Praktikum 7 ANALISIS CLUSTER DAN KLASIFIKASI KOMUNITAS KOMUNITAS
Dalam melakukan studi berbagai komunitas, Ekolog memperoleh daftar spesies yang ada di suatu tempat. Jika studi tersebut dilakukan secara kuantitatif, maka dapat diketahui kelimpahan dan atau “the importance” dari tiap spesies. Kelimpahan dapat didasarkan atas penentuan jumlah individu, biomassa, penutupan dan produktivitas. elanjutnya, dapat ditentukan koefisien kesamaan satu komunitas dengan komunitas yang lain. !anyak teknik yang telah dikembangkan untuk menentukan kesamaan komunitas "Krebs, #$%$&. 'enentuan koefisien kesamaan dapat dihitung berdasarkan pada data biner "“ada” dan “tidak ada” & pada tabel kontingens kontingensii "Koefisien "Koefisien Jaccard, Koefisien Koefisien orensen, Koefisien Koefisien !aroni()rba !aroni()rbani ni dan !user&. !user&. istem istem ini, enentukan enentukan secara kasar kesamaan dua atau lebih komunitas, karena tidak memperhitungkan berlimpah atau jarangnya spesies. Dengan Dengan demikian, demikian, sistem biner berasumsi berasumsi bah*a spesies spesies yang berlimpah berlimpah dianggap dianggap sama penting penting dengan dengan spesies spesies yang jarang. +leh karena itu, sistem biner hanya digunakan digunakan untuk membandingk membandingkan an komunitas sementara sementara itu data yang ada hanya daftar spesies. elain sistem biner terdapat sistem lain yaitu koefisien jarak "distance " distance coeficient &. &. Koefisien jarak ini lebih menggamba menggambarkan rkan ketidaksam ketidaksamaan. aan. Jika jarak sama dengan nol maka komunitas komunitas adalah adalah identik.. identik.. Koefisien Koefisien jarak digunakan sebagai dasar bagi penentuan jarak Euclidian, koefisien !ray(urtis dan Canberra metric. Jarak Euclidean banyak banyak digunakan digunakan oleh para Ekolog, sementara sementara itu penentuan penentuan koefisien !ray(urtis !ray(urtis dan Canberra Canberra metric metric sangat dipengaruhi oleh banyaknya komunitas yang dibandingkan dan diversitas spesies. Kedua metode ini digunakan untuk analisis yang melibatkan tidak lebih dari #-- komunitas dan diversitas spesies kurang dari #-. 'ersen 'ersentas tasee kesama kesamaan an merupa merupakan kan sistem sistem lain lain yang yang diusul diusulkan kan oleh oleh /enkon /enkonen en "#$0%& "#$0%&.. )ntuk )ntuk menguk mengukur ur kesamaan, setiap spesies dari masing(masing komunitas harus distadarkan dan dijadikan nilai relatif "persentase&. 1eskipun teknik ini sederhana, namun indeks /enkonen ini merupakan salah satu indeks terbaik untuk menentukan kesamaan kesamaan komunitas. komunitas. Jumlah petak contoh contoh dan diversitas spesies tidak banyak mempengaru mempengaruhi hi indeks /enkonen. 2ndeks 1orisita menggunakan prinsip yang sama dengan indeks /enkonen. 2ndeks 1orisita merupakan indeks terbaik dalam mengukur kesamaan komunitas "3olda, #$%# dalam Krebs, #$%$&. 'engukuran kesamaan di antara komuitas dapat merupakan tahap analisis terakhir, khususnya jika komunitas yang dibandingkan sedikit. ebaliknya, jika komunitas yang dibandingkan banyak, maka diperlukan pengelompokan "klasifikasi "klasifikasi&. &. Klasifikas Klasifikasii ini harus meningkatkan meningkatkan pemahaman pemahaman kita tentang interpreta interpretasi si data dan fenomena fenomena ekologis. ekologis. 'erlu dihindari penggunaan metode yang justru menyebabkan tampilan data membingungkan atau tidak sesuai dengan tujuan penelitian. !anyak metode klasifikasi telah dikembangkan, misalnya 4nalisis luster "Single " Single Lingkage Clustering, Complete Lingkage Clustering, Average Lingkage Clustering etc.&, etc. &, 4nalisis 5radien 6angsung "Direct "Direct Gradient Analysis& Analysis& dan +rdinasi "Ordination "Ordination&. &. 7idak ada metode yang paling bagus, akan tetapi metode dapat dipilih sesuai kebutuhan dan ketersediaan sarana. Dalam praktikum ini akan diterangkan cara menentukan 2ndeks 1orisita dan satu teknik analisis luster saja, yaitu Average yaitu Average Lingkage Clustering. trategi trategi yang paling paling sering digunakan digunakan disebut disebut sebagai sebagai Uneig!ted "air#Group $et!od using arit!metic Averages U"G$A%. 7eknik U"G$A%. 7eknik ini sering disarankan oleh para Ekologis untuk menganalisis data ekologis pada umumnya. 4nalisis luster dan penentuan indeks kesamaan perlu ditentukan secara cermat. Kunci keberhasilan terletak pada seni dan ecological intuition "Krebs, intuition "Krebs, #$%$&. #. 'enentuan kesamaan komunitas dengan 2ndeks 1orisita "C " C$& "o8, 9--9& C$ : ; 9 ∑ . ;"4 ? !& @4. @!> (# . ;@4 . "@4(#& > (# ! : ; ∑ B =i . "=i(#&C> . ;@ ! . "@!(#& > (# elain elain untuk untuk memban membandin dingka gkann kesama kesamaan an antar antar komuni komunitas tas,, maka maka rumus rumus di atas atas juga juga dapat dapat diguna digunakan kan untuk untuk membandingkan kesamaan antar petak contoh di suatu tempat. 9. 7eknik 7eknik analisis luster dengan Uneig!ted dengan Uneig!ted "air#Group $et!od using arit!metic Averages "U"G$A& U"G$A& )ntuk memudahkan penghitungan, berikut ini contoh tabel hasil penghitungan koefisien kesamaan komunitas di sembilan stasiun pengamatan burung laut "Krebs, #$%$&.
