Laporan Akhir Dinpop P02 REVISI (1) FIXX-dikonversi

LAPORAN AKHIR PRAKTIKUM
DINAMIKA POPULASI IKAN
DISUSUN OLEH:
KELAS : P02
ASISTEN : 1. Riang Nadiya Nur A.
2. Kholfia
PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN

FAKULTAS PERIKANAN DAN ILMU KELAUTAN
UNIVERSITAS BRAWIJAYA
MALANG
2018
LEMBAR PENGESAHAN
LAPORAN AKHIR PRAKTIKUM
DINAMIKA POPULASI IKAN
Dengan ini menyatakan bahwa Laporan Akhir Praktikum Dinamika

Populasi Ikan telah disetujui.
Malang, 18 Mei 2018
Mengetahui,
Asisten 1 Asisten 2
(Fiendo Hartawandi W.) (Lia Dwi Utami)

NIM. 155080200111046 NIM. 155080200111033
Asisten 3 Asisten 4
(Riang Nadiya Nur A.) (Fitriani)

NIM. 155080201111005 NIM.155080201111044
Asisten 5 Asisten 6
(Heri Setiawan) (Martina Afida Prayitno)

NIM. 155080200111013 NIM. 155080200111044
Asisten 7 Asisten 8
(Muhammad Ghofir) (Kholfia)

NIM. 155080200111041 NIM. 155080201111011
Menyetujui,
Koordinator Asisten Asisten 1,
(Fiendo Hartawadi W.) (Riang Nadiya Nur A.)

NIM. 155080200111046 NIM. 155080201111005
Asisten 2,
(Kholfia)
NIM. 155080201111011
Mengesahkan,
Dosen Pengampu
(Dr. Ir. Dewa Gede Raka Wiadnya, M.Sc)

NIP. 19590119 198503 1 003
KATA PENGANTAR
Puji syukur atas kehadirat Tuhan Yang Maha Esa, karena karunia dan
hidayah-nya kami dapat menyelesaikan Laporan Akhir Praktikum Dinamika
Populasi Ikan. Untuk memenuhi Praktikum Dinamika Populasi Ikan yang berisi
tentang semua rangkaian materi setiap praktikum, dari materi satu hingga materi
ke 6.
Kami sangat berharap agar Laporan Akhir Praktikum Dinamika Populasi
Ikan ini bisa menambah wawasan kami dan juga para pembaca tentang
penentuan, perhitungan stok ikan menggunakan MS.Excel, perhitungan atau
pengolahan data di aplikasi Ntsys, SPSS, dan FISAT II.
Akhir kata, kami memohon maaf jika ada dalam penyusunan laporan ini
terjadi kesalahan ejaan maupun isi dengan segala keterbatasan pengetahuan,
kami menyadari bahwa dalam laporan ini masih terdapat banyak kekurangan dan
kesalahan ejaan maupun isi. Oleh karena itu, kami mengharapkan kritik dan
saran yang dapat dijadikan masukan dalam menyempurnakan kekurangan kami,
karena saran dan masukan dari pembaca akan sangat bermanfaat bagi kami
untuk kedepannya.
Malang, 18 Mei 2018
Penyusun
LAPORAN AKHIR PRAKTIKUM DINAMIKA POPULASI IKAN P02 - FPIK UB2018 iv

DAFTAR ISI
KATA PENGANTAR...........................................................................................iv
DAFTAR ISI.......................................................................................................... v
DAFTAR GAMBAR.............................................................................................ix
DAFTAR TABEL...............................................................................................xiv
DAFTAR LAMPIRAN.........................................................................................xv
MATERI 1 BIOSTATISTIKA
BAB I. PENDAHULUAN.......................................................................................1
1.1 Latar Belakang..............................................................................................1
1.2 Maksud dan Tujuan.......................................................................................2
1.3 Waktu dan Tempat........................................................................................2
BAB II. TINJAUAN PUSTAKA.............................................................................3

2.1 Pengertian Biostatistik.................................................................................3
2.2 Ukuran Pemusatan........................................................................................4
2.3 Ukuran Penyebaran......................................................................................5
2.4 Pendugaan Stok............................................................................................5
2.5 Analisa Uji T..................................................................................................6
BAB III. METODOLOGI........................................................................................8

3.1 Alat dan Bahan...............................................................................................8
3.2 Skema Kerja.................................................................................................10
3.2.1 Skema Kerja Ukuran Pemusatan....................................................................................10
3.2.2 Skema Kerja Pengolahan Data Faktor Kondisi Alometris.............................................10
3.3 Analisa Prosedur...........................................................................................10
BAB IV. PEMBAHASAN....................................................................................12

4.1 Data Hasil Praktikum.....................................................................................12
4.1.1 Data Ukuran Pemusatan.................................................................................................12
4.1.2 Data Ukuran Penyebaran................................................................................................13
4.2 Analisa Hasil.................................................................................................21
4.2.1 Analisa Hasil Data Ukuran Pemusatan...........................................................................21
4.2.2 Analisa Hasil Data Ukuran Penyebaran.........................................................................21
BAB V. PENUTUP..............................................................................................23
5.1 Kesimpulan..................................................................................................23
5.2 Saran............................................................................................................23
MATERI 2 CURVE FIT BY EYE
BAB I. PENDAHULUAN......................................................................................1
1.1 Latar Belakang...............................................................................................1
1.3 Waktu dan Tempat........................................................................................2
BAB II TINJAUAN PUSTAKA..............................................................................3

2.1 Pengertian Transformasi Data.....................................................................3
2.2 Regresi Linier................................................................................................3
2.3 Metode Curve Fit By Eye................................................................................4
BAB III METODOLOGI.........................................................................................6
3.1 Alat dan Bahan..............................................................................................6
3.2 Skema Kerja..................................................................................................8
3.2.1 Skema Kerja Pengukuran Curve Fit By Eye.....................................................................8
BAB IV PEMBAHASAN.....................................................................................10
4.1 Data Hasil Praktikum..................................................................................10
4.2 Analisa Hasil................................................................................................10
BAB V PENUTUP...............................................................................................12
5.1 Kesimpulan..................................................................................................12
5.2 Saran............................................................................................................ 12
MATERI 3 NTSYS DAN SPSS
1.1Latar Belakang...............................................................................................1
1.2Maksud danTujuan.........................................................................................2
1.3Waktu danTempat..........................................................................................2
BAB II TINJAUAN PUSTAKA.............................................................................3

2.1Analisis Cluster..............................................................................................3
2.2Principal Component Analyze.......................................................................4
2.3NumericalTaxonomy System (PCA).............................................................4
2.4Statistical Package for theSocial Science (SPSS).......................................5

3.1Alat dan Bahan...............................................................................................6
3.2Skema Kerja...................................................................................................8
3.3Analisa Prosedur...........................................................................................8
BAB IV PEMBAHASAN....................................................................................11
4.1Data Hasil Praktikum...................................................................................11
4.2Analisa Hasil.................................................................................................13
4.2.1 InterpretasiHasil Treeplot...........................................................................................13
4.2.2 Interpretasi PCA.........................................................................................................14
BAB V PENUTUP...............................................................................................15
5.1 Kesimpulan..................................................................................................15
5.2 Saran............................................................................................................15
MATERI 4 HUBUNGAN PANJANG DAN BERAT

1.1 Latar Belakang..............................................................................................1
1.3 Waktu dan Tempat........................................................................................2

2.1 Klasifikasi dan Morfologi Ikan Selar............................................................3
2.2 Distribusi dan Habitat Ikan Selar.................................................................4
2.3 Hubungan Panjang Berat.............................................................................5
2.4 Faktor Kondisi Allometris.............................................................................6
3.1 Alat dan Bahan..............................................................................................8
3.2 Skema Kerja................................................................................................10
3.3 Analisa Prosedur.........................................................................................11
3.3.1 Analisa Prosedur Pengukuran Panjang Berat Ikan Selar (Selaroides sp).......................11
3.3.2 Analisa Prosedur Perhitungan Data Hasil Pengamatan Hubungan Panjang
Berat Ikan Selar (Selaroides sp)...................................................................................................12
4.2 Analisa Hasil................................................................................................16
BAB V PENUTUP...............................................................................................17
5.1 Kesimpulan..................................................................................................17
5.2 Saran............................................................................................................ 17
MATERI 5 BHATTACHARYA
BAB I PENDAHULUAN........................................................................................1
1.1 Latar Belakang..............................................................................................1
1.3 Waktu dan Tempat........................................................................................2

2.1Distribusi Normal...........................................................................................3
2.2Cohort............................................................................................................. 3
2.3Metode Bhattacharya.....................................................................................4

3.1Alat dan Bahan...............................................................................................6
3.2Skema Kerja...................................................................................................7
3.3Analisis Prosedur...........................................................................................7
BAB IV HASIL DAN PEMBAHASAN...................................................................9

4.1 Data Hasil Praktikum.....................................................................................9
4.2 Analisa Hasil................................................................................................11
BAB V KESIMPULAN DAN SARAN..................................................................12

5.1 Kesimpulan..................................................................................................12
5.2 Saran............................................................................................................12
MATERI 6 SELEKTIFITAS ALAT TANGKAP

BAB I PENDAHULUAN........................................................................................1
1.1 Latar Belakang..............................................................................................1
1.3 Waktu dan Tempat........................................................................................2

2.1 Klasifikasi dan Morfologi Ikan Kuniran.......................................................3
2.2 Distribusi dan Habitat Ikan Kuniran.............................................................3
2.3 Alat Tangkap Trawl.......................................................................................4
2.4 Selektifitas Alat Tangkap..............................................................................5
2.5 Length of Mature (Lm)..................................................................................6
2.6 Length of Capture (Lc)..................................................................................7
3.1 Alat dan bahan..............................................................................................9
3.2 Skema Kerja................................................................................................10
3.3 Analisa Prosedur.........................................................................................11
4.1 Data Hasil Praktikum...................................................................................13
4.2 Analisa Hasil................................................................................................14
BAB V PENUTUP...............................................................................................15
5.1 Kesimpulan..................................................................................................15
5.2 Saran............................................................................................................ 15
MATERI 7 ANALISA STOK IKAN, LAJU MORTALITAS DAN EKSPLOITASI

BAB I PENDAHULUAN...........................................................................................1
1.1 Latar Belakang..............................................................................................1
1.3 Waktu dan Tempat........................................................................................2

2.1 Pertumbuhan Stok Ikan................................................................................3
2.2 Laju Mortalitas...............................................................................................4
2.3 Laju Eksploitasi.............................................................................................5
2.4 Fish Assessment Tools (FiSAT) II................................................................6

3.1 Alat dan Bahan..............................................................................................8
3.2 Skema Kerja..................................................................................................9
4.2 Analisa Hasil................................................................................................15
4.2.1 Interpretasi Pertumbuhan Stok.......................................................................................15
4.2.2 Interpretasi Mortalitas....................................................................................................16
4.2.3 Interpretasi Eksploitasi...................................................................................................16
BAB V PENUTUP...............................................................................................18
5.1 Kesimpulan..................................................................................................18
5.2 Saran............................................................................................................ 18
DAFTAR PUSTAKA...........................................................................................19
LAMPIRAN.........................................................................................................25
DAFTAR GAMBAR
Gambar Halaman
1. Data Tingkat Kematangan Gonad (TKG).......................................................12
2. Data Panjang Ikan (TL)..................................................................................13
3. Data Ukuran Penyebaran Faktor Alometris....................................................21
4. Data Dendogram di Excel..............................................................................11
5. Tree Plot........................................................................................................11
6. Total Variance Explained...............................................................................12
7. grafik scatter PCA..........................................................................................12
8. interpretasi grafik Tree Plot............................................................................13
9. intepretasi PCA..............................................................................................14
10. Ikan Selar (Selar crumenophtalmus)..............................................................3
11. Hasil regresi.................................................................................................11
12. Grafik Cohort...............................................................................................11
13. Ikan Kuniran (Upeneus sulphureus)...............................................................3
14. Grafik OGIVE yang ditarik garis dengan tolak ukur L50%............................14
15. Analisa Hasil................................................................................................14
16. Grafik Von Bertalanffy Growth Formula.......................................................13
17. Plot Von Bertalanffy Growth Formula...........................................................13
18. Grafik knife edge Y'/R..................................................................................14
19. Grafik knife edge B'/R..................................................................................14
20. Grafik 2D analisis Y'/R dan B'/R...................................................................15
21. Data untuk ukuran pemusatan TKG.............................................................25
22. Meng-copy data pada kolom TKG...............................................................25
23. Pilih sort smallest to largest.........................................................................26
24. Pilih continue with the current selection kemudian klik sort.........................26
25. Mencari nilai modus.....................................................................................27
26. Mencari nilai TKG 1.....................................................................................27
30. Mencari nilai median....................................................................................29
31. Mencari nilai mean.......................................................................................29
32. Buka data untuk pemusatan data panjang ikan...........................................30
33. Copy data pada kolom kosong disamping kolom TL....................................30
34. Pilih sort and Filter.......................................................................................31
35. Pilih continue with the current selection kemudian klik sort..........................31
36. Mencari nilai median....................................................................................31
37. Mencari nilai mean.......................................................................................32
38. Data praktikum untuk ukuran penyebaran data............................................32
39. Mencari nilai ln ABD 6 dan ln W...................................................................33
40. Membuat kolom nilai....................................................................................33
41. Mencari nilai N1 dan N2...............................................................................34
42. Mencari regresi dari data.............................................................................34
43. Tampilan kotak dialog regresi......................................................................34
44. Mencari nilai a1 dan a2................................................................................36
45. Mencari nilai b1 dan b2................................................................................36
46. Mencari nilai SEb1 an SEb2........................................................................37
47. Mencari nilai Sb1 dan Sb2...........................................................................37
48. Mencari nilai S2b1.......................................................................................38
49. Mencari nilai T-tabel dengan selang kepercayaan 95%...............................38
50. Mencari nilai BB b1 dan BB b2....................................................................39
51. Mencari nilai BA b1 dan BA b2...................................................................40
52. Mencari nilai [b1 - b2]...................................................................................40
53. Mencari nilai S2 gabungan...........................................................................41
54. Mencari nilai T-hitung...................................................................................41
55. Mencari nilai T-tabel.....................................................................................42
56. Membuat kalimat hipotesis yang menyatakan H0 dan H1............................42
57. Menyatakan kesimpulan..............................................................................43
58. Pembuktian menggunakan pembandingan range N1 dan N2 terhadap Batas
Bawah dan Batas Atas..........................................................................................43
59. Plotan koordinat x dan y dalam hubungan regresi.......................................44
60. Pembuatan Garis Dugaan...........................................................................44
61. Penentuan Intercept.....................................................................................45
62. Penentuan slope atau b...............................................................................45
63. Menghitung nilai keakuratan data................................................................46
64. Data analysis sebagai perbandingan keakuratan menggunakan metode
Curve Fit By Eye...................................................................................................46
65. Ln data awal untuk mengetahui data hasil dan di regresi.............................47
66. Data input regression...................................................................................47
67. Data output regression.................................................................................48
68. Interpretasi Data..........................................................................................48
69. Buka Excel...................................................................................................49
70. save file excel dalam format 97-2003...........................................................49
71. open data menggunakan NTedit..................................................................50
72. Data import excel di NTedit..........................................................................50
73. Save file NTedit...........................................................................................50
74. Proses SimInt..............................................................................................51
75. Proses SimInt..............................................................................................51
76. Report Lising hasil SimInt............................................................................52
77. icon Tree Plot...............................................................................................52
78. Hasil Tree plot..............................................................................................53
79. Proses perubahan dalam bentuk JPEG.......................................................53
80. Proses pengecekan kesesuaian data..........................................................53
81.Buka file pada SPSS.....................................................................................54
82. Proses pemilihan worksheet........................................................................54
83. Proses alanyze data....................................................................................54
84. Data analyze yang sudah di input masing-masing kategori.........................55
85. Proses descriptivefactor analysis.................................................................56
86. Proses Extractionfactor analysis..................................................................56
87. Proses rotationfactor analysis......................................................................56
88. Proses scores factor analysis......................................................................57
89. Proses Option factor analysis......................................................................57
90. proses value untuk mengaktifkan perintah OK............................................58
91. Hasil total berdasarkan Variance Explain....................................................58
92. Grafik pada scree plot..................................................................................58
93. FAC di SPSS yang kemudia di copy dalam data morfometrik....................59
94. Memberi judul pada tiap-tiap PCA...............................................................59
95. Penghapusan tiap PCA berdasarkan jumlah spesies...................................60
96. Pembuatan grafik scatter.............................................................................60
97. Hasil grafik hubungan keeratan antar spesies.............................................60
98. Sampel Ikan.................................................................................................61
99. Pengukuran Ikan Panjang Ikan....................................................................61
100. Pengukuran Berat Ikan..............................................................................62
101. Hasil Pengukuran Panjang dan Berat........................................................62
102. Hasil Pengukuran Panjang dan Berat........................................................63
103. Pembuatan Form Pengolahan Data Allometris..........................................63
104. Mengolah Seluruh Data Pengolahan Data.................................................64
105. Pengolahan Data.......................................................................................64
106. Hasil Data Ln.............................................................................................64
107. Hasil Regresi data......................................................................................65
108. Hasil dan Kesimpulan................................................................................65
109. Data Praktikum..........................................................................................67
110. Data Ln(N+)...............................................................................................67
111. Tabel d Ln(N1+).........................................................................................67
112. Data d Ln(N+)............................................................................................68
113. Drag kolom................................................................................................68
114. Cohort 1.....................................................................................................69
115. Regresi......................................................................................................69
116. Input nilai X & Y.........................................................................................69
117. Perhitungan rumus a+(b*L)........................................................................70
118. Insert data tabel Ln(N1+)...........................................................................70
119. Penambahan data pertama dan kedua......................................................70
120. Data eksponensial.....................................................................................71
121. Data N2+...................................................................................................71
122. Menentukan cohort 2.................................................................................71
123. Pembuatan grafik.......................................................................................72
124. Memasukkan data grafik............................................................................72
125. Edit series..................................................................................................72
126. Hasil grafik.................................................................................................73
127. Interpretasi dan pengolahan data cohort....................................................73
128. Data praktikum...........................................................................................74
129. Jumlah total...............................................................................................74
130. Sl obs.........................................................................................................75
131. Kolom tabel Ln...........................................................................................75
132. Memilih data yang akan digunakan............................................................76
133. Analisis data regresi...................................................................................76
134. Sl est.......................................................................................................... 77
135. Nilai LM50%...............................................................................................77
136. Nilai SF......................................................................................................78
137. Nilai L50%..................................................................................................78
138. Nilai M optimal...........................................................................................79
139. Membuat grafik scatter..............................................................................79
140. Menarik garis L50% pada grafik scatter.....................................................80
141. Membuat kesimpulan.................................................................................80
142. Data Ms. Excel ikan lemuru.......................................................................81
143. Tampilan save as FISAT II.........................................................................81
144. Tampilan FISAT II......................................................................................82
145. Tampilan kotak perintah ELEFAN 1...........................................................82
146. Tampilan excel dengan tanda frekuensi tertinggi.......................................83
147. Tampilan perintah automatic search pada ELEFAN 1................................83
148. Tampilan grafik pada kotak perintah K-scan..............................................84
149. Kotak perintah plot VBGF curve pada ELEFAN 1......................................84
150. Data Ms. Excel ikan yellow strip goat.........................................................85
151. Hasil regresi mortalitas dan eksploitasi......................................................85
152. Hasil perhitungan pada Ln M, M, Z F, E, M/K, Lc, dan LC/L∞....................86
153. Tab perintah knife edge.............................................................................86
154. Hasil kurva knife edge K'/R........................................................................87
155. Hasil kurva knife edge B'/R........................................................................87
156. Hasil kurva 2D analisis Y'/R dan B'/R.........................................................88
DAFTAR TABEL
Tabel Halaman
1. Alat Praktikum Dinamika Populasi Ikan............................................................8
2. Bahan praktikum DInamika Populasi Ikan.........................................................9
3. Alat praktikum materi 3 tentang Curve Fit By Eye.............................................6
4. Bahan pratikum materi 2 tentang Curve Fit By Eye..........................................7
5. Alat yang digunakan pada saat praktikum........................................................6
6. Bahan yang digunakan pda saat praktikum......................................................7
7 . Alat Praktikum..................................................................................................8
8. Bahan Praktikum..............................................................................................9
9. Data Hasil Pengamatan Hubungan Panjang Berat Ikan Selar (Selaroides sp.)
.......................................................................................................................... 13
10. Tabel Alat........................................................................................................6
11. Tabel Bahan...................................................................................................7
12. Data Bhatacharya...........................................................................................9
13. Alat praktikum.................................................................................................9
14. Bahan praktikum...........................................................................................10
15. Data Hasil Tangkapan Ikan Kuniran (Upeneus sulphureus) pada Alat Tangkap
Trawl................................................................................................................... 13
16. Alat-alat yang digunakan pada praktikum 7....................................................8
17. Bahan-bahan yang digunakan pada praktikum 7............................................8
18. Tabel Skor Metode ELEFAN 1......................................................................12
19. Data skor tertinggi dari data ELEFAN 1........................................................12
20. Nilai parameter maksimum pada K Scan......................................................12
21. Hasil regresi mortalitas dan eksploitasi.........................................................13
DAFTAR LAMPIRAN
Lampiran Halaman
1. Materi 1 Biostatistika.......................................................................................25
2. Materi 2 Biostatistika : Curve fit by eye...........................................................44
3. NTSYS dan SPSS...........................................................................................49
4. Hubungan Panjang Berat................................................................................61
5. Bhattacharya...................................................................................................67
6. Selektifitas Alat Tangkap.................................................................................74
7. Analisa Stok Ikan, Laju Mortalitas dan Eksploitasi..........................................81
MATERI 1 BIOSTATISTIKA
DISUSUN OLEH:
KELOMPOK 1
Yulianita Fatmasari (165080200111005)
Muhammad Hafizs Tavo (165080200111013)
Nuri Afrilia (165080200111023)
Ninda Putri Alfiani (165080200111025)
AH. Wahyu Zunaidi (165080200111028)

MALANG
2018
LAPORAN AKHIR PRAKTIKUM DINAMIKA POPULASI IKAN P02 - FPIK UB2018 xvi
BAB I. PENDAHULUAN
1.1 Latar Belakang

Menurut Sulaiman dan Dian (2016), pertumbuhan populasi disebut juga
sebagai dinamika pertumbuhan populasi. Dalam menggambarkan dinamika
pertumbuhan populasi yang terjadi pada makhluk hidup, sangat diperlukan suatu
analisis yang mengacu pada pendekatan matematis. Salah satu model yang
dipakai untuk menganalisis pertumbuhan dinamika pertumbuhan populasi
tersebut adalah model eksponensial dan logistik. Pemodelannya tersebut
menggunakan pendekatan matematis dengan asumsi yang menyesuaikan pada
pola pertumbuhan bakteri, dimana individu-individu di dalam populasi seragam
dengan laju reproduksi yang tetap sepanjang waktu. Sebelum
mengkonstruksikan model matematika diperlukan terlebih dahulu teori-teori dari
fungsi eksponensial, turunan serta teori-teori lain yang mendukung.
Menurut Martosubroto (2010) dalam Ardelia (2016), kajian mengenai
indikator biologi dan dinamika populasi diperlukan untuk mengatur populasi
pemanfataan sumber daya tersebut. Precautionary approach atau pendekatan
kehati-hatian perlu dilakukan dalam rangka pembangunan berkelanjutan dibidang
perikanan untuk memastikan bahwa eksploitasi perikanan ke depan masih tetap
memberikan keuntungan bagi generasi yang akan datang . Indikator kehati-
hatian mencakup indikator natural history dan dinamika populasi. Kegiatan
penangkapan ikan tongkol dan tetengkek yang dilakukan terus-menerus dapat
mempengaruhi keberadaan stok sumber daya ikan tersebut. Ketersedian stok
sangat ditentukan oleh indikator biologi, dinamika populasi dan indikator
lingkungan. Kajian mengenai indikator biologi dan dinamika populasi diperlukan
untuk mengatur populasi pemanfataan sumber daya tersebut.
Dinamika populasi merupakan konsep batasan identifikasi populasi dan stok.
Parameter pengubahnya yaitu pendugaan, parameter pertumbuhan, rekruitmen,
mortalitas alami dan penangkapan. Dinamika populasi ikan khususnya
merupakan hal penting yang harus diperhatikan. Para ahli perikanan harus
menelaah dinamika populasi ikan dengan tepat untuk meminimalisir penurunan
sumberdaya perikanan pada suatu perairan. Ilmu statistik dalam mempelajari
dinamika populasi sangat membantu dalam mengevaluasi, memprediksi dan
merupakan dasar dari semua percobaan.
LAPORAN AKHIR PRAKTIKUM DINAMIKA POPULASI IKAN P02 - FPIK UB2018 1

1.2 Maksud dan Tujuan
Maksud dari praktikum pertama Dinamika Populasi Ikan adalah sebagai
berikut :
a. Untuk mengetahui cara melakukan perhitungan statistik nilai pemusatan
(median, modus, mean).dan nilai penyebaran (ragam, standar deviasi dan
galat.
b. Untuk mengetahui hubungan kekerabatan stok ikan anatar wilayah atau
dengan yang lain.
Tujuan dari praktikum pertama Dinamika Populasi Ikan adalah sebagai
berikut :
a. Mampu menerapkan perhitungan statistik untuk menghitung nilai pemusatan
(median, modus, mean) dan nilai penyebaran (ragam, standar deviasi dan
galat).
b. Mampu menduga hubungan kekerabatan stok ikan antara wilayah atau
dengan yang lain.
1.3 Waktu dan Tempat
Praktikum Dinamika Populasi Ikan Materi 1 dilaksanakan pada hari Minggu
tanggal 11 Maret 2018. Praktikum dilaksanakan di ruang perkuliahan, Gedung C
lantai 2 ruang C.2.6 Fakultas Perikanan dan Ilmu Kelautan, Universitas
Brawijaya, Malang.
BAB II. TINJAUAN PUSTAKA
2.1 Pengertian Biostatistik

