LAPORAN PRAKTIKUM OSEANOGRAFI PERIKANAN

WILAYAH MUNCAR

Oleh:
Kelompok 4

PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN

JURUSAN PEMANFAATAN SUMBERDAYA PERIKANAN DAN KELAUTAN
UNIVERSITAS BRAWIJAYA
MALANG
2018
 LAPORAN PRAKTIKUM OSEANOGRAFI PERIKANAN
WILAYAH MUNCAR

Oleh:
Kelompok 4

NAMA : FRANSISCA SARIULI PUTRI T

NIM : 165080200111038
KELAS : P01
NAMA ASISTEN : TASHYA DEWI N.

PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN

JURUSAN PEMANFAATAN SUMBERDAYA PERIKANAN DAN KELAUTAN
UNIVERSITAS BRAWIJAYA
MALANG
2018
 LEMBAR PENGESAHAN
LAPORAN PRAKTIKUM OSEANOGRAFI PERIKANAN WILAYAH MUNCAR

Oleh:
Kelompok 4
Dinyatakan memenuhi prasyarat

Praktikum Oseanografi Perikanan

Mengetahui, Koordinator Asisten Menyetujui, Asisten

Kelompok

Nana Priyatna Tashya Dewi Nurfani

NIM. 155080200111050 NIM. 155080201111041

Tanggal : Tanggal :

i
 KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa karena
atas limpahan rahmat da hidayah-Nya lah penulis dapat menyelesaikan laporan
Praktikum Oseanografi Perikanan wilayah Muncar dengan tepat waktu. Adapun
laporan ini dibuat sebagai salah satu syarat lulus kegiatan Praktikum Mata Kuliah
Oseanografi Perikanan di Fakultas Perikanan dan Ilmu Kelautan, Universitas
Brawijaya.
Besar harapan kami agar kiranya buku penuntun praktikum mata kuliah
Oseanografi Perikanan ini bermanfaat bagi mahasiswa dan institusi dan
memberikan kontribusi pada perkembangan perikanan tangkap secara nasional
khususnya pengaruh fenomena perubahan parameter oseanografi terhadap
parameter lingkungan dan hasil tangkapan ikan di laut.

Malang, 5 November 2018

Penulis

ii
 DAFTAR ISI

Halaman
LEMBAR PENGESAHAN ..................................................................................... i
KATA PENGANTAR .............................................................................................ii
DAFTAR ISI ......................................................................................................... iii
DAFTAR GAMBAR .............................................................................................. v
DAFTAR TABEL ................................................................................................ viii
DAFTAR LAMPIRAN ...........................................................................................ix
BAB I. PENDAHULUAN....................................................................................... 1
1.1 Latar Belakang ........................................................................................... 1
1.2 Maksud dan Tujuan .................................................................................... 1
1.3 Waktu Dan Tempat .................................................................................... 2
BAB II. TINJAUAN PUSTAKA.............................................................................. 3
2.1 Suhu Permukaan Laut (SPL) ...................................................................... 3
2.2 Klorofil-A .................................................................................................... 4
2.3 ENSO (El Nino Southern Oscillation).......................................................... 6
2.3.1 SOI (Southern Oscillation Index) .......................................................... 8
2.3.2 NINO 3.4............................................................................................ 10
2.4 IOD (Indian Oscillation Index) ................................................................... 13
2.4.1 DMI (Dipole Mode Index) ................................................................... 14
2.5 Hasil Tangkapan ...................................................................................... 15
BAB III. METODOLOGI ..................................................................................... 18
3.1 Alat dan Bahan......................................................................................... 18
3.2 Skema Kerja............................................................................................. 20
3.2.1 Skema Kerja Pre-Processing data .................................................... 20
3.2.2 Skema Kerja Pengolahan Data .......................................................... 21
3.2.3 Skema Kerja Analisis Data................................................................. 21
3.3 Metode Pengolahan Data ......................................................................... 22
3.4 Metode Analisis Data ............................................................................... 34
3.4.1 Skema Kerja Korelasi ........................................................................ 40
3.4.2 Skema Kerja PCA (Principal Component Analysis) ............................ 42
BAB IV. HASIL DAN PEMBAHASAN ................................................................. 42
4.1 Hasil Catch ............................................................................................... 43

iii
 4.2 Hasil Suhu Permukaan Laut (SPL) ........................................................... 44
4.3 Hasil Klorofil-A .......................................................................................... 44
4.4 Grafik Korelasi Ano Temperature dengan Ano Catch ............................... 46
4.5 Grafik Korelasi Ano Temperature dengan Ano Klorofil-A .......................... 47
4.6 Grafik Korelasi Ano Klorofil-A dengan Ano Catch ..................................... 49
4.7 Hasil analisis SPSS Suhu, Klorofil, DMI, SOI, dan nino 3.4 dengan Hasil
Tangkapan ..................................................................................................... 50
BAB V. PENUTUP ............................................................................................. 53
5.1 Kesimpulan .............................................................................................. 53
5.2 Saran ....................................................................................................... 53
DAFTAR PUSTAKA........................................................................................... 54
LAMPIRAN ........................................................................................................ 57

iv
 DAFTAR GAMBAR

Gambar Halaman
1. Skema kerja pre-processing data................................................................... 20
2. Skema kerja pengolahan data ....................................................................... 21
3. Skema kerja analisis data .............................................................................. 21
4. Tampilan web ocean color ............................................................................. 22
5. Tampilan menu DATA.................................................................................... 22
6. Tampilan Level-3 Browser ............................................................................. 22
7. Tampilan extract or download data ................................................................ 23
8. Tampilan data terdownload ............................................................................ 23
9. Tampilan pada jendela baru data terdownload dan tersimpan ....................... 23
10. Tampila SeaDAS ......................................................................................... 23
11. Tampilan menu file....................................................................................... 24
12. Tampilan file data SST ................................................................................. 24
13. Tampilan bands ........................................................................................... 24
14. Tampilan menu processing .......................................................................... 24
15. Tampilan crop peta Indonesia ...................................................................... 25
16. Tampilan Bands pada peta Indonesia .......................................................... 25
17. Tampilan menu Tools .................................................................................. 25
18. tampilan kotak dialog band maths ................................................................ 25
19. Tampilan kotak dialog band maths expression editor ................................... 26
20. Tampilan rumus SST ................................................................................... 26
21. Tampilan menu processing .......................................................................... 26
22. Tampilan kotak dialog reprojection............................................................... 27
23. Tampilan ArcMap 10.3 ................................................................................. 27
24. Tampilan menu file add data ........................................................................ 27
25. Tampilan add data ....................................................................................... 27
26. Tampilan data TIFF...................................................................................... 28
27. Tampilan raster processing .......................................................................... 28
28. Tampilan kotak dialog clip ............................................................................ 28
29. Tampilan clip................................................................................................ 28
30. Zoom to layer ............................................................................................... 29
31. Tampilan properties ..................................................................................... 29
v
32. Tampilan Layer properties ........................................................................... 29
33. Conversion Tools ......................................................................................... 29
34. Raster to point ............................................................................................. 30
35. Raster to point berhasil ................................................................................ 30
36. Features ...................................................................................................... 30
37. Add XY coordinate ....................................................................................... 30
38. Open atribut table ........................................................................................ 31
39. Export .......................................................................................................... 31
40. Save file ....................................................................................................... 31
41. Tampilan Ms. Excel...................................................................................... 31
42. Open file ...................................................................................................... 32
43. Tampilan file data dari ArcMap .................................................................... 32
44. Suhu, longitude, latitude .............................................................................. 32
45. Short & filter ................................................................................................. 32
46. Filter ............................................................................................................ 33
47. Copy (ctrl+C) ............................................................................................... 33
48. Paste (ctrl+V) ............................................................................................... 33
49. Rumus rata-rata ........................................................................................... 33
50. Hasil ............................................................................................................ 34
51. Save file ....................................................................................................... 34
52. Tampilan web .............................................................................................. 34
53. Tampilan data CpUE.................................................................................... 34
54. Sheet AnoCatch........................................................................................... 35
55. Sheet AnoTemp ........................................................................................... 35
56. Sheet AnoChlor ........................................................................................... 35
57. Sheet AnoTemp-AnoCatch .......................................................................... 35
58. Blok data...................................................................................................... 36
59. Edit grafik..................................................................................................... 36
60. Edit grafik..................................................................................................... 36
61. Edit grafik..................................................................................................... 36
62. Open data DMI ............................................................................................ 37
63. Rata-rata DMI .............................................................................................. 37
64. Grafik DMI, SOI, dan Nino ........................................................................... 37
65. Sheet all data ............................................................................................... 37
66. Tampilan SPSS ........................................................................................... 38

vi
67. Sheet variable view ...................................................................................... 38
68. Sheet data view ........................................................................................... 38
69. Analyze ........................................................................................................ 38
70. Input variabel ............................................................................................... 39
71. Kotak dialog factor analysis descriptions...................................................... 39
72. Extract ......................................................................................................... 39
73. Rotation ....................................................................................................... 39
74. Memunculkan OK ........................................................................................ 40
75. Output .......................................................................................................... 40
76. Skema kerja korelasi.................................................................................... 41
77. Skema kerja PCA ........................................................................................ 42
78. Gambar grafik korelasi antara Ano-Temperature dengan Ano - Catch ......... 46
79. Gambar grafik korelasi antara AnoTemp-AnoChlor ...................................... 47
80. Gambar grafik korelasi anatar AnoChlor-AnoCatch...................................... 49
82. Tampilan extract or download data .............................................................. 58
83. Tampilan pada jendela baru data terdownload dan tersimpan ..................... 59

vii
 DAFTAR TABEL

Tabel Halaman
1. Alat dan fungsinya ......................................................................................... 18
2. Bahan dan fungsinya ..................................................................................... 19
3. Hasil catch tahun 2013-2017 ......................................................................... 43
4. Suhu permukaan laut tahun 2013-2017 ......................................................... 44
5. Data hasil klorofil-A tahun 2013-2017 ............................................................ 45
6. Korelasi AnoTemp-AnoCatch......................................................................... 46
7. Korelasi AnoTemp-AnoChlor ......................................................................... 47
8. Korelasi AnoChlor-AnoCatch ......................................................................... 49
9. Correlation matrix .......................................................................................... 50
10. KMO and Bartlett's test ................................................................................ 51
11. Anti-Image Matrice sebelum eliminasi .......................................................... 51
12. Anti-Image Matrice setelah eliminasi ............................................................ 51
13. Communalities ............................................................................................. 52

viii
 DAFTAR LAMPIRAN

Lampiran Halaman
1. Dokumentasi Praktikum ................................................................................. 57
2. Langkah Kerja................................................................................................ 57
3. Tiket masuk praktikum 1 ................................................................................ 77

ix
 BAB I. PENDAHULUAN

1.1 Latar Belakang

Hubungan antara ikan yang menjadi tujuan penangkapan dengan lingkungan
perairan bersifat komplek, sehingga perlu dikaji secara berkelanjutan. Parameter
lingkungan yang berpengaruh terhadap kehidupan ikan dapat berupa parameter
fisik, kimia dan biologi. Diantara ketiga parameter tersebut yang mudah diamati
adalah parameter fisik berupa suhu, arus, angin dan gelombang. Parameter
lingkungan tersebut akan mempengaruhi penyebaran ikan, migrasi, agregrasi
(penggerombolan), pemijahan dan persediaan makanan serta tingkah laku ikan.
Pola kehidupan ikan tidak dapat dipisahkan dengan berbagai kondisi lingkungan.
Fluktuasi keadaan lingkungan mempunyai pengaruh yang besar terhadap
periode migrasi musiman dan keberadaan ikan (Cahya et al., 2016).
Perairan Selat Bali yang tergolong sempit, memiliki potensi maksimum lestari
46.400 ton/tahun dengan basis utama Muncar. Komoditasnya sangat potensial
dengan sumberdaya perikanan utamanya, yaitu Lemuru. Lemuru memiliki potensi
Jumlah yang Boleh Ditangkap (Allowable Catch) agar berkelanjutan sebesar 80%
dari Maximum Sustanaible Yield (MSY) sebesar 25.256 ton/tahun. Sementara
hasil produksi penangkapan sebesar 57.435 ton/tahun. Sehingga dari kasus
tersebut pemanfaatan yang dicapai yaitu 125% dan hal tersebut dinyatakan
sudah kelebihan tangkap (Nababan, 2009).
Parameter oseanografi menjadi salah satu sarana untuk mempelajari
berbagai fenomena dilautan. Pola interaksi atmosfer diduga berpengaruh
terhadap dinamika dipermukaan laut. Oseanografi terdiri dari dua kata yaitu
oceanos yang berarti laut dan graphos yang berarti gambaran atau deskripsi
(bahasa Yunani). Lalu oseanografi perikanan dapat diartikan sebagai aplikasi
oseanografi dalam dunia perikanan yang merupakan ilmu terapan. Oseanografi
perikanan memiliki faktor-faktor yang mempengaruhi lingkungan perikanan itu
sendiri. Faktor-faktor yang mempengaruhi diantaranya suhu, klorofil-a, ENSO (El-
Nino Southern Oscillation) dan IOD (Indian Ocean Dipole). Dalam hal ini factor-
faktor tersebut dapat mempengaruhi lingkungan terhadap tingkah laku ikan dan
keberadaan ikan.
1.2 Maksud dan Tujuan
Tujuan diadakannya praktikum Oseanografi Perikanan adalah untuk
memberikan wawasan dan pemahaman mahasiswa tentang, antara lain :

1
1. Dapat memahami teori dasar dalam oseanografi perikanan.
2. Dapat mengetahui cara perolehan data oseanografi perikanan melalui
pemotretan citra satelit, dan
3. Dapat mengetahui cara pemrosesan data, analisis data, dan interpretasi data
menggunkan Aplikasi SeaDAS, ArcGIS, Ms. Excel, dan SPSS
4. Dapat mengetahui hubungan parameter oseanografi perikanan dengan hasil
tangkapan.
1.3 Waktu Dan Tempat
Praktikum Oseanografi Perikanan dilakukan sebanyak dua kali. Praktikum 1
dilaksanakan pada tanggal 20-21 Oktober 2018 dengan materi pre-processing
data. Praktikum ini dilakukan pada hari sabtu, tanggal 20 Oktober 2018 jam
10.30-13.00 WIB di ruang perkuliahan, Gedung D lantai 3, Fakultas Perikanan
dan Ilmu Kelautan, Universitas Brawijaya, Malang
Praktikum 2 dilaksanakan pada tanggal 27-28 Oktober 2018 dengan materi
processing data dan analisis. Praktikum ini dilakukan pada hari sabtu, tanggal 27
Oktober 2018 jam 10.30-13.00 WIB di ruang perkuliahan, Gedung D lantai 3,
Fakultas Perikanan dan Ilmu Kelautan, Universitas Brawijaya, Malang.