35
# # 9 0 F % $
9 -,%%
0 -,$$ -,%%
-, -,9 -,
-,FF -,F-,F% -,F0
-,F -,F# -,F -, -,F
F -,0 -,0 -,0 -,9% -,9$ -,0
% -,# -,# -,-,0 -,# -, -,#$
$ -,$ -,$ -,% -,-,$ -, -,9-,%-
6angkah yang harus dilakukan A #. 1encari nilai koefisien kesamaan di tabel yang paling besar yaitu -,$$ antara stasiun # dan 0 "menjadi cluster #Gkelompok #&.
0,9 1,0 1
9.
1enghitung kembali matrik kesamaan untuk tujuh stasiun yang tersisa dengan cluster #, menggunakan rumus A "ΣJK& J"K&: 7J tK DenganA J"K& : /ata(rata nilai kesamaan antara cluster j dan k tJ : Jumlah sampel di dalam cluster j tK : Jumlah sampel di dalam cluster K JK : @ilai koefisien kesamaan antara masing( masing dari sampel j dan k
3
-,% -,$
#,#
0
9
Dari hasil perhitungan tersebut didapatkan bah*a nilai koefisien kesamaan terbesar diperoleh antara stasiun 9 dengan cluster #A "-,%%?-,%%& J"K& : "#& "9&
: -,%%
0. Dengan cara yang sama seperti di atas buat matrik nilai kesamaan untuk tujuh kelompok "cluster # yang baru dengan enam stasiun tersisa&. Dari hasil perhitungan dapat dilihat bah*a nilai koefisien kesamaan terbesar adalah antara stasiun % dengan $ pada tingkat kesamaan -,%-, sehingga hal ini akan membentuk cluster 9. Kita sekarang mempunyai dua cluster dan empat sisa sampel komunitas "stasiun&.
-,% -,$
#,#
0
9
%
$
36
. !uat matrik kesamaan antara enam kelompok "cluster #, cluster 9 dengan empat stasiun tersisa&. @ilai koefisien kesamaan terbesar adalah antara stasiun dengan stasiun dengan nilai kesamaan -,F. 1embentuk cluster 0. Kita sekarang mempunyai tiga cluster dan dua stasiun yang tersisa.
-,F
-,%
-,$
#,#
. !uat matrik kesamaan antara lima kelompok dan dari hasil perhitungan tersebut didapatkan bah*a koefisien kesamaan terbesar adalah antara cluster 0 "stasiun dan & dengan cluster # "stasiun #, 0 dan 9&A J"K& : "-,FF ? -,F% ? -,F- ? -,F ? -,F ? -,F#& G "9&"0&
: -,F ehingga cluster # sekarang mempunyai lima anggota yang terbentuk pada tingkat kesamaan -,F.
0
9
%
$
-,F
-,%
-,$
#,-
. !uat matrik kesamaan antara empat kelompok dan dari hasil perhitungan tersebut didapatkan nilai koefisien kesamaan terbesar adalah antara stasiun dengan cluster # "stasiun #,0,9,,&A J"K& : "-, ? -,9 ? -, ? -,F0 ? -,& G "#& "& : -, ehingga cluster # sekarang mempunyai enam anggota
#
0
9
%
#
0
9
$
-,
-,F
-,%
-,$
#,-
F.
%
$
!uat matrik kesamaan antara tiga kelompok dengan persamaan pada langkah kedua dan diperolehA -, luster # tasiun F luster 9
luster # #,( (
tasiun F -,00 #,(
luster 9 -,$ -,#$ #,-
ebagai contoh, kesamaan antara cluster # dan cluster 9 adalahA J"K& : "-,#?-,#?-,-?-,0?-,#?-,?-,$? -,$?-,%?-,-?-,$?-,& G "& "9& : -,$0
Jadi cluster # dan cluster 9 digabungkan pada tingkat kesamaan -,$. ehingga kita sekarang mempunyai dua kelompok yaitu stasiun F dan semua yang ada di dalam cluster besar.
-,
-,
-,F
-,%
-,$
#,#
0
9
%
$
37
%. 6angkah terakhir adalah menghitung rata(rata kesamaan antara dua kelompok sisaA J"K& : "-,0?-,0?-,0?-,9%?-,9$?-,0? -,#$?-,9-& G "#& "%& : -,9$F ehingga pembuatan cluster terakhir adalah pada tingkat kesamaan -,0
-,0
-,
-,
-,
-,F
-,%
-,$
#,#
0 9
%
$
F
Dalam praktikum akan dilakukan analisis cluster dari data analisis serangga di tiga biotop di 7@ !aluran, !iotop 2 "terdiri dari enam sampel&, !iotop 22 "satu sampel& dan !iotop 222 "tiga sampel&. Data yang akan dianalisis adalah delapan sampel. 6akukan penghitungan indeks kesamaan 1orisita untuk tiap pasangan kombinasi sampel, buat tabel indeks kesamaan dan lakukan analisis cluster "klasifikasi& dengan metode )'514 di antara delapan sampel yang diamati.
38