Menurut Jale and Kendall (1990) dalam Kartiningrum (2015), statistik
merupakan kumpulan data kuantitatif yang dipengaruhi oleh berbagai sebab.
Selain itu statistik merupakan metode untuk menjelaskan data kuantitatif yang
dipengaruhi oleh berbagai sebab. Statistik memiliki tiga pengertian yaitu : statistik
sebagai kumpulan angka hasil dari pengukuran atau perhitungan, statistik
sebagai sampel dan data, dan statistik sebagai metode ilmiah yang digunakan
sebagai alat bantu untuk mengambil keputusan, analisis data dan lain-lain. Jadi
meskipun statistik memiliki beberapa pengertian yang berbeda namun tetap
memiliki makna yang sama yakni bahwa statistic digunakan untuk berbagai
kebutuhan yang berkaitan dengan informasi. Statistik kesehatan adalah suatu
cabang dari statistik yang berurusan dengan cara pengumpulan, kompilasi,
prngolahan, dan interpretasi fakta-fakta numerik yang berkaitan dengan sehat,
sakit, kelahiran, kematian, dan faktor-faktor yang mempengaruhi kesehatan (data
penilaian status kesehatan) yang sering disebut juga dengan vital statistic atau
biostatistik.
Metode statistika sebagai alat bantu untuk mengembangkan ilmu
pengetahuan dapat diterapkan dalam berbagai disiplin ilmu seperti pertanian,
industry, psikologi, ekonomi, manajemen, termasuk bidang kedokteran dan
kesehatan masyarakat. Statistika kesehatan ialah data atau informasi yang
berkaitan dengan masalah kesehatan. Statistika kesehatan sangat bermanfaat
untuk kepentingan administratif seperti merencanakan program pelayanan
kesehatan, menentukan alternatif penyelesaian masalah kesehatan dan
melakukan analisis tentang berbagai penyakit selama periode waktu tertentu
(time series analysis). Selain itu, statistika kesehatan juga berguna untuk
menentukan penyebab timbulnya penyakit baru yang belum diketahui atau untuk
menguji manfaat obat bagi penyembuhan penyakit tertentu sebagai hasil uji klinik
dinyatakan berhasil. Statistika kedokteran merupakan suatu pedoman yang
penting dalam penarikan kesimpulan dari hasil penelitian dalam upaya mencari
efektivits dan efisiensi obat untuk penyembuhan penyakit (Budiarto, 2002).
Statistika merupakan ilmu pengetahuan tentang pengembangan dan aplikasi
metode pengumpulan, pengolahan, penyajian, analisa / intrepretasi data
numerik. Disamping itu, kesalahan dalam pengambilan keputusan dapat
diperhitungkan secara numerik. Disisi lain biostatistika adalah cabang ilmu
statistik yang berkaitan dengan aplikasi metode statistik pada persoalan dibidang
biologi dan kedokteran. Biostatistik sendiri terdiri dari dua kata dasar yaitu bio
dan statistik, bio berarti hidup, sedangkan statistik adalah kumpulan angka-angka
sehingga secara harfiah biostatistik yaitu kumpulan angka-angka tentang
kehidupan. Jadi dapat disimpulkan bahwa, biostatistik merupakan ilmu yang
berisikan kumpulan metode kuantitatif untuk menyimpulkan
berbagai fenomena biologis berdasarkan data empiris yang didapat melalui
penginderaan fisik atau observasi.
2.2 Ukuran Pemusatan
Ukuran pemusatan adalah sembarang ukuran yang menunjukkan pusat
segugus data, yang telah diurutkan dari yang terkecil sampai yang terbesar atau
sebaliknya dari yang terbesar sampai yang terkecil. Salah satu kegunaan dari
ukuran pemusatan data adalah untuk membandingkan dua populasi. Ukuran
pemusatan yang paling banyak digunakan adalah mean, median, dan modus.
Median adalah salah satu ukuran pemusatan data, yaitu nilai pengamatan yang
tepat di tengah-tengah bila jumlah datanya ganjil, atau rata-rata kedua
pengamatan yang ditengah bila banyaknya pengamatan genap jika segugus data
diurutkan dari yang terkecil sampai yang terbesar atau yang terbesar sampai
yang terkecil. Kelebihan dari median yaitu median sama sekali tidak dipengaruhi
oleh nilai pencilan (Khairunnisa, 2014).
Menurut Kurnia et al. (2013) statistika deskriptif adalah metode-metode
yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga
memberikan informasi yang berguna. Terdapat dua ukuran numerik yang
menjelaskan ciri-ciri data yaitu ukuran pemusatan dan ukuran penyebaran.
Ukuran pemusatan yang sering digunakan adalah rata-rata, sedangkan untuk
ukuran penyebaran yang sering digunakan antara lain adalah range, dan varian.
Untuk menentukan ukuran pemusatan ataupun ukuran penyebaran data, dapat
dilakukan uji normalitas data. Jika sebaran data mempunyai distribusi normal,
maka digunakan mean sebagai ukuran pemusatan dan standar deviasi sebagai
ukuran penyebaran.
Ukuran pemusatan data merupakan salah satu pengukuran data dalam
statistika. Statistika adalah pengetahuan yang berhubungan dengan cara
penyusunan data, penyajian data, dan penarikan kesimpulan mengenai suatu
keseluruhan berdasarkan data yang ada.. Ukuran pemusatan data dapat
dilakukan dengan cara mencari sebuah nilai yang dapat mewakili dari suatu
rangkaian data. Adapun istilah lain dari ukuran pemusatan data yaitu ukuran
tendensi sentral. Ukuran pemusatan data terdiri atas tiga bagian yaitu mean
(rata-rata), median (nilai tengah), dan modus (nilai yang sering muncul).
2.3 Ukuran Penyebaran
Ukuran-ukuran deskriptif digunakan untuk menyatakan ciri lokasi dan
penyebaran pengubah pengukuran sebagai nilai rangkuman atas nilai-nilai
pengamatan yang ada. Untuk sebuah ukuran yang menyatakan posisi relative
nilai-nilai pengubah terhadap nilai pusat tersebut dinamakan ukuran persebaran.
Adapun ukuran-ukuran penyebaran adalah varian, standar deviasi, range, dan
sebagainya. Ukuran penyebaran data dapat dikatakan juga sebagai ukuran yang
menunjukkan seberapa jauh data menyebar dari rata-rata. Perlu diketahui pula
bahwa ukuran penyebaran data adalah berbagai macam ukuran statistik yang
dapat digunakan untuk mengetahui homogenitas data, yang dikenal juga sebagai
stabilitas data (Saeffudin dkk, 2009 dalam Novianti et al., 2013).
Menurut Marlina (2017), pada pengukuran statistika selain ukuran
pemusatan dan ukuran letak, juga terdapat ukuran penyebaran data. Disamping
itu, dispersi dapat digunakan untuk mengukur penyebaran suatu data. Ada
beberapa ukuran umum dispersi yang sering digunakan, yaitu standar deviasi
(nilai simpangan baku), varian (nilai kuadrat dari standar deviasi) dan standar
error mean (estimasi tentang standar deviasi). Nilai penyebaran menyatakan
seberapa jauh penyebar nilai antar gugus. Maksudnya adalah nilai satu data
dengan gugus data lainya.
Ukuran yang menyatakan posisi relative nilai-nilai penguubah terhadap nilai
pusat tersebut dinamakan ukuran persebaran. Ukuran penyebaran merupakan
ukuran data yang menyatakan seberapa jauh penyebar nilai data satu ke gugus
data lainya. Ukuran penyebaran yang dominan digunakan adalah standar
deviasi. Ada beberapa ukuran umum dispersi lainya yang sering digunakan, yaitu
standar deviasi (nilai simpangan baku), varian (nilai kuadrat dari standar deviasi)
dan standar error mean. Ukuran penyebaran data dapat dikatakan sebagai
ukuran statistik yang dapat digunakan untuk mengetahui homogenitas data.
2.4 Pendugaan Stok
Pendugaan kuantitatif mengenai ukuran populasi ikan sangat dibutuhkan
dalam pengembangan dan pengelolaan sumber daya ikan. Pemanfaatan sumber
daya ikan bisa optimal bila stok dan distribusi sumber daya ikan diketahui dengan
pasti langkah kebijakan eksploitasi dapat dilakukan dengan baik tanpa
membahayakan keberlanjutannya. Kabupaten Sikka memiliki kepentingan untuk
kegiatan usaha perikanan yang memanfaatkan sumber ikan pelagis kecil.
Pemancing di Alat tangkap menggunakan jaring insang yang banyak digunakan
dan garis panjang. Kabupaten Sikka, informasi yang baik tentang perikanan
seperti ketersediaan sumber daya, distribusi dan jenis ikan serta parameter
oseanografinya belum banyak diteliti. Berdasarkan parameter oceanografi
tersebut dalam ilmu akustik ada yang pasif (Pujiyati, 2016).
Menurut Subagio (2015), untuk tujuan pendugaan stok, peneliti
menggunakan model produksi surplus. Model produksi surplus merupakan salah
satu metode yang dapat digunakan dalam penilaian stok ikan, yaitu dengan
menggunakan data hasil tangkapan. Metode ini dapat menggambarkan kondisi
stok ikan dan tangkapan ikan dapat memprediksi masa depan berdasarkan data
Catch per Unit of Fishing Effort (CPUE). Tujuan dilakukannya pendugaan stok
ikan adalah untuk memberikan saran pemanfaatan sumber daya hayati yang
optimal seperti ikan, udang dan lain-lain. Pendugaan stok ikan dapat diartikan
sebagai pencarian tingkat utilisasi dalam jangka panjang memberikan hasil
perikanan secara maksimal dari segi berat.
Pendugaan stok ikan adalah riset yang mempunyai tujuan untuk membuat
prediksi kuantitatif tentang reaksi dari populasi ikan bersifat dinamis terhadap
sejumlah alternatif pengelolaan dengan menggunakan sejumlah metode dan
penghitungan statistik serta matematik. Metode ini dapat menggambarkan
kondisi stok ikan untuk memprediksi masa depan. Pemanfaatan sumber daya
ikan dapat menjadi optimal apabila stok sumber daya ikan diketahui. Dalam segi
berat, pendugaan stok ikan dapat diartikan sebagai pencarian tingkat utilisasi
dalam jangka panjang memberikan hasil yang maksimal. Stok ikan yang
diketahui dapat dengan mudah dimanajemen kembali untuk masa depan.
2.5 Analisa Uji T
Menurut Sundari (2016), uji t pada dasarnya menunjukkan seberapa jauh
pengaruh satu variabel penjelas secara individual dalam menerangkan variasi
variabel terikat. Uji t adalah uji signifikansi secara parsial yang dapat dirumuskan
sebagai berikut:
1) Ho : i = 0 (tidak ada pengaruh yang signifikan secara parsial).
2) Ha : i  0 (ada pengaruh yang signifikan secara parsial).
Jika nilai sig ≤ 0,05, maka Ho diterima, yang berarti signifikan, sedangkan
jika sig≥ 0,05 maka nilai Ho ditolak, yang berarti tidak signifikan, atau nilainya
tidak berbeda dari nol.
Menurut Astuti (2013), Independent Sample T-test adalah teknik analisa
statistik yang dipakai untuk melihat ada tidaknya perbedaan mean dari dua
kelompok sampel yang berasal dari populasi yang berbeda. Didalam
Independent Sample T-test dilakukan melalui dua tahapan pengujian, yaitu uji
kesamaan varians kedua sampel (Uji F) dan selanjutnya baru melakukan uji
mean kedua sampel (Uji T atau Ttest). Sedangkan Paired Sample T-test adalah
teknik analisa statistik yang dipakai untuk melihat ada tidaknya perbedaan mean
dari dua kelompok sampel yang berpasangan. Kedua uji tersebut (Independent
Sample T-test dan Paired Sample T-test) menggunakan kaidah keputusan uji
dua sisi (two-tailed). Dapat disimpulkan bahwa uji t merupakan uji yang
mengukur pengaruh parsial.
Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh
masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel
terikatnya. Uji ini dapat dilakukan dengan mambandingkan t hitung dengan t-
tabel atau dengan melihat kolom signifikansi pada masing-masing t hitung. Uji t
berbeda dengan uji anova, walaupun kedua uji tersebut sama-sama digunakan
untuk melihat perbedaan. Uji t hanya menguji 2 kelompok sampel saja,
sedangkan Anova menguji lebih dari 2 kelompok sampel. Uji t dibagi menjadi 3
yaitu uji t satu sampel (one sample t-test), uji t dua sampel independen
(independent sample t-test), dan uji t dua sampel berpasangan (t-paired t-test).
BAB III. METODOLOGI
3.1 Alat dan Bahan

Alat yang digunakan pada saat praktikum adalah :
Tabel 1. Alat Praktikum Dinamika Populasi Ikan
No. Alat Gambar Alat Fungsi
1. Laptop Untuk mewadahi aplikasi
yang akan digunakan
2. Kabel Rol Untuk sambungan

pengisi daya pada
charger
3. Charger Untuk mengisi daya

laptop
4. Aplikasi Untuk memberi petunjuk

MS.Excel saat mengolah data
5. Flashdisk Sebagai pengimpan dan

pengirim berkas
(Sumber: Kajian Praktikum DInamika Populasi Ikan 2018)

Bahan yang digunakan pada saat praktikum adalah :
Tabel 2. Bahan praktikum DInamika Populasi Ikan
No. Bahan Kegunaan

1. Data praktikum 1 (data
Sebagai bahan pengolahan data ukuran
ukuran pemusatan)
pemusatan
2. Data Praktikum 1 (data
Sebagai bahan pengolahan data kondisi
kondisi allometris)
alometris
3.2 Skema Kerja
Pada praktikum dinamika populasi ikan materi biostatistika skema kerja yang
digunakan adalah sebagai berikut :
3.2.1 Skema Kerja Ukuran Pemusatan
3.2.2 Skema Kerja Pengolahan Data Faktor Kondisi Alometris
3.3 Analisa Prosedur

Dalam praktikum Dinamika Populasi Ikan, hal pertama yang harus
dipersiapkan adalah bahan dan alat praktikum. Data yang digunakan dalam
praktikum yaitu data ukuran pemusatan dan faktor kondisi alometris. Pada
pengolahan data ukuran pemusatan pertama kali yang harus dilakukan yaitu
membuka data pada aplikasi Ms. Excel, data terdiri dari 2 tabel. Tabel pertama
merupakan data Tingkat Kematangan Gonad (TKG), tabel kedua merupakan
data panjang ikan (TL). Kemudian copy data TKG pada kolom baru dan
mengurutkannya, kemudian mencari nilai modus, median dan mean. Pada tabel
kedua nilai SL di copy di kolom baru dan diurutkan selanjutnya, dicari nilai
median dan meannya. Pada tabel kedua nilai modus tidak diperlukan karena
ukuran panjang ikan berbeda-beda.
Pada pengolahan data faktor kondisi alometris, langkah pertama yaitu data
dibuka pada aplikasi Ms. Excel, kemudian dicari nilai Ln dari variabel W dan SL,
selanjutnya diregresikan dengan menggunakan data analysis dan didapat nilai a,
b, Standard Error (SE), batas atas dan batas bawah, yang kemudian digunakan
dalam perhitungan T-hitung dan T-tabel. Setelah didapatkan hasilnya, kemudian
diinterpretasikan. Sebelum melakukan interpretasi, perlu dibuat hipotesis, yaitu
kalimat yang mendukung H0 dan H1. Apabila hasil pengolahan data memiliki nilai
T-hitung lebih kecil dibandingkan nilai T-tabel maka, terima H0 dan tolak H1 ,
begitu pula sebaiknya.
BAB IV. PEMBAHASAN
4.1 Data Hasil Praktikum

4.1.1 Data Ukuran Pemusatan
Data TKG
ID (1 – 4)
1 2 1
2 2 1
MODUS 1
3 1 1
TKG 1 9
4 1 1
TKG 2 6
5 3 1
TKG 3 4
6 2 1
TKG 4 1
7 1 1
MEDIAN 2
8 2 1
MEAN 1.85
9 1 1
10 3 2
11 1 2
12 4 2
13 3 2
14 2 2
15 1 2
16 1 3
17 1 3
18 2 3
19 3 3
20 1 4
Gambar 1. Data Tingkat Kematangan Gonad (TKG)
No TL
1 5 3.5
2 7 4
3 3.5 5
4 10 5.5
5 4 7
6 8 8
7 8.5 8.5
8 11 9
9 9 9.5
10 5.5 10
11 9.5 10.5
12 11.5 11
13 10.5 11.5
14 12.5 12
MEDIAN 9
15 12 12.5
MEAN 8.5
Gambar 2. Data Panjang Ikan (TL)
4.1.2 Data Ukuran Penyebaran
Site ID ABD 6 W LN (ABD 6) LN (W)
1 31.02 4.57 3.434632 1.519513

1 33.02 14.07 3.497113 2.644045
1 30.82 15.94 3.428164 2.768832
1 36.41 12.17 3.594843 2.498974
1 35.89 11.12 3.580459 2.408745
1 29.89 11.80 3.397524 2.4681
1 42.44 8.84 3.748091 2.179287
1 34.43 11.06 3.538928 2.403335
1 26.01 11.26 3.258481 2.421257
1 34.03 10.02 3.527242 2.304583
1 39.09 10.14 3.665867 2.316488
1 38.18 9.72 3.642312 2.274186
1 31.6 11.11 3.453157 2.407846
1 38.49 9.05 3.650398 2.202765
1 46.22 9.62 3.833413 2.263844
1 38.01 9.37 3.637849 2.237513
1 32.36 8.70 3.476923 2.163323
1 32.62 8.91 3.484926 2.187174
1 31.92 10.69 3.463233 2.369309
1 31.71 8.57 3.456632 2.148268
1 25.31 7.87 3.2312 2.063058
1 42.33 9.44 3.745496 2.244956
1 32.62 8.66 3.484926 2.158715
1 42.34 7.74 3.745732 2.046402
1 32.38 9.08 3.477541 2.206074
1 30.12 7.28 3.405189 1.985131
1 36.44 9.69 3.595667 2.271094
1 33.38 9.00 3.507957 2.197225
1 32.87 4.85 3.49256 1.578979
1 28.77 7.34 3.359333 1.993339
1 38.25 6.31 3.644144 1.842136
1 45.83 6.64 3.824939 1.893112
1 29.62 8.99 3.38845 2.196113
1 31.5 8.41 3.449988 2.129421
1 36.3 5.96 3.591818 1.78507
1 32.62 6.33 3.484926 1.8453
1 31.61 8.84 3.453474 2.179287
1 38.99 6.26 3.663305 1.83418
1 29.68 6.27 3.390473 1.835776
1 39.56 7.66 3.677819 2.036012
1 28.29 6.44 3.342508 1.862529
1 30.99 8.07 3.433665 2.088153
1 36.06 6.20 3.585184 1.824549
1 38.09 6.30 3.639952 1.84055
1 26.01 7.04 3.258481 1.951608
1 30.4 6.04 3.414443 1.798404
1 30.35 5.26 3.412797 1.660131
1 34.82 4.80 3.550192 1.568616
1 37.1 2.80 3.613617 1.029619
1 34.25 9.51 3.533687 2.252344
1 38.99 6.83 3.663305 1.921325
1 42.29 8.45 3.744551 2.134166
1 31.76 7.85 3.458208 2.060514
1 30.8 6.28 3.427515 1.83737
1 33.28 7.77 3.504957 2.05027
1 32.62 5.80 3.484926 1.757858
1 37.53 3.00 3.625141 1.098612
1 37.96 24.00 3.636533 3.178054
1 28.97 19.55 3.366261 2.972975
1 34.17 10.20 3.531348 2.322388
1 31.31 14.30 3.443938 2.66026
1 32.35 13.02 3.476614 2.566487
1 37.19 15.94 3.61604 2.768832
1 31.34 18.51 3.444895 2.918311
1 40.72 12.36 3.706719 2.514465
1 30.82 10.94 3.428164 2.392426
1 48.11 11.43 3.87349 2.436241
1 32.85 8.58 3.491952 2.149434
1 34.25 10.93 3.533687 2.391511
1 26.73 9.27 3.285787 2.226783
1 31.31 8.40 3.443938 2.128232
1 33.05 9.85 3.498022 2.287471
1 32.48 7.94 3.480625 2.071913
1 45.59 6.75 3.819688 1.909543
1 39.63 7.42 3.679586 2.004179
1 28.4 5.88 3.346389 1.771557
1 34.03 5.42 3.527242 1.690096
1 39.99 4.44 3.688629 1.490654
1 32.53 5.23 3.482163 1.654411
2 33.38 18.1 3.507957 2.8937
2 36.57 18.8 3.599228 2.931194
2 35.6 18.5 3.572346 2.915606
2 38.49 22.1 3.650398 3.097386
2 39.34 25.6 3.672242 3.243764
2 42.44 20.3 3.748091 3.008155
2 30.8 27.9 3.427515 3.328627
2 38.71 18.4 3.656098 2.911807
2 48.28 13.5 3.877017 2.601207
2 43.75 19.6 3.778492 2.973998
2 42.44 17.8 3.748091 2.87976
2 30.8 19.0 3.427515 2.944439
2 39.75 14.4 3.68261 2.665838
2 47.08 12.2 3.851848 2.503892
2 40.76 12.8 3.707701 2.546315
2 38.33 12.4 3.646233 2.519308
2 30.35 14.7 3.412797 2.689207
2 38.68 12.2 3.655323 2.504709
2 45.41 11.6 3.815732 2.451005
2 38.01 10.2 3.637849 2.325325
2 34.31 15.3 3.535437 2.726545
2 35.31 11.7 3.564166 2.457021
2 35.66 9.7 3.57403 2.269028
2 35.89 9.4 3.580459 2.23858
2 34.17 11.2 3.531348 2.411439
2 34.74 10.3 3.547892 2.33602
2 38.3 10.4 3.64545 2.343727
2 36.71 7.8 3.603049 2.057963
2 42.44 6.8 3.748091 1.918392
2 35.89 7.0 3.580459 1.951608
2 39.73 6.4 3.682107 1.848455
2 32.62 7.4 3.484926 2.004179
2 28.28 7.1 3.342155 1.958685
2 38.99 5.7 3.663305 1.747459
2 28.97 5.8 3.366261 1.750937
2 38.25 5.9 3.644144 1.766442
2 40.9 7.0 3.71113 1.950187
2 31.76 5.9 3.458208 1.778336
2 30.8 5.4 3.427515 1.688249
2 39.75 6.0 3.68261 1.795087
2 37.36 5.1 3.620601 1.619388
2 39.56 5.7 3.677819 1.742219
2 28.29 5.3 3.342508 1.673351
2 40.15 5.5 3.692622 1.704748
2 32.85 5.6 3.491952 1.713798
2 34.25 5.5 3.533687 1.702928
2 40.76 4.6 3.707701 1.521699
2 30.9 4.8 3.430756 1.568616
2 33.23 4.4 3.503453 1.481605
2 36.57 5.2 3.599228 1.646734
2 46.59 4.6 3.841386 1.534714
2 38.49 4.7 3.650398 1.545433
2 33.28 4.7 3.504957 1.547563
2 46.09 4.1 3.830596 1.418277
2 35.66 3.9 3.57403 1.360977
2 35.89 4.2 3.580459 1.427916
2 39.73 4.6 3.682107 1.519513
2 27.53 4.2 3.315276 1.425515
2 35.7 3.4 3.575151 1.211941
2 34.5 4.82 3.540959 1.572774
2 39.16 24.67 3.667656 3.205588
2 45.83 24.73 3.824939 3.208017
2 37.23 25.04 3.617115 3.220475
2 31.5 21.11 3.449988 3.049747
2 33.84 17.68 3.521644 2.872434
2 34.43 17.14 3.538928 2.841415
2 35.79 16.38 3.577669 2.796061
2 34.57 16.89 3.542986 2.826722
2 36.82 17.21 3.606041 2.845491
2 46.22 11.86 3.833413 2.473171
2 28.33 12.78 3.343921 2.547881
2 46.59 13.27 3.841386 2.585506
2 31.09 16.39 3.436886 2.796671
2 40.84 11.53 3.709662 2.444952
2 29.19 11.58 3.373826 2.449279
2 35.66 10.80 3.57403 2.379546
2 35.89 10.87 3.580459 2.386007
2 39.73 11.60 3.682107 2.451005
2 42.05 9.93 3.738859 2.29556
2 31.62 10.17 3.45379 2.319442
2 34.03 12.55 3.527242 2.529721
2 34.17 10.95 3.531348 2.393339
2 29.62 11.28 3.38845 2.423031
2 33.4 10.79 3.508556 2.37862
2 35.07 9.79 3.557346 2.281361
2 29.82 11.77 3.395179 2.465554
2 34.43 10.14 3.538928 2.316488
2 37.96 8.08 3.636533 2.089392
2 51.36 9.93 3.93886 2.29556
2 45.69 8.55 3.821879 2.145931
2 40.93 8.09 3.711863 2.090629
2 39.32 9.61 3.671733 2.262804
2 48.28 11.37 3.877017 2.430978
2 48.28 9.74 3.877017 2.276241
2 38.3 7.59 3.64545 2.026832
2 36.71 7.48 3.603049 2.012233
2 38.25 8.24 3.644144 2.109
2 38.29 9.56 3.645189 2.257588
2 31.08 8.85 3.436565 2.180417
2 31.5 8.03 3.449988 2.083185
2 31.02 7.63 3.434632 2.032088
2 36.62 8.48 3.600595 2.13771
2 46.31 7.54 3.835358 2.020222
2 31.34 7.36 3.444895 1.99606
2 38.54 7.55 3.651697 2.021548
2 38.49 6.28 3.650398 1.83737
2 28.17 7.26 3.338258 1.98238
2 31.62 7.53 3.45379 2.018895
2 30.85 7.30 3.429137 1.987874
2 35.16 7.11 3.559909 1.961502
2 34.25 6.71 3.533687 1.903599
2 40.76 8.46 3.707701 2.135349
2 30.82 7.32 3.428164 1.99061
2 48.11 6.88 3.87349 1.928619
2 33.06 7.41 3.498324 2.00283
2 34.25 8.38 3.533687 2.125848
2 33.08 6.35 3.498929 1.848455
2 38.01 8.03 3.637849 2.083185
2 40.76 6.83 3.707701 1.921325
2 28.77 5.97 3.359333 1.786747
2 30.85 9.06 3.429137 2.203869
2 30.86 6.23 3.429461 1.829376
2 33.4 6.64 3.508556 1.893112
2 27.29 6.68 3.30652 1.899118
2 32.17 7.34 3.471034 1.993339
2 42.92 7.62 3.759338 2.030776
2 38.71 7.05 3.656098 1.953028
2 34.74 7.43 3.547892 2.005526
2 33.84 6.22 3.521644 1.82777
2 29.68 8.16 3.390473 2.099244
2 35.17 7.19 3.560193 1.972691
2 42.44 6.78 3.748091 1.913977
2 30.49 7.11 3.417399 1.961502
2 48.28 6.98 3.877017 1.943049
2 47.08 6.81 3.851848 1.918392
2 43.75 5.68 3.778492 1.736951
2 29.19 8.07 3.373826 2.088153
2 33.35 6.93 3.507058 1.93586
2 30.86 5.47 3.429461 1.699279
2 47.08 5.85 3.851848 1.766442
2 48.28 5.56 3.877017 1.715598
2 35.6 4.49 3.572346 1.501853
2 42.34 5.26 3.745732 1.660131
2 30.85 6.64 3.429137 1.893112
2 32.85 5.31 3.491952 1.669592
2 34.25 5.81 3.533687 1.759581
2 32.23 4.31 3.472898 1.460938
2 38.87 4.79 3.660223 1.56653
2 47.49 5.93 3.860519 1.780024
2 28.33 5.87 3.343921 1.769855
2 38.87 5.27 3.660223 1.66203
2 39.5 5.10 3.676301 1.629241
2 29.89 6.19 3.397524 1.822935
2 29.82 5.06 3.395179 1.621366
2 34.43 4.41 3.538928 1.483875
2 37.53 4.40 3.625141 1.481605
2 38.87 4.55 3.660223 1.515127
2 39.09 4.35 3.665867 1.470176
2 44.62 4.73 3.798182 1.553925
2 39.25 4.18 3.669951 1.430311
2 28.77 3.57 3.359333 1.272566
2 35.66 3.60 3.57403 1.280934
2 52.18 3.56 3.954699 1.269761
2 29.89 3.21 3.397524 1.166271
2 31.68 3.19 3.455686 1.160021
2 42.29 2.85 3.744551 1.047319
2 30.49 2.88 3.417399 1.05779
2 51.36 2.30 3.93886 0.832909
n1 = 79 n2 = 168
a1 = 35.57 a2 = 35.40
b1 = 0.00 b2 = -0.02
SE b1 = 0.02 SE b2 = 0.04
Sb1 = 0.01 Sb2 = -0.22
2 2
S b1 = 0.00 S b2 = 0.05
t0.05(n-1) = 1.99 t0.05(n-1) = 1.97
BB b1 = -0.04 BB b2 = -0.10
BA b1 = 0.04 BA b2 = 0.07
|b1 - b2| = 0.02
S2gab = 0.034
thit = 0.73
t0.05((n1-1)+(n2-1)) = 1.97
Gambar 3. Data Ukuran Penyebaran Faktor Alometris
4.2 Analisa Hasil
4.2.1 Analisa Hasil Data Ukuran Pemusatan
Berdasarkan data ukuran pemusatan tingkat kematangan gonad didapatkan
hasil yaitu untuk modus atau nilai yang sering muncul pada data ialah angka 1,
untuk tingkat kematangan gonad 1 diperoleh hasil sebanyak 9, adapun tingkat
kematangan gonad 2 diperoleh hasil sebanyak 6, dan untuk tingkat kematangan
gonad 3 diperoleh hasil sebanyak 4, serta tingkat kematangan gonad 4 diperoleh
hasil sebanyak 1. Sedangkan untuk nilai median diperoleh hasil yaitu 2, dan
untuk nilai mean didapatkan nilai sebesar 1,85. Berdasarkan data ukuran
pemusatan panjang ikan (TL) dengan jumlah total individu sebanyak 15 individu
diperoleh hasil median sebesar 9 sedangkan untuk nilai mean didapatkan hasil
sebesar 8,5
4.2.2 Analisa Hasil Data Ukuran Penyebaran
Berdasarkan data ukuran penyebaran alometris ikan peperek yang dilakukan
sampling di daerah Mayangan dan Muncar didapatkan hasil yaitu jumlah total
sampel ikan peperek di Mayangan (n1) sejumlah 79 ekor dan jumlah total sampel
ikan peperek di Muncar (n2) sejumlah 168 ekor. Sedangkan perolehan a1 dan a2
yaitu 35,57 dan 35,40. Adapun a sendiri adalah intercep pada persamaan
panjang-berat ikan peperek. Berdasarkan nilai regresi a1 diketahui bahwa nilai
intercept-nya adalah 3,57 sedangkan nilai X Variabel adalah 0,00 serta untuk
nilai standar error diketahui 0,02. Adapun nilai regresi a2 diketahui bahwa nilai
intercept-nya adalah 3,57 sedangkan nilai X variabel nya adalah -0,02 serta
untuk nilai standar error didapatkan sebesar 0,04. Nilai b1 dan b2 yaitu 0,00 dan
-0,02, b1 merupakan faktor kondisi alometris di daerah Mayangan dan b2
merupakan faktor kondisi alometris di daerah Muncar. Angka 1 dan 2 sendiri
merupakan lokasi sampel yaitu di daerah Mayangan dan Muncar. SEb1 dan
SEb2 diperoleh hasil 0,02 dan 0,04. SE sendiri merupakan singkatan dari
sandard error. Untuk nilai Sb1 dan Sb2 didpatkan hasil 0,01 -0,22. S sendiri
merupakan standard deviasi pada sampel ikan di daerah Mayangan dan Muncar.
S²b1 dan S²b2 didapatkan hasil sebanyak 0,00 dan 0,05. S² merupakan ragam
dari data. Sedangakan sebaran t tabel pada selang kepercayaan 95% dan n-1 di
Mayangan diperoleh hasil 1,99 dan sebaran t tabel pada selang kepercayaan
95% dan n-1 di daerah Muncar didapatkan hasil yaitu 1,97. Nilai batas bawah b1
(BBb1) didapatkan hasil -0,04 dan batas bawah b2 (BBb2) didapatkan hasil -
0,10. Untuk nilai batas atas b1 (BAb1) dan batas atas b1 (Bab2) diperoleh hasil
yaitu 0,04 dan 0,07. Untuk nilai absolut b1-b2 atau |b1-b2| didapatkan hasil 0,02.
Sedangkan nilai ragam gabungan diperoleh hasil 0,034. Adapun nilai t hitung
didapatkan hasil 0,73 dan nilai t tabel diperoleh hasil 1,97. Dengan demikian
dapat disimpulkan bahwa t hitung < t tabel sehingga dapat dikatakan bahwa ikan
peperek yang ada di daerah Mayangan dan Muncar berada dalam satu stok.
BAB V. PENUTUP
5.1 Kesimpulan
Dari kesimpulan di atas dapat diambil kesimpulan bahwa dinamika populasi
merupakan proses peningkatan (increasing) ataupun penurunan (decreasing)
populasi baik dalam jumlah individu maupun biomassa dalam periode waktu
tertentu. Oleh karenanya dibutuhkan suatu pengolahan data statistik khususnya,
dalam bidang perikanan untuk mengetahui perkembangan dan peningkatan stok
ikan yang terdapat di berbagai wilayah Indonesia. Pengolahan data statistik
dapat dilakukan dengan 2 cara, yaitu dengan menggunakan ukuran pemusatan
data dan ukuran penyebaran data. Untuk ukuran pemusatan sendiri merupakan
penyerdehanaan data untuk mempermudah membuat interpretasi dan
kesimpulan, yang terdiri atas mean, median dan modus. Sedangkan ukuran
penyebaran data yaitu ukuran yang menyatakan seberapa jauh nilai tersebar dari
data satu dengan lainnya dari gugus data dan terdiri atas standar deviasi, ragam
dan galat. Pengolahan data statistik tersebut dapat dilakukan dengan bantuan
Ms. Excel.
5.2 Saran
Dalam pelaksanaan praktikum kampus sudah berjalan dengan baik, namun
alangkah baiknya apabila asisten kelas lebih menjelaskan perihal tugas individu
yang akan diberikan, seperti data apa yang harus dihapus untuk menggantikan
data yang diberikan kepada kami karena dari kelas saya masih banyak
mahasiswa yang kurang memahami tentang tugas individu.
MATERI 2 CURVE FIT BY EYE
DISUSUN OLEH:
KELOMPOK 2:
ABDUL MANIK DIN WAHYU KUMALA (165080200111037)
ARBI NUR HAKIM (165080200111046)
DEANDRA LINTANG PANGESTU (165080200111048)
ANA FITROTUN NISAK (165080201111005)
HERU HERMANTO (165080201111011)

