIKANAN DAN ILMU KELAUTANUNIVERSITAS DIPONEGOROSEMARANG2012DAFTAR ISI

CoverI. Pendahuluan 1.1 Latar Belakang...31.2 Tujuan...4II. Tinjauan Pustaka 2.1 Klasifikasi Komunitas...52.2 Matriks jarak ...62.3 Cluster analisis 62.4 Uji T antara komunitas dan faktor lingkungan 10III. Materi dan Metode3.1 Waktu dan Tempat .123.2 Alat dan Bahan 123.3 Metode .13IV. Hasil dan Pembahasan4.1 Hasil 404.2 Pembahasan 43V. Kesimpulan5.1 Kesimpulan 46Daftar PustakaLampiran

BAB IPENDAHULUAN

1.1 Latar BelakangKejadian alam yang ada selama ini merupakan suatu data atau parameter yang dapat dianalisa dengan menggunakan metode analisis kuantitatif. Analisis faktor merupakan suatu alat uji banyak variabel dimana untuk mengamati dan menganalisis suatu fenomena yang dapat dibuat suatu pola. Variabel-variabel yang banyak dan tidak terobservasi disebut sebagai faktor. Pada dasarnya model faktor ini adalah pendorong bagi pembentukan suatu argumentasi. Variabel-variabel yang terdapat dalam model itu akan di kelompokkan berdasarkan hubungan antar variabel tersebut. Uji-t (t-test) merupakan statistik uji yang sering kali ditemui dalam masalah-masalah praktis statistika. Uji-t termasuk dalam golongan statistika parametrik. Statistik uji ini digunakan dalam pengujian hipotesis. Uji-T digunakan ketika informasi mengenai nilai variance (ragam) populasi tidak diketahui.Apabila ditinjau dari segi proses alam. Manusia, seperti halnya makhluk-makhluk hidup lainnya selalu berinteraksi dengan lingkungannya, demikian juga interaksi yang terjadi antar setiap organisme dengan lingkungannya merupakan proses yang tidak sederhana melainkan suatu proses yang kompleks. Karena didalam lingkungan hidup terdapat banyak komponen yang disebut komponen lingkungan (Soemarwoto, 1983). Berdasarkan konsep dasar pengetahuan ekologi, komponen lingkunganyang dimaksud tersebut juga dinamakan komponen ekologi karena setiap komponen lingkungan tidak berdiri sendiri, melainkan selalu berhubungan dan saling memengaruhi baik secara langsung maupun tidak langsung (Odum, 1993) .Dalam kehidupan seringkali kita menemukan data-data dalam bentuk numerik. Data-data tersebut tentunya perlu kita olah agar kita mendapatkan suatu informasi. Untuk itulah kita perlu menguasai ilmu statistik. Statistika digunakan sebagai alat analisis dengan memperhitungkan konsep serta formula maka proses pengolahan data semakin mudah.Dengan beragamnya permasalahan dalam bidang kelautan, maka diperlukan suatu alat bantu yang digunakan untuk mengambil kesimpulan secara cepat dan tepat.1.2 TujuanPraktikum kali ini bertujuan untuk mengetahui klasifikasi Struktur Komunitas Zooplankton di perairan pulau sambangan, kepulauan karimun jawa, jepara.