2
 BAB II. TINJAUAN PUSTAKA

2.1 Suhu Permukaan Laut (SPL)

Suhu adalah derajat panas atau dingin yang diukur berdasarkan skala
tertentu dengan menggunakan termometer. Satuan suhu yang biasa digunakan
adalah derajat celcius (0C). Sedangkan di Inggris dan beberapa Negara lainnya
dinyatakan dalam derajat Fahrenheit (0F). Suhu juga bisa diartikan sebagai suatu
sifat fisika dari suatu benda yang menggambarkan Energy kinetic rata-rata dari
pergerakan molekul-molekul. Dengan suhu manusia dapat mengetahui dan
mengembangkan suatu informasi dan suhu diukur untuk digunakan di banyak
kebutuhan seperti pertanian, farmasi, Klimatologi, dan Geofisika. Suhu atau
derajat panas dinginnya suatu benda dapat diukur dengan menggunakan alat
yang disebut denganTermometer (Adrinta, 2017).
Menurut Yuniarti (2013), suhu permukaan laut merupakan suatu faktor yang
penting bagi kehidupan organisma-organisme yang terdapat di lautan, karena
suhu dapat mempengaruhi sistem metabolisme maupun perkembangbiakan dari
organisme laut. Suhu permukaan laut sangat penting untuk diketahui karena,
sebaran dari suhu permukaaan laut dapat memberikan informasi mengenai front,
upwelling, cuaca atau iklim serta daerah penangkapan ikan. Perairan Selat Bali
merupakan daerah yang menarik untuk dikaji karena lokasinya yang mendapat
pengaruh dari beberapa fenomena oseanografi diantaranya sistem arus
permukaan laut, Arus Lintas Indonesia (Arlindo), juga pengaruh dari pola
pergerakan angin muson. Selain itu, perairan Selat Bali memiliki produktivitas
yang tinggi akibat adanya fenomena upwelling yang terjadi secara musiman yang
berhubungan dengan Samudera Hindia. Adanya variasi interanual seperti Indian
Ocean Dipole Mode (IODM) di perairan Samudera Hindia secara tidak langsung
berpengaruh terhadap kondisi suhu permukaan laut di perairan Selat Bali.
Nilai rata-rata bulanan suhu permukaan laut (SPL) di Selat Bali dari data
MODIS tahun 2011. Variabilitas SPL menunjukkan pola variasi mengikuti musim,
pada saat musim barat SPL cenderung lebih tinggi daripada musim timur.
Peningkatan SPL terlihat mulai bulan November hingga mencapai suhu tertinggi
pada bulan Maret sebesar 30,31 ± 0,53oC. Trend penurunan SPL mulai terlihat
sejak awal musim timur (April) dengan nilai terendah pada bulan September
sebesar 25,71 ± 0,44oC. Distribusi spasial SPL di bagian utara Selat Bali
cenderung lebih hangat bila dibandingkan dengan bagian selatan Selat Bali pada

3
musim timur. Massa air dengan suhu rendah terlihat di bagian selatan perairan
dengan nilai berkisar antara 26,78-26,77oC. Perairan Indonesia berada di antara
massa air panas di Samudera Pasifik dan Samudera Hindia. Variasi SPL (suhu
permukaan laut ) di Indonesia relatif kecil jika dibandingkan wilayah lain, namun
rata-ratanya cukup tinggi dengan variasi tertinggi terjadi di perairan pantai selatan
Jawa dan di daerah Sumatera (Susilo, 2015).
Suhu merupkan salah satu faktor oseanografi yang mencirikan massa air
dilautan. Pola distribusi suhu permukaan laut dapat digunakan untuk
mengidentifikasi parameter-parameter laut seperti arus laut, upwelling, dan front.
Tahun 2010-2014 suhu permukaan laut pada saat musim barat lebih tinggi
dibandingkan musim timur. Pada musim timur suhu tidak akan melebihi 27ºC,
dan di musim barat suhu selalu berada diatas 27ºC. Perbedaan suhu antara
musim timur dan barat bisa mencapai 4ºC. Perubahan SPL tidak diikuti oleh
suatu pola perubahan tangkapan lemuru. Hal tersebut mengindikasikan bahwa
SPL tidak berpengaruh terhadap jumlah tangkapan lemuru di perairan Selat Bali.
Namun, ikan lemuru yang tertangkap berada pada suhu yang optimum yaitu
berkisar antara 27,96 hingga 30,58ºC (Zakiah, 2015).
2.2 Klorofil-A
Klorofil-a merupakan salah satu parameter indikator tingkat kesuburan
perairan yang terdapat pada fitoplankton. Konsentrasi klorofil-a biasa disebut
dengan pigmen fotosintetik dari fitoplankton. Di perairan laut, indeks klorofil-a
dapat dihubungkan dengan produksi ikan atau lebih tepatnya dapat
menggambarkan tingkat produktivitas daerah penangkapan ikan (fishing ground).
Dengan adanya sebaran konsentrasi klorofil-a diindikasikan bahwa terdapat
banyak ikan pada perairan tersebut. Informasi mengenai kandungan klorofil-a
dalam suatu perairan sangat dipengaruhi oleh teknologi saat ini. Selain itu,
klorofil-a juga dapat dipengaruhi oleh adanya fenomena upwelling. Upwelling
umumnya ditandai dengan penurunan nilai suhu permukaan laut (SPL) dan
peningkatan konsentrasi klorofil-a (Prayoga dan Putra, 2017).
Menurut Ridha et al. (2013), Keberadaan ikan pelagis kecil lebih ditentukan
oleh habitat dengan posisi pertemuan klorofil-a dan suhu optimal, dibandingkan
dengan parameter oseanografi lainnya, sehingga faktor penentu keberhasilan
dalam usaha penangkapan ikan adalah ketepatan dalam menentukan suatu
Daerah Penangkapan Ikan (DPI) yang layak untuk dapat dilakukan operasi
penangkapan ikan. Suhu permukaan laut dan konsentrasi klorofil-a dapat

4
diestimasi dengan menggunakan algoritma global untuk perairan lepas pantai
adalah sekitar 70%, sedangkan untuk suhu permukaan laut memiliki nilai lebih
tinggi tingkat akurasinya. Beberapa kondisi yang berpengaruh langsung
terhadap suhu permukaan laut dan klorofil-a adalah fenomena upwelling dan
arah arus Armondo (arus Monsum Indonesia), sehingga diduga pada musim
timur lebih banyak terjadi upwelling dengan terlihat nilai klorofil-a yang lebih
tinggi dan banyaknya titik-titik di perairan dengan suhu rendah yang dikelilingi
oleh suhu hangat di sekitarnya, kemudian arus armondo membawa suhu
rendah ke perairan Selat Bali dibandingkan dengan musim barat, karena pada
musim timur Armondo membawa massa air suhu rendah dari samudera hindia.
Kandungan klorofil-a pada musim timur nilai klorofil-a adalah 0,09 - 3,9 mg/L,
lebih rendah dibandingkan dengan musim barat dengan nilai klorofil-a 0,01 - 0,9
mg/L.
Menurut Nababan (2009), konsentrasi klorofil-a di perairan pantai dan pesisir
lebih tinggi disebabkan oleh adanya suplai nutrien melalui run-off (masukan)
sungai dari daratan. Kemudian, pada bagian utara dan selatan perairan Selat Bali
berbatasan dengan Laut Jawa dan Samudera Hindia. Mulut bagian utara
perairan Selat Bali sekitar satu mil dan merupakan perairan yang dangkal
(kedalaman sekitar 50m ). Sedangkan mulut bagian selatan sekitar 28 mil dan
merupakan perairan yang dalam yang berhubungan langsung dengan Samudera
Hindia. Dengan keadaan seperti ini, maka perairan Selat Bali lebih banyak
dipengaruhi oleh sifat perairan Samudera Hindia dibandingkan oleh Laut Jawa.
Sehingga di sepanjang tahun konsentrasi klorofil-a di Selatan Selat Bali lebih
tinggi dibandingkan wilayah Utaranya.
Konsentrasi klorofil yang terdapat di perairan tidak langsung mempengaruhi
jumlah ikan yang berada pada daerah tersebut. Terdapat lag atau waktu dimana
konsentrasi klorofil yang terdapat di wilayah perairan terlebih dahulu dimakan
oleh struktur organisme herbivora. Sebagai contoh zooplankton, atau crustacea
kecil (juvenile) dimakan oleh tingkat trofik di atasnya. Pengaruh yang nyata
antara konsentrasi klorofil-a dengan hasil tangkapan ikan yellowfin tuna, diduga
karena nilai rerata konsentrasi klorofil-a pada lapisan permukaan air laut
Halmahera cukup tinggi. Walaupun fitoplankton bukan merupakan makanan
alami tuna tetapi sebagai rantai dasar makanan tuna. Sehingga peningkatan
klorofil-a yang merupakan kandugan pigmen dari fitoplankton, berdampak
terdapat hasil tangkapan yang meningkat (Tangke et al., 2015).

5
2.3 ENSO (El Nino Southern Oscillation)
Menurut Saputra (2017), El-Nino Southern Oscillation (ENSO) merupakan
fenomena alam yang terjadi di Samudra Pasifik yang merupakan fase dari suatu
sistem osilasi yang berdampak terhadap fluktuasi suhu permukaan laut, sehingga
diduga dapat mempengaruhi hasil tangkapan ikan lemuru. Hubungan antara hasil
tangkapan dan ENSO pada penelitian ini dapat diketahuidengan menggunakan
anomali hasil tangkapan ikan lemuru dan indeks ENSO pada periode tahun 2007
– 2016, sehingga diperoleh grafik pada tahun 2007 – 2008 terjadi fenomena La-
Nina selama sepuluh bulan (Agustus – Mei) yang menyebabkan rata – rata hasil
tangkapan pada tahun 2007 – 2008 menurun 67.016 ton – 38.052 ton. Pada
tahun 2009 saat mengalami fase El-Nino hasil rata- rata tangkapan ikan lemuru
meningkat menjadi 58.565 ton. Pada tahun 2010 pada saat terjadi fenomena La-
Nina hasil tangkapan ikan lemuru rata – rata kembali menurun sebesar 31.973
ton.Pada tahun 2011 – 2014 dalam fase normal hasil tangkapan relatif rendah.
Pada tahun 2015 memasuki fase El-Nino kembali mengalami peningkatan
meskipun tidak terlalu tinggi. Dengan demikian pada saat terjadi fenomena La-
Nina hasil produksi tangkapan ikan lemuru akan mengalami penurunan,
sedangkan pada saat fenomena El-Nino hasil tangkapan akan mengalami
peningkatan. Dari hasil perhitungan indeks ENSO pada penelitian ini fenomena
ENSO pada periode 2007 – 2016 terjadi sebanyak tiga kali yaitu pada tahun
2009, 2010, dan 2015.
Menurut Sitompul (2013), Faktor utama yang jugamempengaruhi variabilitas
iklim di Indonesia adalah ENSO. ENSO merupakan sebuah interaksi laut
atmosfer yang berpusat di wilayah ekuator Samudra Pasifik yang menyebabkan
anomali iklim global. Hal tersebut menyebabkan dua fenomena yaitu El-Nino dan
La-Nina . Gejala ENSO memberikan pengaruh terhadap kondisi laut di Indonesia
yaitu menjadi lebih dingin pada tahun El-Nino dan lebih hangat pada tahun La-
Nina. ENSO terdiri dari tiga fenomena yaitu kejadian normal, El-Nino dan La-
Nina. Pembagian kriteria pada masing – masing tergantung pada Southern
Oscillation Index (SOI) dari bulan April (0) hingga Maret (+1). ENSO merupakan
fenomena gabungan interaksi lautan atmosfer yang menyebabkan variasi iklim
tahunan di dunia. Komponen lautan dari ENSO adalah El-Nino dan La-Nina,
sedangkan komponen atmosfernya adalah Southern Oscillation. Pusat aktivitas
ENSO berada di Samudra Pasifik yang berdekatan dengan garis ekuator. Istilah
El-Nino awalnya digunakan untuk menggambarkan keadaan tahunan arus

6
hangat lemah yang menyusuri pantai selatan Peru dan Ekuador yang
menyebabkan turunnya tangkapan ikan. Turunnya tangkapan ikan tersebut
disebabkan oleh nutrisi yang biasanya dimunculkan ke permukaan oleh umbalan
(upwelling) melemah. Perkembangan selanjutnya El-Nino merupakan keadaan
peningkatan suhu permukaan lautan (sea surface temperature) dari suhu
normalnya di Pasifik Ekuator timur. La-Nina adalah kejadian berkebalikan dengan
El-Nino yakni penurunan suhu permukaan lautan di kawasan ekuator Samudera
Pasifik dari suhu normalnya.
Menurut Irwandi et al. (2017), Iklim yang terjadi di suatu wilayah sangat
berpengaruh pada wilayah yang lain seperti halnya El Niño-Southern Oscillation
(ENSO) atau yang sering disebut El Niño dan La Niña. ENSO merupakan
fenomena gabungan interaksi lautan atmosfer yang menyebabkan variasi iklim
tahunan di dunia. Pengaruh ENSO yang maksimal terjadi di hampir seluruh
wilayah Indonesia kecuali bagian utara Sumatera dan sebagian Kalimantan.
Beberapa penelitian sebelumnya menyatakan bahwa aktivitas ENSO
berpengaruh terhadap variabilitas curah hujan di wilayah Indonesia. Lebih lanjut
lagi, dalam penelitian yang lain terjadi penurunan curah hujan di Sumatera Utara
pada saat El Niño. Hal inilah yang mendasari dilakukan penelitian pengaruh
ENSO terhadap curah hujan musiman dan tahunan di Sumatera Utara tahun
19812016. Pada kondisi El Niño, suhu muka laut di Pasifik Ekuator Timur
menjadi lebih panas dari pada kondisi normalnya. Sedangkan saat kondisi La
Niña, suhu muka laut di Pasifik Ekuator Timur lebih rendah dari pada kondisi
normalnya. Kedua fenomena tersebut terjadi sebagai akibat dari sistem sirkulasi
angin, pergerakan atmosfer di atas lautan dan tekanan permukaan di atas laut
sepanjang lautan di zona ekuator. Terjadinya El Niño menyebabkan musim
penghujan datang lebih akhir serta menurunkan total curah hujan. Adapun La
Niña merupakan penyebab meningkatnya curah hujan di Indonesia. Indeks
ENSO diperoleh dengan menghitung rata-rata luasan anomali suhu muka laut
pada daerah Niño 3.4 (190° BT – 240° BT dan 5° LS – 5° LU) berdasarkan
definisi El Niño. Hasil analisis suhu muka laut wilayah Samudera Pasifik
khususnya di wilayah Nino 3.4 menunjukkan adanya anomali positif terjadi pada
tahun-tahun El Niño (1982, 1983, 1986, 1987, 1991, 1992, 1997 dan 1998)
anomali tertinggi terjadi pada tahun 1983, 1977 dan 2015 dengan anomali suhu
muka laut > 2° C, sedangkan di tahun-tahun La Niña (1988, 1989, 1999, 2000,