MALANG
2018

BAB I PENDAHULUAN
1.1 Latar Belakang

Menurut Hijriani et.al (2016), Path dependency masalah perikanan Indonesia
sebenarnya secara sederhana dapat dilihat dari dua faktor generik.
Pertama,bagaimana kita menangani sumberdaya,termasuk didalamnya adalah
pendugaan stok ikan,penilaian terhadap stok ikan. Faktor yang kedua
bagaimana kita menangani input yang digunakan untuk mengeksraksi sumber
daya (kapital nelayan,dan sebagainya). Penanganan stok ikan sangat bersifat
path dependent karena sifat dinamis dari sumberdaya mengharuskan kita
mempelajari perilaku stok dimasa lalu. Untuk mengetahui kondisi stok saat ini
harus diketahui gangguan (perturbation) terhadap stok ikan di masa lalu.
Data yang didapatkan,baik hasil dari suatu penelitian atau pengamatan pada
umumnya,dinyatakan dalam suatu bentuk tabel. Terdapat Dua pendekatan yang
dapat dilakukan untuk mengolah data dalam bentuk tabel tersebut. Pertama
interpolasi,yaitu metode pendekatan untuk mencari nilai data di antara nilai-nilai
yang ada atau diketahui,dengan anggapan bahwa data yang ada adalah benar.
Kedua pencocokan kurva (curve fitting),yaitu metode pendekatan untuk mencari
bentuk kurva yang dapat mewakili hampir seluruh data yang ada. Dengan kata,
kurva tersebut tidak harus melewati seluruh data yang ada (Junaidi, 2015).
Pendugaan stok ikan atau populasi ikan dapat dilakukan dengan berbagai
cara. Salah satunya adalah dengan metode Curve Fit By Eye, yang
menggunakan teknik transformasi dan regresi. Curve fit by eye ini merupakan
proses pendekatan terhadap kecenderungan data-data dalam bentuk persamaan
model matematika. Langkah dalam metode ini adalah membuat grafik pada
kertas millimeter block, meramalkan bentuk persamaan, mengevaluasi nilai
tetapan-tetapan, dan mengambil keputusan. Metode ini memiliki kelebihan
seperti dapat digunakan ketika tidak ada computer, pengambilan keputusan
membutuhkan waktu yang lebih singkat, dan tidak membutuhkan tingkat akurasi
yang tinggi.
LAPORAN AKHIR PRAKTIKUM DINAMIKA POPULASI IKAN P02 - FPIK UB2018 1 1

Maksud dari praktikum pertama materi biostatisatika adalah sebagai berikut:
a. Untuk mengetahui cara melakukan transformasi linier pada persamaan non-
linier, dan menghitung persamaan regresi dengan kertas grafik (curve- fit by
eye)
b. Untuk mengetahui cara melakukan metode Curve Fit By Eye.
c. Untuk mengetahui cara mengambil keputusan dari hasil perhitungan
menggunakan metode Curve Fit By Eye.
Tujuan dari praktikum pertama materi biostatisatika adalah sebagai berikut:
a. Mampu melakukan transformasi linier pada persamaan non-linier, dan
menghitung persamaan regresi dengan kertas grafik (curve- fit by eye).
b. Mampu melakukan transformasi linier pada persamaan non-linier, dan
menghitung persamaan regresi dengan kertas grafik (curve-fit by eye).
c. Mampu melakukan metode Curve Fit By Eye.
d. Mampu mengambil keputusan dari hasil perhitungan menggunakan metode
Curve Fit By Eye.
Praktikum Dinamika Populasi Ikan materi Curve Fit By Eye dilakukan pada
hari Minggu tanggal 18 Maret 2018 Pukul 13.30 – 15.30 WIB. Praktikum
dilaksanakan di ruang perkuliahan, Gedung C lantai 2 ruang C 2.6 Fakultas
Perikanan dan Ilmu Kelautan Universitas Brawijaya, Malang.
BAB II TINJAUAN PUSTAKA
2.1 Pengertian Transformasi Data

Transformasi data akan membantu pemakai memperoleh data yang siap
untuk dianalisis. Pemakai dapat dengan mudah melakukan subset data,
mengkombinasikan kategori, add, aggregat, merge, split, dan beberapa perintah
transpose files, serta yang lainnya. Metode transformasi yang digunakan yakni
method of successive interval. Metode tersebut digunakan untuk melakukan
transformasi data ordinal menjadi data interval. Pada umumnya jawaban
responden yang diukur dengan menggunakan skala likert (Lykert scale).
Diadakan scoring yakni pemberian nilai numerikal 1, 2, 3, 4 dan 5. Setiap skor
yang diperoleh akan memiliki tingkat pengukuran ordinal(Junaidi, 2014).
Menurut Hastono pada tahun (2016), data Entry yang berada pada
transformasi data pada dasarnya dapat langsung dilakukan analisis untuk
mengetahui informasi yang diinginkan. Namun seringkali data yang ada tidak
semuanya dapat langsung dilakukan analisis. Beberapa data masih perlu
dilakukan modifikasi/transformasi, misalnya untuk keperluan analisis harus
mengelompokkan umur menjadi tiga katagori misalnya < 20 th, 20 – 35 th dan >
35 th. Selain itu, membuat variabel baru hasil dari gabungan beberapa variabel
(misalnya variabel sikap diukur oleh 10 pertanyaan/variabel), maka langkah yang
harus dilakukan adalah aktifitas di SPSS untuk menggabungkan beberapa
variabel tersebut.
Transformasi merupakan sebuah proses perubahan secara berangsur-
angsur sehingga sampai pada tahap ultimate. Transformasi digunakan karena
data yang diolah tidak semuanya memiliki hubungan linier. Perubahan dilakukan
dengan cara memberi respon terhadap pengaruh unsur eksternal dan internal
yang akan mengarahkan perubahan dari bentuk yang sudah dikenal
sebelumnya. Data-data tranformasi adalah data-data eksponensial. Data yang
awalnya eksponensial akan ditransformasi menjadi data linier agar dapat
dianalisa menggunakan regresi.
2.2 Regresi Linier
Analisis regresi linier adalah teknik statistika yang dapat digunakan untuk
menjelaskan pengaruh variabel bebas (independent variable) terhadap variabel
tak bebas (dependent variable). Salah satu asumsi yang harus dipenuhi untuk
melakukan pengujian hipotesis terhadap parameter pada analisis regresi linier
berganda adalah tidak terjadinya korelasi antar variabel bebas (multikolinier).
Hasil analisis regresi adalah berupa koefisien untuk masing-masing variabel
independen. Koefisien ini diperoleh dengan cara memprediksi nilai variabel
dependen dengan suatu persamaan; Koefisien regresi dihitung dengan dua
tujuan sekaligus: pertama, meminimumkan penyimpangan antara nilai aktual dan
nilai estimasi variabel dependen berdasarkan data yang ada (Marcus et.al.,
2013).
Pengujian Regresi linear merupakan pengujian hipotesis yang menguji
pengaruh antara dua variable. Menggunakan metode regresi linier. Pengujian
regresi linier digunakan untuk menguji hipotesis antara variable independen
dengan variable lokasi. Regresi linier untuk mengetahui pengaruh antara satu
atau beberapa variable. Pengujian regresi linier digunakan untuk menguji
keterkaitan antara dua variable. Variabel yang mempengaruhi disebut variabel
independen dan variabel penjelas(Rahardjo, 2016).
Regresi merupakan alat ukur yang digunakan untuk mengetahui ada
tidaknya korelasi antar variable. Analisis regresi dalam statistika adalah salah
satu metode untuk menentukan hubungan sebab-akibat antara satu variable
dengan variable-variabel yang lain. Analisis regresi lebih akurat dalam analisis
korelasi karena tingkat perubahan pada suatu variable terhadap variable lainnya
dapat ditentukan. Pada regresi, peramalan atau perkiraan nilai variable terikat
pada nilai variable bebas lebih akurat pula. Regresi linier memiliki persamaan (Y
= a + bx) dimana Y adalah variable terikat, a adalah konstanta, b adalah
koefisien regresi, dan x adalah variable bebas.
2.3 Metode Curve Fit By Eye
Curve-fitting merupakan proses data-smoothing, yakni proses pendekatan
terhadap kecenderungan data-data dalam bentuk persamaan model matematika.
Proses ini juga dapat digunakan untuk keperluan interpolasi data. Analisis
regresi merupakan suatu model matematis yang dapat digunakan untuk
mengetahui bentuk hubungan antar dua atau lebih variabel. Tujuan analisis
regresi adalah untuk membuat perkiraan (prediksi) nilai suatu variabel (variabel
dependen) melalui variabel yang lain (variabel independen). Untuk melakukan
prediksi digunakan persamaan garis yang dapat diperoleh dengan berbagai
cara/metode. Salah satu cara yang sering digunakan oleh peneliti adalah dengan
menggunakan metode kuadrat terkecil (least square) yang berada pada metode
Curve Fit By Eye. Terdapat pula cara menganalis regresi secara manual dengan
menggunakan kertas grafik dan hitungan matematis yang disebut dengan
metode Curve fitting. (Hastono, 2016)
Menurut Kurniawan pada tahun (2015), menyatakan bahwa di dalam suatu
model regresi baik model regresi secara manual dan dengan menggunakan
bantuan program (Ms. Excel) untuk menemukan koefisien-koefisien. Koefisien
pada model regresi sebenarnya adalah nilai duga parameter di dalam model
regresi untuk kondisi yang sebenarnya (true condition). Sama halnya dengan
statistik mean (rata-rata) pada konsep statistika dasar. Hal ini dikarenakan,
koefisien-koefisien untuk model regresi merupakan suatu nilai rata-rata. Nilai
rata-rata ini yang berpeluang terjadi pada variabel Y (variabel terikat) bila suatu
nilai X (variabel bebas) diberikan.
Metode curve fit by eye merupakan sutau proses analisis data menggunakan
transformasi dan regresi linier. Metode ini merupakan proses pendekatan
terhadap kecenderungan data-data dalam bentuk persamaan model regresi linier
(Y = a + bx). Langkah dalam metode ini adalah membuat grafik pada kertas
millimeter block, meramalkan bentuk persamaan, mengevaluasi nilai tetapan-
tetapan, dan mengambil keputusan. Metode ini memiliki kelebihan seperti dapat
digunakan ketika tidak ada computer, pengambilan keputusan membutuhkan
waktu yang lebih singkat, dan tidak membutuhkan tingkat akurasi yang tinggi.
Metode ini juga memiliki kelemahan yaitu tidak bisa menghitung galat/ standart
error.
BAB III METODOLOGI
3.1 Alat dan Bahan

Alat yang digunakan dalam Praktikum Dinamika Populasi Ikan materi Curve
Fit By Eye adalah sebagai berikut:
Tabel 3. Alat praktikum materi 3 tentang Curve Fit By Eye
No. Alat Gambar Alat Fungsi
1. Laptop Untuk
melakukan
pembuktian
Regresi
2. Alat Tulis Untuk

menggambar
grafik
persamaan
regresi
3. Microsoft Excel Untuk

melakukan
pengolahan data
praktikum
sebagai
pembanding
4. Penggaris Sebagai alat
pengukuran
panjang pada
grafik regresi

Bahan yang digunakan dalam Praktikum Praktikum Dinamika Populasi Ikan
materi Biostatistika adalah sebagai berikut:
Tabel 4. Bahan pratikum materi 2 tentang Curve Fit By Eye
No. Bahan Gambar Bahan Fungsi
1. Kertas Grafik Blugraph Sebagai bahan
mm untuk membuat
grafik
2. Penglahan data Sebagai data

Program Microsoft yag akan
Exel diperoleh nilai
regresi melalui
Data Praktikum 2 aplikasi sebagai
pembanding
metode Curve
Fit By Eye
3.2 Skema Kerja
Dalam praktikum dinamika populasi ikan materi curve fit by eye memiliki
skema kerja seperti dibawah ini :
3.2.1 Skema Kerja Pengukuran Curve Fit By Eye
Menyiapkan kertas Bluegraph mm
Melakukan pengolahan data menggunakan regresi
Membuat Grafik hubungan panjang berat dengan 7 titik data
Membuat Grafik sumbu x merupakan panjang, dan sumbu y sebagai berat

)
Plotkan 7 titik observasi pada Grafik yang telah jelas sumbu x dan y nya
Mencari Nilai koefisien regresi
Buat garis dugaan, dimana garis tersebut tidak boleh bersentuhan 7 titik
Menentukan intercept sebagai konstanta dengan batas garis dugaan
Mencari Nilai koefisien regresi

Menghitung ragam dari data observasi
Interpretasi Kesimpulan
Dalam praktikum dinamika populasi ikan materi curve fit by eye memiliki
analisa prosedur sebagai berikut :
1. Analisa Prosedur Ukuran Pemusatan
Pada praktikum Dinamika Populasi Ikan materi Biostatistika tentang curve fit
by eye, yang pertama adalah siapkan alat dan bahan diantaranya kertas
milimeter, penggaris, pensil/ alat tulis. Selanjutnya lakukan persiapan
pengolahan data regresi dengan mengelompokkan panjang pada bagian sumbu
x dan berat pada sumbu y. Langkah kemudian, buatlah garis grafik sumbu x dan
sumbu y pada kertas milimeter. Selanjutnya plotkan 7 titik observasi pada garis
yang telah disiapkan. Tandai dengan menitik tombol dengan tebal untuk
hubungan sumbu x dan y. Setelah itu, buat garis dugaan, dimana garis tersebut
tidak boleh menyentuh tombol tebal hubungan antara sumbu x dan sumbu y.
Jarak antara titik yang berada diatas dan garis dugaan sama dengan jarak
antara titik yang berada dibawah dan garis dugaan. Garis dugaan tidak boleh
berakhir pada titik sumbu (0,0). Jadikan jarak antara garis dugaan terbawah
dengan sumbu (0,0) sebagai intercept. Setelah itu cari nilai regresi dengan
rumus (b= y2-y1/x2-x1).
Ketika nilai regresi sudah diketahui maka langkah selanjutnya adalah
mencari nilai ragam dari data observasi untuk mengetahui tingkat keakuratan
data dengan menjumlahkan data yang berada diatas garis dugaan dikurangi
jumlah data yang berada dibawah garis dugaan. Jika data tersebut hasilnya <0
maka data tersebut under estimate. Namun, jika data mendekati 0 maka data
tersebut akurat. Berbeda lagi jika nilai data > nol maka keakuratan data tersebut
tergolong over estimate. Langkah selanjutnya adalah memasukkan persamaan
linear dengan rumus y= a+b(x), artinya masukkan nilai intercept/ konstanta pada
rumus a dan regresi pada rumus b. Sehingga kita dapat menginterpretasikan
data bahwa dengan menggunakan metode curve fit by eye , seorang tabulator
dapat melakukan transformasi data linear pada persamaan non- linear, dan
dapat menghitung persamaan regresi menggunakan kertas grafik.
BAB IV PEMBAHASAN

Berikut merupakan data dari hasil praktikum Dinamika Populasi Ikan materi
Curve Fit By Eye:
1. Ukuran Panjang dan berat
Tabel 3. Data Panjang dan berat ikan di Microsoft Exel
No SL(X) MBD(Y)
1 160.4 87
2 122.8 73.9
3 106.6 64.2
4 145.6 71.1
5 116.1 56.8
6 102.9 44.9
7 92.2 41.6
Gambar 1. Data Panjang dan berat ikan melalui Curve Fit By Eye
4.2 Analisa Hasil

Dari hasil perhitungan ukuran data hubungan panjang berat pada data diatas
untuk data panjang pada ikan, diperoleh nilai panjang adalah 1. Nilai panjang 1

sebesar 160.4, panjang 2 sebesar 122.8, panjang 3 sebesar 106.6, panjang ke 4
sebesar 145.6, panjang ke 5 sebesar 116.1, dan panjang ke 6 sebesar 102.9,
serta panjang ke 7 sebesar 92.2. Kemudian, untuk nilai beratnya adalah pada
berat 1 sebesar 87, pada berat 2 sebesar 73.9, pda berat 3 sebesar 6.2, pada
berat 4 sebesar 71.1, pada berat 5 sebesar 56.8, pada berat 6 sebesar 44.9, dan
pada berat ke 7 sebesar 41.6. Membuat garis dugaan sesuai hasil yang ada di
program Microsoft Exel mendapatkan nilai konstanta sebesar -9,5. Dari hasil
penarikan garis dugaan, diperoleh hasil y2,y1, x2, dan x1, untuk mencari nilai
regresi secara manual. Regresi yang didapatkan adalah 0.6. Sedangkan pada
program Microsoft Exel diperoleh nilai Regresi sebesar 0.5.
Setelah mendapatkan nilai Regresi dilakukan uji keakuratan data. Uji
keakuratan data dilakukan dengan menjumlahkan data yang berada diatas garis
dugaan dikurangi jumlah data yang berada dibawah garis dugaan. Adapun hasil
nilai data yang berada diatas garis dugaan adalah pada koordinat (106.6, 64,2)
dengan jarak 10, ditambah dengan jarak pada koordinat (122.8, 73.9) sebesar 9,
kemudian ditambah dengan jarak yang berada pada koordinat (160.4, 87)
sebesar sebesar 1, sehingga hasil penjumlahan yang didapatkan adalah 20.
Sedangkan hasil nilai data yang berada dibawah garis dugaan adalah pada
koordinat (92.2, 41.6) yang memiliki jarak dengan garis dugaan sebesar 4,
ditambah dengan jarak pada koordinat (102.9, 44,9) sebesar 6, ditambah lagi
dengan jarak garis dugaan pada koordinat (116.1, 56.8) sebesar 3, dan jarak
pada koordinat (145.6, 71.1) sebesar 6, sehingga didapatkan hasil penjumlahan
sebesar 19. Hasil dari uji keakuratan data adalah 20 dikurangi 19 mendapatkan
hasil 1.
Untuk mengambil kesimpulan dari data regresi panjang dan berat ikan
adalah data yang diambil dan diolah merupakan data yang akurat, dikarenakan
hasil dari uji keakuratan data adalah mendekati 0. Setelah mengetahui
keakuratan data, dilakukan persamaan y. Persamaan y yang diperoleh adalah y=
-9.5 + 0.6(x). Kemudian pencocokan keakuratan data secara keseluruhan
menggunakan program Microsoft Exel dan persamaan y yang diperoleh adalah
y= -9.5 + 0.5(x). Sehingga, dapat diketahui bahwa persamaan regresi dengan
kertas grafik mampu melakukan transformasi linier pada persamaan non – linear
dan menghitung persamaan regresi yang hasilnya tidak jauh berbeda dengan
data yang diolah pada program Microsoft Exel.
BAB V PENUTUP
5.1 Kesimpulan
Kesimpulan dari praktikum kedua materi Curve Fit By Eye adalah sebagai
berikut:
 Pengolahan regresi dapat dilakukan dengan metode Curve Fit By Eye yang
hasilnya tidak jauh berbeda dengan pengolahan regresi yang diolah pada
sistem aplikasi, hasil yang diperoleh 1 dan mendekati 0 jadi data tersebut
akurat, tidak terlau under estimate dan tidak terlalu over estimate.
 Berdasarkan hasil pengolahan data, dapat disimpulkan bahwa terdapat
hubungan antara panjang dan berat ikan yang dapat dibuktikan dengan uji
keakuratan data. Berdasarkan pengolahan data diatas data dinilai akurat
karena mendekati 0. Sehingga, Persamaan lienear yang diperoleh adalah y= -
9.5+ 0.6(x).
5.2 Saran
Dalam penjelasan materi kalau bisa diciptakanya suasana yang santai tetapi
juga serius, artinya jangan terlalu tegang. Selain itu dalam penggunaan rumus
sebaiknya dijelaskan konsepnya dengan detail agar praktikan dapat memahami
materi lebih baik.
MATERI 3 NTSYS DAN SPSS
DISUSUN OLEH:
KELOMPK: 3
HAFIZHAH NUR ISLAMI (165080201111018)

YASMIN NADHILAH (165080201111027)
FIRDHA PRAMEISHELLA (165080201111030)
NADYA KARTIKA PUTRI (165080201111031)
ENDHITA MAHARANI PUTRI (165080201111033)
AYU RISKY (165080201111042)

MALANG
2018

BAB I PENDAHULUAN
1.1 Latar Belakang

SPSS (Statistical Product for Service Solutions, dulunya Statistical Packedge
for Social Sciences) merupakan program komputer statistik yang mampu
memproses data statistik secara cepat dan akurat. SPSS menjadi sangat populer
karena memiliki bentuk pemaparan yang baik (berbentuk grafik dan table),
bersifat dinamis (mudah dilakukan perubahan data dan up date analisis) serta
mudah dihubungkan dengan aplikasi lain (misalnya ekspor/impor data ke/dari
Excel) Dilihat dari namanya, SPSS memang sangat membantu memecahkan
berbagai permasalahan ilmu sosial, terutama dalam analisis statistik. Namun
demikian, fleksibilitas yang dimilikinya menyebabkan berbagai masalah di luar
ilmu sosial juga dapat diatasinya dengan baik, termasuk ilmu pendidikan
(Maylita,2014).
Menurut Mulyadi et.al, (2017), Bagian tubuh ikan yang akan digunakan
menjadi sampel ialah pada bagian ekor. Ekor adalah bagian tubuh ikan yang
selalu digunakan untuk bergerak aktif didalam air dan membutuhkan energi
untuk meregenerasi sel-sel otot. pengambilan pada bagian tersebut bertujuan
untuk mendapatkan bagian yang dapat merepresentasikan sel pada tubuh ikan
sampel dalam kondisi yang baik . Pohon kekerabatan didapatkan dari pita-pita
yang muncul dari OPA-11 dan diubah kedalam matrik biner kemudian diolah
menggunakan program NTSYS untuk mendapatkan fenogram atau pohon
kekerabatan pada sampel uji.
Sumberdaya perikanan yang melimpah dan beragam mendorong para
ilmuwan untuk melakukan berbagai penelititan. Namun penelitian tersebut
tidaklah efisien jika dilakukan penelitian untuk seluruh populasi. Menggunakan
metode sampling adalah efektifnya, sebab lebih dapat mewakili populasi
tersebut. Namun, diperlukan pengolahan khusus sebagai bentuk pengaplikasian
yang menghasilkan data yang kemudian dapat di interpretasikan. Untuk itu
dalam penggunaan aplikasi SPSS dan NTsys diharapkan mampu memberi
kemudahan bagi ilmuwan untuk mengolah data yang diteliti.

1.2 Maksud danTujuan
Maksud dan tujuan dilakukan praktikum Dinamika Populasi materi NTsys
dan SPSS ada;ah sebagai berikut :
a. Mampu menerapkan teknik NTSysPC untuk melakukan clustering pada
sampel ikan di berbagai lokasi.
b. Mampu menerapkan teknik PCA (software SPSS) untuk menunjukkan adanya
perbedaan stok perikanan.
1.3 Waktu danTempat

Praktikum Dinamika Populasi Ikan dilaksanakan hari Sabtu, 24 Maret 2018.
Praktikum dilaksanakan di ruang perkuliahan, gedung C lantai 2 ruang C 2.2
Fakultas Perikanan dan Ilmu Kelautan, Universitas Brawijaya, Malang.
2
2.1 Analisis Cluster

