Anda di halaman 1dari 4

Praktikum 7

ANALISIS CLUSTER DAN KLASIFIKASI 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.
Selanjutnya, dapat ditentukan koefisien kesamaan satu komunitas dengan komunitas yang lain. Banyak teknik yang
telah dikembangkan untuk menentukan kesamaan komunitas (Krebs, 1989).
Penentuan koefisien kesamaan dapat dihitung berdasarkan pada data biner (ada dan tidak ada ) pada tabel
kontingensi (Koefisien Jaccard, Koefisien Sorensen, Koefisien Baroni-Urbani dan Buser). Sistem ini, enentukan
secara kasar kesamaan dua atau lebih komunitas, karena tidak memperhitungkan berlimpah atau jarangnya spesies.
Dengan demikian, sistem biner berasumsi bahwa spesies yang berlimpah dianggap sama penting dengan spesies
yang jarang. Oleh karena itu, sistem biner hanya digunakan untuk membandingkan komunitas sementara itu data
yang ada hanya daftar spesies.
Selain sistem biner terdapat sistem lain yaitu koefisien jarak (distance coeficient). Koefisien jarak ini lebih
menggambarkan ketidaksamaan. Jika jarak sama dengan nol maka komunitas adalah identik.. Koefisien jarak
digunakan sebagai dasar bagi penentuan jarak Euclidian, koefisien Bray-Curtis dan Canberra metric. Jarak Euclidean
banyak digunakan oleh para Ekolog, sementara itu penentuan koefisien Bray-Curtis dan Canberra metric sangat
dipengaruhi oleh banyaknya komunitas yang dibandingkan dan diversitas spesies. Kedua metode ini digunakan untuk
analisis yang melibatkan tidak lebih dari 100 komunitas dan diversitas spesies kurang dari 150.
Persentase kesamaan merupakan sistem lain yang diusulkan oleh Renkonen (1938). Untuk mengukur
kesamaan, setiap spesies dari masing-masing komunitas harus distadarkan dan dijadikan nilai relatif (persentase).
Meskipun teknik ini sederhana, namun indeks Renkonen ini merupakan salah satu indeks terbaik untuk menentukan
kesamaan komunitas. Jumlah petak contoh dan diversitas spesies tidak banyak mempengaruhi indeks Renkonen.
Indeks Morisita menggunakan prinsip yang sama dengan indeks Renkonen. Indeks Morisita merupakan indeks terbaik
dalam mengukur kesamaan komunitas (Wolda, 1981 dalam Krebs, 1989).
Pengukuran kesamaan di antara komuitas dapat merupakan tahap analisis terakhir, khususnya jika komunitas
yang dibandingkan sedikit. Sebaliknya, jika komunitas yang dibandingkan banyak, maka diperlukan pengelompokan
(klasifikasi). Klasifikasi ini harus meningkatkan pemahaman kita tentang interpretasi data dan fenomena ekologis.
Perlu dihindari penggunaan metode yang justru menyebabkan tampilan data membingungkan atau tidak sesuai
dengan tujuan penelitian. Banyak metode klasifikasi telah dikembangkan, misalnya Analisis Cluster (Single Lingkage
Clustering, Complete Lingkage Clustering, Average Lingkage Clustering etc.), Analisis Gradien Langsung (Direct
Gradient Analysis) dan Ordinasi (Ordination). Tidak ada metode yang paling bagus, akan tetapi metode dapat dipilih
sesuai kebutuhan dan ketersediaan sarana.
Dalam praktikum ini akan diterangkan cara menentukan Indeks Morisita dan satu teknik analisis Cluster saja,
yaitu Average Lingkage Clustering. Strategi yang paling sering digunakan disebut sebagai Unweighted Pair-Group
Method using arithmetic Averages UPGMA). Teknik ini sering disarankan oleh para Ekologis untuk menganalisis data
ekologis pada umumnya. Analisis Cluster dan penentuan indeks kesamaan perlu ditentukan secara cermat. Kunci
keberhasilan terletak pada seni dan ecological intuition (Krebs, 1989).
1. Penentuan kesamaan komunitas dengan Indeks Morisita (CM) (Cox, 2002)
CM = [ 2 Xi . Yi ] . [(SA + SB) NA. NB] -1
Xi , Yi : Jumlah individu spesies ke i masing-masing pada komunitas A atau komunitas B
NA = Xi : Total jumlah individu di dalam komunitas A
NB = Yi : Total jumlah individu di dalam komunitas B
SA = [ { Xi . (Xi-1)}] . [NA . (NA-1) ] -1
SB = [ { Yi . (Yi-1)}] . [NB . (NB-1) ] -1
Selain untuk membandingkan kesamaan antar komunitas, maka rumus di atas juga dapat digunakan untuk
membandingkan kesamaan antar petak contoh di suatu tempat.
2. Teknik analisis Cluster dengan Unweighted Pair-Group Method using arithmetic Averages (UPGMA)
Untuk memudahkan penghitungan, berikut ini contoh tabel hasil penghitungan koefisien kesamaan komunitas di
sembilan stasiun pengamatan burung laut (Krebs, 1989).