7
2010 dan 2011) menunjukkan anomali negatif terendah terjadi pada tahun 1988
dan 1999.
Ahmad et al. (2017), Perubahan SPL di selatan Jawa timur dan Bali salah
satunya dipengaruhi oleh fenomena El Niño Southern Oscilation (ENSO).
Fenomena ini mempengaruhi SPL baik pada saat terjadi El Niño maupun La
Niña. Suhu di laut dapat dipengaruhi oleh adanya pengaruh musim, proses
sirkulasi air laut regional seperti arus massa air yang hangat dari samudera
pasifikke samudera hindia melewati sebagian wilayah Indonesia salah satunya
laut jawa, dan juga dari adanya fenomena alam ENSO. Fenomena tersebut
merupakan keadaan dimana adanya anomali SPL di sekitar Pasifik tengah dan
timur sepanjang Ekuator (sekitar pantai Peru) yang ditandai dengan adanya
anomali suhu permukaan laut di wilayah Nino 3.4 dengan perubahan kurang
lebih. Anomali suhu permukaan laut ini telah terjadi sejak tahun 1950 dan sampai
saat ini menurut penelitian yang telah dilakukan oleh, diketahui bahwa periode
ENSO terkuat terjadi pada tahun 1997 dan menurut informasi yang diberikan
Badan Meteorologi Klimatologi dan Geofisika (BMKG), ENSO terkuat juga terjadi
pada tahun 2015. ENSO memiliki pengaruh sedang terhadap perairan selatan
Jawa timur dan Bali baik pada saat El Niño maupun La Niña. Hasil tersebut
diperkuat oleh penelitan yang menyatakan bahwa El Niño menyebabkan SPL
selatan Jawa cenderung lebih dingin.
2.3.1 SOI (Southern Oscillation Index)
Menurut Syaifullah (2010), Southern Oscillation Index (SOI) merupakan salah
satu ukuran fluktuasi skala besar antara tekanan udara yang terjadi di barat
Pasifik dengan di timur Pasifik wilayah tropis selama episode El Niño dan La
Niña. Indeks ini telah dihitung berdasarkan perbedaan anomali tekanan udara
antara Tahiti dan Darwin, Australia. Salah satu metode untuk menghitung nilai
SOI dikenalkan oleh Bureau of Meteorology Australia (BOM) menggunakan
metode Troup yang menghitung perbedaan standar anomali suhu muka laut rata-
rata antara Tahiti dan Darwin. Jika nilai SOI negatif maka tekanan di Tahiti relatif
lebih kecil dibandingkan dengan tekanan di Darwin. Kondisi ini antara lain
menyebabkan bergesernya kolam hangat dari Pasifik Barat ke Pasifik Timur;
terjadi pertumbuhan awan di Pasifik Timur di atas normalnya; terjadi kekeringan
di Pasifik Barat terutama di Indonesia Timur karena suplai uap air bergeser ke
timur dan lain-lain. Fenomena ini yang disebut dengan fenomena ElNino. Jika
nilai SOI positif maka keadaan akan sebaliknya dan fenomena ini dikenal dengan

8
fenomena La-Nina. Nilai SOI yang dianalisis dalam tulisan ini adalah Equatorial
SOI (antara tekanan mmsl wilayah Indonesia dengan wilayah Pasifik Timur) dan
Darwin-Tahiti SOI. Nilai SOI yang kadang positif dan kadang negatif memberi
pengertian bahwa kejadian atau fenomena El-Nino maupun La-Nina mempunyai
perulangan.
Indikator untuk menentukan terjadinya ENSO adalah Sea Surface
Temperature (SST) atau suhu permukaan laut serta Southern Oscillation Index
(SOI) atau Indeks Osilasi Selatan. Apabila suhu muka laut Samudera Pasifik
bagian ekuator lebih tinggi dari normal maka terjadi El Nino dan apabila suhu
muka laut Samudera Pasifik bagian ekuator lebih rendah dari normal maka terjadi
La Nina. Adapun SOI merupakan nilai perbedaan antara tekanan udara di atas
permukaan laut Tahiti (Pasifik Timur) dengan tekanan udara di Darwin (Pasifik
Barat) akibat dari perbedaan suhu muka laut di kedua wilayah tersebut. Suatu
keadaan dapat dikatakan sebagai El Nino apabila nilai SOI berada pada posisi
minus dalam jangka waktu lebih dari 6 bulan dan begitu sebaliknya untuk
menyatakan telah terjadi kejadian La Nina (Efendi et al., 2017).
Menurut Tjahjono et al. (2017), secara klimatologis, gejala kekeringan juga
dapat ditinjau melalui pola iklim wilayah. Pengukuran tersebut dilakukan dengan
menggunakan Indeks Osilasi Selatan (Southern Oscillation Index/SOI). SOI
adalah index standar berdasarkan pengamatan perbedaan tekanan atmosfir
permukaan laut antara Tahiti dan Darwin, Australia. SOI merupakan pengukuran
fluktuasi skala besar tekanan udara antara Pasifik tropis bagian barat dan timur.
Pengukuran SOI dilakukan per hari namun penghitungan SOI disajikan per bulan.
Kegiatan tersebut telah dilakukan oleh Badan meteorologi Australia.
Sebagaimana diketahui bahwa letak wilayah Indonesia berada di antara dua
benua yakni benua Asia dan benua Australia, dan terletak di antara dua
samudera yakni samudera Pasifik dan samudera Indonesia. Hal ini
menyebabkan iklim di wilayah Indonesia (musim hujan dan kemarau) sangat
dipengaruhi oleh pergerakan angin dan uap air dari wilayah-wilayah tersebut.
Secara umum variabilitas anomali paras laut rata-rata (Mean Sea Level
Anomaly/MSLA) di perairan Indonesia mengikuti pola musiman, berkorelasi
positif dengan index SOI. SOI paling dominan di perairan utara Papua dan
semakin kecil ke arah perairan Indonesia bagian barat .
Menurut Adikusumah (2011), Osilasi Selatan adalah komponen atmosfer El
Niño. Komponen ini adalah sebuah osilasi tekanan udara antara permukaan

9
bagian timur tropis dan perairan barat Samudera Pasifik. Kekuatan dari Osilasi
Selatan diukur dengan Indeks Osilasi Selatan (SOI). SOI dihitung dari fluktuasi
perbedaan tekanan udara permukaan di antara Tahiti dan Darwin, Australia.
Episode El Niño berhubungan dengan nilai-nilai negatif dari SOI, yang berarti
bahwa perbedaan tekanan antara Tahiti dan Darwin adalah relatif kecil. SOI
menjadi rujukan penting bagi prediksi adanya peristiwa El Nino. Sementara
dampak El Nino terhadap wilayah Indonesia menjadi kajian panjang tentang
dampaknya ada anggapan kuat perpengaruh bagi sebagian wilayah dan tidak
berdampak terhadap wilayah lainnya. Cara yang paling umum dilakukan untuk
mengukur besarnya pengaruh El Nino pada kejadian curah hujan adalah dengan
menghubungkan indeks osilasi selatan (IOS) dengan anomali curah hujan
setempat. IOS merupakan selisih dari anomali tekanan atmosfer permukaan laut
di Tahiti (170S,150 W) dan Darwin (120S, 131 W), distandarisasi pada rata-rata
nol dan dikalikan 10 kali simpangan baku (normalised Z-score kali 10). Nilai IOS
negatif ini menunjukkan adanya tekanan udara di atas permukaan laut yang lebih
tinggi di Darwin dibandingkan dengan dengan di Tahiti dan mencerminkan curah
hujan di Indonesia berada di bawah normal. Nilai ekstrem dari osilasi ini dicapai
bilamana tekanan udara permukaan laut di Pasifik tengah lebih rendah dari
normal maka tekanan udara permukaan laut di Darwin cenderung di atas
normal.
2.3.2 NINO 3.4
Prakiraan curah hujan secara terperinci sampai ke wilayah-wilayah masih
sangat sedikit. Penelitian tentang prakiraan curah hujan untuk suatu wilayah
sangat dibutuhkan untuk menunjang pembangunan di berbagai bidang, termasuk
bidang pertanian. Dalam penelitian yang telah dilakukan salah satu metode yang
dapat dilakukan dalam peramalan curah hujan adalah metode kalman filter,
dimana Kalman Filter mempunyai kemampuan memprediksi curah hujan tidak
hanya menggunakan input curah hujan saja, melainkan dapat
mempertimbangkan faktor prediktor lain yang mempengaruhi salah satunya
yaitu SST Nino 3.4. Sebagai salah satu input prediktor dalam metode Kalman
Filter maka panjang periode data SST Nino 3.4 juga sangat diperlukan selain
juga panjang periode data curah hujan. Data SST Nino 3. yang diperlukan adalah
selama panjang tahun data input, dan SST prediksi yang biasanya dapat
diekstrak dari gambar . Namun data prediksi SST Nino 3.4 tersebut tidak dapat
merepresentasikan dengan baik untuk waktu yang akan datang, hal ini

10
merupakan keterbatasan pengukuran sehingga prediksi curah hujan dengan
kalman filter tidak dapat dilakukan untuk masa yang akan datang dari waktu
sekarang jika salah satu variabel input yang diminta adalah SST Nino 3.4
Mendasari pada masalah diatas, dalam penelitian ini mencoba untuk
memprediksi SST Nino 3.4 dari waktu sakarang menjadi waktu yang akan
datang dengan menggunakan model statistic Time Series (ARIMA), sehingga
didapat prediksi SST Nino 3.4 beberapa waktu kedepan yang akan digunakan
dalam peramalan Curah Hujan menggunakan metode Kalman Filter. Beberapa
skenario time lag dalam hubungan SST Nino 3.4 terhadap variasi curah hujan
telah dilakukan pada time lag 0-3, pada kasus SST Nino 3.4 diprediksi ARIMA ini
diujicobakan untuk time lag 0 (Tresnawati, 2010).
Model GR4J menghasilkan data debit aliran harian. Untuk mengamati
pengaruhnya terhadap iklim, maka debit aliran hasil simulasi serta curah hujan
observasi perlu diakumulasikan untuk setiap bulan dan tahun. Pada studi ini data
yang digunakan adalah data curah hujan 6 tahun periode 2000-2005 sehingga
data debit aliran yang dihasilkan juga sebanyak 6 tahun. Dengan demikian, kita
dapat mengamati besar curah hujan serta debit aliran yang terjadi selama 6
tahun. Enam koordinat merepresentasikan jumlah tahun pada studi ini, sebaiknya
untuk pengamatan klimatologi, data yang digunakan seharusnya tersedia untuk
rentang waktu 30 tahunan. Untuk mengamati keterkaitannya dengan anomali
iklim, maka kita perlu mengumpulkan data anomali Nino 3.4 pada bulan Juli
untuk setiap tahunnya dan membuat hubungan antara anomali iklim Nino 3.4
terhadap besar curah hujan dan debit aliran pada periode September, Oktober
dan November (SON). Periode Juni hingga Agustus, Indonesia memasuki
musim kemarau ditandai dengan anomali Nino 3.4 negatif pada musim ini.
Kondisi ini berdampak terhadap penurunan curah hujan di Indonesia. Sementara
periode SON Indonesia telah memasuki periode transisi ke musim hujan ditandai
dengan anomali Nino 3.4 positif dan peningkatan curah hujan. Dengan
mengetahui keterkaitan curah hujan dengan anomali Nino 3.4 negatif di bulan Juli
maka kita dapat membuat hubungan antara anomali Nino 3.4 bulan Juli dengan
periode hujan bulan SON. Hubungan ini bermanfaat untuk mengamati besar
curah hujan yang mungkin terjadi jika kondisi Nino 3.4 negatif ini tetap
berlangsung dan tentunya berpengaruh terhadap fluktuasi debit aliran di DAS
(Daerah Aliran Sungai) Cisangkuy (Ilhamsyah, 2012).