Analisis Cluster Menurut Tan (dalam Prasetyo (2012) dalam Ningrat et.al,
(2016)), analisis kelompok (cluster analysis) adalah metode pengelompokan data
(objek) yang didasarkan hanya pada informasi yang ditemukan dalam data yang
menggambarkan objek tersebut dan hubungan di antaranya. Tujuannya adalah
agar objek-objek yang bergabung dalam sebuah cluster merupakan objek-objek
yang mirip (atau berhubungan) satu sama lain dan berbeda (atau tidak
berhubungan) dengan objek dalam cluster yang lain. Lebih besar kemiripannya
(homogenitas) dalam cluster dan lebih besar perbedaanya diantara cluster yang
lain.
Untuk menemukan persentase secara adaptif, penelitian ini mengusulkan
pendekatan agglomerative yang mengambil organisasi hierarki klaster berupa
level keabuan dendogram dari histogram citra. Pada awalnya setiap level
keabuan adalah klaster, kemudian masing masing klaster dihitung jarak
kemiripannya berdasarkan analisis varian inter kelas (kemiripan rata-rata dan
probabilitas piksel antar klaster yang bertetangga) dan varian intra kelas
(perubahan rata-rata dan probabilitas piksel saat klaster bertetangga telah
bergabung), kemudian pasangan paling mirip akan bergabung menjadi klaster
baru (Arifin & Asano, 2006). Untuk mengukur karakteristik setiap klaster,
diperlukan fungsi kepadatan probabilitas dari setiap level keabuan histogram
citra. Nzhzp )()( , dimana p(z) merupakan probabilitas terjadinya piksel untuk
setiap tingkat keabuan z (z = 0,1,..L-1) berdasarkan nilai h frekuensi banyaknya
piksel terhadap tingkat keabuan z dibagi dengan N total piksel dalam citra.
Fungsi P(Ck) didefinisikan sebagai ∑p(z) dalam klaster Ck (Fadlullah et.al, 2016)
Analisis cluster membuat pengelompokan objek berdasarkan jarak antara
pasangan objek. Jarak merupakan ukuran yang digunakan untuk mengukur
kemiripan dari suatu objek. Tujuannya adalah agar objek-objek yang bergabung
dalam sebuah cluster merupakan objek-objek yang mirip (atau berhubungan)
satu sama lain. masing masing klaster dihitung jarak kemiripannya berdasarkan
analisis varian inter kelas varian intra kelas. Penggunaan clustering diharapkan
dapat memberikan prediksi pengelompokan obligasi. Data obligasi ini terdiri dari
beberapa atribut dengan jumlah record yang banyak.
2.2 Principal Component Analyze
Pca, Principal Component Analyze, prosedur matematika yang
menggunakan transformasi orthogonal untuk menkonversi serangkaian
pengamatan terhadap variable yang mungkin berkorelasi menjadi serangkaian
nilai-nilai variable yang secara linear tidak berkorelasi (Hastuti,2013).
Analisis Komponen Utama (Principal Component Analysis) Analisis
komponen utama atau principal component analysis adalah ilmu statistika dalam
kelompok analisis multivariat yang digunakan untuk mengelompokkan variabel-
variabel yang memiliki korelasi linier (Rafikasari,2013)
Analisi komponen utama atau principle component analyze bertujuan
untuk menjelaskan karakteristik lokasi penelitian berdasarkan distribusi
sapsiotemporal parameter lingkungannya. Dengan analisis PCA maka
karakterisasi waktu dan lokasi pengamatan dapat disederhanakan berdasarkan
distribusi spasiotemporal parameter lingkungannya kemiripan antar observasi
dianalisis dengan sidik gerombol. Analisi PCA dijalankan dengan menggunakan
perangkat lunak excel stat 6.0 sedangkan sidik gerombol dijalankan dengan
menggunakan SPSS 10.0
2.3 NumericalTaxonomy System (PCA)
Menurut Rohlf (1998), NTSys merupakan program yang dibuat untuk
melakukan analisis kekerabatan. Program ini dapat digunakan untuk melihat
hubungan kekerabatan antara beberapa sampel (spesies) dengan melihat
muncul tidaknya suatu parameter atau factor fisik pada masing masing sampel.
Dalam biologi molekuler, data binominal digunakan dalam RAPD dan juga AFLP.
Ada tidaknya pita dalam masing masing parameter bisa dikategorikan sebagai
data binomial. Dimulai dengan memasukkan data jumlah sampel dan data factor
fisik ke dalam metode numeric melakukan analisis similaritas / dissimilaritas, lalu
melakukan pengelompokkan data untuk membuat dendogram.
NTSys adalah suatu program yang digunakan untuk mencari dan
menampilkan struktur pada data multivariate. Data multivariate sendiri yaitu data
yang terdiri dari variable. NTSys juga dapat digunakan untuk melihat hubungan
kesamaan atau ketidaksamaan suatu obyek. Program NTSys biasanya
digunakan dalam bidang morfometrik, ekologi, dan lainnya. Di dalam NTSys
terdapat program pengeditan yaitu NTedit.
2.4 Statistical Package for theSocial Science (SPSS)
Menurut Sembiring dan Elieser (2014), sebuah penelitian selalu didukung
oleh data yang akurat dengan jumlah yang cukup besar. SPSS
merupakan sebuah program komputer statistik yang berfungsi untuk
membantu dalam memproses data-data statistik secara tepat dan cepat,
serta menghasilkan berbagai output yang dikehendaki oleh para pengambil
keputusan SPSS dapat membaca berbagai jenis data atau memasukkan
data secara langsung ke dalam SPSS Data Editor. Bagaimanapun struktur dari
file data mentahnya, maka data dalam Data Editor SPSS harus dibentuk dalam
bentuk baris (cases) dan kolom (variables). Case berisi informasi untuk satu
unit analisis, sedangkan variable adalah informasi yang dikumpulkan dari
masing-masing kasus.Hasil-hasil analisis muncul dalam SPSS Output
Navigator.
Menurut Prasetyowati (2016), pemilihan paket program statistik hendaknya
disesuaikan dengan kebutuhan dari masing-masing pengguna. Cukup dengan
menguasai satu program statistik maka semua permasalahan statistik dapat
diselesaikan baik dengan memanfaatkan progam yang sudah ada maupun
menggunakan makro yang tersedia pada masing-masing paket program statistik
tersebut. SPSS paling banyak digunakan dalam berbagai bidang seperti riset
pasar, pengendalian dan perbaikan mutu, riset ilmu-ilmu sosial, riset ilmu-ilmu
sains dan sebagainya. Sehingga SPSS yang pada saat itu merupakan singkatan
dari Statistical Package for the Social Sciences sekarang diperluas menjadi
Statistical Product and Service Solutions.
SPSS adalah suatu program yang digunakan untuk membuat analisis
statistika. SPSS dulunya digunakan untuk ilmu social saja. Tetapi dengan
berjalannya waktu SPSS digunakan untuk berbagai disiplin ilmu sehingga
kepanjangannya berubah menjadi Statistical Product and Service Solution.
SPSS paling banyak digunakan dalam berbagai bidang seperti riset pasar,
pengendalian dan perbaikan mutu, SPSS dapat membaca berbagai jenis
data atau memasukkan data secara langsung ke dalam SPSS Data Editor.
BAB III METODOLOGI
3.1 Alat dan Bahan
Pada praktikum dinamika populasi ikan materi NTSYS dan SPSS alat
praktikum yang digunakan adalah sebagai berikut :
Berikut adalah alat-aat uang digunakan saat praktikum-3:
Tabel 5. Alat yang digunakan pada saat praktikum
No Alat Gambar Alat Fungsi
.
1.Laptop Untuk mewadahi
aplikasi digunakan
yang akan
2. Kabel Rol Untuk sambungan

pengisi daya pada
charger
3. Charger Untuk mengisi daya

laptop
4. Buku Untuk memberi

Panduan petunjuk saat mengolah
data
5. Flashdisk Sebagai pengimpan

dan pengirim berkas

Pada praktikum dinamika populasi ikan materi NTSYS dan SPSS bahan
Berikut adalah bahan-bahan yang digunakan saat praktikum-3:
Tabel 6. Bahan yang digunakan pda saat praktikum
No. Bahan Gambar Fungsi
1. Data dendogram Data yang terdiri dari
1parameter
pengukuran
2. Data morfometrik Gabungan dari dua

data landmark
3. Ntsys Untuk mencari data

dan menampilkan
struktur pada data
multivariate
4. Ntedit Untuk merubah

format excel ke ntsys
5. SPSS Sebuah program

komputer yang
digunakan untuk
membuat analisis
statistika
3.2 Skema Kerja
Berikut adalah skema kerja pada praktikum dinamika populasi ikan 2018:
Buka file data dendogram pada Ms.Excel
Pengolahan data menggunakan aplikasi NTSys
Prinsipal Component Analysis (PCA) pada aplikasi SPSS
Interpretasi kesimpulan

Pada praktikum dinamika populasi ikan materi NTSYS dan SPSS analisa
prosedur yang digunakan adalah sebagai berikut :
1. Prosedur NTsys (NumericalTaxonomy System (PCA)
Prosedur pengerjaan NTsys menggunakan data excel Dendogram dengan
metode clustering Hierarki cluster untuk mengetahui clustering pada sampel
ikan yang digunakan untuk menggambarkan suatu diagram hierarki. Langkah
pertama adalah buka file excel deondogram, lalu buka DATA 2 dan hapus sheet
judul, variable dan data 1, pada sheet Data 2 isi pada kolom A, B, C, D masing-
masing 1, 8, 46, 99. Angka 8 menunjukan banyak baris pada data yang terhitung
dari kolom B, 46 menunjukan banyak kolom pada data yang terhitung pada
kolom B dan 99 merupakan selang kepercayaan, selanjutnya save as dengan
cara klik File –save as dengan format excel 97-2003 workbook, lalu save dan
close excel. Langkah selanjutnya buka folder NTSYS yang telah di download
melalui web, lalu pilih NTedit dal buka file excel yang telah disimpan tadi dengan
cara klik File – import – using OLE – pilih file dengan type all files, dalam menu
import terdapat DDE (Dynamic data exchanging) yang berfungsi untuk menyalin
atau memotong dan menyisipkan fungsi untuk berbagi data, sementarausing
OLE sebagai objek embedding yang digunakan untuk transfer data antar 2
aplikasi, Selanjutnya simpan data NTedit dengan cara File – save file – save.
Langkah ketiga adalah buka aplikasi NTsys lalu mengolah data NTedit
menggunakan similarity untuk mengetahui kemiripan beberapa objek dengan
cara klik similarity – simInt – pilih file NTedit pada kolom input – kolom
Coefficient pilih EUCLID – kolom output nama file diganti SimInt – compute, pada
proses similarity menggunakan simInt berfungsi untuk menghitung berbagai
index yang sama dan berbeda untuk data interval. Langkah keempat adalah
clustering yaitu untuk menghitung mengelompokan objek berdasarkan kesamaan
dan perbedaan dengan cara klik clustering – SAHN – input file SimInt – kolom
cluster method diisi UPGAMA – pada kolom incase pilih FIND – compute, pada
cluster method UPGAMA (Unpair Group with Aritmatic Mean) berfungsi untuk
membagi 2 nilai matrix terkecil dan incase FIND berfungsi untuk menemukan
ikatan pada matrix. Langkah kelima adalah data report lising akan keluar
kemudian di lose, maka akan muncul ikon tree plot yang berfungsi untuk
meunjukan kekerabatan beberapa spesies, lalu ikon tree plot di klik maka akan
muncul tree plot, lalu simpan dengan cara File – save file – metafile – save, lalu
close tree plot – buka tree plot lalu ubah format save dengan cara file – save as
– JPEG. Langkah terakhir adalah interpretasi
2. Prosedur SPSS (Statistical Package for theSocial Science)
Selanjutnya prosedur SPSS (Statitical Package for the Sicoal Science)yang
berfungsi untuk analisa statistic. Proses SPSS menghasilkan PCA yang berfngsi
untuk mengekstrak info yang relevan dari data yang membingungkan.
Pengolahan SPSS menggunakan file excel landmark, landmark merupakan data
awal yang kemudian akan dibandingan menggunakan sheet data Truss yang
merupakan data perbandingan. Cara pengerjaan adalah sebagai berikut,
langkah pertama adalah buka data excel morphometric lalu buka sheet Truss
hapus data yang memiliki kesamaan misalnya HL-HL dan SL-SL lalu save as
dengan format excel 97-2003 workbook. langkah kedua yaitu buka program
SPSS lalu open – Data - pilih data excel yang telah di simpan tadi- open –
muncul worksheet lalu pilih Truss morfometry – continue, truss morfometry dipilih
karena kita akan mengolah data landmark pada truss morfomethry. Langkah
ketiga adalah analyze data dengan cara klik menu Analyze – data reduction –
factor – pada kolom sebelah kiri klik SPC lalu plih panah pada section variable –
blok semua pada kolom sebelah kiri lalu klik panah pada variables. Langkah
ketiga masih pada menu factor, pilih Descriptive – centang coefficient – continue,
lalu pilih Extraction – centang scree plot – continue, selanjutnya pilih Rotation –
centang loading plot – continue, pilih Scores – centang save as – continue, yang
terakhir adalah pilih Option – centang sorted by size – continue, setelah itu klik
“SPC =?” lalu “Cancel” untuk memunculkan pilihan “ok”, selanjutnya klik ok.
Langkah keempat adalah interpretasi hasil tree plot dan table variance explain.
Kembali pada SPSS, copy data PCA 1, 2, 3, 4, 5 ke truss morfomethry excel dari
baris kedua, lalu beri keterangan masing-masing TOTAL PCA, PCA-1, PCA-2,
PCA-3, PCA-4, Hanya terdapat 3 species ikan, sehingga tiap PAC memiliki nilai
sesuai dengan jumlah spesies. Cara pembuatan grafik berdasarkan data PCA,
PCA 1-3 dihitung berdasarkan jenis spesies yang ada, namun PCA 4 tidak bisa
digunakan sebab hanya terdapat 3 spesies. Caranya adalah pada bagian PCA 1,
semua data yang berada pada kategori PCA 1 dihapus, sehingga begitu juga
dangan data PCA 2 dan 3, namun untuk data PCA ke-4 tidak digunakan sebab
spesies hanya terdapat 3 kategori. Langkah terakhir adalah membuat grafik,
caranya adalah klik insert – scatter – pilih yang pertama kalu ok, maka akan
muncul grafik yang menunjukan kekerabtan beberapa spesies, lalu intepretasi
hasil.
10
BAB IV PEMBAHASAN

1. Data NTsys(NumericalTaxonomy System (PCA))
Gambar 4. Data Dendogram di Excel
Gambar 5. Tree Plot
11
2. Data SPSS
Gambar 6. Total Variance Explained
Gambar 7. grafik scatter PCA
12
4.2 Analisa Hasil
4.2.1 InterpretasiHasil Treeplot
Gambar 8. interpretasi grafik Tree Plot

Dari grafik tersebut, dapat disimpulkan bahwa stok di daerah Prigi dan Pulau
Santan memiliki kekerabatan yang sangat dekat. Wilayah Brondong berkerabat
cukup dekat dengan Prigi dan Pulau Santan. G_Gede berkerabat cukup dekat
dengan daerah Mayangan. Sumenep berkerabat cukup dekat dengan wilayah
Damas dan Pantai dangkal. Dua kekerabatan diatas seperti Brondong, Prigi, dan
Pulau Santan berkerabat dengan daerah G_gede, Mayangan, Damas, dan
Pantai dangkal yang berkerabat cukup jauh.
13
4.2.2 Interpretasi PCA
Gambar 9. intepretasi PCA

Berdasarkan grafik di atas, dapat disimpulkan bahwa sebaran titik – titik
berkumpul sangat rapat, hal ini menunjukan ketiga wilayah tersebut memiliki
kekerabatan yang sangat erat. Kekerabatan ini ditunjukan pada wilayah 3 dan 2
yang memiliki kekerabatan yang sangat dekat dan wilayah 1 memiliki
kekerabatan yang cukup dekat dengan wilayah 3 dan 2. Dari grafik tersebut titik
– titik yang tersebar jauh memiliki kekerabatan yang sangat jauh atau disebut
data outlier, terdapat 4 data yang terpencil yaitu 2 dari wilayah 1 dan 2 dari
wilayah 3, hal ini menunjukan keempat wilayah tersebut memiliki kekerabatan
yang sangat jauh dari wilayah lainya.
14
BAB V PENUTUP
5.1 Kesimpulan
Dari hasil yang didapat disimpulkan bahwa stok di daerah Prigi dan Pulau
Santan memiliki kekerabatan yang sangat dekat. Wilayah Brondong berkerabat
cukup dekat dengan Prigi dan Pulau Santan. G_Gede berkerabat cukup dekat
dengan daerah Mayangan. Sumenep berkerabat cukup dekat dengan wilayah
Damas dan Pantai dangkal. Dua kekerabatan diatas seperti Brondong, Prigi, dan
Pulau Santan berkerabat dengan daerah G_gede, Mayangan, Damas, dan
Pantai dangkal yang berkerabat cukup jauh. Kemudian pada interpretasi PCA
analisis factor terdapat beberapa komponen yang merupakan variable. Setiap
factor mewakili variable yang di analisis. Setiap factor mewakili variable yang
dianalisis ditunjukkan oleh besarnya varian yang dijelaskan yang disebut dengan
eigenvalue. setiap factor mewakili variable yang dianalisis ditunjukkan oleh
besarnya varian yang dijelaskan yang disebut dengan eigenvalue.
5.2 Saran
Semoga pratikum dinamika populasi ikan kedepannya lebih baik lagi,
kejelasan dan penyampaian materi dari asisten lebih diperbaiki lagi sehingga
memudahkan pratikan dalam memahami apa yang telah disampaikan,
15
MATERI 4 HUBUNGAN PANJANG DAN BERAT
DISUSUN OLEH:
KELOMPOK: 4
OKTARIZA AL A. P. 165080201111066
TITIS NUR URBANINGRUM 165080201111064
DAHLIA ALIF RAHMAWATI 165080201111052
KIKY ANGGARESTA AGUSTI 165080201111068

RIKA MUSTIKA 165080201111050
MOH. MANSUR 165080201111060

MALANG
2018
16
BAB I PENDAHULUAN
1.1 Latar Belakang

Bayliff (1966) dalam Fuadiet al (2016) hubungan panjang berat ikan dan
distribusi panjangnya perlu diketahui, teruta mau ntuk mengkonversi statistic
hasil tangkapan, menduga besarnya populasi dan lanlaju mortalitasnya. Lebih
lanjut, hubungan panjang berat diperlukan dalam pengelolaan perikanan, yaitu
menentukan selektifitas alat tangkap agar ikan – ikan yang tertangkap hanya
yang berukuran layak tangkap. Nilai hubungan panjang berat mencerminkan
keadaan fisiologis seperti bentuk tubuh, kandungan lemak, dan tingkat
pertumbuhan.
Analisis panjang-berat ikan sangat penting dilakukan untuk mengetahui
kondisi biologi ikan dan stok ikan agar mudah dilakukan manajemen
keberlangsungan biodiversitas ikan. Selain itu, analisis panjang-berat ikan
dilakukan sebagai indicator biologi dari kondisi ekosistem perairan tersebut
dalam biologi perikanan, hubungan panjang berat ikan merupakan salah satu
informasi pelengkap yang perlu diketahui dalam kaitan pengelolaan sumberdaya
perikanan, misalnya dalam penentuan selektifitas alat tangkap agar ikan –i kan
yang tertangkap hanya yang berukuran layak tangkap saja (Rosli, 2012 dalam
Nurhayati et al, 2016).
Informasi hubungan panjang-berat dan factor kondisi ikan penting diketahui
dalam upaya pengelolaan sumberdaya perikanan. Hal ini mengingat intensitas
aktifitas penangkapan ikan yang dilakukan oleh masyarakat dan ancaman
gangguan terhadap kondisi perairan baik yang disebab kan oleh alam misalnya
pemanasan global maupun aktifitas manusia misalnya penangkapan ikan secara
berlebihan dan tidak ramah lingkungan. Pengukuran panjang–berat ikan
bertujuan untuk mengetahui variasi berat dan panjang tertentu dari ikan secara
individual atau kelompok–kelompok individu sebagai suatu petunjuk tentang
kegemukan, kesehatan, produktifitas dan kondisi fisiologis termasuk
perkembangan gonad. Analisa hubungan panjang–berat juga dapat
mengestimasi factor kondisi atau sering disebut dengan index of plumpness,
yang merupakan salah satu hal penting dari pertumbuhan untuk membandingkan
kondisi atau keadaan kesehatan relative populasi ikan atau individu tertentu.

Maksud Praktikum Dinamika Populasi ikan materi 5 adalah agar Mahasiswa
mampu menguasai menduga faktor kondisi dari data LW-relationship
menggunakan formula kubik menggunakan software excel.
Tujuan mampu menduga faktor kondisi dari data LW-relationship
menggunakan formula kubik menggunakan software excel.
Praktikum laboratorium mata kuliah Dinamika populasi ikan dilaksanakan
pada hari Selasa, 8 April 2018 pada shift 3pukul 09.30-10.30 WIB bertempat di
Laboratorium Hidrobiologi Divisi Sumberdaya Ikan Fakultas Perikanan dan Ilmu
Kelautan, Universitas Brawijaya, Malang.
2.1 Klasifikasi dan Morfologi Ikan Selar

Menurut (Waluyo, 2014), Klasifikasi Dan Morfologi Ikan Selar (Selar
crumenophthalmus)
Kingdom : Animalia
Phylum : Chordata
Class : Actinopterygii
Ordo : Perciformes
Family : Carangidae
Gambar 10. Ikan Selar
Genus : Selar (Selar crumenophtalmus)
Species : Selar (Google Image, 2018).
crumenophthalmus
Ikan selar merupakan bagian dari famili Carangidae dimana tubuhnya
berbentuk compressed, tipe sisik pada kebanyakan spesies adalah cycloid tetapi
ada juga yang ctenoid. Rumus sirip ikan selar yaitu D VIII+I, 24-27; A II+I, 21-23;
V 10+14, diaposa selaput mata berkembang dengan baik. Warna tubuh ikan
bagian dorsal biru kehijauan, pada bagian ventral silver keputihan, dengan garis
kuning membujur dengan membatasi dari opercle sampai penduncle. Panjang
maksimum sampai 70cm.
Menurut (Cuvier, 1833) dalam fishbase.org
Kingdom : Animalia
Phylum : Chordata
Sub-phylum : Vertebrata
Class : Actinopterygii
Ordo : Perciformes
Family : Carangidae
Genus : Selaroides
Species : Selaroides leptolepis
Sirip dorsal berwarna biru metalik, sirip ventral putih keperaka; terdapat garis
kuning dari mata ke pangkal ekor; pada tepi operkulum terdapat titik hitam besar.
Tubuh memanjan, membujur, berbentuk compressed. Mata sangat besar, bagian
LL yang melengkung lebih pendek dari bagian lurusnya, yaitu 0,6 – 0,8 kali.
Skala LL pada bagian lurus, LL dari scutes sebanyak 24 – 29.
Bentuk tubuh ikan selar kuning lebih kecil daripada ikan selar yang lain.
Panjang tubuh ikan ini sampai dengan 16 cm. Jenis ikan ini ditandai dengan
garis lebar berwarna kuning dari mata sampai ekor. Sirip punggung ikan selar
kuning terpisah dengan jelas, bagian depan disokong oleh jari jari keras dan
banyak jari jari lunak. Sirip ekor bercagak dua dengan lekukan yang dalam. Sirip
perut terletak di bawah sirip dada. Ikan selar termasuk ikan laut perenang cepat
dan kuat.
2.2 Distribusi dan Habitat Ikan Selar
Ikan selar kuning, Selaroides leptolepis termasuk salah satu spesies dari
family Carangidae. Jenis ikan ini merupakan ikan meso-pelagis yang hidup di
bagian dekat permukaan maupun dasar perairan. Penyebarannya cukup luas,
hampir bisa ditemukan di daerah Indo – Pasifik. Jenis ikan selar kuning pada
sebagian masyarakat di Kepulauan Riau dianggap sebagai ikan rucah, sehingga
harga jualnya relative rendah ( Sudradjat, 2016 ).
Menurut Damayanti (2014), daerah penyebaran ikan selar meliputi samudra
pasifik bagian barat, tersebar hampir diseluruh Indonesia, Persian, Philipina,
Jepang bagian urata dan Australia. Ikan selar hidupnya disekitaran karang,
berada di kedalaman 1 - 25 m. Ikan selar temasuk ke dalam ikan laut perenang
cepat dan kuat.
Ikan selar kuning, Selaroides leptolepis termasuk salah satu spesies dari
family Carangidae. Penyebaran distribusi dan habitat ikan selar cukup luas di
seluruh dunia. Ikan selar hampir bisa ditemukan di daerah Indo – Pasifik
(Indonesia, Persian, Philipina, Jepang bagian urata dan Australia ). Ikan selar
hidupnya disekitaran karang, berada di kedalaman 1 - 25 m. Ikan selar temasuk
ke dalam ikan laut perenang cepat dan kuat.
2.3 Hubungan Panjang Berat
Hubungan panjang berat ikan dan distribusi panjangnya perlu diketahui,
terutama untuk mengkonversi statistik hasil tangkapan, menduga besarnya
populasi dan lan laju mortalitasnya. Lebih lanjut, hubungan panjang berat
diperlukan dalam pengelolaan perikanan, yaitu menentukan selektifitas alat
tangkap agar ikan-ikan yang tertangkap hanya yang berukuran layak
tangkap.Nilai hubungan panjang berat mencerminkan keadaan fisiologis seperti
bentuk tubuh, kandungan lemak, dan tingkat pertumbuhan (Fuadi et al., 2016)
Dalam biologi perikanan, hubungan panjang–berat ikan merupakan salah
satu informasi pelengkap yang perlu diketahui dalam kaitan pengelolaan sumber
daya perikanan, misalnya dalam penentuan selektifitas alat tangkap agar ikan–
ikan yang tertangkap hanya yang berukuran layak tangkap (Vanichkul &
Hongskul dalam Merta, 1993). Lebih lanjut Richter (2007) & Blackweel (2000),
menyebutkan bahwa pengukuran panjang–berat ikan bertujuan untuk
mengetahui variasi berat dan panjang tertentu dari ikan secara individual atau
kelompok–kelompok individu sebagai suatu petunjuk tentang kegemukan,
kesehatan, produktifitas dan kondisi fisiologis termasuk perkembangan gonad.
Analisa hubungan panjang–berat juga dapat mengestimasi faktor kondisi atau
sering disebut dengan index of plumpness, yang merupakan salah satu hal
penting dari pertumbuhan untuk membandingkan kondisi atau keadaan
kesehatan relatif populasi ikan atau individu tertentu (Mulfizar et al 2012 ).
Hubungan panjang berat menunjukkan pertumbuhan yang bersifat relatif
yang berarti dapat dimungkinkan berubah menurut waktu. Apabila terjadi
perubahan terhadap lingkungan dan ketersediaan makanan diperkirakan nilai ini
juga akan berubah. Meretsky et al., (2000) menambahkan bahwa perubahan
bobot ikan dapat dihasilkan dari perubahan pakan dan alokasi energi untuk
tumbuh dan reproduksi, yang mengakibatkan bobot ikan berbeda walaupun
panjangnya sama. Selanjutnya dari analisa pola pertumbuhan yang diperoleh
bahwa L. subviridis, baik jantan maupun betina menunjukkan pola pertumbuhan
alometrik negatif. Hasil tersebut didapatkan setelah diketahui nilai b lebih kecil
dari 3. yaitu di untuk ikan jantan 5.10-5L2,662 dan betina 6.10-5L2,626. Hal
tersebut menunjukkan bahwa ikan lebih cepat memanjang dibandingkan
bobotnya (Wahyudewantoro, G. dan Haryono 2013).
Hubungan panjang dan berat merupakan aspek biologi perikanan yang perlu
di pelajari. Panjang tubuh sangat berhubungan dengan panjang dan berat seperi
hukum kubik yaitu bahwa berat sebagai pangkat tiga dari panjangnya. Namun,
hubungan yang terdapat pada ikan sebenarnya tidak demikian karena bentuk
dan panjang ikan berbeda - beda. Pengamatan pertumbuhan ikan, baik panjang
dan berat merupakan salah satu hal yang penting untuk diamati selama proses
budidaya ikan. Hal ini dilakukan agar kenormalan pertumbuhan ikan dapat
diketahui sedini mungkin. Hubungan panjang dan berat merupakan hal yang
penting dalam penelitian ilmiah perikanan, karena hal ini memberikan informasi
parameter - parameter populasi. Pertama, sebuah perubahan berat dan panjang
memperlihatkan umur dan kelas kelompok tahun ikan; hal ini sangat penting
dalam perikanan. Kedua, data panjang berat tersebut dapat digunakan untuk
menaksirkan daya dukung stock perikanan tangkap. Selain itu, data panjang dan
berat dapat juga menggambarkan petunjuk penting tentang perubahan iklim dan
lingkungan Dikatakan juga bahwa dalam pengukuran tersebut nantinya akan
diperoleh nilai b, yang ikut menentukan seimbang tidaknya antara berat dan
panjang ikan. Dimana nilai b yang mungkin muncul adalah b<3, b=”3″>3.
2.4 Faktor Kondisi Allometris
Menurut Syam (2006) dalam Setyowati (2016), secara teoritis laju
pertumbuhan setiap organisme sangat dipengaruhi oleh umur dan kondisi
lingkunganya termasuk di dalamya adalah faktor makanan. Jika kebutuhan
makanan tidak terpenuhi maka laju pertumbuhan organisme akan terhambat.
Selain faktor makanan faktor lain yang dapat mempengaruhi kondisi alometris
yaitu jenis kelamin dan umur. Pertumbuhan setiap organisme (ikan) pada
umunya akan mulai lambat dengan bertambahnya umur. Analisis pertumbuhan
ikan laut dan organisme sejenisnya dapat dlakukan berdasarkan ukuran panjang
dan berat.
kan Pola pertumbuhan bersifat allometrik negatif dan 24,16% perubahan
bobot ikan terjadi karena pertambahan panjang ikan, sedangkang 75,84%
perubahan bobot ikan disebabkan oleh faktor lainselain berat badan ikan yang
belum diketahui dari penelitian ini. Nilai ini mengindikasikan bahwa perubahan
panjang ikan tidak terlalu signifikan pengaruhnya terhadap perubahan bobot.
Faktor lingkungan seperti arus dan gelombang menjadi faktor utama yang
mempengaruhi nilai b dari pertumbuhan hewan air. Pada umunya hewan air
yang hidup pada perairan tenang lebih dominan memiliki nilai b yang rendah.
Ikan perenang aktif juga akan menunjukan nilai b yang relatif rendah
dibandingkan dengan ikan perenang pasif. Hal tersebut terkait dengan tingkat
keaktifan perilaku pergerakan ikan yang sangat berhubungan dengan tipe
perairan dimana spesies ikan ini tinggal. Selain itu faktor lain yang
mempengaruhi nilai b dari ikan tersebut adalah kondisibiologis.
Menurut Merta (1993) dalam Ghofar (2014), bagi ikan-ikan yang
pertumbuhanya alometris, maka faktor kondisinya dihitung dengan
mempergunakan faktor kondisi alometris relatif, yaitu dengan rumus berikut:
Dimana:
= Faktor Kondisi Allometris
= Hubungan panjang dan berat yan g diperoleh
= Berat Ikan Hasil Pengamatan
Pertumbuhan adalah pertambahan panjang dan berat yang dinyatakan
dengan satuan ukur. Pola pertumbuhan allometris dibedakan menjadi dua
allometris positif dan allometris negarif. Ikan dikatakan mengalami pertumbuhan
allometris positif apabila pertumbuhan berat ikan lebih cepat daripada
pertumbuhan panjang (b>3), dan dikatakan allometris negatif apabila
pertumbuhan panjang ikan lebih cepat daripada pertumbuhan berat ikan (b<3).
Pertumbuhan ikan dipengaruhi oleh dua faktor, faktor eksternal dan faktor
internal. Faktor eksternal meliputi faktor fisika (arus, suhu, gelombang,
kecerahan), faktor kimia (pH, salinitas, densitas, kandungan protein pada
makanan) dan faktor biologi (ketersediaan makanan) sedangkan faktor internal
yang mempengaruhi pertumbuhan ikan diantaranya genetika, kekebalan
terhadap penyakit, kemampuan mencari makan
BAB III METODOLOGI
3.1 Alat dan Bahan

Alat yang digunakan pada praktikum 4 Dinamika Populasi Ikan adalah
sebagai berikut:
Tabel 7 . Alat Praktikum
No Nama alat Gambar Fungsi

1.Nampan Untuk tempat ikan
2. Penggaris L Untuk mengukur

panjang ikan
3. Timbangan Digital Untuk menimbang

berat ikan
4. Latex Untuk sterilisasi ikan

dari tangan
5. Formulir Pengukuran Untuk mencatat data

hasil pengukuran
6. Jas Laboratorium Sebagai syarat dan
perlengkapan saat
masuk lab
Sedangkan bahan yang digunakan pada praktikum 4 Dinamika Populasi

