Anda di halaman 1dari 8

0917: T.A.

Wibawa

PG-149

SEBARAN SPASIAL KELIMPAHAN IKAN CAKALANG (KATSUWONUS PELAMIS) BERDASARKAN ANALISIS DATA SATELIT OSEANOGRAFI
Teja Arief Wibawa1, , Dian Novianto2 , dan Budi Nugraha2 Balai Penelitian dan Observasi Laut, Badan Penelitian dan Pengembangan Kelautan dan Perikanan, Kementrian Kelautan dan Perikanan. Jl. Baru Prancak Negara , Jembrana, Bali 82251 Loka Penelitian Perikanan Tuna, Badan Penelitian dan Pengembangan Kelautan dan Perikanan, Kementrian Kelautan dan Perikanan Jl. Raya Pelabuhan Benoa, Denpasar-Bali

e-Mail: tejaarief@gmail.com

Disajikan 29-30 Nop 2012

ABSTRAK
Penelitian ini bertujuan untuk mengetahui pola sebaran spasial kelimpahan ikan cakalang berdasarkan analisis data satelit oseanogra di Samudra Hindia Selatan Jawa-Nusa Tenggara. Wilayah tersebut merupakan salah satu daerah potensial penangkapan ikan cakalang yang ada di Perairan Indonesia. Data harian tangkapan ikan cakalang selama periode JanuariOktober 2012, diperoleh dari perusahaan penangkapan ikan cakalang yang berbasis di Pelabuhan Benoa, Bali. Data satelit oseanogra yang digunakan dalam penelitian ini meliputi data sea surface chlorophyll-a concentration (SSC), sea surface temperature (SST), sea surface height anomaly (SSHA) dan eddy kinetic energy (EKE). Data harian penangkapan ikan cakalang dioverlay dengan setiap data SSC, SST, SSHA dan EKE pada periode hari yang sama, untuk mendapatkan nilai SSC, SST, SSHA dan EKE pada setiap koordinat penangkapan. Hasil overlay yang berupa nilai SSC, SST, SSHA dan EKE di analisis lebih lanjut dengan metode generalized additive model (GAM). Pemilihan model GAM yang digunakan untuk memperkirakan sebaran kelimpahan ikan cakalang didasarkan pada nilai Akaikes Information Criteria (AIC) dan deviance setiap model, serta tingkat signikansi setiap variabel penyusun model GAM. Model GAM yang terpilih berdasarkan ketiga kriteria tersebut, digunakan untuk memperkirakan sebaran spasial kelimpahan ikan cakalang setiap bulan di wilayah penelitian. Model GAM yang digunakan untuk memperkirakan sebaran spasial kelimpahan ikan cakalang, adalah model GAM dengan kombinasi antara variabel SST dan SSHA. Model GAM tersebut mempunyai deviance sebesar 85.54%, dengan variabel SST sebagai variabel utama (p<0.001), dilanjutkan dengan variabel SSHA (p<0.05). Perkiraan sebaran spasial kelimpahan ikan cakalang menunjukkan adanya keterkaitan antara SST hangat (29-31 C) dengan kelimpahan ikan cakalang. Kata Kunci: Ikan cakalang, data satelit oseanogra, generalized additive model

I.

PENDAHULUAN

Perairan Indonesia dikenal mempunyai dinamika oseanogra yang komplek, unik dan dinamis. Kondisi tersebut disebabkan karena letak geogras Perairan Indonesia yang terbentang diantara dua benua dan dua samudra, yaitu Benua Asia dan Benua Australia serta Samudra Pasik dan Samudra Hindia. Pola pergerakan angin monsun dari Benua Asia menuju Benua Australia dan sebaliknya, merupakan faktor dominan yang berpengaruh terhadap dinamika osenogra perairan Indonesia.[1, 12, 13] Pada musim barat, pergerakan angin monsun dari Benua Asia menuju Benua Australia melewati Perairan Indonesia, membawa massa udara yang lembab, sehingga menyebabkan terjadinya peningkatan presipitasi ketika melewati Perairan Indonesia.[1, 13] Proses sebaliknya terjadi ketika memasuki

musim timur. Pergerakan angin muson timur akan memicu terjadinya Ekman Transport di sepanjang pesisir selatan Jawa-Bali, sehingga mengakibatkan terjadinya proses upwelling.[1, 12, 13] Coastal upwelling tersebut akan menyebabkan perairan pesisir selatan Jawa-Bali akan mengalami peningkatan produktivitas primer pada lapisan permukaannya. Letak geogras Perairan Indonesia diantara Samudra Pasik dan Samudra Hindia menyebabkan dinamika oseanogra Perairan Indonesia dipengaruhi oleh fenomena interaksi atmosfer dan laut yang terjadi diantara kedua samudra tersebut. Sistem pergerakan massa air laut hangat dari Samudra Pasik menuju Samudra Hindia melalui Perairan Indonesia, yang dikenal sebagai arus lintas Indonesia (Arlindo),[14] menambah kompleksitas dinamika oseanogra Perairan InProsiding InSINas 2012