BAB IITINJAUAN PUSTAKA

2.1 Klasifikasi KomunitasEkologi menemukan bahwa dalam masyarakat banyak populasi tidak terdistribusi secara acak. Pengakuan bahwa ada pola dan proses distribusi spasial spesies adalah prestasi besar ekologi. Dua pola yang paling penting adalah komunitas open struktur dan kelangkaan relatif dari spesies dalam suatu komunitas. Apakah spesies dalam suatu komunitas memiliki jangkauan geografis yang sama dan kepadatan puncak ? Jika mereka lakukan, masyarakat dikatakan sebagai masyarakat tertutup , unit diskrit dengan batas-batas tajam yang dikenal sebagai ecotones . Sebuah komunitas terbuka, bagaimanapun, memiliki populasi tanpa ecotones dan didistribusikan lebih atau kurang secara acak. Di hutan, di mana kita menemukan struktur komunitas open, ada gradien kelembaban tanah. Tanaman memiliki toleransi yang berbeda untuk gradien ini dan terjadi di tempat yang berbeda sepanjang kontinum. Dimana lingkungan fisik memiliki transisi mendadak, kita menemukan batas-batas tajam antara populasi berkembang. Sebagai contoh, sebuah ecotone berkembang di sebuah pantai memisahkan air dan tanah. Struktur terbuka menyediakan beberapa perlindungan bagi masyarakat. Karena tidak memiliki batas-batas, lebih sulit bagi komunitas untuk dihancurkan dengan cara yang semua atau tidak. Spesies bisa datang dan pergi dalam masyarakat dari waktu ke waktu, namun komunitas secara keseluruhan tetap ada. Secara umum, masyarakat kurang rapuh dan lebih fleksibel daripada beberapa konsep sebelumnya akan menyarankan. Sebagian besar spesies dalam suatu komunitas jauh lebih banyak daripada spesies dominan yang menyediakan sebuah komunitas namanya: misalnya oak hickory, pinus, dll Populasi hanya beberapa spesies yang dominan dalam masyarakat, tidak peduli apa masyarakat kita meneliti. Sumber Daya partisi dianggap penyebab utama untuk distribusi ini.

2.2 Matriks JarakPada metode berhirarki terdapat beberapa metode untuk memperbaharui matrik jarak antara lain:1. Metode pautan lengkap (complete linkage)2. Metode pautan rataan (average linkage)3. Metode pautan tunggal (single linkage)Dalam penelitian ini digunakan metode pautan rataan, karena metode ini dapat meminimumkan rataan jarak semua pasangan individu-individu dari penggabungan dua gerombol. Jarak ini dinyatakan dengan:

dimana: d(A,B) = jarak antara gerombol A dengan B nA = jumlah anggota gerombol A nB = jumlah anggota gerombol B dik = jarak antara obyek i di gerombol A dan obyek k di gerombol B