11
 Pada penetian ini untuk mengetahui fenomena ENSO digunakan Indeks Nino
3.4 yang dianggap mewakili SPL khatulistiwa rata-rata di seluruh Pasifik. Indeks
Niño 3.4 biasanya menggunakan ratarata 5 bulanan berjalandan El Niño atau
LaNiña didefinisikan ketika anomaly pada Niño 3.4.melebihi +/- 0.4C untuk
jangka waktu enam bulan atau lebih, Climate data guide (2016). Nilai SST pada
fenomena ENSO yang melebihi ambang batas +/- 0.4 C kurang dari 6 bulan tidak
dimasukan dalam kategori. Berdasarkan pada gambar 4. dapat diketahui
fluktuasi ideks ENSO pada Nino 3.4 pada tahun 2007 – 2008. Pada tahun 2007
bulan Pebruari – Juli mengalami fase normal dan pada bulan Agustus –
Desember mengalami fase La-Nina. Pada tahun 2008 bulan Januari – Mei
mengalami fase La-Nina sedangkan pada bulan Juni – September memasuki
fase normal. Pada tahun 2009 mengalami 3 fase yaitu La-Nina, Normal dan El-
Nino dimana pada tahun ini El-Nino lebih mendominasi selama 6 bulan sejak
bulan Juli – Desember. Pada tahun 2010 juga terjadi tiga fase yaitu La-Nina,
Normal dan El-Nino.Tahun 2010 didominasi oleh fase La-Nina yang terjadi pada
bulan Mei – Desember berturut turut. Tahun 2011 terjadi fase La-Nina dan
Normal, pada bulan Januari – Maret fase La-Nina, pada bulan Mei – Juli
memasuki fase normal dan pada bulan Agustus – Desember kembali memasuki
fase La-Nina. Pada tahun 2012 – 2014 terjadi fase normal, pada tahun 2015
didominasi fase El-Nino sedangkan, pada tahun 2016 El-Nino terjadi pada bulan
Januari - April, sedangkan fase pada bulan Mei – Juni dan La-Nina pada bulan
Juni – Nopember terjadi fase normal (Saputra, 2017).
Hubungan hasil tangkapan lemuru terhadap fenomena ENSO dan IOD pada
tahun 2007 – 2011 masih memiliki hubungan yang kuat meskipun hasil
tangkapan lemuru secara gelobal cendrung mengalami penurunan yang cukup
drastis. Berdasarkan hal itu terlihat hubungan antara hasil tangkapan lemuru
terhadap fenomena ENSO dan IOD di Selat Bali yang masih seirama, artinya
pada tahun 2007 - 2011 apabila terjadi fenomena La-Nina bersamaan dengan
IOD negative maka hasil tangkapan lemuru cendrung akan menurun,sedangkan
apabila terjadi fenomena ElNino dan IOD positif maka hasil tangkapan cendrung
meningkat. Hal ini sesuai dengan hasil penelitian sebelumnya yang mana
menyatakan bahwa, hasil tangkapan ikan pelagis kecil meningkat tajam pada
tahun tahun IOD positif dan menurun pada tahun – tahun IOD negatif di Perairan
Aceh pada tahun 2006. Fluktuasi hasil tangkapan pada saat fenomena ENSO
disebabkan adanya keterkaitan antarafenomena ElNino dan La-Nina dengan

12
kandungan Klorofil-a, yang merupakan sumber makanan dari fitoplankton dan
merupakaan makanan utama ikan lemuru. Penelitian lain mendapatkan bahwa
pada saat ElNino terjadi anomali negatif SPL dan TPL sedangkan konsentrasi
Klorofil-a meningkat tajam (Saputra, 2017).
2.4 IOD (Indian Oscillation Index)
Menurut Fadholi (2013), Indian Ocean Dipole (IOD) adalah kondisi interaksi
laut-atmosfer yang terjadi di samudera hindia tropis. Selama fenomena IOD
positif Suhu permukaan laut secara anomali menghangat di Samudera Hindia
barat, sedangkan di bagian timur lebih dingin dari normalnya. Berubahan pada
suhu permukaan laut selama IOD terjadi terkait dengan perubahan medan angin
di tengah samudera Hindia ekuator. Sehingga angin bergerak berlawanan dari
biasanya barat ke timur selama IOD positif. Selain itu, proses konveksi yang
biasanya terjadi di atas Samudera Hindia bagian timur yang menghangat
bergerak ke arah barat. Hasil dari kondisi tersebut adalah hujan lebat di Afrika
bagian timur dan meninggalkan wilayah Indonesia dengan sedikit hujan.
Menurut Rahman (2015), nilai IOD positif yang mengakibatkan peningkatan
intensitas upwelling. Peningkatan upwelling ini membawa nutrient dari lapisan
bawah perairan yang merangsang pertumbuhan fitoplankton. Meningkatnya
kadar fitoplankton akan meningkatkan produktivitas primer yang menghasilkan
kadar klorofil-a yang tinggi pada suatu perairan. Hal ini bertepatan dengan
fenomena IOD negatif. Fenomena ini mengakibatkan angin monsun yang bertiup
diatas pulau Jawa yang memutar ke utara terhambat oleh angin timur di
Samudera Pasifik yang bertiup ke arah barat. Angin monsun ini dipengaruhi
anomali IOD negatif, semakin kecil indeks IOD maka semakin kecil kekuatan
angin yang berhembus ke arah barat yang mengakibatkan menurunnya
intensitas upwelling. Intensitas upwelling yang melemah mengakibatkan kadar
nutrient turun karena transport massa air yang membawa nutrient ke permukaan
sangat kecil sehingga perkembangan produktifitas fitoplankton.
Menurut Rahayu et al. (2018), Iklim di Pulau Jawa termasuk dalam region A
yang memiliki satu puncak hujan dan satu kemarau. Wilayah Pulau Jawa bagian
timur lebih kering dari pada bagian barat. Daerah terbasah di Pulau Jawa adalah
kelompok Pegunungan Ragajembangan di Jawa Tengah. Wilayah yang
menerima dampak fenomena IOD paling besar adalah wilayah Indonesia bagian
barat. Secara visual terlihat jika suhu permukaan laut dan curah hujan di Jawa
bagian barat memiliki nilai yang lebih tinggi dibandingkan normalnya saat IOD

13
negatif. Saat IOD positif nilai suhu permukaan laut dan curah hujan lebih rendah
dari normalnya. Korelasi antara indeks IOD dengan anomaly curah hujan dan
anomali suhu permukaan laut menunjukkan jika fenomena IOD paling
berpengaruh pada semua wilayah di Pulau jawa.
Menurut Setyandji et al. (2017), Anomali iklim di Samudera Hindia (selatan
Jawa) berupa El-Nino-La-Nina dan Dipole Mode (positif/negatif) mempengaruhi
dinamika parameter osenaografi seperti SPL, intensitas upwelling dan
pengkayaan klorofil-a. Kondisi yang demikian itu, juga mempengaruhi
penyebaran dan kelimpahan sumber daya ikan pelagis kecil di selatan Jawa.
Distribusi temporal (rata-rata CPUE bulanan) menujukkan bahwa ikan pedang
lebih banyak tertangkap antara Juni–Juli kemudian relatif menurun sesudahnya
dan CPUE terendah pada Desember. Peningkatan hasil tangkapan pada Juni-
Juli (musim timur) bertepatan dengan terjadinya upwelling di selatan Jawa-Bali-
Nusa Tenggara, diduga terkait dengan peningkatan produktivitas primer perairan
yang diikuti dengan ketersediaan makanan (mangsa) bagi ikan pedang pada
waktu tersebut. Sebaliknya, pada Desember (musim barat) saat berakhirnya
pengaruh massa air upwelling, ketersediaan mangsa diduga berkurang diikuti
dengan menurunnya hasil tangkapan (CPUE rendah).
2.4.1 DMI (Dipole Mode Index)
DMI merupakan fenomena interaksi antara laut dan atmosfer di Samudera
Hindia yang ditetapkan berasarkan selisih suhu permukaan laut di perairan
sebelah timur benua Afrika dan di perairan Samudera Hindia sebelah barat pulau
Sumatera. Selisih suhu permukaan laut kedua tempat tersebut disebut Indeks
Dipole Mode (Dipole Mode Index, DMI). Pada saat DMI positif, maka pusat
tekanan rendah berada di pantai timur Afrika yang menyebabkan bergesernya
puat-pusat konveksi di wilayah Indonesia bagian barat menuju ke arah timur
sehingga intensitas curah hujan di wilayah Indonesa bagian barat umumnya
rendah. Sebaliknya, pada saat DMI negatif, justru pusat tekanan rendah berada
di pantai barat Pulau Sumatera, sehingga pusat-pusat konveksi bergeser ke arah
pantai barat Pulau Sumatera, intensitas curah hujan di wilayah Indonesia bagian
barat umumnya akan relatif tinggi (Hermawan, 2011).
Menurut Lan (2012), IOD diukur dengan menggunakan indeks selisih antara
anomali SST di barat (50 ° E sampai 70 ° E dan 10 ° S 10 ° N) dan timur (90 °
E sampai 110 ° E dan 10 ° S ke 0 ° S) khatulistiwa Samudera Hindia. Indeks ini
disebut Dipole Mode Indeks (DMI). Dipole Mode Indeks (DMI) didefinisikan

14
sebagai perbedaan SST anomali antara Barat (50 ° E-70 ° E, 10 ° S-10 ° N) dan
timur (90 ° E-110 ° E, 10 ° S-Equator) Samudera Hindia tropis. IOD dikatakan
positif apabila DMI puncak melebihi 1,5 standar deviasi (0,468) dari seri. Pada
tahuun 1982-2012, ada 9 kejadian IOD positif, terjadi di tahun 1982, 1991,
1994, 1997, 2003, 2006, 2007, 2008, dan peristiwa-peristiwa IOD positif
terbaru terjadi pada tahun 2012.
Menurut Dipo et al. (2011), Suhu permukaan laut di perairan Samudera
Hindia Timur bersuhu lebih hangat diatas normal. Dipole Mode Index (DMI)
digunakan untuk mengidentifikasi fenomena IOD positif atau negatif. Kuat
lemahnya fenomena IOD yang terjadi tidak selalu sama, hal ini dapat dilihat dari
nilai DMI. saat fenomena IOD menunjukan bahwa fase pembentukan fenomena
IOD terjadi pada bulan Juni, fase pematangan umumnya mencapai puncaknya
pada bulan September dan untuk fase peluruhan terjadi pada bulan November.
Dari tiap tahun pengamatan fenomena IOD positif.
Menurut Jayanto (2014), Pada tahun 2010 sampai 2011 sebaran SPL yang
menurun diduga disebabkan oleh fenomena la nina dan IODM negatif (ber-DMI
negatif). La Nina mengakibatkan intensitas curah hujan menjadi bertambah.
Fenomena La Nina selalu terjadi setelah el nino. Berdasarkan hasil analisis
korelasi ganda diketahui bahwa hubungan antara cakalang dan tongkol dengan
parameter oseanografi (suhu dan klorofil-a) cenderung rendah. Berdasarkan hasil
analisis korelasi tunggal antara hasil tangkapan (cakalang dan tongkol) dengan
SPL, menunjukkan hubungan yang rendah sedangkan hasil analisis korelasi
tunggal antara hasil tangkapan. Dengan klorofil-a menunjukkan hubungan yang
sangat rendah. Secara umum, kondisi hubungan di atas menunjukkan bahwa
parameter oseanografi suhu lebih berpengaruh terhadap ketersediaan cakalang
dan tongkol dibandingkan klorofil-a.
2.5 Hasil Tangkapan
Menurut Lubis et al. (2013), Muncar merupakan daerah yang mempunyai
produksi perikanan terbesar di daerah Banyuwangi, dimana lebih dari 90%
seluruh produksi perikanan Banyuwangi didaratkan di Muncar. Sebagian besar
hasil tangkapan di Muncar diproses atau diolah kembali di daerah ini sehingga
dapat mendukung pengembangan industri pengolahan ikan. Volume dan nilai
produksi PPP Muncar pada tahun 1999-2008 cenderung meningkat dengan rata-
rata pertumbuhan volume sebesar 43,86% dan nilai sebesar 33,62%. Volume
produksi dari tahun 2001 sampai 2003 terus mengalami peningkatan, begitu pula

15
volume produksi tahun 2006 yang meningkat 383,34% menjadi 58.730.442 kg
dan tahun 2007 meningkat lagi 1,97% menjadi 59.884.951 kg. Volume produksi
yang meningkat jauh terjadi pada tahun 2006 dan 2007. Peningkatan produksi
pada tahun 2006 terjadi pada bulan November, dan pada tahun 2007 terjadi
peningkatan jauh yaitu pada bulan Januari, Februari, dan Maret. Hal ini terjadi
karena adanya anomali positif konsentrasi klorofil-a di perairan Selat Bali pada
bulan November 2006 sampai dengan Maret 2007. Peristiwa ini diakibatkan oleh
fenomena Indian Ocean Dipole Mode (IODM) positif yang diketahui ada selama
bulan September-November 2006 sehingga upwelling terjadi lebih intensif dan
lebih lama.
Salah satu sumberdaya ikan di Perairan Selat Bali yang mempunyai potensi
dan nilai ekonomis yang cukup tinggi adalah ikan lemuru (Sardinella lemuru).
Kecenderungan penurunan hasil tangkapan yang terjadi memerlukan
pengelolaan upaya penangkapan yang baik sehingga dapat memanfaatkan
sumberdaya ikan atau potensi tangkapan secara optimal. Untuk pengelolaan
sumberdaya ikan yang baik dibutuhkan informasi dasar salah satunya tentang
musim dan tingkat pemanfaatan. Oleh karena itu, untuk mendapatkan informasi
mengenai pengaruh musim dan tingkat pemanfaatan diperlukan pengkajian
berdasarkan pada faktor input dan output yaitu upaya penangkapan dan hasil
tangkapannya serta biologi dari sumberdaya ikan tersebut. Berdasarkan hasil
pengkajian tersebut, maka dapat dilakukan rencana penangkapan yang baik di
PPP Muncar Jawa Timur. Produksi hasil tangkapan ikan lemuru yang diperoleh
di Perairan Selat Bali, saat ini sudah mengalami penurunan sebagai akibat
terjadinya penangkapan berlebih (overfishing). Penurunan produksi ditunjukkan
oleh ukuran ikan tangkap yang makin kecil, turunnya produksi unit input dan
jumlah struktur populasi yang menurun. Kondisi lainnya dalam perikanan lemuru
yakni terjadinya produksi yang berfluktuasi, kurang efisiensi pemanfaatan
sumberdaya ikan, serta belum adanya strategi sistem pengelolaan sumberdaya
perikanan yang berkelanjutan (Simbolon et al., 2011).
Pelabuhan Perikanan Pantai Muncar yang berada di Desa Kedungrejo,
Kecamatan Muncar, Kabupaten Banyuwangi, Provinsi Jawa Timur merupakan
pelabuhan perikanan yang berbatasan langsung dengan Selat Bali yang
menyebabkan PPP Muncar menjadi salah satu fishing base dari produksi ikan
khususnya Lemuru di Banyuwangi, Jawa Timur. Alat tangkap Purse Seine
diperkenalkan pada tahun 1972, Purse Seine telah menggeser alat tangkap lain

16
dan menjadi alat tangkap utama dalam menangkap Ikan Lemuru (Sardinella
lemuru) di Selat Bali. Operasi penangkapan Ikan Lemuru dari tahun ke tahun
mengalami perkembangan yang sangat pesat. Penangkapan ikan mengalami
peningkatan yang sangat drastic dan terus menguras sumberdaya yang ada .
Namun terjadi penurunan yang sangat drastic pada tahun 2010 ke 2011 dimana
produksi Purse Seine menurun dari 17.679.012 kg/tahun menjadi 4.047.967
kg/tahun. Hal ini disebabkan tidak seimbangnya sumberdaya yang ada dengan
jumlah unit penangkapan Purse Seine ‘Gardan’ yang terus meningkat dan
perubahan iklim global yang berakibat terhadap temperature atau suhu perairan
di Selat Bali (Pratama, 2016).