PG-150 donesia. Arlindo berpengaruh terhadap sirkulasi regional di Perairan Indonesia dan struktur suhu laut Perairan Indonesia secara vertikal dan horisontal.[7] Fenomena El Nino Southern Oscillation (ENSO) di Samudra Pasik mempengaruhi intensitas dan kondisi suhu air laut dalam Arlindo.[1, 11, 13] Pengaruh ENSO yang terbawa oleh melalui mekanisme Arlindo menyebabkan perubahan pola intensitas proses oseanogra yang terjadi di beberapa bagian Perairan Indonesia. Salah satunya adalah perubahan pola intensitas upwelling di Samudra Hindia selatan Jawa-Nusa Tenggara1.[1, 13] Fenomena Indian Ocean Dipole (IOD) dan Wyrtki Jet,[5, 6, 11, 15] melengkapi keunikan dan kompleksitas dinamika oseanogra Perairan Indonesia. Kedua fenomena tersebut bersumber dari Samudra Hindia. Intensitas upwelling di Samudra Hindia Selatan JawaNusa Tenggara, selain dipengaruhi sistem AsiaAustralia monsoon dan ENSO, juga dipengaruhi oleh IOD.[10, 13] Sedangkan Wyrtki Jet yang terjadi setahun dua kali pada musim peralihan, mengakibatkan perubahan kedalaman lapisan termoklin dan perubahan tinggi rendah permukaan laut di Samudra Hindia.[6, 11] Komplek, unik dan dinamisnya Perairan Indonesia menjadikan data kondisi oseanogra hasil observasi dari satelit oseanogra merupakan salah satu pilihan teknologi yang dapat digunakan untuk melakukan observasi Perairan Indonesia secara near real time dan terus menerus. Data-data dari satelit oseanogra telah digunakan untuk mengidentikasi fenomenafenomena oseanogra yang terjadi di Perairan Indonesia.[1, 3, 12, 13] Dalam bidang oseanogra perikanan, terutama di negara-negara maju, data-data satelit oseanogra telah dikembangkan untuk memperkirakan daerah potensial penangkapan jenis ikan yang memiliki nilai ekonomis tinggi. Prakiraan daerah potensial penangkapan ikan berdasarkan hasil analisis dari data-data satelit oseanogra, pemodelan statistika dan sistem informasi geogras (SIG) telah dikembangkan untuk meningkatkan esiensi penangkapan ikan tuna albakora[19] dan ikan cakalang[4] di Perairan Jepang. Sedangkan untuk Perairan Indonesia, sistem prakiraan tersebut telah diadopsi untuk penangkapan tuna mata besar di Samudra Hindia Selatan Jawa-Bali[16] dan penangkapan ikan lemuru di Selat Bali.[17] Penelitian ini bertujuan untuk mengetahui pola sebaran spasial kelimpahan ikan cakalang berdasarkan analisis data satelit oseanogra di Samudra Hindia Selatan Jawa-Nusa Tenggara. Wilayah tersebut merupakan salah satu daerah potensial penangkapan ikan cakalang yang ada di Perairan Indonesia. Diperkirakan pola pergerakan sumberdaya ikan di wilayah tersebut, dipengaruhi oleh dinamika oseanogra yang terjadi di wilayah tersebut. Sejauh ini, pengelolaan sumberdaya perikanan di wilayah tersebut belum memper-

0917: T.A. Wibawa timbangkan pengaruh dinamika faktor oseanogra terhadap kelimpahan sumberdaya ikannya. Diketahuinya pola sebaran satu habitat yang potensial bagi penangkapan ikan dalam skala ruang dan waktu, merupakan salah satu pendekatan untuk meningkatkan efektivitas pengelolaan sumberdaya perikanan dan dapat mengurangi efek pemanasan global. Dengan diketahuinya sebaran habitat potensial penangkapan ikan, maka konsumsi bahan bakar yang digunakan untuk operasional penangkapan ikan akan semakin sedikit. Dampak lainnya, karena semakin efektifnya operasional penangkapan ikan, maka gas-gas beracun yang dilepaskan ke atmosfer sebagai dampak yang tidak terpisahkan dari operasional penangkapan ikan, akan semakin berkurang, sehingga dapat mengurangi efek rumah kaca dan pemanasan global.