2.3 Cluster AnalisisAnalisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimil ikinya. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. Analisis faktor merupakan suatu alat uji banyak variabel dimana untuk mengamati dan menganalisis suatu fenomena yang dapat dibuat suatu pola. Variabel-variabel yang banyak dan tidak terobservasi disebut sebagai faktor. Pada dasarnya model faktor ini adalah pendorong bagi pembentukan suatu argumentasi. Variabel-variabel yang terdapat dalam model itu akan di kelompokkan berdasarkan hubungan antar variabel tersebut.Faktor analisis dapat dikatakan sebagai analisis komponen utama yang khusus. Keduanya dapat ditampilkan sebagai percobaan dari perkiraan covariance matrix . Tetapi model analisis faktor lebih rumit, pertanyaan utama dari analisis faktor adalah bagaimana data tersebut dapat konsisten pada struktur model yang sudah ditentukan.Dalam hal menganalisis sejumlah peubah akan dianalisis interkorelasi antar peubah untuk menetapkan apakah variasi yang tampak dalam peubah berasal atau berdasarkan sejumlah faktor dasar yang jumlahnya lebih sedikit dari variasi yang terdapat pada peubah-nya. Jadi analisis faktor mempunyai karakter khusus yaitu mampu untuk mengurai data. Jika terdapat korelasi dari sutau set data, maka analisis faktor akan memperlihatkan bebrapa pola yang mendasari sehingga data yang ada dapat dirancang atau dikurangi menjadi set faktor atau komponen yang lebih kecil. Analisis faktor ini dikerjakan untuk memperoleh sejumlah kecil faktor yang mempunyai sifat-sifat sebagai berikut:1. Mampu menerangkan keragaman data secara maksimum.2. Terdapatnya kebebasan faktor.3. Tiap faktor dapat diinterpretasikan dengan sejelas-jelasnya.Model analisis faktor:X1 - 1= l11F1 + l11F2 + +l1mFm + 1X2 - 2 = l21F1 + l22F2 + + l2mFm + 2Xp - p = lp1F1 + lp2F2 + + lpmFm + mAtau dalam notasi matriks:Xpx1 - px1 = LpxmFmx1 + px1Dimana: X = vektor peubah asal = Vektor rata-rata peubah asal L = Matriks penimbang F = Vektor faktor bersama = Vektor faktor spesifikModel (X-) = LF + adalah linier dalam faktor bersama. Bagian dari Var (Xi) yang dapat diterangkan oleh m faktor bersama disebut communality ke-i. Sedangkan bagian dari Var (Xi) karena faktor spesifik disebut varian spesifik ke-i.ii = l2i1 + l2i2 + + l2im + i = h2i + i dimana: h2i = communality ke-i dan i =varian spesifik ke-iDalam praktek matrik ragam peragam ditaksir dengan matrik ragam-peragam sampel S dan matrik korelasi R. Dalam hal ini paket program SPSS langsung menggunakan matrik korelasi R sebagai matrik ragam peragam dalam menghitung akar ciri dan vektor ciri maupun analisis faktornya.Yang sulit dalam analisis faktor adalah interpretasi dari hasil analisis yang kita lakukan. Faktor penimbang awal yang diperoleh dari analisis sulit untuk diinterpretasikan sehingga biasanya dilakukan suatu rotasi sampai struktur yang lebih sederhana diperoleh. Hal ini dilakukan dengan memanipulasi dengan cara merotasi matrik loading L dengan memakai metode rotasi tegak lurus varimax, yang menghasilkan matrik loading baru L*.L*pxq = Lpxq TqxqDimana T adalah matrik transformasi yang dipilih sehingga TT= TT = 1Dari perumusan di atas terlihat jelas bahwa rotasi merupakan suatu upaya untuk menghasilkan faktor penimbang baru yang lebih mudah untuk diinterpretasikan dengan cara mengalikan faktor penimbang awal dengan suatu matrik transformasi yang bersifat ortogonal. Walaupun telah dirotasi, matrik kovarian (korelasi) tidak berubah karena LL+ = LTTL+ = L*L*+ , selanjutnya varian spesifik 1 dan communality hi2 juga tidak berubah.Rotasi faktor yang sering dipakai adalah rotasi yang ortogonal yaitu rotasi varimax. Rotasi ini merupakan rotasi yang membuat jumlah varian faktor loading dalam masing-masing faktor akan menjadi maksimum, dimana nantinya peubah asal hanya akan mempunyai korelasi yang tinggi dan kuat dengan faktor tertentu saja (korelasinya mendekati 1) dan tentunya memiliki korelasi yang lemah dengan faktor yang lainnya (korelasinya mendekati 0).Analisis gerombol bertujuan untuk menggerombolkan unit-unit pengamatan ke dalam beberapa gerombol dimana setiap unit pengamatan dalam satu gerombol akan mempunyai ciri yang relatif sama sedangkan antar gerombol unit pengamatan memiliki sifat yang berbeda. Hal-hal yang penting dalam analisis gerombol adalah:1. Ukuran kesamaan atau kemiripan untuk semua pasangan unit2. Kriteria dan algoritma penggerombolan3. Penafsiran hasil penggerombolanSebelum melakukan penggerombolan terlebih dulu ditentukan jarak kedekatan (similarity) antar individu. Ukuran yang digunakan adalah jarak Euclidus. Jarak ini cukup fleksibel untuk dilakukan modifikasi dalam mengatasi kelemahan data. Misalnya kelemahan karena unit pengukuran dan atau skala pengukuran yang berbeda bisa diperbaiki dengan melakukan transformasi baku (Z). Ukuran jarak Euclidus untuk dua buah unit X dan Y adalah:d(X,Y) = ((X Y) I (X Y))1/2dimana I adalah matrik identitas berukuran p x p.Konsep jarak ini menempatkan vektor pengamatan di dalam ruang ortogonal berdimensi p dan memperlakukan semua peubah adalah bebas (tidak berkorelasi). Transformasi baku yang dilakukan berarti menghilangkan pengaruh keragaman data atau dengan kata lain semua peubah akan memberikan kontribusi yang sama untuk jarak. Formula jarak Euclidus setelah ditransformasikan dengan matrik T adalah:d(X,Y) = ((TX TY)(TX TY))1/2Jika matrik T ortogonal maka TTsama dengan matrik identitas. Jadi rumus diatas akan sama dengan rumus jarak Euclidus biasa.Analisis gerombol ini dibagi menjadi dua bagian utama, yaitu metode berhirarki (Hierarchical Clustering Method) dan metode tidak berhirarki (Non Hierarchical Clustering Method). Metode berhirarki sering digunakan apabila jumlah kelompok yang dibentuk belum diketahui, sedang metode tak berhirarki dipakai bila banyaknya kelompok yang akan dibentuk telah ditentukan.