17
 BAB III. METODOLOGI

3.1 Alat dan Bahan

Alat-alat yang digunakan dalam praktikum Oseanografi Perikanan
dapat dilihat pada tabel dibawah ini:
Tabel 1. Alat dan fungsinya
No. Nama Alat Fungsi Gambar
1. Laptop Perangkat keras untuk
melakukan pengolahan
data.

(store.hp.com, 2017)

2. Kabel Roll Untuk Mengalirkan Listrik

(juggle-jack.com, 2018)
3. Aplikai SeaDas Perangkat lunak untuk me
Reproject citra satelit

(seadas.gsfc.nasa.gov,
2018)
4. Aplikasi Perangkat lunak untuk
ArcMap melakukan pre-processing
data parameter yang berasal
dari citra satelit.
(Geosriwijaya GIS, 2018)
5. Aplikasi SPSS Untuk Mengolah Data

(Wikipedia, 2018)

18
No. Nama Alat Fungsi Gambar
6. Microsoft Excel Perangkat lunak untuk set-up
dan pengolahan.

(Wikipedia, 2018)

Bahan-bahan yang digunakan dalam praktikum Oseanografi Perikanan

dapat dilihat pada tabel dibawah ini:
Tabel 2. Bahan dan fungsinya
No. Nama Bahan Fungsi Gambar
1. Data Citra Bahan perbandingan
Satelit Aqua dengan parameter-
Modis parameter oseanografi

(oceancolor.gsfc.nasa.gov,
2018)
2. Data Nino 3.4 Parameter oseanografi
sebagai bahan
perbandingan dengan
(bluegoldresearch.com,
hasil tangkap
2016)
3. Data Parameter oseanografi
Southern sebagai bahan
Oscilliation perbandingan dengan
Index (SOI) hasil tangkap (climatedataguide.ucar.edu,
2015)
4. Data Dipole Parameter oseanografi
Mode Index sebagai bahan
(DMI) perbandingan dengan
(nature.com, 2017)
hasil tangkap

19
3.2 Skema Kerja
Pada skema kerja praktikum aplikasi Oseanografi Perikanan terdapat 3
skema, yaitu skema kerja Pre-processing Data, Processing data, dan Analisis
data. Adapun skema tersebut dapat dilihat di bawah ini :

3.2.1 Skema Kerja Pre-Processing data

Berikut merupakan skema kerja dari Pre-Processing data :
Data

Siapkan Laptop yang telah terinstall software SeaDas, ArcMap,

SPSS dan Ms. Excel.

Unduh data yang akan digunakan pada Pre-Processing data

dengan mengunduh data pada website ocean color NASA .

Olah data pada Software SeaDas dari data yang telah

diunduh.

Olah data pada Software ArcMap dari hasil data olahan

SeaDas.

Hasil berikutnya akan diolah pada Ms. Excel.

HASIL

Gambar 1. Skema kerja pre-processing data

20
3.2.2 Skema Kerja Pengolahan Data
Berikut skema kerja dari pengolahan data :
Persiapan

Masukkan data dari ArcMap ke dalam Microsoft

excel

Hitung rata-rata tiap bulan pada data suhu dan klorofil

Hubungkan parameter yang mempengaruhi dan yang

dipengaruhi

Hitung nilai anomali pada setiap parameter

Kemudian masukkan grafik dengan insert grafik

Hasil
Gambar 2. Skema kerja pengolahan data

3.2.3 Skema Kerja Analisis Data

Berikut merupakan skema kerja dari analisis data :
Data

Mencari faktor-faktor yang memengaruhi di

aplikasi SPSS

Analisis faktor-faktor atau parameter dari

oseanografi perikanan yang mempengaruhi hasil
tangkapan

Hasil
Gambar 3. Skema kerja analisis data

21
3.3 Metode Pengolahan Data
Langkah-langkah dalam proses pengolahan data ialah :
1. Sebelum melakukan pengolahan data hal yang pertama dilakukan ialah
mendownload data SST pada ocean color sesuai dengan bulan dan tahun
yang dibutuhkan. Buka https://oceancolor.gsfc.nasa.gov/

Gambar 4. Tampilan web ocean color

2. Setelah muncul tampilan ocean color > lalu klik Data > pilih level 3

Gambar 5. Tampilan menu DATA

3. Kemudian isi kolom-kolom sesuai yang dibutuhkan > product pilih SST 11
u daytime > period pilih montly > resolution 4 km > waktu menyesuaikan
dengan data yang dibutuhkan > lalu setelah terisi semua klik “Extract to
Download L3 Data”

Gambar 6. Tampilan Level-3 Browser

4. Selanjutnya pilih atau centang mapped pada tampilan Extract or
Download Data > klik download > tunggu data akan terdownload

22
 Gambar 7. Tampilan extract or download data
5. Setelah data terdownload lalu blok link atau data yang sudah terdownload
> copy (ctrl+c) > buka jendela baru pada google

Gambar 8. Tampilan data terdownload

6. Lalu paste (ctrl+v) pada jendela yang baru > enter > data akan
terdownload dan tersimpan

Gambar 9. Tampilan pada jendela baru data terdownload dan tersimpan

7. Setelah melakukan download data pada ocean color, langkah selanjutnya
ialah mengolah pada aplikasi SeaDAS. Hal ini dilakukan untuk mengubah
data NC menjadi data TIFF agar dapat diolah pada Arcgis > kemudian
membuka aplikasi SeaDAS

Gambar 10. Tampila SeaDAS

23
8. Membuka data yang sudah di download pada ocean color sebelumnya >
klik file pada menu toolbar > open

Gambar 11. Tampilan menu file

9. Pilih file data SST > klik open product

Gambar 12. Tampilan file data SST

10. Klik bands (product) > klik 2x pada SST hingga muncul gambar peta

Gambar 13. Tampilan bands

11. Klik processing pada menu toolbar > lalu pilih crop untuk mengambil
gambar peta Indonesia

Gambar 14. Tampilan menu processing

12. Setelah muncul kotak dialog seperti pada gambar > lalu crop wilayah
Indonesia > klik OK

24
 Gambar 15. Tampilan crop peta Indonesia
13. Klik bands > klik 2x pada SST > muncul peta Indonesia

Gambar 16. Tampilan Bands pada peta Indonesia

14. Pilih tools pada menu toolbar > pilih math band , jika pada chlorofil-a tidak
perlu melakukan math band karena hanya berlaku untuk SST

Gambar 17. Tampilan menu Tools

15. Setelah pilih math band akan muncul kotak dialog band math > lalu klik
edit expression

Gambar 18. tampilan kotak dialog band maths

16. Selanjutnya akan muncul kotak dialog band maths expression editor > klik
tanda panah operators > pilih rumus “if @ then @ else @”

25
 Gambar 19. Tampilan kotak dialog band maths expression editor
17. Setelah memilih rumus SST > lalu mengisi rumus tersebut yang tertera
pada kotak expression > letakkan kursan pada tanda “@” yang pertama >
pilih qual_SST > letakkan kursor pada tanda “@” yang kedua > klik tanda
panah pada contants > pilih NaN > letakkan kursor pada tanda “@” yang
ketiga > klik tanda panah pada contants > pilih angka 1 > lalu ketik pada
ujung rumus “*SST” sehingga menjadi rumus “if qual_sst then NaN else
1*sst” > lalu klik ok

Gambar 20. Tampilan rumus SST

18. Kemudian pilih processing > pilih reproject

Gambar 21. Tampilan menu processing

19. Jika muncul kotak dialog reprojection > ganti save as menjadi GeoTIFF >
pilih tempat penyimpanan yang sesuai atau mudah > beri nama yang
sesuai pada file > lalu klik run

26
 Gambar 22. Tampilan kotak dialog reprojection
20. Langkah selanjutnya ialah mengolah data TIFF pada aplikasi ArcMap >
buka aplikasi ArcMap 10.3

Gambar 23. Tampilan ArcMap 10.3

21. Klik file > pilih add data > add data

Gambar 24. Tampilan menu file add data

22. Pilih file TIFF yang sudah diolah pada SeaDAS sebelumnya > lalu klik
add

Gambar 25. Tampilan add data

23. Lalu akan muncul gambar peta berwarna ungu seperti pada gambar

27
 Gambar 26. Tampilan data TIFF
24. Pilih data management tools pada ArcToolbox > raster > raster
processing > clip klik 2x hingga muncul kotak dialog

Gambar 27. Tampilan raster processing

25. Kemudian akan muncul kotak dialog > isi input raster dengan data TIFF
sebelumnya > isi koordinat sesuai dengan wilayah (muncar : Ymax = -8.3
; Ymin = -8.6 ; Xmin = 114.3 ; Xmax = 114.6) > klik OK

Gambar 28. Tampilan kotak dialog clip

26. Setelah mengisi kotak dialog dan klik ok > lalu tunggu hingga muncul
tanda centang clip pada pojok kanan bawah

Gambar 29. Tampilan clip

27. Kemudian uncentang SST dalam bentuk format tif > klik kanan pada SST
dalam bentuk clip > pilih zoom to layer

28
 Gambar 30. Zoom to layer
28. Setelah gambar tambak lebih besar > klik kanan kembali pada SST clip >
pilih properties

Gambar 31. Tampilan properties

29. Ketika muncul kotak dialog > pilih stretched > ganti type menjadi
minimum-maximum > edit hight/low yaitu untuk minimum 28 (SST) dan 0
(chlorofil-a), sedangkan untuk maksimum 32 (SST) dan 2 (chlorofil-a) >
ganti warna merah ke biru (SST) dan ganti warna hijau ke biru (chlorofil-a)
> lalu klik ok

Gambar 32. Tampilan Layer properties

30. Setelah itu pada Arctoolbox pilih conversion tools > from raster > raster to
point

Gambar 33. Conversion Tools

29
31. Ketika muncul kotak dialog raster to point > isi input raster dengan file clip
sebelumnya > pilih tempat penyimpanan yang sesuai atau mudah
ditemukan > lalu klik Ok

Gambar 34. Raster to point

32. Raster to point berhasil dengan tanda centang pada pojok kiri bawah>
tampak titik-titik pada gambar

Gambar 35. Raster to point berhasil

33. Kemudian klik Arctoolbox > pilih data management tools > features > add
XY coordinates

Gambar 36. Features

34. Setelah itu isi input features dengan file yang disimpan sebelumnya, file
tersebut akan muncul secara otomatis

Gambar 37. Add XY coordinate

30
35. Lalu klik kanan pada layer SSTMAR > pilih open atribut table

Gambar 38. Open atribut table

36. Kemudian akan muncul table yang berisi tentang koordinat dan suhu >
lalu di export dengan klik bagian pojok kiri pada tabel tersebut > dan pilih
export

Gambar 39. Export

37. Pilih tempat penyimpanan > ganti format menjadi dBASE Table > klik
save > ok

Gambar 40. Save file

38. Setelah di export lalu membuka Ms.Excel

Gambar 41. Tampilan Ms. Excel

39. Klik file > pilih open untuk membuka file yang di simpan pada Arcmap
sebelumnya

31
 Gambar 42. Open file
40. Pilih file yang sudah diolah pada Arcmap sebelumnya > klik file tersebut >
akan muncul pada sheet

Gambar 43. Tampilan file data dari ArcMap

41. Ganti nama kolom menjadi suhu, longitude, dan latitude

Gambar 44. Suhu, longitude, latitude

42. Klik short & filter > lalu filter pada kolom suhu

Gambar 45. Short & filter

43. Klik panah pada kolom suhu > uncentang angka “1” atau angka yang
kurang dari 28 dan lebih dari 32 jika SST dan jika chlorofil-a selain angka
1 uncentang juga angka yang kurang dari 0 dan lebih dari 2 > lalu ok

32
 Gambar 46. Filter
44. Copy (ctrl+C) kolom suhu, longitude dan latitude

Gambar 47. Copy (ctrl+C)

45. Lalu paste (ctrl+V) pada sheet 2

Gambar 48. Paste (ctrl+V)

46. Kemudian tentukan rata-rata suhu > AVERAGE (kolom suhu) > enter

Gambar 49. Rumus rata-rata

47. Setelah melakukan average, maka akan diketahui hasil rata-rata suhu
pada bulan tersebut

33
 Gambar 50. Hasil
48. Kemudian simpan file tersebut dengan klik file > pilih Save as > pilih
tempat penyimpanan dan beri nama yang sesuai > lalu klik save

Gambar 51. Save file

3.4 Metode Analisis Data

Berikut merupakan langkah-langkah metode analisis data :
1. Download data Catch, SOI, DMI, dan Nino 3.4 di web
http://fofpik.wordpress.com/

Gambar 52. Tampilan web

2. Buka Excel kemudian input data CpUE dan mencari rata rata bulanan
=AVERAGE

Gambar 53. Tampilan data CpUE

34
3. Pada sheet kedua mencari Ano Catch dengan =Catch per bulan – rata
rata catch

Gambar 54. Sheet AnoCatch

4. Lakukan hal yang sama dengan mencari Ano Temp = Temp per bulan –
rata rata temp

Gambar 55. Sheet AnoTemp

5. Pada sheet selanjutnya mencari Ano-Chlor = Clor per bulan – rata rata
Chlor

Gambar 56. Sheet AnoChlor

6. Input data Ano-Temp Ano Catch

Gambar 57. Sheet AnoTemp-AnoCatch

7. Buat grafik dengan blok semua data – klik line – pilih grafik pertama

35
 Gambar 58. Blok data
8. Pindahkan bulannya ke bawah dengan klik kanan – format axis –axis
table pilih yang low - close

Gambar 59. Edit grafik

9. Pada Ano Temp buat diagram dengan klik kanan – format data series –
secondary axis – close.

Gambar 60. Edit grafik

10. Beri judul pada kiri, kanan, dan atas grafik dengan klik axis titles – primary
vertical axis titles – rotated titles itu untuk di kiri grafik. Judul pada kanan
grafik klik axis titles – secondary vertical axis titles – rotated titles.
Sedangkan judul untuk di atas dengan klik chart text – above chart dan
akan menjadi seperti dibawah ini. Ulangi langkah tersebut untuk Ano
catch – Ano Chlor, Ano Temp – Ano Chlor.