II.

METODOLOGI

Data harian tangkapan ikan cakalang selama periode Januari-Oktober 2012, diperoleh dari perusahaan penangkapan ikan cakalang yang berbasis di Pelabuhan Benoa, Bali. Data tangkapan ikan cakalang yang digunakan meliputi data koordinat lokasi penangkapan ikan cakalang dan jumlah ikan cakalang yang tertangkap di setiap koordinat penangkapan. Data satelit oseanogra yang digunakan dalam penelitian ini meliputi data sea surface chlorophyll-a concentration (SSC), sea surface temperature (SST), sea surface height anomaly (SSHA) dan eddy kinetic energy (EKE). Data SSC, SST, SSHA dan EKE yang digunakan pada tahap ini merupakan data harian dengan periode yang sama dengan periode data tangkapan ikan cakalang. Data SSC dan SST merupakan hasil observasi dari sensor MODIS Aqua. Data-data tersebut diperoleh dari webserver oceancolor dengan resolusi spasial 9km dan resolusi temporal harian. Data SSHA dan EKE merupakan hasil pengolahan dari gabungan satelit-satelit altimetri. Data-data tersebut diperoleh dari Archive Validation and Interpretation of Satel lite Oceanography (AVISO), dengan resolusi spasial 1 3 dan resolusi spasial harian. Pengolahan data tangkapan ikan cakalang dan data satelit oseanogra dilakukan untuk menyamakan resolusi spasial, temporal dan proyeksi geometris dari seluruh dataset. Data harian penangkapan ikan cakalang dioverlay dengan setiap data SSC, SST, SSHA dan EKE pada periode hari yang sama, untuk mendapatkan nilai SSC, SST, SSHA dan EKE pada setiap koordinat penangkapan. Contoh overlay data tangkapan ikan cakalang tanggal 6 Agustus 2012 dengan data SSC, SST, SSHA dan EKE dapat dilihat pada G AMBAR 1. Hasil overlay yang berupa nilai SSC, SST, SSHA dan EKE di analisis lebih lanjut dengan metode generalized additive model (GAM). Sebelum dilakukan analisis GAM, terlebih dahulu dilakukan eksplorasi Prosiding InSINas 2012

0917: T.A. Wibawa

PG-151

G AMBAR 1: Overlay data tangkapan ikan cakalang tanggal 6 Agustus 2012 dengan data SSC, SST, SSHA dan EKE

terhadap seluruh dataset. Tujuannya adalah untuk mengindentikasi adanya data pencilan dan kolinearitas antar setiap variabel penjelas.[22, 23] Pembentukan model GAM dilakukan dengan menggunakan pustaka mgcv[18] yang terdapat dalam program R.[8] Sebagai variabel Y adalah hasil tangkapan ikan cakalang, sedangkan sebagai variabel X adalah variabel-variabel oseanogra yang telah terseleksi dalam proses eksplorasi data. Model GAM disusun berdasarkan kombinasi antara variabel-variabel X. Pemilihan model GAM yang digunakan untuk memperkirakan sebaran kelimpahan ikan cakalang didasarkan pada nilai Akaikes Information Criteria (AIC) dan deviance setiap model, serta tingkat signikansi setiap variabel penyusun model GAM.[21, 22] Model GAM yang terpilih berdasarkan ketiga kriteria tersebut, digunakan untuk memperkirakan sebaran spasial kelimpahan ikan cakalang setiap bulan di wilayah penelitian. Sebagai data input untuk memperkirakan sebaran spasial kelimpahan ikan cakalang tersebut, digunakan data komposit klimatologi bulanan SSC, SST, SSHA dan EKE.

III.