2.4 Uji T antara Komunitas dan Faktor LingkunganUji-t (t-test) merupakan statistik uji yang sering kali ditemui dalam masalah-masalah praktis statistika. Uji-t termasuk dalam golongan statistika parametrik. Statistik uji ini digunakan dalam pengujian hipotesis. Seperti yang telah dibahas dalam tulisan (post) lain di weblog ini, uji-t digunakan ketika informasi mengenai nilai variance (ragam) populasi tidak diketahui.Uji-t dapat dibagi menjadi 2, yaitu uji-t yang digunakan untuk pengujian hipotesis 1-sampel dan uji-t yang digunakan untuk pengujian hipotesis 2-sampel. Bila dihubungkan dengan kebebasan (independency) sampel yang digunakan (khusus bagi uji-t dengan 2-sampel), maka uji-t dibagi lagi menjadi 2, yaitu uji-t untuk sampel bebas (independent) dan uji-t untuk sampel berpasangan (paired).Dalam lingkup uji-t untuk pengujian hipotesis 2-sampel bebas, maka ada 1 hal yang perlu mendapat perhatian, yaitu apakah ragam populasi (ingat: ragam populasi, bukan ragam sampel) diasumsikan homogen (sama) atau tidak. Bila ragam populasi diasumsikan sama, maka uji-t yang digunakan adalah uji-t dengan asumsi ragam homogen, sedangkan bila ragam populasi dari 2-sampel tersebut tidak diasumsikan homogen, maka yang lebih tepat adalah menggunakan uji-t dengan asumsi ragam tidak homogen. Uji-t dengan ragam homogen dan tidak homogen memiliki rumus hitung yang berbeda. Oleh karena itulah, apabila uji-t hendak digunakan untuk melakukan pengujian hipotesis terhadap 2-sampel, maka harus dilakukan pengujian mengenai asumsi kehomogenan ragam populasi terlebih dahulu dengan menggunakan uji-F.Uji T digunakan untuk variabel bebas yang hanya terdiri dari 2 kategori. Uji t dibedakan menjadi 3 macam, yaitu uji t satu sample (one sample t test), uji t sample bebas (independent samples t test), dan uji t untuk sample berpasangan (paired samples t test).Uji t satu sample digunakan membandingkan rerata hasil pengamatan dengan suatu nilai standar tertentu. Uji t sample bebas diterapkan untuk membandingkan rerata hasil pengamatan berdasarkan kategori variabel yang tidak saling berkaitan. Uji t sample berpasangan diterapkan untuk membandingkan rerata dua sample yang saling terkait. Uji ini cocok untuk disain penelitian one group pre test post test design.

BAB IIIMATERI DAN METODE

1 2 1. 2. 3. 3.1. Waktu dan Tempat Hari: Sabtu, 26 Mei 2012Pukul: 15.30 - SelesaiTempat : Laboratorium Komputasi, Gedung E Fakultas Perikanan dan Ilmu Kelautan, Universitas Diponegoro, Semarang.3.2. Alat dan Bahan3.2.1. AlatNama AlatGambarFungsi

1. LaptopSebagai alat bantu dalam pengerjaan laporan

2. Alat TulisSebagai alat bantu untuk mencatat, pada saat praktikum berlangsung

3. KalkulatorSebagai alat bantu dalam penghitungan rumus rumus yang ada.

3.2.2. BahanNama BahanGambarFungsi

1. Data skripsiSebagai sumber data dalam pengolahan praktikum

3.3. Metode1. Diawali dengan membuka aplikasi Minitab 16 Statistical Software , lalu akan muncul tampilan seperti di bawah ini

2 Selanjutnya masukkan data kelimpahan spesies yang kita punya, pada kolom Minitab 16 Statistical Software berdasarkan stasiunnya.