Gambar 61. Edit grafik

36
11. Pada sheet DMI buka data dengan file – open – next – finish

Gambar 62. Open data DMI

12. Karena data DMI masih dalam mingguan maka harus di rata-rata untuk
mendapatkan hasil perbulan dan copy hasil rata-rata tersebut.

Gambar 63. Rata-rata DMI

13. Lakukan kembali langkah 7 – 10 untuk pembuatan grafik pada DMI, SOI,
dan Nino

Gambar 64. Grafik DMI, SOI, dan Nino

14. Copy data Ano Catch, Ano Temp, Ano Chlor, DMI, ISO, Nino 3.4

Gambar 65. Sheet all data

15. Buka SPSS

37
 Gambar 66. Tampilan SPSS
16. Pada variabel view di bagian name ketik AnoCath-Nino3.4

Gambar 67. Sheet variable view

17. Pada data view copy data dari excel

Gambar 68. Sheet data view

18. Setelah itu klik Analyze – data reduction - factor

Gambar 69. Analyze

19. Pada variabel masukkan Ano Catch, Ano Temp, DMI, SOI, Nino 3.4,
sedangkan pada selection variabel pilih Ano Catch

38
 Gambar 70. Input variabel
20. Klik descriptive – pada statistics centang semua – pada correlation
centang semua kecuali invers dan reproduced - continue

Gambar 71. Kotak dialog factor analysis descriptions

21. Klik extract – klik number of factors - 5 - continue

Gambar 72. Extract

22. Klik rotation – centang loading plot - continue

Gambar 73. Rotation

23. Untuk memunculkan ok maka klik value – cancel - ok

39
 Gambar 74. Memunculkan OK
24. Lalu akan menampilkan data outputnya.

Gambar 75. Output

40
3.4.1 Skema Kerja Korelasi
Berikut merupakan skema kerja dari korelasi :
Data

Buka sheet Catch – rata-rata Catch selama 5 tahun

Jika mencari data “Temperature” maka pada sheet

“Temperature” hitung rata-rata tiap bulan selama 5
tahun itu

Buka sheet “AnoTemp”. Masukkan data temperature

sesuai dengan bulannya, lalu hitung rata-rata
pertahunnya

Hitung AnoTemp dengan rumus =(Temperature-rata

rata temperature)

Lalu cari “AnoCatch” langkahnya sama dengan

mencari “AnoTemp”

Buat Grafik perbandingan korelasi antara “AnoTemp”

dengan “AnoCatch”. Kemudian dianalisis.

Hasil

Gambar 76. Skema kerja korelasi

41
3.4.2 Skema Kerja PCA (Principal Component Analysis)
Berikut merupakan skema kerja dari PCA (Principal Component Analysis) :

Data

Pilih variable view, kemudian isikan nama varibel

kategori pada kolom name

Copy data pada excel kemudian paste pada SPSS,

klik “anallyze” - “data reduction” - “factor”

Masukkan variable yang mempengaruhi ke dalam

kotak “variables” kemudian varibel yang dipengaruhi
kedalam “selction variable”

Klik “descriptive” kemudian untuk statistics centang

“univariate descriptive” dan “initial solution”

“corelation matrix”, “KMO and Bartlett’s test

sphericity”, dan “Anti - Image di centang klik continue

“extraction”, pada analyze pilih Principal Components

centang corellation matrix dan pada display dicentang,
isi Number of Factors 5 lalu klik continue

Kemudian untuk “Rotation” klik “Varimax” - Display klik

“Rotated Solution” dan klik “Loading plot(s)” lalu isikan
Maximum 25 klik “Continue”

Simpan data dengan cara klik “File” kemudian

“Export”

Hasil

Gambar 77. Skema kerja PCA

42
 BAB IV. HASIL DAN PEMBAHASAN

4.1 Hasil Catch

Pada Praktikum Oseanografi Perikanan dalam melakukan processing data,
data yang digunakan adalah data catch dari tahun 2013-2017, data cacth diambil
dari Pelabuhan Perikanan Nusantara (PPN) Muncar, Banyuwangi. Di dapatkan
rata-rata bulanan yaitu bulan Januari 719944.8, bulan Februari 804337.6, bulan
Maret 1358832, bulan April 957073.2, bulan Mei 758397.4, bulan Juni 788412.8,
bulan Juli 479839.4, bulan Agustus 1141145, bulan September 1293994, bulan
Oktober 1422876, bulan November 1482429, bulan Desember 1110264. Berikut
ini meupakan table hasil dari catch tahun 2013-2017:
Tabel 3. Hasil catch tahun 2013-2017

Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des
2013 535 1124 1587 1753 1380 1317 1232 922 2007 1807 2319 2029
2014 844608 1471490 2324383 1886073 1605977 1423137 122885 1195343 1700375 1738470 2013927 1799259
2015 582136 896958 1453386 1503860 1004782 858294 595211 1539419 1765028 1553608 1887396 1641170
2016 1297919 1000080 1381538 1258722 1055971 886036 765265 1426254 1759919 1988256 1830496 1078811
2017 874526 652036 1633267 134958 123877 773280 914604 1543787 1242642 1832240 1678006 1030053
Rata-rata 719944.8 804337.6 1358832 957073.2 758397.4 788412.8 479839.4 1141145 1293994 1422876 1482429 1110264
Dari tabel tersebut dapat diketahui hasil catch Selama 5 tahun dari tahun 2013
sampai tahun 2017 dengan hasil tertinggi pada bulan November yaitu 1482429,
dan yang terendah pada bulan Januari yaitu 719944.8.
Hasil tangkapan nelayan lemuru di PPP Muncar semakin menurun beberapa
tahun terakhir. Pada tahun 2009 total hasil tangkapan lemuru mencapai
28.446.134 kg, namun pada tahun 2013 menurun drastis menjadi 4.082.081 kg
(PPP Muncar 2014), sehingga nelayan harus menambah jumlah jam melaut
mereka. Hal tersebut mengakibatkan meningkatnya pemakaian BBM dan
perbekalan melaut. Salah satu faktor meningkatnya jumlah jam trip nelayan
karena sebagian besar nelayan lemuru di PPP Muncar selama ini melakukan
operasi penangkapan ikan berdasarkan insting atau teknik berburu. Oleh karena
itu, operasi penangkapan ikan tidak efektif dan efisien. Hasil tangkapan yang
diperoleh tidak dapat diprediksi dengan tepat karena nelayan tidak mengetahui
perubahan parameter oseanografi yang dapat mempengaruhi dinamika daerah
penangkapan ikan lemuru yang potensial (Zakiah, 2015).

43
4.2 Hasil Suhu Permukaan Laut (SPL)
Pada Praktikum Oseanografi Perikanan dalam melakukan processing data,
data yang digunakan adalah data SPL dari tahun 2013-2017, data SPL diambil
dari Pelabuhan Perikanan Nusantara (PPN) Muncar, Banyuwangi. Di dapatkan
rata-rata bulanan yaitu bulan Januari 27.9, bulan Februari 28.1, bulan Maret 29.3,
bulan April 29, bulan Mei 28.1, bulan Juni 27.3, bulan Juli 27.4, bulan Agustus
26.9, bulan September 26.4, bulan Oktober 26.7, bulan November 27.5, bulan
Desember 28.2. Berikut ini meupakan table hasil dari suhu permukaan laut tahun
2013-2017 :
Tabel 4. Suhu permukaan laut tahun 2013-2017
Tahun Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
2013 29.1 30.1 30.1 29.2 29.4 29.5 27.5 26.5 25.9 28.6 28.8 28.9
2014 29.7 29.2 30.1 30.3 29.8 27.4 28.6 28.6 25.7 26.9 28.3 30.0
2015 19.9 25.5 30.3 29.9 23.9 22.3 25.4 25.5 25.5 26.2 27.4 29.3
2016 30.8 25.2 25.5 25.5 29.6 30.3 29.1 27.9 28.8 30.2 30.4 30.3
2017 30.1 30.6 30.6 30.0 27.8 26.9 26.4 25.8 26.2 21.7 22.7 22.5
Rata-rata 27.9 28.1 29.3 29.0 28.1 27.3 27.4 26.9 26.4 26.7 27.5 28.2
Dari tabel tersebut dapat diketahui hasil spl Selama 5 tahun dari tahun 2013
sampai tahun 2017 dengan hasil tertinggi pada bulan Maret yaitu 29.3, dan yang
terendah pada bulan September yaitu 26.4.
Nilai rata-rata bulanan Suhu Permukaan Laut (SPL) di Selat Bali dari data
MODIS tahun 2011. Variabilitas SPL menunjukkan pola variasi mengikuti musim,
pada saat musim barat SPL cenderung lebih tinggi daripada musim timur.
Peningkatan SPL terlihat mulai bulan Nopember hingga mencapai suhu tertinggi
pada bulan Maret sebesar 30,31 ± 0,53oC. Trend penurunan SPL mulai terlihat
sejak awal musim timur (April) dengan nilai terendah pada bulan September
sebesar 25,71 ± 0,44oC. Distribusi spasial SPL di bagian utara Selat Bali
cenderung lebih hangat bila dibandingkan dengan bagian selatan Selat Bali pada
musim timur. Massa air dengan suhu rendah terlihat di bagian selatan perairan
dengan nilai berkisar antara 26,78-26,77oC. Perairan Indonesia berada di antara
massa air panas di Samudera Pasifik dan Samudera Hindia. Variasi SPL di
Indonesia relatif kecil jika dibandingkan wilayah lain, namun rata-ratanya cukup
tinggi dengan variasi tertinggi terjadi di perairan pantai selatan Jawa dan di
daerah Sumatera (Susilo, 2015).
4.3 Hasil Klorofil-A
Pada Praktikum Oseanografi perikanan dalam melakukan processing data,
data yang digunakan adalah klorofil-a dari tahun 2013 sampai dengan 2017. Data
klorofil-a diambil dari Pelabuhan Perikanan Nusantara (PPN) Muncar,

44
Banyuwangi. Di dapatkan rata rata bulanan yaitu, pada bulan Januari 0.24544,
bulan Februari 0.31200, bulan Maret 0.39695, bulan April 0.48401, bulan Mei
1.09337, bulan Juni 1.07296, bulan Juli 1.36534, bulan Agustus 1.13465, bulan
September 0.96058, bulan Oktober 0.80838, bulan November 0.84286, dan
Desember 0.67535.
Berikut ini adalah tabel data hasil klorofil-A tahun 2013-2017:

Tabel 5. Data hasil klorofil-A tahun 2013-2017

Dari tabel tersebut dapat diketahui hasil klorofil-a selama 5 tahun dari tahun
2013 sampai dengan 2017. Dengan hasil klorofil tertinggi pada bulan Juli yaitu
1.36534. Sedangkan hasil klorofil terendah berada pada bulan Januari yaitu
0,24544.
Menurut Prayoga (2017), Konsentrasi Klorofil-a di perairan Selat bali
umumnya mencapai puncak tertinggi pada musim timur dan mulai menurun pada
musim barat (Arianto et al., 2014). Namun, terjadi penurunan pada beberapa
bulan pada saat musim timur seperti Juli dan Agustus tahun 2011, Juli dan
Agustus tahun 2012, Juni tahun 2013, Juli tahun 2014, dan Agustus tahun
2015 (Gambar 6) yang diduga karena terjadi fenomena El-Niño Southern
Oscillation (ENSO) dan Indian Ocean Dipole (IOD). ENSO dan IOD adalah dua
fenomena dominan variasi iklim di Pasifik Tropis dan Samudra Hindia. Kedua
fenomena ditunjukkan untuk mempengaruhi kondisi iklim dari beberapa
tempat di bumi. Terletak di antara dua area tersebut, Indonesia
mempunyai iklim yang terkait dengan ENSO dan IOD. Ada dua fase saat
terjadinya ENSO, yaitu fase panas (El- Niño) serta fase dingin (La-Niña) untuk
wilayah Indonesia. Sedangkan terdapat IOD positif dan IOD negatif. IOD
positif menyebabkan kekeringan di Indonesia sama halnya dengan El-Niño,
sedangkan IOD negatif memiliki sifat yang sama dengan La-Niña, yaitu
meningkatkan curah hujan di daerah Indonesia.

45
4.4 Grafik Korelasi Ano Temperature dengan Ano Catch
Berikut ini adalah gambar grafik korelasi antara Ano-Temperature dengan
Ano - Catch:

Gambar 78. Gambar grafik korelasi antara Ano-Temperature dengan Ano - Catch

Tabel 6. Korelasi AnoTemp-AnoCatch

AnoTemp AnoCatch
Column 1 1

Column 2 0.321605 1
Berdasarkan tabel yang didapatkan diketahui nilai korelasi antara nilai
AnoTemp dan AnoCatch di Daerah Muncar yaitu sebesar 0.3216. Karena nilai
yang didapatkan positif maka ada pengaruh nyata dan berbanding nyata antara
AnoTemp dan AnoCatch, namun pengaruh nyatanya "rendah". Pengolahan data
AnoTemp dan AnoCatch menggunakan software Microsoft Excel yang
menunjukan hubungan antara parameter suhu dan hasil tangkapan. Dari hasil
pengolahan data dari kedua parameter menunjukan bahwa hubungan tersebut
berbanding lurus. Pada daerah Muncar Banyuwangi nilai AnoCatch yang tertinggi
berada pada bulan Maret tahun 2014 dengan nilai 1479.28 dan terendah pada
bulan April tahun 2015 dengan nilai -1621.85. Sedangkan nilai AnoTemp yang
paling tinggi pada bulan Oktober Tahun 2016 dengan nilai 3.50, dan nilai
terendah berada pada bulan Januari Tahun 2015 dengan nilai -7.99. Sehingga
grafik tersebut dapat dikatakan berbanding lurus, karena suhu tinggi hasil
tangkapan tinggi. Hubungan korelasi antara Ano-Temp dan Ano-Catch bernilai
sebesar 0.3216. Karena nilai yang didapatkan positif maka ada pengaruh nyata
dan berbanding lurus antara AnoTemp dan AnoCatch, namun pengaruh
nyatanya "rendah".