HASIL DAN PEMBAHASAN

Proses eksplorasi data terhadap dataset hasil overlay data tangkapan ikan cakalang terhadap data SSC, SST, SSHA dan EKE dilakukan dengan menggunakan grak boxplot dan grak scatter matrix. Grak boxplot memberikan informasi tentang sebaran kenor-

malan dataset, sedangkan grak scatter matrix mengidentikasi kolinearitas yang mungkin terjadi di antara variabel-variabel X. Hasil grak boxplot pada seluruh variabel X ditampilkan pada G AMBAR 2. Berdasarkan grak boxplot pada G AMBAR 2, terlihat nilai SSC di lokasi penangkapan ikan cakalang berada pada kisaran 0.03-0.32 mg/m3 (G AMBAR 2a), sedangkan nilai SST berada pada kisaran 25.87-31.1 C (G AMBAR 2b). Nilai SSHA berada pada kisaran 3.29-23.18 cm (G AMBAR 2c), dan nilai EKE berada pada kisaran 0.5-564.02 cm2 /sec2 (G AMBAR 2d). Hasil analisis dengan grak scatter matrix pada seluruh variabel X ditampilkan pada G AMBAR 3. Pada grak scatter matrix tersebut teridentikasi adanya kolinearitas antara variabel SSC dan SST. Nilai R2 yang diperoleh antara variabel SSC dan SST adalah 0.78 (G AMBAR 3a). Nilai R2 yang tinggi tersebut dapat menyebabkan terjadinya kolinearitas dalam pembentukan model GAM. Untuk itu, variabel SSC tidak digunakan dalam proses penyusunan model GAM. Setelah variabel SSC tidak digunakan, terlihat tidak adanya kolinearitas antar variabel SST, SSHA dan EKE (G AMBAR 3b). Proses pembentukan model GAM dilakukan dengan mengkombinasikan variabel SST, SSHA dan EKE sebagai variabel-variabel X. Hasilnya diperoleh kombinasi antara SST dan SSHA merupakan model GAM dengan nilai deviance tertinggi, yaitu sebesar 85.54%, nilai AIC terendah, yaitu 433.573. Pada pembentukan

Prosiding InSINas 2012

PG-152

0917: T.A. Wibawa Wyrtki Jet yang berasal dari Samudra Hindia bagian tengah menuju Samudra Hindia sebelah timur. Sedangkan penurunan SST pada musim timur terjadi karena pergerakan angin muson yang bertiup dari Benua Australia menuju Benua Asia. Sebaran spasial kelimpahan ikan cakalang di wilayah penelitian cenderung mengikuti pola sebaran SST di wilayah tersebut. SST sebagai faktor dominan dalam menentukan sebaran habitat ikan cakalang juga ditemukan oleh pada aplikasi data satelit oseanogra untik penangkapan ikan cakalang di Jepang[4] dan di Teluk Bone.[20] Pola sebaran SST di wilayah penelitian cenderung meningkat melebihi 28 C ketika memasuki musim barat dan musim peralihan. Diduga pola peningkatan kelimpahan ikan cakalang di wilayah penelitian mengikuti pola peningkatan sebaran SST di wilayah tersebut. Pada penelitian ini diperoleh kisaran SST di lokasi penangkapan ikan cakalang, antara 29-31 C. Kisaran SST yang hampir sama, yaitu antara 29-31.5 C, diperoleh dalam penelitian karakteristik lokasi penangkapan ikan di Teluk Bone.[20] Dengan demikian dapat diduga, sebaran SST yang hangat merupakan salah satu indikasi lokasi potensial penangkapan ikan cakalang. Persamaan GAM yang digunakan untuk memperkirakan daerah potensial penangkapan cakalang, dapat menjelaskan variasi kelimpahan cakalang sebesar 85.54%. Mengingat keterbatasan jumlah dataset yang digunakan dalam pembentukan model GAM, diperlukan kehati-hatian dan validasi insitu lebih lanjut untuk menguji validitas model GAM tersebut pada kondisi sebenarnya. Selain itu, lapisan renang ikan cakalang yang cenderung berada pada lapisan upper mixed layer[2] dapat menjadi salah satu kelemahan dalam penerapan model GAM yang telah terbentuk di kondisi sebenarnya. Secara teori, SST yang diperoleh dari hasil Sensor MODIS Aqua hanya dapat mengukur beberapa milimeter lapisan paling atas dari suatu permukaan laut.[9] Sedangkan lapisan renang ikan cakalang cenderung berada pada kedalaman 30 m di bawah permukaan laut. Untuk itu diperlukan kajian yang lebih mendalam, terutama untuk mengetahui keterkaitan kondisi variabel oseanogra pada kedalaman lapisan renang ikan cakalang dengan kelimpahan ikan cakalang.