Ikan adalah sebagai berikut:
Tabel 8. Bahan Praktikum
No Nama Bahan Gambar Fungsi
1 Ikan Selar Sebagai bahan
pengukuran
hubungan panjang
dan berat

3.2 Skema Kerja
Berikut adalah skema kerja dari pengukuran panjang dan berat ikan.
Siapkan alat dan bahan (timbangan digital, penggaris L, nampan dan ikan selar)
Siapkan bahan (ikan selar) pada nampan
Lakukan pengukuran panjang ikan selar dengan penggaris L
Lakukan pengukuran berat ikan selar dengan timbangan digital
Catat hasil pengukuran kedalam formulir pengukuran
Analisa prosedur pada laporan ini ditujukan untuk menganalisa dari proses
pengukuran panjang dan berat ikan selar serta perhitungan data hasil
pengamatan hubungan panjang berat ikan Selar.
3.3.1 Analisa Prosedur Pengukuran Panjang Berat Ikan Selar (Selaroides
sp)
Pada praktikum Dinamika Populasi Ikan materi Hubungan Panjang Berat hal
yang pertama adalah siapkan alat dan bahan. Alat dan bahan meliputi ikan
selar, timbangan digital, penggaris kayu, masker, latex, jas lab, alat tulis, papan
dada, penggaris transparan (2 buah), nampan (1 buah), kamera (untuk
dokumentasi), dan juga sabun cuci. Selanjutnya lakukan pengukuran panjang
masing-masing ikan selar dengan menggunakan penggaris kayu. Untuk
pengukuran panjang ikan kita dapat menggunakan SL(standard length).
Pengukuran panjang ikan dengan menggunakan SL yaitu dimulai dari bagian
teranterior kepala sampai pangkal batang ekor (caudal penducle). Setelah itu
lakukan penimbangan pada masing –masing ikan dengan menggunakan
timbangan digital. Kemudian catat hasil ppengukuran panjang berat ikan pada
form enumerasi pengukuran panjang dan berat. Kemudian hitung dengan
menggunakan rumus hubungan panjang berat. Untuk ikan yang memiliki
pertumbuhan isometrik yaitu laju pertumbuhan panjang dan beratnya sebanding
(b=3) maka kita dapat menggunakan rumus :
W = q*L3
Keterangan :
W = berat ikan dalam gram
L = panjang ikan dalam cm
q = konstanta yang nilainya tetap
Untuk ikan yang mengalami pertumbuhan allometrik yaitu laju pertumbuhan

panjang dan berat tidak sebanding. Baik pertumbuhan allometrik positif yaitu
pertumbuhan berat lebih cepat daripada panjang (b>3) maupun pertumbuhan
panjang lebih cepat daripada berat (b< 3) maka kita menggunakan rumus
sebagai berikut :
W = a*Lb
Keterangan :
W = berat ikan (g)
L = panjang total ikan (cm)
a & b = parameter/ konstanta
3.3.2 Analisa Prosedur Perhitungan Data Hasil Pengamatan

Hubungan Panjang Berat Ikan Selar (Selaroides sp)
Pada praktikum Dinamika Populasi Ikan materi Hubungan Panjang Berat
langkah pertama yang harus dilakukan yaitu siapkan alat dan bahan. Selanjutnya
buka Ms. Excel. Masukkan data pengukuran panjang berat ikan ke dalam Excel
yang terdiri dari 3 sheet. Sheet pertama yaitu judul, sheet kedua berisi
variabel,sheet ketiga berisi LW relationship. Pada sheet LW relationship berisi
data-data hasil pengukuran ikan selar yang telah dilakukan. Pada sheet LW
relationship terdiri dari 7 kolom yaitu SiteId, SL,W, Ln(SL), Ln(W), W-est, Kn.
Pada kolom SiteId diisi angka 1. Pada kolom SL diisi hasil pengukuran panjang
ikan selar. Pada kolom W diisi hasil pengukuran berat ikan selar. Pada kolom Ln
(SL) kita cari dengan rumus = Ln (blok seluruh data pada kolom SL) kemudian
enter dan hasilnya drag ke bawah . Ln artinya untuk melinierkan data. Setelah itu
pada kolom Ln (W) kita cari dengan rumus yang sama yaitu =Ln (blok semua
data pada kolo W) kemudian enter dan drag hasilnya kebawah. Kemudian kita
lakukan regresi dengan cara buka data analysis, kemudian pilih regresi. Pada
input y kita masukkan atau blok seluruh kolom Ln (W) dan pada input X kita blok
Kolom Ln (SL). Kemudian pada output range kita klik baris diluar data tersebut
kemudian klik ok. Maka akan muncul tabel regresi. Kemudain pada tabel regresi
intersept kita beri tanda a kemudian pada x variabel 1 kita beri tanda b. a dan b
disini merupakan parameter atau konstanta. Kemudian pada kolom W-est kita
cari hasilnya dengan cara menggunakan rumus EXP. Rumus Exp berfungsi
untuk menonlinierkan data. Pada kolom W-est kita masukkan rumus =
EXP(masukkan coefisient intersept atau a) kemudian dikali kolom pertama
pengukuran panjang SL kemudian dikali x variabel atau b kemudian beri tanda
dolar dengan cara tekan F4 dan lakukan enter maka akan muncul hasilnya.
Setelah itu drag ke bawah untuk mengetahui semua hasilnya.
BAB IV PEMBAHASAN
Tabel 9. Data Hasil Pengamatan Hubungan Panjang Berat Ikan Selar
(Selaroides sp.)
SiteID SL (cm) W (gram) Ln(SL) Ln (W) W-est Kn
1 16.3 77 2.79 4.343805 86.03 0.89
1 14.2 65 2.65 4.174387 61.65 1.05
1 15.2 64 2.72 4.158883 72.67 0.88
1 17.1 108 2.84 4.682131 96.60 1.12
1 13.4 60 2.60 4.094345 53.59 1.12
1 14.7 68 2.69 4.219508 67.03 1.01
1 13.2 63 2.58 4.143135 51.68 1.22
1 16 88 2.77 4.477337 82.26 1.07
1 15.5 90 2.74 4.49981 76.18 1.18
1 14.8 64 2.69 4.158883 68.13 0.94
1 14.7 79 2.69 4.369448 67.03 1.18
1 14.6 71 2.68 4.26268 65.93 1.08
1 12.9 52 2.56 3.951244 48.88 1.06
1 15.1 76 2.71 4.330733 71.52 1.06
1 12.2 44 2.50 3.78419 42.72 1.03
1 14.5 72 2.67 4.276666 64.84 1.11
1 15.7 74 2.75 4.304065 78.58 0.94
1 14.3 62 2.66 4.127134 62.70 0.99
1 13.4 52 2.60 3.951244 53.59 0.97
1 12.1 39 2.49 3.663562 41.88 0.93
1 15.9 85 2.77 4.442651 81.02 1.05
1 14.2 57 2.65 4.043051 61.65 0.92
1 14.3 62 2.66 4.127134 62.70 0.99
1 14.2 59 2.65 4.077537 61.65 0.96
1 14.8 68 2.69 4.219508 68.13 1.00
1 15.3 82 2.73 4.406719 73.83 1.11
1 14.5 59 2.67 4.077537 64.84 0.91
1 15.2 78 2.72 4.356709 72.67 1.07
1 15.2 79 2.72 4.369448 72.67 1.09
1 14 52 2.64 3.951244 59.57 0.87
1 13.9 63 2.63 4.143135 58.55 1.08
1 15.8 73 2.76 4.290459 79.80 0.91
1 14 58 2.64 4.060443 59.57 0.97
1 14.8 65 2.69 4.174387 68.13 0.95
1 16 83 2.77 4.418841 82.26 1.01
1 13.6 52 2.61 3.951244 55.54 0.94
1 16 75 2.77 4.317488 82.26 0.91
1 15.8 75 2.76 4.317488 79.80 0.94
1 14.8 74 2.69 4.304065 68.13 1.09
1 13.5 54 2.60 3.988984 54.56 0.99
1 15.4 70 2.73 4.248495 75.00 0.93
1 14 62 2.64 4.127134 59.57 1.04
1 15.2 76 2.72 4.330733 72.67 1.05
1 15 71 2.71 4.26268 70.38 1.01
1 12.9 44 2.56 3.78419 48.88 0.90
1 13.8 54 2.62 3.988984 57.54 0.94
1 15.3 71 2.73 4.26268 73.83 0.96
1 12.3 36 2.51 3.583519 43.57 0.83
1 14 56 2.64 4.025352 59.57 0.94
1 15.3 69 2.73 4.234107 73.83 0.93
1 13.1 53.7 2.57 3.983413 50.73 1.06
1 15.2 80 2.72 4.382027 72.67 1.10
1 15.3 83 2.73 4.418841 73.83 1.12
1 14.6 68 2.68 4.219508 65.93 1.03
1 15.6 78 2.75 4.356709 77.38 1.01
1 16.3 85 2.79 4.442651 86.03 0.99
1 13.2 46 2.58 3.828641 51.68 0.89
1 14.2 66 2.65 4.189655 61.65 1.07
1 15.2 62 2.72 4.127134 72.67 0.85
1 15.6 72 2.75 4.276666 77.38 0.93
1 14.9 68 2.70 4.219508 69.25 0.98
1 14.1 55 2.65 4.007333 60.61 0.91
1 14.7 68 2.69 4.219508 67.03 1.01
1 14.2 60 2.65 4.094345 61.65 0.97
1 14.6 69 2.68 4.234107 65.93 1.05
1 13.7 59 2.62 4.077537 56.53 1.04
1 13 55 2.56 4.007333 49.80 1.10
1 14.7 73 2.69 4.290459 67.03 1.09
1 14 59 2.64 4.077537 59.57 0.99
1 16.1 80 2.78 4.382027 83.51 0.96
1 14.4 59 2.67 4.077537 63.77 0.93
1 14.1 62 2.65 4.127134 60.61 1.02
1 15.2 61 2.72 4.110874 72.67 0.84
1 13.1 51 2.57 3.931826 50.73 1.01
1 13.7 53 2.62 3.970292 56.53 0.94
1 16.2 87 2.79 4.465908 84.76 1.03
1 14.7 69 2.69 4.234107 67.03 1.03
1 14.5 59 2.67 4.077537 64.84 0.91
1 15.2 79 2.72 4.369448 72.67 1.09
1 14.7 62 2.69 4.127134 67.03 0.93
1 15 68 2.71 4.219508 70.38 0.97
1 15.75 82 2.76 4.406719 79.19 1.04
1 14.9 73 2.70 4.290459 69.25 1.05
1 15.3 67 2.73 4.204693 73.83 0.91
1 15.6 75 2.75 4.317488 77.38 0.97
1 15 71 2.71 4.26268 70.38 1.01
1 16.3 80 2.79 4.382027 86.03 0.93
1 15.75 73 2.76 4.290459 79.19 0.92
1 14.1 64 2.65 4.158883 60.61 1.06
1 15.3 72 2.73 4.276666 73.83 0.98
1 13.3 53 2.59 3.970292 52.63 1.01
1 15.5 78 2.74 4.356709 76.18 1.02
1 14.4 67 2.67 4.204693 63.77 1.05
1 16.2 86 2.79 4.454347 84.76 1.01
1 13.8 61 2.62 4.110874 57.54 1.06
1 13.9 59 2.63 4.077537 58.55 1.01
1 14 62 2.64 4.127134 59.57 1.04
1 15.4 84 2.73 4.430817 75.00 1.12
1 14.3 65 2.66 4.174387 62.70 1.04
1 13.2 57 2.58 4.043051 51.68 1.10
4.2 Analisa Hasil

Hasil pengamatan pertumbuhan ikan bersifat isometric menunjukkan bahwa
adanya keseimbangan antara pertambahan panjang dan berat ikan. .pada data
diatas dapat diamati bahwa hasil yang didapat Berdasarkan regresi terhadap
nilai b pada selang kepercayaan 95% menunjukkan nilai b<3 sehingga dapat
ditarik kesimpulan bahwa pertumbuhan ikan selar kuning ( Selaroide Sp ) adalah
alometris negatif yaitu pertumbuhan panjang lebih cepat daripada pertumbuhan
berat. Dan nilai K<3, Sehingga tidak berbeda nyata. Dengan tipe SiteID, SL (cm),
W (gram), Ln(SL), Ln(W), W-est, Kn yang meliputi panjang dan berat pada Ikan
Selar (Selaroides sp.)
BAB V PENUTUP
5.1 Kesimpulan
Analisis panjang-berat ikan sangat penting dilakukan untuk mengetahui
kondisi biologi ikan dan stok ikan agar mudah dilakukan manajemen
keberlangsungan biodiversitas ikan Selain itu, analisis panjang-berat.
Berdasarkan regresi terhadap nilai b pada selang kepercayaan 95%
menunjukkan nilai b<3 sehingga dapat ditarik kesimpulan bahwa pertumbuhan
ikan selar kuning ( Selaroide Sp ) adalah alometris negatif yaitu pertumbuhan
panjang lebih cepat daripada pertumbuhan berat.
5.2 Saran
Pada praktikum lab sebaiknya barang bawaan yang ditugaskan kepada
praktikan digunakan sesuai dengan fungsinya agar semua barang yang dibawa
berfungsi dengan semestinya.
MATERI 5 BHATTACHARYA
DISUSUN OLEH:
KELOMPOK 5
ADHENA SUPRAYOGI (165080201111070)
DEMIETRIUS SETO P. (165080207111002)
BUNGA REFAH (165080207111004)
FARRA DICHA F. (165080207111005)
M. NASHRULLAAH J. (165080207111003)
RIZKY APRILIA KARTINI (165080207111012)

MALANG
2018
BAB I PENDAHULUAN
1.1 Latar Belakang

Dinamika Populasi ialah proses peningkatan (increasing) atau penurunan
(decreasing) populasi baik dalam jumlah individu dan atau biomassa dalam
periode waktu tertentu yang diakibatkan oleh masuknya individu baru ke dalam
populasi (recruitment) sebagai hasil dari proses reproduksi (kelahiran), imigrasi,
berkurangnya individu baru ke dalam populasi sebagai akibat dari kematian
(mortality), di mana kematian dapat diakibatkan oleh pengambilan oleh manusia,
yang dikenal sebagai fishing mortality, dan kematian oleh faktor alami, yang
dikenal sebagai natural mortality, dan emigrasi. Menurut Gulland (1983) dalam
Prihatiningsih et al. (2013), pemahaman tentang dinamika populasi dari suatu
jenis ikan yang dieksploitasi merupakan hal yang sangat penting bagi
pengelolaan yang efektif dari suatu perikanan untuk memperoleh manfaat yang
maksimum.
Pada dasarnya Metode Bhattacharya adalah suatu teknik memisahkan data
sebaran frekuensi panjang ke dalam beberapa distribusi normal (sebaran
normal) dari distribusi total. Menurut Wilson (2013), fungsi bhattacharyya
digunakan untuk menentukan jarak antara target model dan target kandidat.
Properti dari koefisien Bhattacharyya seperti relasinya pada informasi ukuran
Fisher, kualitas dari estimasi sampel, dan bentuk eksplisit untuk berbagai
distribusi yang diberikan.
Dengan kebutuhan pada bidang perikanan akan analisis stok ikan, semakin
tinggi pula kepentingan untuk mempelajari dan memahami proses serta metode-
metode analisis dinamika populasi ikan. Dinamika populasi ikan dapat dianalisis
menggunakan berbagai cara dan metode, salah satunya adalah metode
Bhattacharya. Metode Bhattacharya merupakan salah satu grafis untuk
memisahkan data sebaran frekuensi panjang kedalam beberapa distribusi
normal. Salah satu cara untuk mengaplikasikan metode ini untuk memahami
cara penganalisisan yaitu dengan mempraktekkan, dan bagi para mahasiswa
adalah dengan praktikum.

Maksud dan tujuan dari makalah ini adalah sebagai berikut :
1. Mampu menunjukkan pergeseran mode kelas panjang berdasarkan
perbedaan bulan sampling dengan teknik Bhattacharya, menggunakan
software excel.
2. Mampu menduga faktor kondisi dari data LW-relationship menggunakan
formula kubik menggunakan software excel.
Praktikum Dinamika Populasi Ikan materi Bhattacharya dilaksanakan pada
hari Sabtu, 21 April 2018 pukul 14.20-17.00 WIB. Praktikum dilaksanakan di
ruang perkuliahan, Gedung C lantai 2 ruang C.2.1, C.2.2, C.2.3, C.2.4, Fakultas
Perikanan dan Ilmu Kelautan, Universitas Brawijaya.
2.1 Distribusi Normal

Distribusi normal merupakan distribusi teoritis dari variabel random yang
kontinyu. Kurva yang menggambarkan distribusi normal adalah kurva normal
yang berbentuk simetris. Untuk menguji apakah sampel penelitian merupakan
jenis distribusi normal maka digunakan pengujian KolmogorovSmirnov
Goodness of Fit Test terhadap masing-masing variabel. Hasil pengujian untuk
membuktikan distribusi normal pada model yang digunakan. Tampak hasil dari
perhitungan Kolmogorof Smirnov Test sudah menunjukkan distribusi yang
normal pada model yang digunakan dengan nilai probabilitasnya sebesar 0,797
(0,797 > 0,10) sehingga bisa dilakukan regresi dengan Model Linear Berganda.
(Dajan, 2013)
Melalui analisis grafik untuk menguji normalitas data adalah melihat
histrogram yang membandingkan antara data observasi dengan distribusi yang
mendekati distribusi normal atau metode yang lebih baik dengan melihat normal
probability plot yang membandingkan distribusi komulatif dari distribusi normal.
Distribusi normal akan membentukan satu garis lurus diagonal.dan ploting data
akan dibandingkan dengan garis diagonal.dasar pengambilan keputusan
memlalui analisis ini, jika data menyebar di sekitar garis diagonal dan mengikuti
arah garis diagonal atau garis histrogramnya menunjukkan pola distrbusi normal,
berarti model regesi memenuhi asumsi normalitas. Selain itu jika data menyebar
jauh dari garis diagonal atau tidak mengikuti arah garis diagonal maka model
regresi tidak memenuhi asumsi normalitas. (Sutrisno, 2014)
Salah satu distribusi frekuensi yang paling penting salam statistika adalah
distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup
yang melebar tak terhingga pada kedua arah positif dan negatifnya.
Penggunaanya sama dengan penggunaan kurva distribusi lainnya. Frekuensi
relatif suatu variabel yang mengambil nilai antara dua titik pada sumbu datar.
Tidak semua distribusi berbentuk lonceng setangkup merupakan distribusi
normal. Distribusi normal sering juga di sebt dengan distribusi Gauss.
2.2 Cohort
Analisis Kohort dan analisis populasi virtual adalah suatu analisis dari hasil-
hasil tangkapan dari perikanan komersial yang diperoleh melalui statistik
perikanan. Pada awalnya model ini berbasis umur, namum kemudian di
kembangkan juga untuk analisis berbasis data frekuensi panjang. Data hasil
tangkapan di gabung dengan informasi yang rinci tentang penyebaran dari setiap
kohort pada hasil tangkpan, yang biasanya diperoleh melalui penarikan contoh
dan pengukuran frekuensi panjang. Selanjutnya, di jelaskan bahwa ide dibalik
metode iniadalah menganalisis apa yang dapatdi ukur, dengan maksud untuk
menghitung populasi yang seharusnya ada diperairan untuk menghasilkan suatu
hasil tangkapan tersebut (Suradi, 2015).
Kohort berasal dari kata romawi yang berarti “kelompok di dalam
ketentraman”. Kemudian kohort ini diterapkan dalam kependudukan yang
diartikan sebagai “kelompok penduduk yang lahir pada suatu tahun yang sama
(kelompok umur yang sama)”. Menurut Prihatiningsih et al., (2013), penentuan
kelompok ukuran (kohort) dilakukan menggunakan metode Bhattacharya dari
program paket software FISAT. Pendugaan nilai koefesien pertumbuhan L”dan
Kdilakukan denganmenggunakanmetode ELEFAN (Electronic Length –
Frequency Analysis) I dan Gulland & Holt plot, sedangkan t0 diperoleh melalui
persamaan Pauly.
Penelitian merupakan salah satu upaya dalam pengembangan ilmu
pengetahuan dan teknologi. Berbagai jenis penelitian atau studi saat ini
mengharuskan kita berfikir kritis untuk dapat menentukan studi yang tepat kita
gunakan sesuai dengan masalah, tempat, dan waktu yang akan kita teliti. Salah
satunya adalah studi kohort. Studi Kohort adalah studi yang mempelajari
hubungan antara faktor risiko dan efek, dengan memilih kelompok studi
berdasarkan perbedaan faktor risiko. Kemudian mengikuti sepanjang periode
waktu tertentu untuk melihat berapa banyak subjek dalam masing-masing
kelompok yang mengalami efek dari masalah tersebut.
2.3 Metode Bhattacharya
Metode Bhattacharya merupakan metode pemisahan kelompok umur secara
grafis. Metode ini pada dasarnya terdiri atas pemisahan sejumlah distribusi
normal, masing-masing mewakili suatu kohort ikan, dari distribusi keseluruhan,
dimulai dari bagian sebelah kiri dari distribusi total. Begitu distribusi normal yang
pertama telah ditentukan, ia disingkirkan dari distribusi total dan prosedur yang
sama diulangi selama hal ini masih mungkin dilakukan untuk memisahkan
distribusi-distribusi normal dari distribusi total. Plot Ford‐Walford merupakan
salah satu metode paling sederhana yang digunakan dalam menduga
persamaan pertumbuhan Von Bertalanffy dengan interval waktu pengambilan
contoh yang sama (Sapriyadi.et.al.,2013).
Kelompok ukuran dipisahkan menggunakan metode Bhattacharya. Metode
Bhattachatya berguna untuk pemisahan suatu distribusi komposit kedalam
distribusi-distribusi normal yang terpisah, yakni bila sejumlah kelompok umur
(kohort) yang terdapat dalam sampel. Ikan yang memiliki koefisien laju
pertumbuhan tinggi adalah ikan yang memiliki kecepatan pertumbuhan yang
tinggi dan memerlukan waktu singkat untuk mencapai panjang maksimumnya.
Sedangkan ikan yang laju koefisiennya rendah adalah ikan yang memiliki
kecepatan pertumbuhan rendah dan memerlukan waktu yang lama untuk
mencapai panjang maksimumnya. Ikan dengan koefisien laju pertumbuhan
rendah cenderung berumur panjang, dan sebaliknya (Setiyowati, 2016).
Metode yang digunakan untuk mengestimasi komposisi umur berdasarkan
analisis ukuran panjang yaitu metode Bhattacharya. Metode ini terdiri dari
pemisahan sejumlah distribusi normal, masing – masing mewakili suatu kohort
ikan Metode Bhattacharya merupakan suatu teknik memisahkan data sebaran
frekuensi panjang ke dalam beberapa distribusi normal (sebaran normal) dari
distribusi total. Metode Bhattacharya digunakan untuk ikan yang memiliki masa
pemijahan panjang. Ikan yang memiliki koefisien laju pertumbuhan tinggi adalah
ikan yang memiliki kecepatan pertumbuhan yang tinggi dan memerlukan waktu
singkat untuk mencapai panjang maksimumnya. Sebaliknya, ikan yang laju
koefisiennya rendah adalah ikan yang memiliki kecepatan pertumbuhan yang
rendah dan memerlukan waktu yang lama untuk mencapai panjang
maksimumnya.
BAB III METODOLOGI
3.1 Alat dan Bahan

Berikut merupakan alat dan bahan yang digunakan pada saat praktikum
Dinamika Populasi Ikan :
Alat yang digunakan pada praktikum 5:
Tabel 10. Tabel Alat
NO ALAT GAMBAR FUNGSI
1 Laptop Sebagaimediauntuk
mengolah data
2 Charger Laptop Untuk charger laptop
3 Kabel roll Sebagai sumber listrik

laptop
4 LCD dan Untuk menyampaikan

proyektor materi saat praktikum
5 Alat tulis Untuk mencatat materi

saat praktikum
(Sumber : Kajian Praktikum Dinamika Populasi Ikan 2017)

Bahan yang digunakan pada praktikum 5:
Tabel 11. Tabel Bahan
NO BAHAN GAMBAR FUNGSI
1 Buku Panduan Sebagai pedoman saat
praktikum
2 Ms. Excel Untuk mengolah data

3.2 Skema Kerja
Persiapan
- Mempersiapk an alat dan bahan

- Mendownload data yang akan diolah, pada Web Dinamika Populasi Ika
- Selanjutnya data diolah pada Microsoft Excel
Hasil
3.3 Analisis Prosedur

Dalam praktikum Dinamika Populasi Ikan, hal pertama yang harus
dipersiapkan adalah bahan dan alat praktikum. Data yang digunakan dalam
praktikum yaitu data praktikum 5 yang ada di Web Dinamika Populasi Ikan. Pada
pengolahan data hal pertama yang dilakukan adalah membuka data pada
aplikasi Ms. Excel. Langkah pertama adalah membuat Ln dari tabel N1+,
kemudian setelah di Ln kan semua. data Ln tersebut di d Ln kan untuk mencari
nilai Y dengan cara mengurangi Ln kedua dengan Ln pertama. Selanjutnya lihat
satu persatu data d Ln untuk mengetahui data mana yang naik untuk pertama
kali, setelah ditemukan data tersebut diberi tanda warna agar tidak lupa. Lalu
data yang tadi diberi data pada kolom sebelumnya juga diberi tanda dengan
warna berbeda sebagai tanda bahwa data tersebut masih diasumsikan ada
percampuran cohort.
Hal yang dilakukan setelahnya adalah memberikan warna berbeda lagi pada
kolom sebelum data yang diasumsikan memiliki percampuran cohort, karena
data tersebut masuk pada cohort 1. Lalu di tabel selanjutnya mencari nila L untuk
mengetahui nilai X dengan cara memasukkan data L1 pada kolom L. Kemudian
untuk mengetahui nilai a dan b dilakukan regresi dengan memasukkan data d Ln
dan L pada kolom regresi yang tersedia. Setelah mendapatkan a dan b baru
dapat menghitung tabel selanjutnya yaitu tabel d Ln (N1) dengan rumus a+(b*L)
dengan memasukkan a dan b hasil dari regresi. Kemudian pada tabel
selanjutnya untuk memasukkan data digunakan data L1 pada kolom pertama,
kemudian pada kolom selanjutnya menggunakan cara menambah kolom
pertama pada Ln (N1) dengan kolom kedua pada d Ln(N1). Lalu pada tabel N1
merupakan hasil eksponensial dari data Ln (N1). Kemudian untuk mendapatkan
nilan N2+ digunakan cara mengurangi kolom pertama pada N1 dengan kolom
kedua pada N1+. Setelah itu dilihat data mana yang naik pertama kali maka itu
merupakan pertama mulai cohort 2.
Lalu untuk membuat grafik cohort digunakan cara yaitu pilih Insert lalu pilih
Scatter kemudian pilih Scatter with Smooth Lines lalu masukkan data L1 dan
N1+ maka akan muncul hasil grafik cohort. Terakhir membuat interpretasi dari
hasil yang dicari tadi.
BAB IV HASIL DAN PEMBAHASAN

Dari hasil praktikum yang dilakukan pada praktikum kelas Dinamika Populasi
Ikan didapatkan hasil sebagai berikut :
Tabel 12. Data Bhatacharya
A B C D E F G H I
L1 L2 N1+ ln(N1+) d ln(N1+) L d ln(N1) ln(N1) N1 N2+
Y X
8 9 2 0.69
9 10 8 2.08 1.39 9 1.26 2.08 8.00 0.00
10 11 9 2.20 0.12 10 0.37 2.45 11.54 -2.54
11 12 6 1.79 -0.41 11 -0.53 1.92 6.79 -0.79
12 13 2 0.69 -1.10 12 -1.43 0.49 1.63 0.37
13 14 5 1.61 0.92 13 -2.32 -1.83 0.16 4.84
14 15 11 2.40 0.79 14 -3.22 -5.05 0.01 10.99
15 16 24 3.18 0.78 15 -4.11 -9.16 0.00 24.00
16 17 38 3.64 0.46 16 -5.01 -14.17 0.00 38.00
17 18 42 3.74 0.10 17 -5.90 -20.08 0.00 42.00
18 19 33 3.50 -0.24 18 -6.80 -26.88 0.00 33.00
19 20 20 3.00 -0.50 19 -7.70 -34.57 0.00 20.00
20 21 7 1.95 -1.05 20 -8.59 -43.17 0.00 7.00
21 22 3 1.10 -0.85 21 -9.49 -52.65 0.00 3.00
22 23 3 1.10 0.00 22 -10.38 -63.04 0.00 3.00
23 24 5 1.61 0.51 23 -11.28 -74.32 0.00 5.00
24 25 8 2.08 0.47 24 -12.18 -86.49 0.00 8.00
25 26 11 2.40 0.32 25 -13.07 -99.57 0.00 11.00
26 27 14 2.64 0.24 26 -13.97 -113.53 0.00 14.00
27 28 17 2.83 0.19 27 -14.86 -128.40 0.00 17.00
28 29 16 2.77 -0.06 28 -15.76 -144.16 0.00 16.00
29 30 15 2.71 -0.06 29 -16.66 -160.81 0.00 15.00
30 31 14 2.64 -0.07 30 -17.55 -178.37 0.00 14.00
31 32 11 2.40 -0.24 31 -18.45 -196.81 0.00 11.00
32 33 11 2.40 0.00 32 -19.34 -216.16 0.00 11.00
33 34 10 2.30 -0.10 33 -20.24 -236.39 0.00 10.00
34 35 9 2.20 -0.11 34 -21.13 -257.53 0.00 9.00
35 36 10 2.30 0.11 35 -22.03 -279.56 0.00 10.00
36 37 11 2.40 0.10 36 -22.93 -302.49 0.00 11.00
37 38 10 2.30 -0.10 37 -23.82 -326.31 0.00 10.00
38 39 10 2.30 0.00 38 -24.72 -351.03 0.00 10.00
39 40 11 2.40 0.10 39 -25.61 -376.64 0.00 11.00
40 41 11 2.40 0.00 40 -26.51 -403.15 0.00 11.00
41 42 9 2.20 -0.20 41 -27.41 -430.56 0.00 9.00
42 43 7 1.95 -0.25 42 -28.30 -458.86 0.00 7.00
43 44 7 1.95 0.00 43 -29.20 -488.06 0.00 7.00
44 45 5 1.61 -0.34 44 -30.09 -518.15 0.00 5.00
45 46 6 1.79 0.18 45 -30.99 -549.14 0.00 6.00
46 47 5 1.61 -0.18 46 -31.89 -581.03 0.00 5.00
47 48 3 1.10 -0.51 47 -32.78 -613.81 0.00 3.00
48 49 2 0.69 -0.41 48 -33.68 -647.49 0.00 2.00
49 50 2 0.69 0.00 49 -34.57 -682.06 0.00 2.00
50 51 2 0.69 0.00 50 -35.47 -717.53 0.00 2.00
51 52 1 0.00 -0.69 51 -36.36 -753.89 0.00 1.00
Berdasarkan hasil pengukuran diatas, diketahui bahwa setiap warna

mewakili beberapa komponen sebagi berikut:
: Cohort Satu
: Cohort Campuran
: Cohort Selanjutnya
: Cohort Murni
: Hasil Regresi
4.2 Analisa Hasil
Dari hasil yang dilakukan pada praktikum kelas Dinamika Populasi Ikan
didapatkan hasil perhitungan regresi sebagai berikut.
Gambar 11. Hasil regresi