35

1
1
2
3
4
5
6
7
8
9

2
0,88

3
0,99
0,88

4
0,66
0,62
0,66

5
0,77
0,70
0,78
0,73

6
0,75
0,71
0,75
0,64
0,76

7
0,36
0,36
0,36
0,28
0,29
0,34

8
0,51
0,51
0,50
0,53
0,51
0,46
0,19

9
0,49
0,49
0,48
0,50
0,49
0,45
0,20
0,80

Langkah yang harus dilakukan :


1. Mencari nilai koefisien kesamaan di tabel yang
paling besar yaitu 0,99 antara stasiun 1 dan 3
(menjadi cluster 1/kelompok 1).

0,9
1,0
1

2. Menghitung kembali matrik kesamaan untuk


tujuh stasiun yang tersisa dengan cluster 1,
menggunakan rumus :
(SJK)
SJ(K)=
TJ tK
Dengan:
SJ(K) = Rata-rata nilai kesamaan antara cluster j dan k
tJ
= Jumlah sampel di dalam cluster j
tK = Jumlah sampel di dalam cluster K
SJK = Nilai koefisien kesamaan antara masingmasing dari sampel j dan k

0,8
0,9
1,0
1

Dari hasil perhitungan tersebut didapatkan bahwa


nilai koefisien kesamaan terbesar diperoleh
antara stasiun 2 dengan cluster 1:
(0,88+0,88)
SJ(K) =

= 0,88
(1) (2)

3. Dengan cara yang sama seperti di atas buat matrik


nilai kesamaan untuk tujuh kelompok (cluster 1
yang baru dengan enam stasiun tersisa). Dari hasil
perhitungan dapat dilihat bahwa nilai koefisien
kesamaan terbesar adalah antara stasiun 8 dengan
9 pada tingkat kesamaan 0,80, sehingga hal ini
akan membentuk cluster 2. Kita sekarang
mempunyai dua cluster dan empat sisa sampel
komunitas (stasiun).

0,8
0,9
1,0
1

36

4. Buat matrik kesamaan antara enam kelompok


(cluster 1, cluster 2 dengan empat stasiun tersisa).
Nilai koefisien kesamaan terbesar adalah antara
stasiun 5 dengan stasiun 6 dengan nilai kesamaan
0,76. Membentuk cluster 3. Kita sekarang
mempunyai tiga cluster dan dua stasiun yang
tersisa.

0,7
0,8
0,9
1,0
1

5. Buat matrik kesamaan antara lima kelompok dan


dari hasil perhitungan tersebut didapatkan bahwa
koefisien kesamaan terbesar adalah antara cluster 0,7
3 (stasiun 5 dan 6) dengan cluster 1 (stasiun 1, 3
dan 2):
SJ(K) = (0,77 + 0,78 + 0,70 + 0,75 + 0,75 + 0,71) / (2)(3)

0,8

= 0,74
Sehingga cluster 1 sekarang mempunyai lima 0,9
anggota yang terbentuk pada tingkat kesamaan
0,74.
1,0
1

6. Buat matrik kesamaan antara empat kelompok dan


dari hasil perhitungan tersebut didapatkan nilai 0,6
koefisien kesamaan terbesar adalah antara stasiun
4 dengan cluster 1 (stasiun 1,3,2,5,6):
0,7
SJ(K) = (0,66 + 0,62 + 0,66 + 0,73 + 0,64) / (1) (5)
= 0,66
Sehingga cluster 1 sekarang mempunyai enam 0,8
anggota
0,9

1,0
8

7. Buat matrik kesamaan antara tiga kelompok


dengan persamaan pada langkah kedua dan
diperoleh:
0,4
Cluster 1
Stasiun 7
Cluster 2

Cluster 1
1,0
-

Stasiun 7
0,33
1,0
-

Cluster 2
0,49
0,19
1,0

Sebagai contoh, kesamaan antara cluster 1 dan


cluster 2 adalah:
SJ(K) = (0,51+0,51+0,50+0,53+0,51+0,46+0,49+
0,49+0,48+0,50+0,49+0,45) / (6) (2)
= 0,493

0,5
0,6
0,7

Jadi cluster 1 dan cluster 2 digabungkan pada 0,8


tingkat kesamaan 0,49. Sehingga kita sekarang
mempunyai dua kelompok yaitu stasiun 7 dan 0,9
semua yang ada di dalam cluster besar.
1,0
1

37

8. Langkah terakhir adalah menghitung rata-rata


kesamaan antara dua kelompok sisa:
SJ(K) = (0,36+0,36+0,36+0,28+0,29+0,34+
0,19+0,20) / (1) (8)
= 0,297
0,3
Sehingga pembuatan cluster terakhir adalah pada
tingkat kesamaan 0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1

3 2

4 8

Dalam praktikum akan dilakukan analisis cluster dari data analisis serangga di tiga biotop di TN Baluran,
Biotop I (terdiri dari enam sampel), Biotop II (satu sampel) dan Biotop III (tiga sampel). Data yang akan dianalisis
adalah delapan sampel. Lakukan penghitungan indeks kesamaan Morisita untuk tiap pasangan kombinasi sampel,
buat tabel indeks kesamaan dan lakukan analisis cluster (klasifikasi) dengan metode UPGMA di antara delapan
sampel yang diamati.

38

Anda mungkin juga menyukai