46
 Menurut Tangke et al. (2015), Frekuensi penangkapan dalam hubungannya
dengan suhu permukaan laut menunjukan bahwa pada laut Halmahera bagian
selatan, ikan yellowfin tuna umumnya tertangkap pada kisaran suhu permukaan

laut 28,0-30,5 oC dengan hasil tangkapan tertinggi berada pada kisaran 28,6-

29,5 oC, nilai SPL ini masih berada dalam kisaran yang disukai oleh yellowfin

tuna yaitu 18 - 31oC. Hubungan yang signifikan antara SPL dan hasil
tangkapan ikan yellowfin tuna juga diduga disebabkan karena yellowfin tuna
pada umumnya merupakan predator yang selalu berada di lapisan
permukaan pada siang hari untuk berburu mangsanya. Yellowfin tuna
merupakan jenis ikan pelagis yang dalam kelompok ruayanya akan muncul
sedikit diatas lapisan termoklin pada siang hari dan akan beruaya ke lapisan
permukaan pada sore hari.
4.5 Grafik Korelasi Ano Temperature dengan Ano Klorofil-A
Berikut ini adalah gambar grafik korelasi antara Ano-Temperature dengan
Ano-Klorofil-A :

Gambar 79. Gambar grafik korelasi antara AnoTemp-AnoChlor

Tabel 7. Korelasi AnoTemp-AnoChlor

AnoTemp AnoChlor
Column 1 1
Column 2 -0.35079 1
Berdasarkan grafik yang didapatkan diketahui nilai AnoChlor dan AnoTemp
di daerah Muncar yaitu nilai AnoTemp yang tertinggi berada pada bulan oktober
tahun 2016 dengan nilai 3.50 dan terendah berada pada bulan januari 2015
dengan nilai -7.99. Sedangkan nilai AnoChlor yang tertinggi berada pada bulan
mei 2017 dengan nilai 1.13 dan nilai terendah berada pada bulan juni 2016

47
dengan nilai -0.73. Sehingga grafik tersebut dapat dikatakan berbanding terbalik
karena chlorofil rendah hasil tangkapan tinggi. Berdasarkan tabel didapatkan
diketahui nilai korelasi antara AnoTemp dan AnoChlor di daerah Muncar yaitu
sebesar 0.35079. karena nilai yang didapatkan negatif maka ada pengaruh tidak
nyata dan berbading terbalik antara AnoTemp dan AnoChlor, namun pengaruh
tidak nyatanya rendah.
Menurut Putra et al. (2012) SPL (Suhu Permukaan Laut) Laut Jawa pada
musim barat (Desember – Februari) dalam kurun waktu 5 tahun, SPL Laut Jawa
berkisar antara 28,49°C – 30,65°C, sedangkan untuk musim timur (Juli –
Agustus) SPL berkisar pada nilai 27,96°C – 30,10°C. Untuk musim peralihan
rata-rata SPL relatif lebih tinggi jika dibandingkan dengan dengan musim barat
dan musim timur. Pada musim peralihan 1 (Maret – Mei) rata-rataSPL berkisar
antara 29,46°C – 31,49°C dan musim peralihan 2 (September – November)
berada pada nilai suhu 28,01°C – 30,65°C. Secara umum trend perubahan SPL
yang terjadi di Laut Jawa dalam kurun waktu penelitian menunjukkan kenaikan.
Kenaikan SPL di Laut Jawa ini berkisar 1°C dalam jangka waktu 5 tahun atau
0.2°C setiap tahunnya. Telah terjadi kenaikan SPL di perairan Laut Jawa sebesar
0,1°C setiap tahunnya dari tahun 2001-2010. Kenaikan SPL ini diduga
disebabkan oleh faktor-faktor meteorologi seperti kenaikan suhu udara. Secara
keseluruhan, trend konsentrasi klorofil yang terdapat di Laut Jawa menurun
dalam kurun waktu 5 tahun terakhir. Kandungan konsentrasi klorofil rata-rata di
perairan Laut Jawa berkisar antara 0,22 mg/m³ - 1,15 mg/m³. Nilai konsentrasi
klorofil setiap bulannya berfluktuasi mengikuti musim angin yang sedang
berlangsung dan mencapai puncaknya pada musim barat. Sehingga hubungan
antara SPL dengan klorofil-a berbanding terbalik.

48
4.6 Grafik Korelasi Ano Klorofil-A dengan Ano Catch
Berikut ini adalah gambar grafik korelasi antara Ano-Klorofil-A dengan Ano-
Catch :

Gambar 80. Gambar grafik korelasi anatar AnoChlor-AnoCatch

Tabel 8. Korelasi AnoChlor-AnoCatch

AnoChlor AnoCatch
Column 1 1
Column 2 -0.26148 1
Berdasarkan grafik yang didapatkan diketahui nilai AnoChlor dan AnoCatch
di daerah Muncar yaitu nilai anocatch yg tertinggi berada pada bulan maret tahun
2014 dengan nilai 1479.28 dan terendah berada pada bulan maret 2015 dengan
nilai -1434.93. Sedangkan nilai AnoChlor yang tertinggi berada pada bulan mei
2017 dengan nilai 1.13 dan nilai terendah berada pada bulan juni 2016 dengan
nilai -0.73 . Sehingga grafik tersebut dapat dikatakan berbanding terbalik karena
chlorofil rendah hasil tangkapan tinggi. Berdasarkan tabel didapatkan diketahui
nilai korelasi antara Anochlor dan Anocatch di daerah Muncar yaitu sebesar
0.26148. karena nilai yang didapatkan negatif maka ada pengaruh tidak nyata
dan berbading terbalik antara Anochlor dan Anocatch, namun pengaruh tidak
nyatanya rendah.
Menurut Putra et al. (2012) Kenaikkan konsentrasi klorofil-a perairan akan
diiringi dengan kenaikkan nilai CPUE kedua jenis ikan ini. Naiknya nilai
konsentrasi klorofil-a tidak langsung berdampak pada naiknya nilai CPUE, akan
tetapi membutuhkan beberapa waktu sehingga klorofil yang ada telah

49
dimanfaatkan oleh zooplankton sebagai sumber makanan. Untuk ikan lemuru
terlihat kenaikan konsentrasi klorofil-a langsung diiringi dengan kenaikan nilai
CPUE seperti pada musim barat tahun 2008, 2009, dan 2010. Selanjutnya
penurunan konsentrasi klorofil-a pada musim timur juga diiringi dengan
penurunan nilai CPUE ikan lemuru. Ikan tembang memiliki respon yang hampir
sama dengan ikan lemuru terhadap konsentrasi klorofil-a. Tetapi kenaikan nilai
CPUE ikan tembang terjadi beberapa waktu setelah terjadi kenaikan konsentrasi
klorofil-a. Terdapat rentang waktu sekitar satu sampai dua bulan antara mulai
naiknya nilai CPUE ikan tembang dengan konsentrasi klorofil-a maksimum
diperairan Laut Jawa. Konsentrasi klorofil-a mencapai puncaknya pada musim
barat sedangkan kenaikan nilai CPUE baru terjadi pada awal musim peralihan 1.
Hal ini dapat dilihat pada bulan Februari-Juni 2006 dan bulan Desember 2009-
Juni 2010.
4.7 Hasil analisis SPSS Suhu, Klorofil, DMI, SOI, dan nino 3.4 dengan Hasil
Tangkapan
Berikut ini adalah hasil analisis SPSS Suhu, Klorofil, DMI, SOI, dana Nino 3.4
dengan hasil tangkapan :
Tabel 9. Correlation matrix

Korelasi 2 variabel apabila menunjukkan hasil negatif menunjukkan

hubungan yang cukup kuat antar variabel dan nilai keduanya berbanding terbalik.
Apabila korelasi 2 variabel apabila menunjukkan hasil positive menunjukkan
hubungan yang lemah antar variabel dan nilai keduanya berbanding lurus. Dari
data diatas nilai determinan menunjukkan nilai 0.625 maka, dapat ditarik
kesimpulan bahwa terdapat hubungan antar variabel dan berpengaruh terhadap
catch atau hasil tangkapan.

50
 Menentukan Reproduced correlation matrix (Rr) dan Residual Correlation
Matrix (Res). “Rr” diperoleh dari perkalian antara matriks loading factor dari hasil
rotasi L * dengan transpos-nya, dan “Res” adalah matriks yang diperoleh dengan
mengurangkan matriks ragam peragam sampel S dengan Rr. Semakin kecil nilai
Res (< 0.05) maka semakin baik hasil factoring-nya (Dwipurwani et al., 2009).
Tabel 10. KMO and Bartlett's test

Berdasarkan hasil tabel diatas dapat diketahui bahwa nilai KMO lebih dari
0.5 hal tersebut menunjukkan adanya hubungan antara variabel terikat dan
variable bebas adalah signifikan. Sedangkan untuk KMO = .532, diartikan bahwa
KMO mendekati faktor Ano-Catch, apabila 0,5 keatas maka KMO mendekati
faktor Ano-Catch.
Tabel 11. Anti-Image Matrice sebelum eliminasi

Tabel 12. Anti-Image Matrice setelah

eliminasi

51
 Anti image lebih kecil dari 0,5 harus di eleminasi (kemabli ke aplikasi SPSS,
ke sheet data view analyze, yang dibawah 0,5 dihilangkan). Kalo sama-sama
0.500 berarti parameter sangat berpengaruh terhasil hasil tangkapan.
Berdasarkan hasil anti image 3 faktor tsb memiliki pengaruh yg signifikan.
Parameter yang dieliminasi pada hasil analisis ini adalah Ano-Chlorophyl-A
karena mempunyai nilai dibawah 0,5.
Tabel 13. Communalities

Jadi presentasi pengaruh beberapa faktor oseanografi terhadap hasil

tangkapan adalah :
Ano-Temp : 0.174 x 100%=1.74
DMI : 0,477 x 100% = 4.77
SOI : 0.370 x 100%= 3.70
NINO 34 : 0.722 x 100%=7.22
Menurut Faridah et al. (2012), Proses pemilihan model berdasarkan
ringkasan model secara statistik (model summary statistics) menunjukkan bahwa
model yang memenuhi kriteria adalah model kuadratik. model yang sesuai untuk
penurunan kalsium oksalat pada proses penepungan adalah model kuadratik.
Hasil analisis ragam permukaan respons kuadratik menunjukkan model kuadratik
mempunyai pengaruh yang nyata terhadap beberapa respon yang akan
dianalisis.

52
 BAB V. PENUTUP

5.1 Kesimpulan
- Dari praktikum Oseanografi Perikanan yang telah dilaksanakan, praktikan
dapat memahami tentang teori dasar dalam oseanografi perikanan seperti
suhu, klorofil-a, ENSO, SOI, IOD dan lain sebagainya.
- Dapat mengetahui bagaimana cara memperoleh data oseanografi
perikanan melalui pemotretan citra satelit yang dapat di download di
ocean color sehingga akan mendapatkan data SST dan klorofil yang
dibutuhkan.
- Dapat mengetahui tentang cara pengolahan data dari ocean color
menggunakan aplikasi SeaDAS dan ArcGIS, pengolahan data selanjutnya
menggunakan Ms. Excel, analisis data menggunakan software SPSS dan
interpretasi data.
- Interpretasi data akan mengetahui apa saja hubungan parameter
oseanografi perikanan seperti suhu, klorofil, DMI, SOI, dan NINO 3.4
dengan hasil tangkapan
5.2 Saran
Untuk praktikum Oseanografi Perikanan sudah berjalan dengan lancar dan
tepat waktu, tetapi dalam proses penyampaian materi akan lebih baik jika tidak
terlalu cepat menjelaskannya sehingga praktikan akan lebih mudah memahami
maksud dan tujuan dari praktikum ini.

53
 DAFTAR PUSTAKA

Adrinta, M. A., Muhammad Ihsan, Anhari Syahputra, Rasyid Imam Ghani, Ridho
Fikrian Siddiq, Rizki Syah Ramadhani, Dan Dahlan Sitompul. 2017.
Alat Ukur Suhu Udara Digital Berbasis Atmega 32. Universitas
Sumatera Utara.
Ahmad, Ayu, L. Mega, L , Syamsuddin. Dan Noir, P, Purba. 2017. Kondisi
Thermal Front Ditinjau Dari El Niño, Dan Arlindo Di Perairan Selatan
Jawa Timur Dan Bali Pada Muson Timur. Jurnal Perikanan Dan
Kelautan Vol. VIII No. 1(186-191). Universitas Padjajaran.
Cahya, Citra Nilam., Daduk Setyohadi, Dan Dewi Surinati. 2016. Pengaruh
Parameter Oseanografi Terhadap Distribusi Ikan. Oseana, Volume
XlI. Nomor 4.
Dipo, P. Nurjaya, W. Fadli, S. 2011. Karakteristik Oseanografi Fisik Di Perairan
Samudera Hindia Timur Pada Saat Fenomena Indian Ocean Dipole
(Iod) Fase Positif Tahun 1994/1995, 1997/1998, Dan 2006/2007.
Jurnal Ilmu Teknologi Kelautan Tropis, Vol. 3, No. 2, Hal. 71-84.
Dwipurwani, O., Maiyanti, S. I., Desiani, A., Octarina, S. 2009. Penerapan
AnalisaFaktor Dalam Membentuk Faktor Laten Yang Mempengaruhi
Prestasi Mahasiswa Di Jurusan Matematika Fmipa Universitas
Sriwijaya. Jurnal Penelitian Sains. 12 (3a).
Faridah, A., Widjarnako, S. B., Sutrisno, A., Susilo, B. 2012. Optimasi Produksi
Tepung Porang Dari Chip Porang Secara Mekanis Dengan Metode
Permukaan Respon. Jurnal Teknik Industri. 13 (2): 158–166.
Hermawan, E. 2011. Estimasi Datangnya Kemarau Panjang 2012/2013 Berbasis
Hasil Analisis Kombinasi Data Espi Dan Dmi. Bandung: Lapan.
Ilhamsyah. Yopi. 2012. Analisis Dampah Enso Terhadap Debit Aliran Das
Cisangkuy Jawa Barat Menggunakan Model Rainfall-Runoff. Depik,
1(3):165-174.
Irwandi, Hendri. Mulkan, Iskandar, Nasution. Edison, Kurniawan. Dan Yeni ,
Megalina. 2017. Pengaruh El Niño Terhadap Variabilitas Curah Hujan
Di Sumatera Utara. Jurnal Ilmu Fisika Dan Teknologi, Vol. 1, No. 2.
Issn: 2580-989x.
Jayanto, R. 2014. Hubungan Produksi Hasil Tangkapan Pelagis Besar Dengan
Parameter Oseanografi Di Perairan Teluk Pelabuhan Ratu. Skripsi