Dari hasil regresi diatas diperoleh nilai intercept atau a sebesar -
9.325001442 dan b yaitu nilai x variableI atau nilai sebesar -0.895879735.
Sehingga hasil regresi yaitu 0.15. Dan didapatkan hasil bahwa cohort 1 memiliki
nilai 1.39; 0.12; dan -0.14. cohort campuran sebesar -1.10 dan cohort
selanjutnya 0.92. Untuk cohort murni yaitu senilai 0.00; -2.54; -0.79. Pada data
tersebut terdapat 9 cohort yang pada setiap cohortnya memiliki umur yang
berbeda-beda dan cohort satu dimulai pada interval kelas 8-9, 9-10, 10-11, dan
11-12 dengan cohort 1 murni dimulai pada interval kelas 9-10,10-11,11-12 yang
bernilai 0, -2.54, -0.79 (N1 ≤ 0).
Berikut merupakan hasil grafik tersebut
Gambar 12. Grafik Cohort

Berdasarkan dari grafik diatas dapat diketahui bahwa grafik diatas dapat
diketahui bahwa jumlah kohort sebanyak 9 dengan umur setiap ikan berbeda.
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Pada praktikum 5 Dinamika Populasi yang telah dilakukan, dapat
disimpulkan sebagai berikut :
a. Distribusi normal merupakan distribusi teoritis dari variabel random yang
kontinyu.
b. Analisis Kohort dan analisis populasi virtual adalah suatu analisis dari hasil-
hasil tangkapan dari perikanan komersial yang diperoleh melalui statistik
perikanan.
c. Metode Bhattacharya merupakan metode pemisahan kelompok umur secara
grafis. Metode ini pada dasarnya terdiri atas pemisahan sejumlah distribusi
normal, masing-masing mewakili suatu kohort ikan, dari distribusi
keseluruhan, dimulai dari bagian sebelah kiri dari distribusi total.
5.2 Saran
Saran untuk praktikum 5 ini, untuk penyampaian materi diperjelas lagi
jangan terlalu cepat agar praktikan lebih mudah memahami materi yang
didapat,dan kurangnya penjelasan materi keseluruhan sehingga ada materi yang
belum kita pahami, seperti pada pengerjaan N3+ dan N4+ yang tidak bias
dikerjakan sesuai metode yang diajarkan. Untuk kedepannya mudah-mudahan
bisa lebih baik lagi.
MATERI 6 SELEKTIFITAS ALAT TANGKAP
DISUSUN OLEH:
KELOMPOK 6 :
YULIA AINUN A (165080207111014)

M. RIZAL PAHLAWAN (165080207111017)
FITRIYANA MEGA Y. B. (165080207111020)
RADITYA DWISATRIO S. (165080207111026)
APRILIYANDA ACHMAD D. (165080207111029)
ERISKA RAMADHANI (165080207111030)

MALANG
2018
BAB I PENDAHULUAN
1.1 Latar Belakang

Sumber daya ikan demersal di Laut Jawa diantaranya perairan Banten
secara umum sudah mengalami overfishing/overfished. Penangkapan ikan yang
terus menerus mengakibatkan pemanfaatan yang melebihi batas MSY
(Maximum Sustainable Yield). Oleh karena itu, diperlukan suatu konsep
pengelolaan sumber daya ikan kuniran dengan memperhatikan keterkaitannya
dengan aspek biologi agar stok ikan yang tersedia di laut dapat dimanfaatkan
secara optimal baik secara ekonomis maupun ekologis agar sumber daya ikan
kuniran tetap dapat dipertahankan dan berkelanjutan. Tentunya dengan status
yang berkelanjutan nelayan dapat mempertahankan rasio penangkapannya
(Prihatiningsih, et.al., 2015).
Pengunaan alat tangkap ramah lingkungan yang sesuai dengan CCRF
harus dilakukan sesuai dengan 9 kriteria. Kriteria alat tangkap ramah lingkungan
yaitu memiliki selektifitas tinggi, tidak merusak habitat ikan, tidak
membahayakan nelayan, menghasilkan ikan bermutu baik, produk tidak
membahayakan konsumen, hasil tangkapan yang tebuang minimum, alat
tangkap yang digunakan harus memberikan dampak minimum terhadap
keanekaan sumberdaya hayati ( biodiversity ), tidak menangkap jenis yang
dilindungi undang-undang atau yang terancam punah dan diterima secara sosial
oleh masyarakat (Firdaus, et.al., 2017).
Perkembangan kegiatan penangkapan ikan dunia terus meningkat dan telah
menunjukkan gejala overfishing di beberapa bagian perairan dunia.
Penangkapan secara berlebihan menjadi masalah, karena lebih dari 80% stok
ikan di dunia mengalami eksploitasi berlebihan. CCRF ( Code of Conduct
Responsible Fisheries) dipergunakan sebagai pedoman pelaksanaan kegiatan
perikanan secara bertanggung jawab. Oleh karena itu diperlukan adanya
pengetahuan dan penggunaan alat tangkap yang selektif dan ramah lingkungan.

Maksud dan tujuan dari praktikum Dinamika Populasi Ikan 2018 pertemuan
ke-6 adalah sebagai berikut:
a) Mampu menghitung penduga ratio sex pada sampel ikan menggunakan
sebaran binom
b) Mampu menghitung panjang ikan pertama kali matang gonad dengan
menggunakan teknik percent mature (Teknik transformasi dan excel)
c) Mampu menghitung Faktor seleksi pada alat tangkap kategori trawl dan
implikasinya, menentukan ukuran mata jaring trawl terhadap ikan target
Pada praktikum Dinamika Populasi Ikan yang ke-6 dilakukan pada tanggal
28 April 2018 di ruang C.22 Fakultas Perikanan dan Ilmu Kelautan Universitas
Brawijaya pukul 13.30 WIB.
2.1 Klasifikasi dan Morfologi Ikan Kuniran

Menurut Uiblein dan Haemstra (2009) dalam Amrina (2014), Klasifikasi Ikan
Kuniran sebagai Berikut :
Filum : Chordata
Kelas : Actinopterygii
Ordo : Perciformes
Famili : Mullidae Gambar 13. Ikan Kuniran

Genus : (Upeneus sulphureus)
Upeneus
Spesies: Upeneus
sulphureus
Ikan kuniran adalah salah satu jenis ikan demersal dan merupakan ikan
dominan hasil tangkapan jaring cantrang yang didaratkan di Banten. Secara
taksonomi, ikan kuniran tergolong famili Mullidae, dengan ciri badan memanjang,
agak tebal, pada dagu terdapat dua buah sungut yang tipis dan pendek. Kepala
bewarna kemerah-merahan, bagian perut bewarna kuning, terdapat dua garis
kuning sepanjang sisinya yaitu bagian atas mata sampai pangkal ekor. Sejak
tahun 2000-an ikan kuniran banyak dicari untuk dijadikan fillet dan kemudian
diolah menjadi makanan ringan untuk diekspor (Prihatiningsih, et.al., 2015).
Ikan kuniran merupakan salah satujenis ikan .yang hidupnya cenderung
berada di perairan yang relatif dalam, yaitu antara 30 - 70 m. Ikan tersebut
termasuk ke dalam famili Mullidae. Ciri-ciri morfologis antara lain: terdapat dua
garis melintang berwarna kuning (oranye) dari kepala sampai bagian ekor. Pada
kedua sirip punggung terdapat 2 7""" 3 tulang keras, ujung sirip berwarna hitam
atau coklat tua. Sirip anus dan sirip dada berwarna . pucat dengan ekor
berbentuk tumpul dan berwarna kuning. Bagian punggung (dorsa[) ikan berwarna
kehitam- hitaman dan bagian perutnya (abdomen) berwarna keputihan. Sirip
punggung pertama terdapat tonjolan runcing. Sirip dada berjari - jari antara I5 -
I8.
2.2 Distribusi dan Habitat Ikan Kuniran
Ikan Kuniran termasuk dalam kelompok Ikan Demersal yang mempunyai
nilai ekonomis penting dan tersebar diseluruh perairan indonesia. Berdasakan
kedalaman, habitat ikan kuniran terdapat pada kedalaman perairan 30-40 meter
dari permukaan air laut. Kelompok ikan demersal ini mempunyai ciri sebagai
berikut bergerombol tidak terlalu besar, aktifitas relatif rendah dan gerak ruaya
atau migrasinya juga tidak terlalu jauh ( Badrudin, 2006 dalam Amrina, 2014).
Ikan kuniran hidup di perairan tropis dan subtropis. Daerah penyebaran di
Indo-Pasifik meliputi Laut Cina Selatan, Australia, Kepulauan Hawaii, California,
India, dan Afrika (Burhanuddin et al. 1984). Secara taksonomi, ikan kuniran
tergolong famili Mullidae, dengan ciri badan memanjang, agak tebal, pada dagu
terdapat dua buah sungut yang tipis dan pendek. Kepala bewarna kemerah-
merahan, bagian perut bewarna kuning, terdapat dua garis kuning sepanjang
sisinya yaitu bagian atas mata sampai pangkal ekor (FAO 1974). Sejak tahun
2000-an ikan kuniran banyak dicari untuk dijadikan fillet dan kemudian diolah
menjadi makanan ringan untuk diekspor (Prihatiningsih, et.al., 2015).
Ikan kuniran (Upenus sulphureus) termasuk dalam keompok ikan demersal
yang mempunyai nilai ekonomis penting. Ikan kuniran ini tersebar di selruh
wilayah perairan Indonesia. Berdasarkan kedalaman, habitat ikan kuniran
terdapat pada kedalaman perairan 30 – 40 meter dari permukaan laut. Kelompok
ikan demersal mempunyai ciri sebagai berikut bergerombol tidak terlalu besar,
aktifitas relatih rendah dan gerak ruaya atau migrasi tidak terlalu jauh.
2.3 Alat Tangkap Trawl
Jaring trawl merupakan alat penangkapan ikan yang berupa jaring dan
penggunaannya di Indonesia termasuk dilarang oleh pemerintah. Oleh karena
itu, penangkapan ikan dengan menggunakan jaring trawl termasuk kategori
Illegal fishing. Akan tetapi, justru jenis pelanggaran inilah yang banyak dijumpai
atau yang marak terjadi di wilayah perairan Gresik. Dalam pelaksanaan
pembinaan kelestarian sumber perikanan dasar dan dalam rangka mendorong
peningkatan produksi yang dihasilkan oleh para nelayan tradisional serta untuk
menghindarkan terjadinya ketegangan-ketegangan sosial maka telah dikeluarkan
regulasi untuk penghapusan kegiatan penangkapan ikan yang menggunakan
jaring trawl. Hal tersebut sebagaimana tertuang dalam Keppres No.39 Tahun
1980 tentang Penghapusan Jaring Trawl (Arisandi, 2016).
Trawl adalah alat tangkap ikan yang bersifat aktif, dimana alat tangkap
ditarik oleh kapal yang bergerak mengejar gerombolan ikan sehingga masuk ke
dalam jaring, oleh karena itu kecepatan kapal dalam menarik alat tangkap pada
umumnya adalah lebih besar dari kecepatan renang rata-rata ikan yang
tertangkap. Disamping itu bentuk alat tangkap Trawl dirancang secara khusus
sehingga memiliki sayap yang berfungsi untuk menggiring target ke arah mulut
jaring atau mencegah ikan lari ke arah sisi kiri dan kanan alat tangkap serta
nantinya hasil tangkapan akan berkumpul pada kantong (Codend). Kantong (Cod
end) pada alat tangkap terdapat pada bagian paling ujung alat tangkap yang
berfungsi sebagai tempat berkumpulnya hasil tangkapan sehingga ukuran
benang yang digunakan pada kantong lebih besar jika dibandingkan dengan
bagian alat tangkap yang lainnya serta ukuran mata jaringnya juga lebih kecil
sehingga kemungkinan ikan meloloskan diri sangat minim (Jarwanto et al., 2014).
Dari kata “ trawl” lahir kata “trawling” yang berarti kerja melakukan operasi
penangkapan ikan dengan trawl, dan kata “trawler” yang berarti kapal yang
melakukan trawling. Jadi yang dimaksud dengan jarring trawl (trawl net) disini
adalah suatu jaring kantong yang ditarik di belakang kapal (kapal dalam keadaan
berjalan) menelusuri permukaan dasar perairan untuk menangkap ikan, udang
dan jenis demersal lainnya. Jarring ini juga ada yang menyangkut sebagai “jaring
tarik dasar”. Stern trawl adalah otter trawl yang cara operasionalnya (penurunan
dan pengangkatan) jaring dilakukan dari bagian belakang (buritan) kapal atau
kurang lebih demikian. Penangkapan dengan system stern trawl dapat
menggunakan baik satu jarring atau lebih.
2.4 Selektifitas Alat Tangkap
Selektifitas alat tangkap menjadi permasalahan utama dalam menjaga
kelestarian sumberdaya ikan, karena semua nelayan cenderung memperkecil
ukuran mata jaring untuk menyikapi semakin sedikitnya sumberdaya ikan.
Keterbatasan sumberdaya ikan dan meningkatnya biaya operasi penangkapan
merupakan dilema yang harus dihadapi dengan melakukan operasi
penangkapan ikan yang efektif dan selektif sesuai dengan prinsip kelestarian
sumberdaya ikan. Operasi penangkapan ikan yang efektif akan menekan biaya
operasi penangkapan ikan menjadi renah Efektifitas operasi penangkapan ikan
dapat diukur dari kecepatan tenggelam jaring sehingga semakin sedikit ikan yang
bisa meloloskan diri. Purse seine bisa dikatakan efektif jika kecepatan tenggelam
jaring lebih besar dari kecepatan renang ikan. Untuk mengetahui efektifitas alat
tangkap diperlukan analisa teknis seperti hanging ratio, shortening, luas jaring,
bukaan mata jaring, daya apung jaring, daya tenggelam jaring dan extra
bouyancy. Analisa teknis seharusnya dilakukan sebelum atau pada saat jaring
dibuat, namun kenyataan dilapangan tidak pernah dilakukan dan tidak diketahui
apa alasannya (Guntur et al., 2013).
Menurut FAO (1995) dalam Andriani et al., (2015), sesuai dengan standar Code
of Conduct for Responsible Fisheries (CCRF) yaitu salah satu kriteria nya suatu
alat tangkap dikatakan ramah terhadap lingkungan yaitu alat tangkap harus
memiliki selektivitas yang tinggi. Artinya, alat tangkap tersebut diupayakan tidak
menangkap ikan/organisme lain selain target. Ada dua macam selektivitas yang
menjadi sub kriteria, yaitu selektivitas ukuran dan selektivitas jenis. Selektifitas
ukuran berkenaan dengan terhindarnya ikan dari alat tangkap atau peluang
tertangkapnya bervariasi, sesuai dengan karakteristik ikan seperti bentuk badan,
bagian yang terjerat dan ukuran mata jaring. Berdasarkan hasil penelitian
menunjukkan bahwa para nelayan yang mengoperasikan jaring sembilang ini
berpendapat alat tangkap ini merupakan alat tangkap yang selektif karena alat
menangkap satu spesies dengan ukuran yang kurang lebih sama.
Selektivitas alat tangkap merupakan kemampuan suatu alat tangkap dalam
memilih jenis dan ukuran ikan tangkapan tertentu. Pengoperasian suatu alat
tangkap dengan tingkat selektivitas yang tinggi akan menyebabkan upaya
penangkapan lebih efisien dan sumberdaya ikan tetap lestari. Manfaat dari
adanya alat tangkap yang dikembangkan dengan adanya selektivitas diantaranya
adalah mengurangi hasil tangkapan sampingan, memperbaiki stok sumberdaya
karena adanya peningkatan laju rekruitmen, mengurangi waktu untuk menyortir
hasil tangkapan. Untuk mengetahui efektifitas alat tangkap diperlukan analisa
teknis seperti hanging ratio, shortening, luas jaring, bukaan mata jaring, daya
apung jaring, daya tenggelam jaring dan extra bouyancy.
2.5 Length of Mature (Lm)
Menurut Ningrum et al (2015) dalam Fauziyah et al., (2016), menyatakan
bahwa dengan membandingkan ukuran Lc50% dengan nilai length-first at
maturity (LM) maka dapat diduga ikan yang pertama tertangkap tersebut sudah
memijah atau belum. Jika ukuran ikan lebih besar dari LM, maka ikan tersebut
sudah pernah memijah. Menurut referensi, LM untuk teri putih (S devisi) adalah
62 mm dan estimasi umur untuk mencapai panjang LM sekitar 3,7 bulan. Hasil
penelitian Lm50% untuk Teri (S. devisi) yang tertangkap Payang di Perairan
Kabupaten Pemalang diperoleh nilai sebesar 60,67 mm. Pada perikanan
komersil di India, bahwa range panjang teri putih yang disarankan ditangkap
adalah 55-9,4 mm.
Menurut King (2003) dalam Puspaningdiah et al., (2014), bahwa nilai Lm50%
diperoleh dengan memplotkan prosentase proporsi kumulatif ikan matang gonad
dengan masing-masing ukuran panjang total ikan. Ukuran pertama kali ikan
matang gonad dapat dihitung menggunakan rumus sebagai berikut :
Dimana p adalah proporsi matang gonad. Kemudian dilakukan regresi untuk

mendapatkan nilai a dan b, dan dimasukan ke dalam rumus berikut :
Dimana Lm adalah ukuran pertama kali matang gonad, a adalah intercept,

dan b adalah slope. Panjang pertama kali matang gonad merupakan parameter
populasi yang dianggap sebagai indikator ketika individu telah mencapai tahap
dewasa. Setiap spesies ikan pada saat pertama kali matang gonad tidak sama
ukurannya, demikian pula pada ikan-ikan yang sama spesiesnya. Jika ikan-ikan
yang sama spesiesnya secara geografis menyebar pada lintang yang
perbedaannya lebih dari lima derajat, maka akan terdapat perbedaan ukuran dan
umur ketika mencapai kematangan gonad untuk pertama kalinya. Selain itu,
perbedaan ukuran tersebut juga terjadi akibat adanya perbedaan kondisi ekologis
perairan. Ukuran ikan ikan saat pertama kali matang gonad perlu diketahui
karena adanya hubungan dengan pertumbuhan ikan dan faktor-faktor lingkungan
yang mempengaruhinya. Kondisi penangkapan yang baik untuk menunjang
proses rekrutmen adalah ketika ukuran panjang individu yang ditangkap sama
dengan ukuran panjang pertama kali matang gonad (Lm). Ukuran panjang
tangkapan yang lebih rendah dibandingkan Lm akan mengakibatkan penurunan
stok sumberdaya akibat terhambatnya proses rekrutmen.
2.6 Length of Capture (Lc)
Dengan membandingkan ukuran Lc50% dengan nilai Lm50% maka dapat
diduga apakah rajungan yang pertama tertangkap tersebut sudah memijah atau
belum. Jika ukuran rajungan lebih besar dari Lm50%, maka ikan tersebut sudah
pernah memijah. Dari hasil penelitian diperoleh Lm50% sebesar 136 mm
sedangkan nilai Lc50% 122 mm. Jumlah rajungan yang diamati untuk tingkat
kematangan gonad adalah 1013 ekor, dari jumlah tersebut tidak terdapat ikan
yang matang gonad pada ukuran dibawah Lc50%. Hal tersebut menunjukkan
bahwa hasil tangkapan didominasi oleh ikan-ikan yang belum pernah memijah.
Secara biologis kalau hal tersebut dibiarkan terus menerus akan berdampak
buruk pada berkelanjutan populasi rajungan (Ningrum, 2015).
Ukuran pertama kali ikan tertangkap diperoleh dengan mencari nilai ukuran
tengah ikan yang tertangkap. Metode penentuan ukuran ikan pertama kali
tertangkap dilakukan dengan cara sebagai berikut. 1) Membuat interval panjang
ikan, nilai tengah panjang dan menghitung frekuensi setiap kelas panjang. 2)
Menghitung persentase kumulatif masing-masing kelas panjang. 3) Nilai ukuran
pertama kali ikan tertangkap (Lc50%) diperoleh dengan memplotkan persentase
kumulatif ikan yang tertangkap dengan nilai tengah panjang ikan (Agustiari et al.,
2017).
Length of capture (Lc) merupakan ukuran pertama kali ketika ikan
tertangkap. Pendugaan ukuran pertama kali ikan tertangkap digunakan sebagai
salah satu pertimbangan dalam pengolahan sumberdaya perikanan. Dapat
diasumsikan bahwa apabila ikan tertangkap pada ukuran belum matang gonad
atau belum sempat melakukan recruitment, maka sumberdaya ikan tersebut
akan cenderung punah. Hal ini mungkin terjadi karena ikan belum diberikan
kesempatan untuk mempunyai keturunan tetapi sudah tertangkap.
BAB III METODOLOGI
3.1 Alat dan bahan

Pada praktikum Dinamika Populasi Ikan yang ke-6, diperlukan alat dan
bahan sebagai berikut :
Tabel 13. Alat praktikum
No Nama Alat Gambar Fungsi
1
(Sumber : Dokumentasi pribadi, 2018)
Menampilkan
materi
Laptop
praktikum
yang akan
disampaikan
2 (Sumber : Dokumentasi pribadi, 2018)

Penambah
Kabel Roll stok ikan
untuk charger
laptop
3 (Sumber : Dokumentasi pribadi, 2018)

Agar laptop
tidak mati
Charger
saat
baterainya
habis
4 (Sumber : Dokumentasi pribadi, 2018) Menampilkan

materi
LCD proyektor praktikum
Dan screen yang akan
disampaikan
Pada praktikum dinamika populasi ikan materi selektifitas alat tangkap alat
Tabel 14. Bahan praktikum
No Nama Bahan Gambar Fungsi
1
Sebagai panduan
Buku Praktikum materi yang akan
disampaikan
(Sumber : Dokumentasi
pribadi, 2018)
3.2 Skema Kerja

Pada praktikum Dinamika Popolasi Ikan yang ke-6, dilakukan skema kerja
menentukan seletifitas alat tangkap sebagai berikut :
1. Buka file yang akan di proses
2. Jumlahkan kantong dan penutup
3. Hitung Sl Obs
4. Gunakan rumus Ln(1/sl-1)
5. Tentukan kolom yang akan digunakan
6. Cari titik tengah dan lakukan analisis regresi
7. Isi kolom Sl est dengan rumusnya
8. Cari nilai LM50%
9. Cari nilai SF
10. Cari nilai L50%

11. Cari nilai M optimal
12. Buatlah grafik scatter
13. Tarik garis L50% pada grafik scatter
14. Buatlah kesimpulan

Pada praktikum Dinamika Populasi Ikan yang ke-6, prosedur yang dilakukan
untuk melakukan processing data Selektifitas Alat Tangkap ialah dengan
menyiapkan sebuah laptop yang sudah terinstall Ms. Excel. Jika laptop sudah
menyala, lakukan proses data tersebut sesuai dengan instruksi oleh asisten
Dinamika Populasi Ikan. Langkah pertama untuk melakukan proses data ialah
menjumlahkan jumlah kantong dan penutup pada kolom total. Selanjutnya
menghitung Sl obs dengan cara membagikan jumlah kantong dengan jumlah
total. Setelah Sl obs sudah didapatkan, gunakan rumus Ln(1/sl-1) pada kolom
bagian Ln. Kemudia akan muncul data yang sudah diformulakan, gunakan data
yang akan diproses diantara nilai 0 sampai dengan nilai 1 pada Sl obs nya.
Carilah nilai titik tengah dengan cara membagikan interval L2 dengan L1, lalu
masukkan ke kolom titik tengah (x). Setelah itu, gunakan analisis regresi dengan
memasukkan kolom x dengan titik tengah dan kolom y dengan nilai Ln. Perlu
diketahui saat pemilihan data x dan y hanya dipilih yang diantara nilai 0 sampai 1
saja. Setelah sudah didapatkan hasil regresi tersebut, masukkan nilai Sl est
dengan rumus yang sudah didapatkan. Carilah nilai LM 50% dengan rumus
ABS(a/b), kemudian carilah nilai SF dengan mengkalikan LM 50% dan mesh
size. Setelah mendapatkan nilai SF, carilah nilai L50% dengan mengkalikan SF
dan mesh size. Kemudia carilah M optimal dengan membagikan interval L2 yang
bernilai 1 (tangkapan maksimal) dengan mesh size. Buatlah grafik scatter, dan
masukkan data yang akan dimuat dengan memilih select data dan klik add data.
Buatlah data Sl obs, dengan kolom x diisi oleh titik tengah dan kolom y diisi
dengan Sl obs. Untuk pengisian data Sl est sama dengan Sl obs tetapi untuk
kolom y tetap diisi dengan nilai Sl est. Kemudian akan muncul sebuah grafik
yang terdapat titik-titik yang dilalui oleh garis. Tarik garis L50% sampai mengenai
garis pada grafik tersebut. Terakhir yaitu membuat kesimpulan yang mewakili
data dan grafik yang sudah dibuat.
BAB IV PEMBAHASAN

Pada praktikum Dinamika Populasi Ikan yang ke-6 dihasilkan data hasil
sebagai berikut :
Tabel 15. Data Hasil Tangkapan Ikan Kuniran (Upeneus sulphureus) pada Alat
Tangkap Trawl
Interva Jumla Bagian Bagian

Jumlah Titik
l h Jumla yang yang
dalam Ln(1/S L- Tengah
Panjan dalam h Tertaha Tertaha
Kanton 1) ((L1+L2)/ 2)
g Penutu Total n (Sl n (Sl
g
p obs) est)
L1 L2 Y X
9 10 0 1 1 0.00
10 11 1 6 7 0.14 1.79 10.5 0.13
11 12 2 7 9 0.22 1.25 11.5 0.23
12 13 2 4 6 0.33 0.69 12.5 0.38
13 14 7 5 12 0.58 -0.34 13.5 0.56
14 15 30 13 43 0.70 -0.84 14.5 0.72
15 16 61 8 69 0.88 -2.03 15.5 0.84
16 17 27 3 30 0.90 -2.20 16.5 0.92
17 18 7 0 7 1.00
18 19 4 1 5 0.80
19 20 0 2 2 0.00
20 21 4 1 5 0.80
Gambar 14. Grafik OGIVE yang ditarik garis dengan tolak ukur L50%
4.2 Analisa Hasil
Gambar 15. Analisa Hasil