3 Kemudian Klik tab Stat dan pilih Multivariative, kemudian untuk melihat jenis matriks kesamaannya pilih Cluster Observations...

4 Blok semua nama spesies dari C2 hingga C19 (karena C1 adalah Stasiun) yang ada pada kolom di samping kanan lalu klik Select, setelah itu klik Customize 5 Selanjutnya rename judul dendogram dengan cara ubah nama pada kolom Title dengan nama Dendogram_Zihni Ihkamuddin_26020110130082, dan pilih Similarity pada Opsi Label Y Axis with

6 Hasil Dendogramnya matriks kesamaan spesies akan muncul menjadi seperti berikut:

7 Selanjunya Untuk matriks jarak, lakukan hal yang sama pada langkah sebelumnya (Matriks Kesamaan), hanya berbeda saat sampai pada Customize, Title diganti dengan nama Dendogram_Matriks_Jarak_Zihni Ihkamuddin_26020110130082, dan pada Opsi Label Y Axis with tandai pada kolom Distance

8 Maka akan muncul diagram Dendogram matriks jarak dari spesies seperti di bawah ini

9 masukkan data Parameter yang kita punya, pada kolom Minitab 16 Statistical Software berdasarkan stasiunnya.

10 Kemudian Klik tab Stat dan pilih Multivariative, kemudian untuk melihat jenis matriks kesamaannya pilih Cluster Observations...

11 Blok semua nama spesies dari C2 (Suhu) hingga C6 (TOM) (karena C1 adalah Stasiun) yang ada pada kolom di samping kanan lalu klik Select, setelah itu klik Customize. Dan Selanjutnya rename judul dendogram dengan cara ubah nama pada kolom Title dengan nama Dendogram_Cluster_Analisis_Zihni Ihkamuddin_26020110130082, dan pilih Similarity pada Opsi Label Y Axis with, lalu klik OK

12 Maka akan muncul diagram Dendogram matriks kesamaan dari parameter seperti di bawah ini:

13 Dari data parameter yang dipunya tadi Klik tab Stat dan pilih Multivariative, kemudian untuk melihat jenis matriks jaraknya pilih Cluster Observations

14 Blok semua nama spesies dari C2 (Suhu) hingga C6 (TOM) (karena C1 adalah Stasiun) yang ada pada kolom di samping kanan lalu klik Select, setelah itu klik Customize. Dan Selanjutnya rename judul dendogram dengan cara ubah nama pada kolom Title dengan nama Dendogram_Materik_Jarak_Zihni Ihkamuddin_26020110130082, dan pilih Distance pada Opsi Label Y Axis with, lalu klik OK. 15 Dan klik OK.