54
 Departemen Pemanfaatan Sumberdaya Perikanan Fakultas
Perikanan Dan Ilmu Kelautan Institute Pertanian Bogor. Bogor.
Lan, M. 2012. Analysis Of 2012 Indian Ocean Dipole Behavior. Journal National
University Of Singapore. Singapore.
Lubis,Ernani.Thomas, Nugroho. Septanty, Diah, Bayu, Witry.2013. Produksi Hasil
Tangkapan Sebagai Bahan Baku Industri Pengolahan: Kasus
Pelabuhan Perikanan Pantai Muncar Kabupaten Banyuwangi. Buletin
Psp. Volume 21 No. 1.
Nababan, N. 2009. Hubungan Konsentrasi Klorofil-A Di Perairan Selat Bali
Dengan Produksi Ikan Lemuru (Sardinellal Lemuru) Yang Didaratkan
Di Tpi Muncar, Banyuwangi. Skripsi. Fpik. Ipb. Bogor.
Pratama, M,A, D., Trisnani Dwi Hapsari Dan Imam Triarso. 2016. Faktor-Faktor
Yang Mempengaruhi Hasil Produksi Unit Penangkapan Purse Seine
(Gardan) Di Fishing Base Ppp Muncar, Banyuwangi, Jawa Timur.
Jurnal Saintek Perikanan. 11(2): 120-128.
Prayoga, I. Dan Putra, I. 2017. Pengaruh Sebaran Konsentrasi Klorofil-A
Berdasarkan Citra Satelit Terhadap Hasil Tangkapan Ikan Tongkol
(Euthynnus Sp.) Di Perairan Selat Bali. Journal Of Marine And
Aquatic Sciences. Vol. 3 : 30-46.
Putra, Ega. Jonson, Lumban, Gaol. Vincentius, P, Siregar. 2012. Hubungan
Konsentrasi Klorofil-A Dan Suhu Permukaan Laut Dengan Hasil
Tangkapan Ikan Pelagis Utama Di Perairan Laut Jawa Dari Citra
Satelit Modis. Jurnal Teknologi Perikanan Dan Kelautan. Vol. 3. No. 2
(1-10). Issn 2087-4871.
Ridha, U. Muskananfola, M. Dan Hartoko, A. 2013. Analisa Sebaran Tangkapan
Ikan Lemuru (Sardinella Lemuru) Berdasarkan Data Satelit Suhu
Permukaan Laut Dan Klorofil-A Di Perairan Selat Bali. Diponegoro
Journal Of Maquares. Vol 2 : 53-60.
Saputra. Candra., Arthana. I Wayan., Hendrawan. I Gede. 2017. Studi Ancaman
Sumberdaya Ikan Lemuru (Sardinella Lemuru) Di Selat Bali
Hubungannya Dengan Enso Dan Iod. Ecotrophic. Vol 11.No.2.
Simbolon. Domu., Wiryawan. Budy., Wahyuningrum. Ika., Wahyudi. Hendro.
2011. Tingkat Pemanfaatan Dan Pola Musim Penangkapan Ikan
Lemuru Di Perairan Selat Bali. Buletin Psp. Vol Xix. No 3.

55
Situompul, Zulfahmi. 2013. Pengaruh El Nino Southern Oscillation (ENSO)
Terhadap Curah Hujan Musiman Dan Tahunan Di Indonesia. Jurnal
Bumi Indonesia. Volume 2, Nomor 1.
Susilo, Eko. 2015. Variabilitas Faktor Lingkungan Pada Habitat Ikan Lemuru
Di Selat Bali Menggunakan Data Satelit Oseanografi Dan
Pengukuran Insitu.
Tangke, U. Karuwal, J. Zainuddin, M. Mallawa, A. 2015. Sebaran Suhu
Permukaan Laut Dan Klorofil-A Pengaruhnya Terhadap Hasil
Tangkapan Yellowfin Tuna (Thunnus Albacares) Di Perairan Laut
Halmahera Bagian Selatan. Jurnal Ipteks Psp. Vol. 2 : 248-260.
Tresnawati. Restu., Nuraini. Tri., Hanggoro. Wido. 2010. Prediksi Curah Hujan
Bulanan Menggunakan Metode Kalman Filter Dengan Prediktor Sst
Nino 3.4 Diprediksi. Jurnal Meteorologi Dan Geofisika. Vol. 11. No 2.
Yuniarti, Amaliana, Lilik Maslukah, Dan Muhammad Helmi. 2013. Studi
Variabilitas Suhu Permukaan Laut Berdasarkan Citra Satelit Aqua
Modis Tahun 2007-2011 Di Perairan Selat Bali. Jurnal
Oseanografi. Volume 2. Nomor 4.
Zakiah, Safira. 2015. Pendugaan Daerah Penangkapan Ikan Lemuru Melalui
Analisis Suhu Permukaan Laut Dan Komposisi Hasil Tangkapan Di
Ppp Muncar, Banyuwangi. Skripsi. Institut Pertanian Bogor. Bogor.

56
 LAMPIRAN

Lampiran 1. Dokumentasi Praktikum

57
Lampiran 2. Langkah Kerja
Langkah-langkah dalam proses pengolahan data praktikum 1 ialah :
1. Sebelum melakukan pengolahan data hal yang pertama dilakukan ialah
mendownload data SST pada ocean color sesuai dengan bulan dan tahun
yang dibutuhkan. Buka https://oceancolor.gsfc.nasa.gov/

2. Setelah muncul tampilan ocean color > lalu klik Data > pilih level 3

3. Kemudian isi kolom-kolom sesuai yang dibutuhkan > product pilih SST 11
u daytime > period pilih montly > resolution 4 km > waktu menyesuaikan
dengan data yang dibutuhkan > lalu setelah terisi semua klik “Extract to
Download L3 Data”

4. Selanjutnya pilih atau centang mapped pada tampilan Extract or

Download Data > klik download > tunggu data akan terdownload

Gambar 81. Tampilan extract or download data

58
5. Setelah data terdownload lalu blok link atau data yang sudah terdownload
> copy (ctrl+c) > buka jendela baru pada google

6. Lalu paste (ctrl+v) pada jendela yang baru > enter > data akan
terdownload dan tersimpan

Gambar 82. Tampilan pada jendela baru data terdownload dan tersimpan
7. Setelah melakukan download data pada ocean color, langkah selanjutnya
ialah mengolah pada aplikasi SeaDAS. Hal ini dilakukan untuk mengubah
data NC menjadi data TIFF agar dapat diolah pada Arcgis > kemudian
membuka aplikasi SeaDAS

8. Membuka data yang sudah di download pada ocean color sebelumnya >
klik file pada menu toolbar > open

9. Pilih file data SST > klik open product

59
10. Klik bands (product) > klik 2x pada SST hingga muncul gambar peta

11. Klik processing pada menu toolbar > lalu pilih crop untuk mengambil
gambar peta Indonesia

12. Setelah muncul kotak dialog seperti pada gambar > lalu crop wilayah
Indonesia > klik OK

13. Klik bands > klik 2x pada SST > muncul peta Indonesia

60
14. Pilih tools pada menu toolbar > pilih math band , jika pada chlorofil-a tidak
perlu melakukan math band karena hanya berlaku untuk SST

15. Setelah pilih math band akan muncul kotak dialog band math > lalu klik
edit expression

16. Selanjutnya akan muncul kotak dialog band maths expression editor > klik
tanda panah operators > pilih rumus “if @ then @ else @”

17. Setelah memilih rumus SST > lalu mengisi rumus tersebut yang tertera
pada kotak expression > letakkan kursan pada tanda “@” yang pertama >
pilih qual_SST > letakkan kursor pada tanda “@” yang kedua > klik tanda
panah pada contants > pilih NaN > letakkan kursor pada tanda “@” yang
ketiga > klik tanda panah pada contants > pilih angka 1 > lalu ketik pada

61
 ujung rumus “*SST” sehingga menjadi rumus “if qual_sst then NaN else
1*sst” > lalu klik ok

18. Kemudian pilih processing > pilih reproject

19. Jika muncul kotak dialog reprojection > ganti save as menjadi GeoTIFF >
pilih tempat penyimpanan yang sesuai atau mudah > beri nama yang
sesuai pada file > lalu klik run

20. Langkah selanjutnya ialah mengolah data TIFF pada aplikasi ArcMap >
buka aplikasi ArcMap 10.3

21. Klik file > pilih add data > add data

62
22. Pilih file TIFF yang sudah diolah pada SeaDAS sebelumnya > lalu klik
add

23. Lalu akan muncul gambar peta berwarna ungu seperti pada gambar

24. Pilih data management tools pada ArcToolbox > raster > raster
processing > clip klik 2x hingga muncul kotak dialog

25. Kemudian akan muncul kotak dialog > isi input raster dengan data TIFF
sebelumnya > isi koordinat sesuai dengan wilayah (muncar : Ymax = -8.3
; Ymin = -8.6 ; Xmin = 114.3 ; Xmax = 114.6) > klik OK

63
26. Setelah mengisi kotak dialog dan klik ok > lalu tunggu hingga muncul
tanda centang clip pada pojok kanan bawah

27. Kemudian uncentang SST dalam bentuk format tif > klik kanan pada SST
dalam bentuk clip > pilih zoom to layer

28. Setelah gambar tambak lebih besar > klik kanan kembali pada SST clip >
pilih properties

29. Ketika muncul kotak dialog > pilih stretched > ganti type menjadi
minimum-maximum > edit hight/low yaitu untuk minimum 28 (SST) dan 0
(chlorofil-a), sedangkan untuk maksimum 32 (SST) dan 2 (chlorofil-a) >
ganti warna merah ke biru (SST) dan ganti warna hijau ke biru (chlorofil-a)
> lalu klik ok

64
30. Setelah itu pada Arctoolbox pilih conversion tools > from raster > raster to
point

31. Ketika muncul kotak dialog raster to point > isi input raster dengan file clip
sebelumnya > pilih tempat penyimpanan yang sesuai atau mudah
ditemukan > lalu klik Ok

32. Raster to point berhasil dengan tanda centang pada pojok kiri bawah>
tampak titik-titik pada gambar

33. Kemudian klik Arctoolbox > pilih data management tools > features > add
XY coordinates

65
34. Setelah itu isi input features dengan file yang disimpan sebelumnya, file
tersebut akan muncul secara otomatis

35. Lalu klik kanan pada layer SSTMAR > pilih open atribut table

36. Kemudian akan muncul table yang berisi tentang koordinat dan suhu >
lalu di export dengan klik bagian pojok kiri pada tabel tersebut > dan pilih
export

66
37. Pilih tempat penyimpanan > ganti format menjadi dBASE Table > klik
save > ok

38. Setelah di export lalu membuka Ms.Excel

39. Klik file > pilih open untuk membuka file yang di simpan pada Arcmap
sebelumnya

40. Pilih file yang sudah diolah pada Arcmap sebelumnya > klik file tersebut >
akan muncul pada sheet

67
41. Ganti nama kolom menjadi suhu, longitude, dan latitude

42. Klik short & filter > lalu filter pada kolom suhu

43. Klik panah pada kolom suhu > uncentang angka “1” atau angka yang
kurang dari 28 dan lebih dari 32 jika SST dan jika chlorofil-a selain angka
1 uncentang juga angka yang kurang dari 0 dan lebih dari 2 > lalu ok

44. Copy (ctrl+C) kolom suhu, longitude dan latitude

68
45. Lalu paste (ctrl+V) pada sheet 2

46. Kemudian tentukan rata-rata suhu > AVERAGE (kolom suhu) > enter

47. Setelah melakukan average, maka akan diketahui hasil rata-rata suhu
pada bulan tersebut

48. Kemudian simpan file tersebut dengan klik file > pilih Save as > pilih
tempat penyimpanan dan beri nama yang sesuai > lalu klik save

69
Berikut merupakan langkah-langkah metode analisis data pada praktikum 2 :
1. Download data Catch, SOI, DMI, dan Nino 3.4 di web
http://fofpik.wordpress.com/

2. Buka Excel kemudian input data CpUE dan mencari rata rata bulanan
=AVERAGE

3. Pada sheet kedua mencari Ano Catch dengan =Catch per bulan – rata
rata catch

4. Lakukan hal yang sama dengan mencari Ano Temp = Temp per bulan –
rata rata temp

70
5. Pada sheet selanjutnya mencari Ano-Chlor = Clor per bulan – rata rata
Chlor

6. Input data Ano-Temp Ano Catch

7. Buat grafik dengan blok semua data – klik line – pilih grafik pertama

8. Pindahkan bulannya ke bawah dengan klik kanan – format axis –axis

table pilih yang low - close

71
9. Pada Ano Temp buat diagram dengan klik kanan – format data series –
secondary axis – close.

10. Beri judul pada kiri, kanan, dan atas grafik dengan klik axis titles – primary
vertical axis titles – rotated titles itu untuk di kiri grafik. Judul pada kanan
grafik klik axis titles – secondary vertical axis titles – rotated titles.
Sedangkan judul untuk di atas dengan klik chart text – above chart dan
akan menjadi seperti dibawah ini. Ulangi langkah tersebut untuk Ano
catch – Ano Chlor, Ano Temp – Ano Chlor.

11. Pada sheet DMI buka data dengan file – open – next – finish

72
12. Karena data DMI masih dalam mingguan maka harus di rata-rata untuk
mendapatkan hasil perbulan dan copy hasil rata-rata tersebut.

13. Lakukan kembali langkah 7 – 10 untuk pembuatan grafik pada DMI, SOI,
dan Nino

14. Copy data Ano Catch, Ano Temp, Ano Chlor, DMI, ISO, Nino 3.4

15. Buka SPSS

73
16. Pada variabel view di bagian name ketik AnoCath-Nino3.4

17. Pada data view copy data dari excel

18. Setelah itu klik Analyze – data reduction - factor

19. Pada variabel masukkan Ano Catch, Ano Temp, DMI, SOI, Nino 3.4,
sedangkan pada selection variabel pilih Ano Catch

74
20. Klik descriptive – pada statistics centang semua – pada correlation
centang semua kecuali invers dan reproduced - continue

21. Klik extract – klik number of factors - 5 - continue

22. Klik rotation – centang loading plot - continue

23. Untuk memunculkan ok maka klik value – cancel - ok

75
24. Lalu akan menampilkan data outputnya.

76
Lampiran 3. Tiket masuk praktikum 1

77
78