Pada praktikum Dinamika Populasi Ikan yang ke-6 didapatkan hasil yang meliputi
LM50%, L50%, SF, dan M optimal. Nilai pada LM50% didapatkan 13.2 cm, nilai
pada L50% didapatkan 13.2 cm yang sama dengan nilai LM50%, nilai pada
Seleksi Faktor (SF) yaitu 3.3 cm, dan terakhir yaitu nilai pada M optimal
didapatkan sebesar 5.5 cm.
BAB V PENUTUP
5.1 Kesimpulan
Pada prosedur yang sudah dilakukan pada praktikum Dinamika Populasi
Ikan yang ke-6 dapat disimpulkan bahwa prosedur perhitungan Selektifitas Alat
Tangkap pada Trawl sangat berpengaruh pada ikan kuniran dan tergantung pada
mesh size yang digunakannya. Pada alat tangkap Trawl digunakan mesh size
selebar 4 cm, tetapi mesh size yang optimal didapatkan sebesar 5.5 cm. Pada
tangkapan pertama dengan alat tangkap tersebut didapatkan ikan dengan
panjang 13.2 cm (Length of Capture), tetapi nilai Lm (Length of Mature) yang
diketahui ialah 18 cm. Hal ini membuktikan bahwa Lc kecil daripada Lm yang
berarti alat tersebut tidaklah selektif.
5.2 Saran
Saran untuk alat tangkap Trawl yang akan dan masih digunakan untuk
menangkap ikan kuniran perlu adanya pembatasan alat tangkap tersebut. Solusi
kedua ialah mesh size pada alat tangkap tersebut perlu diperlerbar agar ikan
yang belum matang gonad tidak terserok dengan alat tangkap tersebut.
MATERI 7 ANALISA STOK IKAN, LAJU MORTALITAS DAN EKSPLOITASI
DISUSUN OLEH:
KELOMPOK 7:
MOHAMAD FAUZI (165080207111034)
RANU ANGGITA (165080207111035)
HOBBY ISLAMI (165080207111036)
MISTAHUL ARIFIN (165080207111037)
PAUL TEGUH K. W. (165080207111038)
FAHZA PERGATA S. G. (165080207111039)

MALANG
2018

BAB I PENDAHULUAN
1.1 Latar Belakang

Menurut Rahman et al. (2013), seiring dengan usaha untuk meningkatkan
pemanfaatan sumberdaya perikanan dalam bidang penangkapan, maka nampak
sekali telah terjadi fluktuasi jumlah hasil tangkapan tiap tahun khususnya ikan
pelagis di daerah Kendal. Hal ini mengindikasikan adanya tingkat pemanfaatan
sumberdaya ikan pelagis di perairan Utara Jawa Tengah telah berada dalam
kondisi overfishing. Hal ini diduga karena jumlah stok ikan yang semakin
berkurang serta armada penangkapan yang semakin meningkat. Oleh karena itu
perlu dilakukan penelitian mengenai tingkat pemanfaatan dilihat dari aspek
biologi dan ekonomi di perairan Utara Jawa Tengah khususnya Kabupaten
Kendal karena perairan Kabupaten Kendal memiliki potensi perikanan yang
semakin berkembang. Permasalahan tersebut di atas perlu dikaji, baik dari segi
biologi maupun ekonomis yaitu dengan pendekatan bioekonomi Gordon-
Schaefer untuk mengetahui nilai MSY, MEY, dan OAE dengan memasukkan
aspek ekonomi (modal, biaya, penyusutan, pendapatan, dan keuntungan) serta
kendala biologi dalam pengelolaan sumberdaya perikanan.
Menurut Badiuzzaman et al. (2014), tingkat pemanfaatan potensi perikanan
khususnya rajungan akan berpengaruh terhadap kelestarian stok. Apabila tingkat
pemanfaatan masih di bawah potensi sumberdaya yang ada tidak akan banyak
berpengaruh terhadap ketersediaan stok. Namun apabila tingkat pemanfaatan
melebihi potensi yang ada akan membahayakan kelestarian stok ikan.
Keberadaan informasi mengenai potensi sumberdaya rajungan saat ini, sangat
membantu untuk mengendalikan pemanfaatan agar lebih terarah. Berbagai hasil
kajian yang berkembang belakangan ini menunjukkan upaya pengelolaan
semakin sangat dibutuhkan.
Stok ikan merupakan suatu kelompok individu, atau merupakan sub-set dari
spesies dimana memiliki parameter populasi yang sama dan menempati suatu
wilayah geografi tertentu. Kelimpahan stok ikan menggambarkan kelestarian dari
suatu perairan dimana stok tersebut didapati. Stok ikan di suatu wilayah sangat
dipengaruhi oleh mortalitas atau eksploitasi. Intensitas dari suatu mortalitas atau
ekploitasi jika semakin tinggi maka akan mengurangi dari jumlah dari stok ikan di
suatu wilayah. Maka dari itu diperlukan pengelolahan yang baik dengan cara
menganalisa keterkaitan antara stok ikan, mortalitas, dan eksploitasi.

a. Mampu membuat formula vBGF, dan cara menghitung parameter
pertumbuhan panjang dengan teknik Ford-Walford;
b. Mampu mengoperasikan software FISAT II dalam analisis LF dan menduga
parameter pertumbuhan panjang, mortalitas penangkapan, biomas per recruit.
Praktikum Dinamika Populasi Ikan pertemuan yang ke-7 dilaksanakan pada
tanggal 13 Mei 2018 di ruang C 2.2 Fakultas Perikanan dan Ilmu Kelautan
Universitas Brawijaya .
2.1 Pertumbuhan Stok Ikan

Fekunditas memiliki hubungan dengan studi dinamika populasi, produksi
dan persoalan stok rekruitmen. Sumberdaya ikan merupakan sumberdaya yang
dapat dipulihkan (renewable). Hal ini berarti bahwa jika sumberdaya diambil
sebagian, sisa ikan yang ditinggal memiliki kemampuan dapat berkembang biak
untuk memperbarui stoknya di alam. Untuk itu penangkapan ikan dilakukan
dengan aturan-aturan tertentu, misal memperhatikan ukuran mata jaring alat
tangkap yang akan digunakan, tata cara penangkapan dan lain-lain. Aturan
tersebut bertujuan untuk mengeksploitasi sumberdaya ikan namun dengan
memikirkan kelimpahannya dimasa depan (Dewanti et al., 2014).
Menurut Kurniawan et al. (2013), pada tahun 2012 nilai CpUE mengalami
peningkatan dibandingkan dengan tahun 2011, hasil tangkapan pada tahun 2012
mengalami peningkatan. Akan tetapi, dengan banyaknya hasil tangkapan pada
bulan Januari 2012 sampai dengan Maret 2012 mengakibatkan hasil tangkapan
pada bulan April menurun. Demikian juga dengan adanya eksploitasi ikan besar-
besaran, stok ikan di area rumpon mengalami penurunan secara drastis
sehingga pada bulan Juni sampai Juli 2012 yang seharusnya sudah musim ikan
diarea rumpon tetapi pada saat itu nelayan tidak mendapatkan hasil. Dari gambar
diatas juga dapat disimpulkan bahwa semakin banyak effort maka nilai CpUE
akan semakin menurun. Jumlah hasil tangkapan pada tiap daerah penangkapan
berbeda antara daerah penangkapan yang satu dengan daerah penangkapan
yang lainnya, hal ini dipengaruhi oleh jumlah nelayan yang melakukan operasi
penangkapan di daerah penangkapan tersebut.
Petumbuhan stok ikan dipengaruhi oleh faktor internal ataupun faktor
eksternal dari stok tersebut. Faktor internal yang mempengaruhi pertumbuhan
stok ikan seperti pertumbuhan, reproduksi, dan mortalitas. Semakin tinggi
mortalitas dari ikan maka semkin menurun pula pertumbuhan dari stok ikan.
Selain itu untuk faktor eksternal antara lain imigrasi, emigrasi, dan penangkapan
atau eksploitasi. Tingkat eksploitasi yang semakin tinggi akan memberikan
pengaruh pada pertumbuhan stok ikan dimana akan menjadi semakin rendah
pertumbuhannya, begitu juga sebaliknya.
2.2 Laju Mortalitas
Menurut Bakhtiar et al. (2013), mortalitas total (Z) pada penelitian ini
didapatkan sebesar 1,6 per tahun dan mortalitas alaminya (M) sebesar 0,69 per
tahun. Mortalitas akibat penangkapan (F=Z-M) dapat diduga sebesar 0,91 per
tahun. Mortalitas penangkapan lebih tinggi daripada mortalitas alami, dapat
diartikan bahwa kematian akibat penangkapan lebih tinggi daripada kematian
pada habitatnya. Tingkat eksploitasi (E) didapatkan sebesar 0,57 per tahun.
Tingkat eksploitasi tersebut lebih tinggi dari yang disarankan oleh Gulland (1971),
yaitu eksploitasi dapat dikatakan optimal bila mortalitas alami dan mortalitas
penangkapan seimbang sehingga Eopt= 0,5. Tingkat eksploitasi yang sekarang
terjadi dapat dikatakan rawan terhadap sumberdaya lobster di Perairan Cilacap,
oleh karena itu perlu adanya pengelolaan dalam hal penangkapan dan apabila
pengelolaan kurang efektif maka eksploitasi harus dipertahankan pada kondisi
seperti sekarang.
Menurut Kartini et al. (2017), laju mortalitas total (Z) dapat diduga dari kurva
hasil tangkapan yang dikonversikan ke- data komposisi panjang yang diliniearkan
sesuai dengan pernyataan Sparre & Venema (1999). Penentuan laju mortalitas
alami diduga dengan menggunakan rumus empiris Pauly (1980) in Sparre &
Venema (1999) dengan persamaan: Ln M = 0,152 – (0,279 x Ln L∞) + (0,6543 x
Ln K) + (0,463 x Ln T). Keterangan: M : mortalitas alami, L∞ : panjang asimptotik
pada persamaan pertumbuhan von Bertalanffy, K : koefisien pertumbuhan
(bulan-1), T : rata-rata suhu permukaan tahunan ( oC), Laju mortalitas
penangkapan (F) dapat diduga dengan menggunakan persamaan: F = Z – M
Laju ekspkoitasi (E) ditentukan dengan membandingkan laju mortalitas
penangkapan (F) terhadap laju mortalitas total (Z) (Pauly 1984): E=F/(F+M)=F/Z.
Mortalitas merupakan suatu ukuran atau jumlah kematian dari suatu populasi
dalam suatu kurun waktu. Dalam pengetahuan atau ilmu mengenai dinamika
populasi ikan, laju mortalitas dipengaruhi oleh dua faktor mortalitas. Terdapat
mortalitas alami yaitu kematian yang disebabkan oleh kematian alamiah atau
karena faktor umur ikan. Selain itu terdapat mortalitas karena penangkapan, atau
kematian ikan karena adanya kegiatan penangkapan. Kedua faktor ini
membentuk kurva dalam suatu kurun waktu oleh suatu populasi yang akan
menunjukkan laju mortalitas total dari suatu stok ikan.
2.3 Laju Eksploitasi
Menurut Chodrijah et al. (2013), laju kematian karena penangkapan (F)
bervariasi menurut keragaman upaya penangkapan (f) setiap tahunnya. Nilai F
menunjukkan seberapa besar dan meningkatnya tekanan penangkapan (fishing
pressure) terhadap stok ikan di suatu perairan. Jika nilaimortalitas alami dari ikan
tongkol komo,M= 1,13 per tahun dan mortalitas penangkapan F= 1,51 per
tahunmaka diperoleh nilai tingkat eksploitasiE= 0,57.Nilai laju eksploitasi (E)
tersebut mengindikasikan bahwa tingkat eksploitasi ikan tongkol komo di perairan
Laut Jawa sudah berada pada nilai optimumnya (E=0,50). Nilai laju eksploitasi
yang rasional dan lestari di suatu perairan berada pada nilai E<0,5 atau paling
tinggi pada nilai E = 0,5.
Menurut Nurhayati (2013), hasil tangapan aktual kurang atau lebih kecil dari
MSY karena ketidakcukupan upaya penangkapan (fishing effort), maka secara
biologi perikanan dikatakan sebagai underfishing dan pengembangan
selanjutnya adalah memungkinkan. Jika hasil tangkapan lebih besar dari MSY
karena upaya yang berlebihan, maka secara biologi perikanan disebut
overfishing. Konsep kedua, jika tujuan kebijakan adalah untuk pemanfaatan
secara ekonomi (economic benefit), maka laju eksploitasi optimum ditetapkan
untuk mencapai MEY (Maximum Economic Yield), yaitu surplus pendapatan
maksimum yang terus menerus (Total Sustainable Revenues) yang melebihi
biaya penangkapan (fishing cost). MEY (Maximum Economic Yield) merupakan
modifikasi dari MSY dengan memperhitungkan nilai hasil tangkapan dan biaya
penangkapan. Perikanan dikatakan underfishing dalam pengertian ekonomi perlu
pengembangan selanjutnya. Demikian pula halnya perikanan dikatakan
overfishing, jika hasil tangkapan aktual tidak mencapai MEY (Maximum
Economic Yield) karena upaya penangkapann yang berlebihan.
Eksploitasi merupakan kegiatan penangkapan ikan terhadap suatu populasi
atau stok ikan. Kegiatan penangkapan dapat mempengaruhi pertumbuhan dari
suatu stok ikan. Jumlah penangkapan atau eksploitasi pada suatu kurun waktu
akan membentuk laju eksploitasi ikan. Laju eksploitasi ikan sendiri berbanding
terbalik terhadap pertumbuhan stok ikan. Hal ini dikarenakan jika laju eksploitasi
semakin tinggi, maka satuan penangkapan pada suatu kurun waktu akan
semakin meningkat. Sehinggi bila intensitas penangkapan meningkat, stok ikan
tidak akan memiliki waktu yang cukup untuk mengalami pertumbuhan stok.
2.4 Fish Assessment Tools (FiSAT) II
Menurut Setyowati (2016), berdasarkan nilai-nilai parameter pertumbuhan
rajungan yang dianalisis dengan subprogram Recruitment Pattern dalam
program FiSAT II, dapat dilihat pola rekrutmen rajungan tersebut untuk tiap
tahunnya. Pola rekrutmen rajungan tiap tahun menunjukkan adanya 2 puncak
(modus) selama setahun. Terjadinya rekrutmen sebanyak dua kali dalam
setahun menyebabkan sumber daya rajungan memiliki 2 kelompok umur
(kohort). Hasil analisis rekrutment (penambahan baru rajungan) dapat di lihat
pada Tabel 6 menunjukkan adanya presentase rekrutmen tertinggi pada bulan
Januari (15,45%) dan September (20,27%). Pola rekrutmen yang diduga dengan
program FISAT seringkali tidak sesuai dengan kenyataan di alam mengingat
model tersebut didasarkan pada dua asumsi yang jarang terjadi dalam
kenyataannya, yaitu semua sampel ikan tumbuh dengan satu set tunggal
parameter pertumbuhan dan satu bulan dalam setahun selalu terdapat nol
rekrutmen.
Menurut Ubamnata et al. (2015), parameter pertumbuhan von Bertalanffy (K
dan L∞) dapat diketahui dengan menganalisis serangkaian data frekuensi
panjang menggunakan metode ELEFAN I yang terdapat pada perangkat lunak
FISAT II. Selanjutnya untuk menghitung nilai t0 dapat dilakukan dengan
memasukkan nilai K dan L∞ yang sudah diperoleh menggunakan persamaan
menurut Pauly (1979), yaitu Log (-to) = -0,3922-0,2752 log L∞-1,038 log K.
Berdasarkan analisa parameter pertumbuhan (L∞dan K) dengan menggunakan
metode ELEFAN 1 dalam program FiSAT II, dan penghitungan secara langsung
nilai t0, diketahui persamaan Von Bartalanffy untuk ikan tembakang jantan
adalah Lt = 180,6*[1-e-0,47(t+0,21)] ini berarti ikan tembakang jantan diduga
mulai matang gonad pada umur 21 bulan sedangkan betina adalah Lt = 191,1*[1-
e-0,96(t+0,09963)] ini berarti ikan tembakang betina diduga mulai matang gonad
pada umur 8 bulan. Pada tabel terlihat nilai koefisien betina lebih tinggi dibanding
dengan jantan ini berarti nilai pertumbuhan ikan betina lebih cepat dibanding
jantan dalam mendekati L∞. Hal ini diduga karena beberapa faktor internal
seperti faktor genetik,umur dan perbedaan ukuran ikan, sedangkan faktor
eksternal seperti jumlah makanan intensitas penangkapan serta lingkungan
perairan. Perbedaan pertumbuhan ikan dipengaruhi oleh beberapa faktor seperti
intensitas penangkapan, ketersediaan makanan, dan faktor abiotik yang
mempengaruhi kesuburan perairan.
Software Statistik FiSAT (FiSAT II) merupakan paket program yang
dikembangkan oleh Food and Agriculture Organization (FAO) Fisheries and
Aquaculture Department. Arti dari FiSAT itu sendiri adalah “The FAO-ICLARM
Stock Assessment Tools”. Software Statistik FiSAT II memiliki fasilitas yang
sangat lengkap untuk penelitian perikanan seperti menampilkan grafis yang
interaktif, bisa mengklik mouse pada fungsi-fungsi terkait lainnya, memiliki
panduan secara online dan bebas untuk di download dan fasilitas-fasilitas
lainnya. Versi Windows dari FiSAT (FiSAT II) adalah paket program yang
dikembangkan terutama untuk analisis data frekuensi panjang, tetapi juga
memungkinkan analisis terkait, dari ukuran usia, tangkapan pada usia, pemilihan
dan analisis lainnya. FiSAT II dikembangkan untuk komputer yang menggunakan
sistem operasi Microsoft Windows dan menggunakan antarmuka pengguna
grafis Windows standar. Upaya dibuat untuk memprogram ulang perangkat lunak
utama agar lebih kecil dan lebih cepat. Juga, beberapa utilitas (DLL dan OCX)
menjadi tidak diperlukan dalam proses untuk menjalankan FiSAT II; karenanya
perubahan ukuran. Sebagian besar fungsi dalam menu "Utilitas" di FiSAT (versi
DOS) juga tidak akan diterjemahkan. Utilitas ini tersedia sebagai fitur standar di
lingkungan Windows.
BAB III METODOLOGI
3.1 Alat dan Bahan

Alat yang di gunakan pada saat praktikum adalah sebagai berikut :
Tabel 16. Alat-alat yang digunakan pada praktikum 7
No. Alat GAMBAR Fungsi
1.Laptop Untuk menjalankan excel
dan aplikasi Fisat II
2. Charger Laptop Untuk charger laptop
3. Kabel terminal /
Untuk menghubungkan
Oloran
listrik dari stop kontak ke
laptop
4 Alat Tulis Untuk mencatat materi dan

langkah-langkah
menjalankan aplikasi Fisat
II
Bahan yang digunakan pada saat praktikum adalah sebagai berikut :
Tabel 17. Bahan-bahan yang digunakan pada praktikum 7
No. Bahan Gambar Fungsi
1. Aplikasi Fisat II Aplikasi yang digunakan
untuk menduga
pertumbuhan, kematian,
rekuitmen serta status
perikanan
2.Ms. Excel Untuk mengolah data
(Regresi)
3. Buku Panduan Untuk bahan bacaan dan

acuan saat praktikum

3.2 Skema Kerja
Pada praktikum Dinamika Populasi ke- 7 tahun 2018, memiliki skema kerja
praktikum seperti berikut:
Siapkan alat dan bahan
- Menghitung dan m engisi form sebaran frekuensi panjang ikan pada

Ms.word.
- Mengolah data yang didapat pada Ms. excel
- Mengolah data pada software Fisat II
- Mengolah data pada Ms. excel (menghitung nilai M/K, Lc, Lc/L∞)
- Mengolah data pada software Fisat II
Hasil dan Interpretasi

Laju pertumbuhan
Langkah yang pertama adalah buka data Analisa stock ikan. Lalu, buka
aplikasi FISAT II yang telah didownload dan klik file – new – masuka nama file –
lalu save pada folder yang telah ada. Selanjutnya yaitu masukan nama species
ikan, pada praktikum kali ini species yang digunakan adalah Sardinella lemuru
dan masuka nama lainnya pada kolom other identifier yaitu Bali sardinella.
Setelah itu, untuk “unit of measurement” tetap menggunakan cm dan “Type of
measurement” juga tetap menggunakan total length. Lalu masukan smallest
midlength dengan melihat data yang ada, dan pada praktikum kali ini nilai
terkecinya yaitu 8 serta lihat selisih antar data lalu masukan nilai tersebut ke
Class Interval dan pada praktikum kali ini yaitu 0.5. Jika semua kolom sudah diisi,
klik add sample dan isi kolom “sampling date” sesuai dengan waktu yang ada
pada data excel. Jika sudah, enter kolom hingga jumlahnya sesuai dengan data
yang ada pada excel.
Langkah selanjutnya yaitu copy seluruh data yang akan di olah dari excel
pada kolom tersebut. Jika semua data sudah di copy ke FISAT II, klik menu
Asscess – klik Direct Fit of L/F data – pilih ELEFAN I. Lalu isi kolom data yang
ada dan klik “compute”. Lalu masukan nilai starring sampel dan starring length
data yang akan di olah lalu klik compute. Akan muncul banyak data dengan
bermacam warna, catat nilai tertinggi pada data tersebut dengan ciri – ciri
berwarna merah, dan catat nilai tersebut pada excel dengan menyertakan nilai
“K” dan “L infinit”. Lakukan hal yang sama hingga semua data sudah tercatat nilai
tertingginya. Selanjutnya, klik menu “Automatic Search” dan masukan nilai
optimal pertumbuhan ikan. Dan klik compute. Jika sudah, selanjutnya yaitu
membuat grafk VBGF dengan cara klik menu “K Scan” dan klik “compute” lalu
akan muncul grafik yang itu merupakan grafik VBGF. Selanjutnya yaitu klik menu
“print” dan ceklis menu “print to file”. Selanjutnya klik menu “Plot VBGF”, ceklis
“Plot the VBGF curve” lalu klik menu “Graph Output” dan klik “Plot VBGF” dan
akan terlihat cohort nya.
Mortalitas dan Eksploitasi
Untuk mencari nilai mortalitas dan eksploitasi, langkah pertama adalah
membuka file excel data frekuensi panjang dari ikan Yellow stripped goat fish.
Berdasarkan nilai frekuensi yang diperoleh dari tiap kelas tengah, langkah
berikutnya adalah mencari umur relatif sebagai nilai X dan ln_N_dt sebagai nilai
Y. Setelah didapatkan nilai X dan nilai Y, dilakukan regresi terhadap kedua nilai
tersebut sehingga didapatkan nilai a dan b untuk regresi Z. Setelahnya adalah
mencari nilai ∆LnN sebagai nilai Y dan mencari nilai L+∆L/2 sebagai nilai X.
Kembali lakukan regresi terhadap nilai X dan Y yang baru saja didapat untuk
memperoleh nilai a dan b untuk regresi F. Langkah berikutnya adalah mencari
nilai Ln M, M, Z, F, E, M/K, Lc, dan Lc/L∞ sesuai dengan rumus yang telah
ditentukan.
Setelah mendapatkan nilai dari masing-masing Ln M, M, Z, F, E, M/K, Lc,
dan Lc/ L∞, maka berikutnya adalah membuka FISAT II. Pada FISAT II, buka tab
Assess dan klik pada Beverton & Hold Y/R analysis, serta pilih knife edge.
Setelah muncul grafik centang pada Y’/R untuk mengetahui perbandingan hasil

tangkapan dengan stok ikan. Masukan nilai dari M/K yang telah didapatkan
sebelumnya di Excel. Cari pada kurva wilayah yang menunjukan nilai Lc/ L∞ dan
E yang sesuai dengan data pada Excel. Setelah diketahui pada wilayah warna
mana untuk laju penangkapan, selanjutnya adalah mencari perbandingan antara
biomassa dengan stok ikan dengan mencentang pada B’/R. Cari lokasi dimana
nilai Lc/ L∞ dan E didapatkan sesuai dengan data pada Excel. Kemudian klik
pada 2D Anlaysis untuk mendapatkan grafik relatif Y/R dan B/R Knife Edge.
BAB IV PEMBAHASAN

a. Laju Pertumbuhan
Scores : ELEFAN I Method
Dari data yang telah diolah di dapatkan hasil analisa stok ikan sebagai
berikut:
Tabel 18. Tabel Skor Metode ELEFAN 1
Starting
No Starting Score
Sampl Length Loo K (Rn)
e
1 1 16 21.25 0.88 0.199
2 2 15 21.25 1.78 0.18
3 3 16 21.25 0.73 0.239
4 4 16.5 23.25 0.58 0.207
5 5 12 21.5 1.03 0.209
6 6 13.5 21.50 0.50 0.253
Search Result
Data skor tertinggi dari tabel diatas yaitu :
Tabel 19. Data skor tertinggi dari data ELEFAN 1
Tabel Loo K C WP SS SL Rn
1 21.4 0.7 0 0 6 21.25 0.278
KScan
Parameters at Maximum
Tabel 20. Nilai parameter maksimum pada K Scan
Parameter Nilai
Loo 21.5
K 0.670
C 0.000
WP 0.000
Starting Sample 4
Starting Leght 16.25
Score 0.278
Grafik VBGF
Dari data pengolahan pada FISAT II diperoleh grafik indeks kemampuan
pertumbuhan seperti di bawah ini:
Gambar 16. Grafik Von Bertalanffy Growth Formula

Plot VBGF (Graph (Output))
Dari pengolahan data didapatkan plot VBGF sebagai berikut :
Gambar 17. Plot Von Bertalanffy Growth Formula
b. Mortalitas dan Eksploitasi

Hasil Regresi:
Tabel 21. Hasil regresi mortalitas dan eksploitasi
A B
Z 4.830803705 -3.02401625
Lc 5.206449702 -0.124198243
Gambar Y’/R Plot:
Dari pengolahan data didapatkan plot Y’/R sebagai berikut :
Gambar 18. Grafik knife edge Y'/R
Gambar B’/R Plot :

Dari pengolahan data didapatkan plot B’/R sebagai berikut :
Gambar 19. Grafik knife edge B'/R

Grafik 2D Analysis:
Dari pengolahan data didapatkan grafik 2D sebagai berikut :
Gambar 20. Grafik 2D analisis Y'/R dan B'/R
4.2 Analisa Hasil