(a)

(b)

(c)

(d)

G AMBAR 2: Grak boxplot variabel SSC di lokasi penangkapan ikan cakalang (a); Grak boxplot SST di lokasi penangkapan ikan cakalang (b); Grak boxplot SHA di lokasi penangkapan ikan cakalang (c); Grak boxplot EKEdi lokasi penangkapan ikan cakalang (d).

model GAM tersebut, variabel SST mempunyai kontribusi terbesar dalam pembentukan model (p<0.001) dibandingkan dengan variabel SSHA (p<0.05). Model GAM yang terbentuk tersebut mempunyai persamaan sebagai berikut: cakalang = s(SST) + s(SSHA) (6)

di mana, cakalang adalah jumlah ikan cakalang yang tertangkap (kg), SST adalah sea surface temperature ( C), dan SSHA adalah sea surface height anomaly (cm). Persamaan GAM yang telah terbentuk, digunakan untuk memperkirakan sebaran kelimpahan ikan cakalang bulanan. Sebagai input SST dan SSHA adalah data komposit klimatologi bulanan SST dan SSHA periode tahun 2003-2011. Hasil perkiraan sebaran bulanan kelimpahan ikan cakalang ditampilkan pada G AMBAR 4 G AMBAR 7. Hasil perkiraan sebaran spasial kelimpahan ikan cakalang bulanan menunjukkan adanya peningkatan kelimpahan ikan cakalang pada periode musim barat (November, Desember, Januari, Februari dan Maret) dan musim peralihan. (April dan Oktober). Penurunan kelimpahan ikan cakalang teridentikasi pada musim timur (Mei, Juni, Juli, Agustus dan September). Kondisi tersebut disebabkan karena SST sebagai faktor utama pembentuk model GAM. Sebaran SST pada wilayah penangkapan ikan cakalang tersebut cenderung meningkat pada periode musim barat dan peralihan akibat pergerakan angin muson yang bertiup dari Benua Asia menuju Benua Australia dan fenomena

IV. KESIMPULAN
Berdasarkan analisis data-data satelit oseanogra dan data penangkapan ikan cakalang yang dilakukan dalam penelitian ini, dapat disimpulkan bahwa persamaaan GAM yang dibentuk dari variabel SST dan SSHA dapat menjelaskan kelimpahan ikan cakalang sebesar 85.54 Pada penelitian ini, variabel SST merupakan variabel oseanogra yang paling dominan dalam memperkirakan sebaran spasial kelimpahan ikan cakalang. Prosiding InSINas 2012

0917: T.A. Wibawa

PG-153

(a)

(b)

G AMBAR 3: Grak scatter matrix untuk seluruh variabel X (a); Grak scatter matrix untuk variabel SST, SSHA dan EKE (b).

G AMBAR 4: Hasil prakiraan sebaran kelimpahan ikan cakalang bulanan pada bulan Januari, Februari dan Maret.

DAFTAR PUSTAKA
[1] Hendiarti, N., H. Siegel, dan and T. Ohde. 2004. Investigation of Different Coastal Processes in Indonesian Waters using SeaWiFS Data. Deep Sea Research Part II: Tropical Studies in Oceanography, 51:85-97 [2] Lehodey, P., I. Senina, dan R. Murtugudde. 2008. A Spatial Ecosystem and Population Dynamics

Model (SEAPODYM)-Modelling of Tuna and Like Tuna Populations. Progress in Oceanography 78: 304-318. [3] Moore II, T.S., J. Marra, dan A. Alkatiri. 2006. Response of the Banda Sea to the Southeast Monsoon. Marine Ecology Progress Series 261:41-49. [4] Mugo, R., S. Saitoh, A. Nihira, dan T. Kuroyama. 2010. Habitat Characteristisc of Skipjack Tuna (Katsuwonus pelamis) in The Western North Pacic: A Prosiding InSINas 2012

PG-154

0917: T.A. Wibawa

G AMBAR 5: Hasil prakiraan sebaran kelimpahan ikan cakalang bulanan pada bulan April, Mei dan Juni.

G AMBAR 6: Hasil prakiraan sebaran kelimpahan ikan cakalang bulanan pada bulan Juli, Agustus dan September.