16 Maka akan muncul diagram Dendogram matriks kesamaan dari parameter seperti di bawah ini

BAB IVHASIL DAN PEMBAHASAN

1. 2. 3. 4. 4.1. HASIL4.1.1. Data Kelimpahan 4.1.2. Data Parameter

4.2. PEMBAHASANPraktikum ini bertujuan untuk mengetahui klasifikasi komunitas pada struktur komunitas zooplankton di perairan pulau sambangan kepulauan karimunjawa, jepara. Dalam hal ini menggunakan suatu data kelimpahan dan parameter perairan. Pada data kelimpahan terdapat 6 stasiun yang dilakukan dalam waktu yang sama juga pada pengambilan data parameternya. Setelah data diolah menggunakan Minitab 16 di dapatkan hasil dendrogram cluster analysis dan dendrogram matriks jarak.Pada hasil dendrogram cluster analysis yang dilihat bahwa jika terdapat gambar cluster yang menyatu dalam artian semakin kebawah yang terlihat pada gambar maka nilai similaritynya semakin tinggi dan semakin mendekati kesamaan. Berbeda dengan dendrogram pada matriks jarak yaitu gambar cluster yang menyatu dalam artian semakin kebawah yang terlihat pada gambar maka nilai distance atau jaraknya semakin rendah dan memiliki ketidaksamaan yang rendah.Misalkan pada data kelimpahan terlihat bahwa pada stasiun 1 dan 2 memiliki nilai similarity yang besar lebih dari 83,59, sedangkan hal yang sama didapat antara staisun 4 dan 5, dimana nilai similarity lebih besar dari 83,59 juga, Hal ini mungkin saja dikarenakan 1 dan 2, 3dan 4 mempunyai kepadatan zooplankton yang hampir sama atau mendekati sama. Semakin kebawah maka nilai similaritynya semakin tinggi.Sedangkan pada dendrogram matriks jarak pada stasiun 1,2 dan 3 mempunyai nilai jarak yang rendah yaitu kurang dari 79,34 di bandingkan dengan stasiun 4dan 5 yang mempunyai nilai lebih tinggi yaitu lebih dari 79,34. Jadi 1,2 dan 3 memiliki ketidaksamaan yang rendah. Semakin ke bawah maka nilai distance atau jaraknya semakin kecil. Begitu pula yang terjadi pada data kelimpahan untuk pengambilan data sampel yang lain.Pada data parameter juga di ambil 1 waktu pengambilan sampel. Terlihat bahwa pada dendrogram cluster analisisnya stasiun 1 dan 2 mempunyai nilai similarity yang lebih tinggi yaitu lebih dari 83,59 di bandingkan dengan stasiun 4 dan 5 yang lebih rendah. Hal ini mungkin saja dikarenakan 4 dan 5 mempunyai kesamaan nilai parameternya. Semakin kebawah maka nilai similaritynya semakin tinggi.Sedangkan pada dendrogram matriks jarak pada stasiun 1 dan 2 mempunyai nilai jarak yang rendah yaitu kurang dari 1,70 di bandingkan dengan stasiun 3 yang mempunyai nilai lebih tinggi yaitu lebih dari 3,40. Jadi 1 dan 2 memiliki ketidaksamaan yang rendah. Semakin ke bawah maka nilai distance atau jaraknya semakin kecil. Begitu pula yang terjadi pada data parameter untuk pengambilan data sampel yang lain.

BAB VPENUTUP

5. 5.1. KESIMPULANDari praktikum ekologi kuantitatif acara V mengenai klasifikasi comunity ini dapat di ambil kesimpulan bahwa:1. Klasifikasi komunitas dapat dilihat dari hasil pengolahan data menggunakan sofware Minitab 16 yang menghasilkan jenis dendrogram cluster analysis dan dendrogram matriks jarak.2. Pada dendrogram cluster analysis, semakin kebawah nilai similaritynya semakin tinggi dan menunjukan hubungan kesamaan yang tinggi. Sedangkan pada dendrogram matriks jarak, semakin kebawah nilai distance semakin rendah dan menunjukan hubungan ketidaksamaan yang rendah.

5.2. SARANBerikut ini beberapa saran dari praktikan :1. Sebaiknya pada saat praktikum tidak ada keterlambatan, sehingga praktikum dapat berjalan dengan lancer.2. Sekiranya waktu untuk praktikum, bisa di beri tambahan, karena dari praktikum kali ini, waktu untuk praktikum dirasa masih kurang.

DAFTAR PUSTAKA

Basuki, Bastaman. 2000. Aplikasi Metode Kasus Kontrol. Jakarta: Bagian IKM FKUI.Eko Budiarto. 1987. Penuntun Epidemiologi. Bandung: Alumni.Iwan Ariawan. 2000. Analisis Data Kategorik. Jakarta: FK UISutrisna, Bambang. 1986. Pengantar Metoda Epidemiologi. Jakarta: PT Dian Rakyat.

1