Remote Sensing Perspective. Fisheries Oceanography 19(5): 382-396. [5] Qiu, Y., L. Li., dan W. Yu. 2009. Behaviour of the

Wyrtki Jet observed with surface drifting buoys and satellite altimeter. Geophysical Research Letter 36 (L18607). doi:10.1029/2009GL039120. Prosiding InSINas 2012

0917: T.A. Wibawa

PG-155

G AMBAR 7: Hasil prakiraan sebaran kelimpahan ikan cakalang bulanan pada bulan Oktober, November dan Desember.

[6] Qu, T., Y. Du, J. Strachan, G. Meyers dan J. Slingo. 2005. Sea Surface Temperature and its Variability in The Indonesian Region. Oceanography 18: 50-61. [7] Qu, T dan G. Meyers. 2005. Seasonal caharcteristics of circulation in the southern tropical Indian Ocean. Journal of Physical Oceanography 35: 255267. [8] R Development Core Team. 2008. R: A Language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. available from: URL:http://www.Rproject.org. [9] Robinson, I. 2004. Measuring Ocean from the Space, The Principles and Methods of Satellite Oceanography. Springer-Praxis. [10] Sartimbul, A. H. Nakata, E. Rohadi, B. Yusuf, dan H.P. Kadarisman. 2010. Variations in Chlorophylla Concentration and The Impact on Sardinella lemuru Catches in Bali Strait, Indonesia. Progress in Oceanography 87: 168-174 [11] Susanto, R.D., A.L. Gordon, dan Q. Zheng. 2001. Upwelling along the coast of Java and Sumatra and its relation to ENSO. Geophysical Research Letters 29: 1599-1602. [12] Susanto, R.D., dan J. Marra. 2005. Effect of the 1997/98 El Nino on Cholorophyll a Varaibility Along the Southern Coast of Java and Sumatra. Oceanography, 18:124-127. [13] Susanto, R.D, T.S. Moore II, dan J. Marra 2006.

[14]

[15]

[16]

[17]

[18]

[19]

Ocean Color Variabilty in The Indonesia Seas during SeaWiFS Era. Geochemistry, Geophysics and Geosystems 7 (5). doi: 10.029/2005GC001009. Susanto, R.D., A. Feld., A.L. Gordon dan T.R. Adi, 2012. Variability of Indonesian Throughow within Makassar Strait, 2004-2009. Journal of Geophysical Research 117, C09013. doi:10.1029/2012JC008096. Sprintall, J., A.L. Gordon, R. Murtugudde, dan R.D. Susanto. 2000. A semiannual Indian Ocean forced Kelvin wave observed in the Indonesian seas in May 1997. Journal of Geophysical Research 105(C7): 17.217-17.230. Wibawa, T.A. 2011. Pemanfaatan Data Satelit Oseanogra untuk Prediksi Daerah Potensial Penangkapan Tuna Mata Besar (Thunnus obesus) di Samudra Hindia Selatan Jawa-Bali. Jurnal Segara Vol 7 (1): 29-41. Wibawa, T.A. 2012. Pemanfaatan data harian Sensor MODIS Aqua/Terra untuk memperkirakan sebaran kelimpahan diatom di Selat Bali. Jurnal Kelautan Nasional 7(2): 120-133. Wood, S.N. 2006. Generalized Additive Model, An Introduction with R. Chapman and Hall/CRC Press Zainuddin, M., K. Saitoh dan S. Saitoh. 2008. Albacore (Thunnus alalunga) shing ground in relation to oceanographic conditions in the western North Pacic Ocean using remotely sensed satellite data. Prosiding InSINas 2012

PG-156 Fisheries Oceanography, 17:61-73. [20] Zainuddin, M. 2011. Skipjack tuna in relation to sea surface temperature and chlorophyll-a concentration of bone bay using remotely sensed satellite data. Jurnal Ilmu dan Teknologi Kelautan Tropis 3(1): 82-90. [21] Zuur, A.F., E.N. Ieno, dan G.M. Smith. 2007. Analysing Ecological Data. Springer. [22] Zuur, A.F., E.N. Ieno, N.J. Walker, A.A. Saveliev, dan G.M. Smith. 2009. Mixed Effect Models and Extension in Ecology with R. Springer. [23] Zuur, A.F., E.N. Ieno, dan C.S. Elphick. 2010. A Protocol for Data Exploration to Avoid Common Statistical Problems. Methods in Ecology and Evolution 2010(1): 3-14.

0917: T.A. Wibawa

Prosiding InSINas 2012