4.2.1 Interpretasi Pertumbuhan Stok
Scores : ELEFAN I Method
Dari data yang telah diolah di dapatkan hasil analisa stok ikan sebagai hasil
berikut, Pada starting sampel pertama dengan starting length 16 didapatkan hasil
panjang maksimum ikan sebelum mengalami mortalitas (L00) 21.25 dan koefisien
laju pertumbuhan (K) 0.88 sehingga siketahui skor (Rn) 0.199 Pada starting
sampel kedua diketahui starting lenght 15 dengan L00 21.25 dan nilai K 1.78
sehingga skor yang didapat 1,8. Pada starting sampel ketiga diketahui starting
length 16 dengan L00 21.25 dan nilai K 0.73 sehingga skor yang didapatkan
0.239. Pada starting sampel keempat diketahui starting length 16.5 dengan L00
23.25 dan nilai K 0.58 sehingga skor yang di dapatkan 0.207. Pada starting
sampel kelima diketahui starting length 12 dengan L00 21.50 dan nilai K 1.03
sehingga skor yang didapatkan 0.209. Pada starting sampel keenam diketahui
starting length 13.5 dengan L00 21.50 dan nilai K 0.5 sehingga skor yang
didapatkan 0,253. Dari hasil perhitungan tersebut didapatkan skor tertinggi pada
starting sampel keenam yaitu 0.253.
Grafik VBGF
Dari VBGF grafik di atas adalah berdasarkan grafik yang diperoleh dapat
diketahui koefisien laju pertumbuhan atau K yaitu sebesar 0.670 dengan skor
sebesar 0.278 yang menunjukan bahwa ikan cendro (Tylosurus sp.) mempunyai
laju pertumbuhan 0.67 per tahun. Kemudian dari grafik tersebut ketika di awal,
laju pertumbuhan konstannya mengalami fluktuasi secara jelas dan penurunan
yang sangat tajam, tetapi ketika sudah mencapai L∞, laju pertumbuhan panjang
bergerak secara konstan hampir tidak ada perubahan.
Plot VBGF (Graph (Output))
Pada grafik plot VBGF diatas menunjukkan bahwa garis horizontal berarti
bulan dan garis vertikal adalah panjang. Pada setiap bulan terdapat beberapa
cohort. pada bulan april terdapat 2 cohort, pada bulan Mei terdapat 2 cohort,
pada bulan Juni 2 cohort, pada bulan Juli 2 cohort, pada bulan Agustus 2 cohort,
dan pada bulan September 1 cohort. Pada cohort yang dilewati oleh garis biru
menandakan ikan yang berada dalam cohort tersebut masih mengalami
pertumbuhan panjang sebesar angka yang tertera di sumbu Y (Length). Jika
garis biru tersebut semakin datar, maka pertumbuhan panjang ikan Cendro
(Tylosorus sp.) konstan bahkan tidak terjadi pertumbuhan panjang lagi karena
telah mencapai Loo.
4.2.2 Interpretasi Mortalitas
Dari hasil pengolahan data pada mortalitas didapatkan hasil regresi untuk Z
nilai intercept (a) yaitu 4.83 dan nilai X-variable (b) -3.02. Dari pengolahan data
tersebut diperoleh nilai Ln M yaitu 0.3 hasil tersebut diperoleh dari rumus “Ln M =
-0.0066-0.279*LN(24.3)+0.6543*ln K+0.463*ln T“, nilai M 1.35 hasil tersebut
diperoleh dari rumus “M = exp(Ln M)” , nilai Z 3.60hasil tersebut diperoleh dari “Z
= -(X variabel)”, nilai F 2.250771 hasil tersebut diperoleh dari rumus “F = Z-M”.
4.2.3 Interpretasi Eksploitasi
Dari hasil pengolahan data pada eksploitasi didapatkan hasil regresi
untuk Lc nilai intersept (a) yaitu 5.20 dan nilai X-variable (b) -0.124. nilai E = 0.62
hasil tersebut diperoleh dari rumus “E = F/Z”, nilai M/K 2.28 hasil tersebut
diperoleh dari rumus “M/K”, nilai Lc 14.38 hasil tersebut diperoleh dari rumus “Lc
= abs(intersep / Xvariabel)”, dan nilai Lc/L00 yaitu 0.59 hasil tersebut diperoleh
dari rumus “Lc / L00”.Dari hasil data tersebut, nilai E yang didapatkan yaitu 0.62
yang berarti E > 0,5 yang menunjukkan status perikanan tersebut overfishing.
Bisa juga dengan cara melihat nilai F dan M. nilai F yang didapatkan 2.25 dan
nilai M 1.35. Hal ini menunjukkan bahwa F > M yang berarti status perikanan
tersebut overfishing.
Dari grafik Y’/R dapat diketahui bahwa dapat diketahui bahwa stok ikan yang
diteliti dengan nilai e sebesar 0.6 dan LC/L~ sebesar 0.6 terletak pada warna
orange kemerah merahan status perikanannya over fishing.Berdasarkan grafik
B’/R dapat diketahui bahwa biomassa dari ikan yang diteliti dengan nilai e
sebesar 0.6 dan LC/L~ sebesar 0.6 berada pada warna biru muda hal ini
menunjukkan bahwa biomassa dari ikan tersebut sedikit overfishing. Dari grafik
tersebut diketahui bahwa status perikanannya telah overfising karena garis B/R
atau biomassa berada dibawah garis MSY yang menandakan biomassa dari ikan
yang diteliti sedikit. Sedangkan garis Y/R atau penangkapan berada di atas garis
MSY bahwa hasil penangkapan yang dilakukan telah melebihi batas MSY yang
diperbolehkan, sehigga termasuk overfishing.
BAB V PENUTUP
5.1 Kesimpulan
Berdasarkan prosedur yang telah dilakukan pada Praktikum Dinamika
Populasi Ikan yang ke-7 diperoleh data mengenai laju pertumbuhan, mortalitas,
dan eksploitasi. Laju pertumbuhan ditunjukan pada grafik VBGF dan plot VBGF
yang diperoleh. Sedangkan mortalitas dan eksploitasi diperoleh dari kurva Y/R,
B/R, dan grafik 2D analisis. Hasil tersebut antara lain sebagai berikut:
 Pada grafik VBGF pertumbuhan ikan sebelum mencapai L 00 itu fluktuatif
(naik turun). Setelah pertumbuhan mencapai L00 pertumbuhan panjang
ikan semakin melambat atau konstan. Nilai koefisien laju pertumbuhan
yang diperoleh adalah sebesar 0.5/tahun dan skor yang didapatkan
sebesar 0.253.
 Pada plot VBGF setiap bulan terdapat beberapa cohort. Pada bulan April
terdapat 2 cohort, pada bulan Mei terdapat 2 cohort, pada bulan Juni
terdapat 2 cohort, pada bulan Juli terdapat 2 cohort, pada bulan Agustus
2 cohort, dan pada bulan September 1 cohort.
 Dari hasil perhitungan didapatkan nilai Y’/R sebesar 0.6 dan nilai B’/R
sebesar 0.6. Pada grafik Y’/R plot semakin ke arah zona oranye
menandakan bahwa Ikan sudah memasuki status overfishing. Dari grafik
B’/R plot semakin ke area garis biru, menunjukkan bahwa biomassa ikan
sudah mulai sedikit dengan kata lain sudah overfishing.
 Pada grafik 2D analysis menunjukkan bahwa data ikan yang di olah
sudah masuk di dalam status overfishing ditunjukan oleh garis merah
(B’/R) berada dibawah batas (MSY) dan garis kuning (Y’/R) melebihi
batas MSY.
5.2 Saran
Agar pada praktikum ke depannya, asisten lebih membaur lagi ke dalam
praktikan. Hal ini agar praktikan tidak segan atau takut untuk bertanya. Namun
secara keseluruhan praktikum sudah berlangsung dengan baik, dan semoga ke
depan bisa semakin baik lagi.
DAFTAR PUSTAKA
Agustiari, Arinta Maulidina., Saputra, Suradi Wijaya dan Solichin, Anhar. 2017.
BEBERAPA ASPEK BIOLOGI IKAN SWANGGI (Priacanthus tayenus)
YANG DIDARATKAN DI PPP TAWANG KABUPATEN KENDAL. Journal of
Maquares Vol : 6, No. 1 : 33-42. Universitas Diponegoro.
Amrina, Catur S. Studi Identifikasi dan Prevalensi Cacing Endoparasit Ikan
Kuniran (Upeneus shulpureus) di Tempat Pelelangan Ikan (TPI) Brondong
Lamongan. Skripsi. Surabaya :UNAIR.
Andriani, Hanny., Brown, Arthur dan Rengi, Pareng. 2015. STUDI TEKNOLOGI
ALAT TANGKAP JARING SEMBILANG YANG MENGGUNAKAN TUASAN
DI DESA PEMATANG SEI BARU KECAMATAN TANJUNG BALAI
ASAHAN KABUPATEN ASAHAN PROVINSI SUMATERA UTARA. Jurnal
Perikanan dan Kelautan Vol : 20 No. 1 : 32-42. Universitas Riau.
Ardelia, Vera. 2016. Precautionary Approach Dalam Pengelolaan Sumber Daya
Ikan Tongkol (Euthynnus affinis) Dan Ikan Tetengkek (Megalaspis cordyla)
Di Perairan Selat Sunda. Tesis. Institut Pertanian Bogor.
Arisandi. 2016. INKOSISTENSI KEBIJAKAN PENGGUNAAN JARING TRAWL
(Studi Kasus Penggunaan Jaring Trawl Oleh Nelayan Wilayah Perairan
Gresik). JKMP Vol : 4 No. 1 : 1-18. Universitas Airlangga.
Astuti, Y.W. 2013. Pengaruh Penerapan teknik Jarimatika terhadap Kemampuan
Konsep Bilangan Kelompok A di TK Tri Guna Bhakti II Surabaya. Jurnal
Pengaruh Penerapan Teknik Jarimatika. 1(1): 0-216.
Badiuzzaman, Dian Wijayanto, Taufik Yulianto. 2014. Analisis Potensi Tangkap
Sumberdaya Rajungan (Blue Swimming Crab) Di Perairan Demak. Journal
of Fisheries Resources Utilization Management and Technology. Vol. 3(3):
248-256.
Bakhtiar, Nurul M., Anhar S., Suradi W. S. 2013. Pertumbuhan Dan Laju
Mortalitas Lobster Batu Hijau (Panulirus Homarus) Di Perairan Cilacap
Jawa Tengah. DIPONEGORO JOURNAL OF MAQUARES. Vol. 2(4): 1-10.
Budiarto, Eko. 2002. Biostatistika untuk Kedokteran dan Kesehatan Masyarakat.
Penerbit Buku Kedokteran EGC. Jakarta.
Chodrijah, U., Thomas H., Tegoeh N. 2013. Estimasi Parameterpopulasi
Ikantongkolkomo (Euthynnus Affinis)Di Perairan Laut Jawa. BAWAL Vol. 5
(3).
Dajan, Anto, 2013 , Pengantar Metode Statistik, Jakarta: LP3ES
Damayanti, W. 2014. Kajian Stok Sumberdaya Ikan Selar ( Caranx
leptolepiscuvier, 1833) di Perairan Teluk Jakarta Dengan Menggunakan
Sidik Frekuensi Panjang. IPB : Bogor.
Desti Setyowati. 2016. Kajian Stok Rajungan (Portunus pelagicus) di Perairan
Laut Jawa, Kabupaten Jepara.
Dewanti, Rizky O. N., Abdul G., Suradi W. S. 2014. Beberapa Aspek Biologi Ikan
Teri (Stolephorus Devisi) Yang Tertangkap Payang Di Perairan Kabupaten
Pemalang. DIPONEGORO JOURNAL OF MAQUARES. Vol. 3(4):102-111.
Fadlullah, Arif., Arifi, Agus Zainal., Navastara, Dini Adni. Segmentasi Citra Ikan
Tuna Menggunakan Gradient-Barrier Watershed Berbasis Analisis
Hierarki Klaster dan Regional Credibility Merging. Jurnal Buana
Informatika, Volume 7, Nomor 3, Juli 2016: 225-234
Fauziyah., Hadi., Saleh, Khairul dan Supriyadi, Freddy. 2016. DISTRIBUSI
UKURAN IKAN TERI (Stolerus sp) YANG DITANGKAP PADA
PERIKANAN BAGAN TANCAP DI MUARA SUNGSANG SUMATERA
SELATAN. Marine Fisheries Vol : 7 No. 2 : 161-169. Universitas Sriwijaya.
Firdaus, I. Aristi Dian., P.F. Sardiyatmo., Faik.K. 2017. Analisis Alat Penangkap
Ikan Berbasis Code Of Conduct For Responsible Fisheries (Ccrf) Di
Tempat Pelelangan Ikan (Tpi) Tawang, Kendal. Semarang : Saintek
Perikanan Vol.13 No.1 : 65-74.
Guntur., Fuad dan Faqih, Abdul Rahem. 2013. GAYA EXTRA BOUYANCY DAN
BUKAAN MATA JARING SEBAGAI INDIKATOR EFEKTIVITAS DAN
SELEKTIFITAS ALAT TANGKAP PURSE SEINE DI PERAIRAN
SAMPANG MADURA. Jurnal Kelautan Vol : 6 No. 2 : 157-161. Universitas
Brawijaya.
Hartati, Endah Dwi. 2013. Interaksi Struktur Komunitas Vegetasi dengan Kualitas
Lingkungan di Kawasan Swmpadan Pantai Semarang-Demak. Semarang;
UNDIP
Hastono, Sutanto Priyo. 2016. Analisis Data. Fakultas Kesehatan Masyarakat,
Universitas Indonesia.
Hijriani, Muludi, Andini. 2016. Implementasi Metode Regresi Linier Sederhana
Pada Penyajian Hasil Prediksi Pemakaian Air Bersih Pdam Way Rilau Kota
Bandar Lampung Dengan Sistem Informasi Geofrafis. Jurnal Informatika
Mulawarman. Vol.11, No. 2.
Jamshidi, S dan Samira Jamshidi. 2013. NTSYSpc 2.02e Implementation in
Molecular Biodata Analysis (Clustering, Screening, and Individual
Selection) International Conference on Environmental and Computer
Science. IPCBEE vol.19 IACSIT Press, Singapore
Jarawnto, Sri., Isnaiah dan Syofyan, Irwandy. 2014. EFFICIENCY OF TRAWL
COD END FOR CATCHING RESULT IN LAMBUR LUAR EAST MUARA
SABAK EAST TANJUNG JABUNG JAMBI PROVINCE. Jurnal Perikanan
dan Ilmu Kelautan Vol : 1 No. 2. Universitas Riau.
Junaidi. 2014.Transformasi Data Ordinal ke Interval dengan Microsoft Office
Excel. Fakultas Ekonomi dan Bisnis Universitas Jambi: Seri Tutorial
Analisis Kuantitatif. Jambi.
Junaidi. 2015. Program Ordi (Transformasi data Ordinal ke Interval). Pengolah
Data Aplikasi Microsoft Exel: PT Ordi
Kartini, Nidya, Mennofatria B., Ridwan A. 2017. Pola Rekrutmen, Mortalitas, dan
Laju Eksploitasi Ikan Lemuru (Amblygaster sirm, Walbaum 1792) di
Perairan Selat Sunda. Biospecies Vol. 10 No. 1, hal 11 - 16.
Kartiningrum, Eka D. 2015. Pengantar Biostatistik. Kekata Group Publisher.
Surakarta.
Khairunnisa, Zahra. 2014. Rancang Bangun Alat Ukur Kadar Gula Darah Non
Invasive Berbasis Sensor Fotodioda. Skripsi. Institut Pertanian Bogor.
Kurnia, J.w., Sri M.R., Lucia A. 2013. Analisis Kapabilitas Proses Produksi
Monosodium Glutamate (MSG) di PT. Ajinomoto Indonesia. Jurnal Sains
dan Seni Pomits. 2(1): 25-30.
Kurniawan, Deny. 2015. A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0.
Kurniawan, Mohammad R., Daduk S., Gatut B. 2013. Pengaruh Pemasangan
Rumpon Pada Musim Barat Terhadap Hasil Tangkapan Alat Tangkap Payang Di
Perairan Tuban Jawa Timur. PSPK STUDENT JOURNAL. Vol.
1(1): 16-20.
Marcus G.L, H.J. Wattimanela, Y.A. Lesnussa. 2013. Analisis Regresi Komponen
Utama Untuk Mengatasi Masalah Multikolinieritas Dalam Analisis
Regresi Linier Berganda (Studi Kasus: Curah Hujan di Kota Ambon Tahun
2010). Jurnal Barekeng Vol. 6 No.1 Hal. 31 – 40 (2012).
Marlina, Dwi. 2017. Model Penerimaan Teknologi Belajar Membaca Anak Usia
Dini berdasarkan Konsep TAM. Jurnal String. 2(1).
Merantika Puspaningdiah. Anhar Solichin. Abdul Ghofar. 2014. Aspek Biologi
Ikan Gabus (Ophiochelephus striatus) di Perairan Rawa Pening,
Kabupaten Semarang.
Mulyadi, Gilang Kusuma., Buwono, Ibnu Dwi., Subhan, Ujan. 2017. Analisis
Kekerabatan Genetik Hibrid Ikan Nilem (Osteochilus hasselti) dan Ikan Mas
(Cyprinus carprio L) Mengunakan PCR-RAPD. Jurnal Perikanan dan
Kelautan Vol. VIII No. 1 /Juni 2017 (42-47).
Ningrat, Desy Rahmawati., Maruddani, Di Asih I., Wuryandari, Triastuti. 2016.
Analisis Cluster dengan Algoritma K-Means dan Fuzzy C-Means Clustering
untuk PengeplompokanData Obligasi Korporasi. JURNAL GAUSSIAN,
Volume 5, Nomor 4, Tahun 2016, Halaman 641 650
Ningrum, Valentina Pristiya., Ghofal, Abdul dan Ain, Churun. 2015. BEBERAPA
ASPEK BIOLOGI PERIKANAN RAJUNGAN (Portunus pelagicus) DI
PERAIRAN BETAHWALANG DAN SEKITARNYA. Jurnal Saintek
Perikanan Vol : 11 No. 1 : 62-71. Universitas Diponegoro.
Novianti, Pepi., Agustina, Dian., Sriliana, Idhia, Sunandi, Etis. 2013. Analisis
Statistika Deskriptif dalam Pemetaan Kemiskinan di Kota Bengkulu.
Bengkulu. Laporan penelitian.
Nurhayati, Atikah. 2013. Analisis Potensi Lestari Perikanan Tangkap Di Kawasan
Pangandaran. Jurnal Akuatika Vol. IV No. 2
Prihatiningsih, B. Sadhotomo dan M. Taufik. 2013. Dinamika Populasi Ikan
Swangi (Priacanthus tayenus) di Perairan Tangerang – Banten. BAWAL 5
(2): 81-87.
Prihatiningsih., Nur A. Mukhlis. 2015 . Karakteristik biologi ikan kuniran (Upeneus
sulphureus) di sekitar perairan Banten. Jakarta : Prosiding Seminar Ikan 8.
Pujiyati, S. T, Hestirianoto. PD, Wulandari. MZ, Lubis. 2016. Fish Stock
Estimation by Using the Hydroacoustic Survey Method in Sikka Regency
Waters, Indonesia. Journal of Fisheries & Livestock Production.
Puspaningdiah, Merantika., Solichin, Anchar dan Ghofar, Abdul. 2014. ASPEK
BIOLOGI IKAN GABUS (Ophiocephalus striatus) DI PERAIRAN RAWA
PENING, KABUPATEN SEMARANG. Journal of Maquares Vol : 3 No. 4 :
75-82. Universitas Diponegoro.
Rafikasari, Elok Fitriani. 2013. Pengelompokan Kabupaten/Kota di Jawa Timur
berdasarkan Indikator Pendidikan Tahun 2013 menggunakan Analisis
HEIRARCHIALCLUSTER. FEBI, IAIN Tulungagung
Rahardjo, Budi Tri, dkk. 2016. Pengaruh Kinerja Keuangan dan Pengungkapan
Corporate Social Responsibility Terhadap Perusahaan (Studi KasusnPada
Perusahaan BUMN Yang Terdaftar Di BEI Tahun 2010-2014). Jurnal
Akuntasi Bisnis. Vol. 03, No. 01. Kampus Unikris Jatiwaringin.
Rahman, D. R., Imam T., dan Asriyanto. 2013. Analisis Bioekonomi Ikan Pelagis
Pada Usaha Perikanan Tangkap Di Pelabuhan Perikanan Pantai Tawang
Kabupaten Kendal. Journal of Fisheries Resources Utilization Management
and Technology. Vol 2(1): 1-10.
Rohlf, F. J. 1998. NTSYSpc: Numerical Taxonomy and Multivariate Analysis
System Version 2.0 User Guide. Applied Biostatistics Inc.
Sapriyadi, Efrizal,T. dan Zulfikar, A. 2013. Kajian Mortalitas Dan Laju Eksploitasi
Ikan Ekor Kuning (Caesio Cuning) Dari Laut Natuna Yang Di Daratkan
Pada Tempat Pendaratan Ikan Barek Motor Kelurahan Kijang Kota.
Universitas Maritime Raja Ali Haji.
Sembiring, E. Br; Elieser, F.T. 2014. Penerapan aplikasi computer dalam analisis
pengaruh kualitas pelayanan, fasilitas dan harga terhdap kepuasan
pelanggan. Jurnal Akutansi, Ekonomi, dan Manajemen Bisnis. Vol2(2) Hal.
148-153.
Seta Praba Waluyo. 2014. Identifikasi Dan Prevalensi Isopoda Pada Ikan Selar
(Selar Crumenophthalmus) Di Tempat Pelelangan Ikan (TPI) Panarukan
Situbondo Jawa Timur.
Setiyowat, Desti. 2016. Kajian Stok Rajungan (Portunus Pelagicus) Di Perairan
Laut Jawa, Kabupaten Jepara. Jurnal DISPROTEK. Fakultas Sains dan
Teknologi, UNISNU Jepara. Vol. 7 hal 84-97
Setiyowati, Desti. 2016. Kajian Stok Rajungan (Portunus Pelagicus) Di Perairan
Laut Jawa, Kabupaten Jepara. Jurnal DISPROTEK Vol 7(1):84-97.
Subagio, Hari., Widadgo, Supriyatno. 2014. Stock Assessment of Fishery
Resources Using Surplus Production Model on Surabaya East of Java. The
International Journal Of Engineering And Science (IJES). ISSN (e): 2319 –
1813 ISSN (p): 2319 – 1805.
Sudradjat, A. 2016. Studi Pertumbuhan, Mortalitas, Dan Tingkat Eksploitasi Ikan
Selar Kuning, Selaroides laptolepis (CUVIER DAN VALENCIENNES) Di
Perairan Pulau Bintan, Riau.
Sulaiman Heri, Dian Permana P. 2016. Kajian Model Matematika Eksponensial
dan Logistik dengan Contoh Aplikasinya pada Pertumbuhan Populasi
Bakteri Pantoea Agglomeransdi Medium Luria Bertani Cair Sistem Batch
Culture. Seminar Nasional Matematika dan Pendidikan Matematika. 685-
700.
Sundari. 2016. Pengaruh Kepemimpinan dan Budaya Organisasi terhadap
Kinerja dosen dengan Motivasi sebagai Variabel Intervening (Studi Kasus :
Stie ”Adi Unggul Bhirawa” Surakarta). Jurnal Ekonomi dan Perbankan.
2(2) : 48-65.
Suradi. 2015 . Menuju Desentra- lisasi Kelautan. Kerjasama Pusat Kajian Agraria
IPB, Partnership for Govern- ance Reform in Indonesia dan PT Pustaka
Cidesindo. Jakarta.
Sutrisno, 2014 . Manajemen Keuangan, Teori, Konsep dan Aplikas, Ekonisia.
Yogyakarta
Ubamnata, Bintang, Rara D., Qadar H. 2015. Kajian Pertumbuhan Ikan
Tembakang (Helostoma temminckii) Di Rawa Bawang Latak Kabupaten
Tulang Bawang, Lampung. Jurnal Penelitian Pertanian Terapan Vol 15 (2):
90-99.
Widyasari, RahmadFadhil,ZainalA. Muchlisin.2016. Hubungan Panjang Ikan
Julung-Julung (Zenarchopterusdispar) dari Prairan Pantai Utara Aceh.
Jurnal Ilmiah Mahasiswa Kelautan dan Perikanan Unsiyah Vol(1) 146-159.
Wilson, Liliana, dan Kartika Gunadi. 2013. Perancangan dan Pembuatan Aplikasi
Tracking Object pada Video dengan Metode Kernel-based. Jurnal INFRA 1
(1).
LAMPIRAN
Lampiran 1. Materi 1 Biostatistika
A. Lampiran Pemusatan Data Tingkat Kematangan Gonad
Gambar 21. Data untuk ukuran pemusatan TKG
Gambar 22. Meng-copy data pada kolom TKG

Gambar 23. Pilih sort smallest to largest
Gambar 24. Pilih continue with the current selection kemudian klik sort
Gambar 25. Mencari nilai modus
Gambar 26. Mencari nilai TKG 1


Gambar 30. Mencari nilai median
Gambar 31. Mencari nilai mean

B. Lampiran Pemusatan Data Panjang Ikan (TL)
Gambar 32. Buka data untuk pemusatan data panjang ikan
Gambar 33. Copy data pada kolom kosong disamping kolom TL

.
Gambar 34. Pilih sort and Filter
Gambar 35. Pilih continue with the current selection kemudian klik sort
Gambar 36. Mencari nilai median

Gambar 37. Mencari nilai mean
Gambar 38. Data praktikum untuk ukuran penyebaran data

Gambar 39. Mencari nilai ln ABD 6 dan ln W
Gambar 40. Membuat kolom nilai

Gambar 41. Mencari nilai N1 dan N2
Gambar 42. Mencari regresi dari data
Gambar 43. Tampilan kotak dialog regresi

Gambar 44. Mencari nilai a1 dan a2
Gambar 45. Mencari nilai b1 dan b2

Gambar 46. Mencari nilai SEb1 an SEb2
Gambar 47. Mencari nilai Sb1 dan Sb2

Gambar 48. Mencari nilai S2b1
Gambar 49. Mencari nilai T-tabel dengan selang kepercayaan 95%

Gambar 50. Mencari nilai BB b1 dan BB b2
Gambar 51. Mencari nilai BA b1 dan BA b2
Gambar 52. Mencari nilai [b1 - b2]

Gambar 53. Mencari nilai S2 gabungan
Gambar 54. Mencari nilai T-hitung

Gambar 55. Mencari nilai T-tabel
Gambar 56. Membuat kalimat hipotesis yang menyatakan H0 dan H1

Gambar 57. Menyatakan kesimpulan
Gambar 58. Pembuktian menggunakan pembandingan range N1 dan N2

terhadap Batas Bawah dan Batas Atas
Lampiran 2. Materi 2 Biostatistika : Curve fit by eye
 Pengolahan Regresi metode Curve Fit By Eye
Gambar 59. Plotan koordinat x dan y dalam hubungan regresi
Gambar 60. Pembuatan Garis Dugaan

Gambar 61. Penentuan Intercept
Gambar 62. Penentuan slope atau b

Gambar 63. Menghitung nilai keakuratan data
Gambar 64. Data analysis sebagai perbandingan keakuratan menggunakan

metode Curve Fit By Eye
Gambar 65. Ln data awal untuk mengetahui data hasil dan di regresi
Gambar 66. Data input regression

Gambar 67. Data output regression
Gambar 68. Interpretasi Data

Lampiran 3. NTSYS dan SPSS
Pada pengolahan NTsys, data yang digunakan adalah data excel dendogram.
Dimana NTsys berguna untuk menampilkan data yang multivariate. Data
multivariate adalah data yang terdiri dari beberapa variable. Berikut langkah
pengerjaan NTsys
1. Buka data excel Dendogram yang telah di download melalui web
Dinamika Populasi Ikan. Lalu hapus sheet selain Data 2
Gambar 69. Buka Excel
2. Lalu simpan data excel yang telah di edit dengan cara File – save as –
save 97-2003 workbook – save – close excel
Gambar 70. save file excel dalam format 97-2003
3. Lalu buka NTedit pada file extract NTSYS yang telah di download di web
– buka file excel yang telah di simpan dalam bentuk 97-2003 dengan cara
klik file – import excel – using OLE – Pilih data file dengan “files of type”
yaitu “ excel files- open
Gambar 71. open data menggunakan NTedit
4. Maka akan muncul data pada NTedit seperti di bawah ini
Gambar 72. Data import excel di NTedit
5. Selanjutnya adalah simpan data dari NTedit tadi dalam format file
“NTedit.NTS” lalu save
Gambar 73. Save file NTedit

6. Selanjutnya, untuk mengetahui kemiripan beberapa objek, maka dilakkan
similarity dengan cara klik similarity – SimInt – pada input masukan file
NTedit – coefficient di ganti dengan EUCLID – isi output untuk lokasi
penyimpanan SimInt
Gambar 74. Proses SimInt
7. Selanjutnya pengumelompokan objek berdasarkan persamaan dan

perbedaan dengan cara clustering. Yaitu klik Clustering – menu SAHN –
Input data dari FILE SimInt yang telah di simpan – untuk clustering
method menggunakan UPGMA – menu “in case” diganti FIND – Comput
Gambar 75. Proses SimInt

8. Maka akan muncul report lising – close
Gambar 76. Report Lising hasil SimInt
9. Selanjutnya untuk mengetahui pengelompokan berdasarkan kesamaan

dan perbedaanya dilakukan clustering.
Klik clustering – menu SAHN – input data NTedit yang telah disave tadi –
dengan clustering mode UPGMA – pada in case pilih menu – compute
Selanjutnya ketika report lising sudah muncul, maka report lising disimpan
– akan muncul icon bercorak merah – klik dan simpan – selanjutnya
report lising yang sudah disimpan dibuka kembali – save as – ubah pada
format JPEG
Gambar 77. icon Tree Plot

Gambar 78. Hasil Tree plot
Gambar 79. Proses perubahan dalam bentuk JPEG
Untuk pengolahan PCA menggunakan SPSS data yang digunakan adalah

data Truss-Morfometri (perbandingan antara ratio dua lokasi standar pada ikan
yang disebut landmark). Berikut langkah kerja pengolahan data SPSS.
1. Untuk memperoleh hasil SPSS diperlukan program excel. Pertama buka

file deongram – pilih sheet Truss Morfometrik – hapus 2 kolom data yang
hampir sama misalnya SL-SL dan HL –HL – save as 97-2003
Gambar 80. Proses pengecekan kesesuaian data

2. Selanjutnya adalah buka SPSS – klik file – open – Data – pada
Worksheet pilih Truss Morfometri -ok
Gambar 81.Buka file pada SPSS
Gambar 82. Proses pemilihan worksheet
3. Selanjutnya adalah pilih “Analyze” – Data reduction – factor – lalu klik

SPC dan input pada kolom selection variable – block semua pada kolom
dan input dalam kolom variable
Gambar 83. Proses alanyze data

Gambar 84. Data analyze yang sudah di input masing-masing kategori
4. Selanjutnya klik Descriptive – menu coefficient di centang – continue
Gambar 85. Proses descriptivefactor analysis
5. Lalu klik extraction – Scree plot – centang “scree plot – continue
Gambar 86. Proses Extractionfactor analysis
6. Selanjutnya pada menu Rotation untuk mengaktifkan Loading plot. Klik

rotation – centang “loading plot: - continue
Gambar 87. Proses rotationfactor analysis

7. Pada menu scores analysis factor selanjutnya adalah, klik scores -
centang “save as variable” – continue
Gambar 88. Proses scores factor analysis
8. Selanjutnya adalah menu terakhir pada factor analysis, cara

pengerjaanya adalah klik options – klik Sorted by size – continue
=
Gambar 89. Proses Option factor analysis
9. Selanjutnya adalah klik value – cancel - ok
Gambar 90. proses value untuk mengaktifkan perintah OK
10. Hasil factor analysis didapatkan berupa grafik dan table nilai.
Gambar 91. Hasil total berdasarkan Variance Explain
Gambar 92. Grafik pada scree plot

11. Selanjutnya kembali ke file SPSS pada Data View – copy total FAC
keseluruhan – paste pada kolom kedua hingga membentuk satu
rangkaian data yang terpisah kolom.
Gambar 93. FAC di SPSS yang kemudia di copy dalam data

morfometrik.
Gambar 94. Memberi judul pada tiap-tiap PCA
12. Hanya terdapat 3 species ikan, ssehingga tiap PAC memiliki nilai
sesuai dengan jumlah spesies. Cara pembuatan grafik berdasarkan
data PCA, PCA 1-3 dihitung berdasarkan jenis spesies yang ada,
namun PCA 4 tidak bisa digunakan sebab hanya terdapat 3 spesies.
Caranya adalah pada bagian PCA 1, maka semua data yang berada
pada kategori PCA 1 dihapus, sehingga begitu juga dangan data
PCA 2 dan 3, namun untuk data PCA ke-4 tidak digunakan sebab
spesies hanya terdapat 3 kategori.
Gambar 95. Penghapusan tiap PCA berdasarkan jumlah spesies
13. Lalu buat grafik scatter. Dengan cara blok semua PCA – insert – scatter –
pilih scatter pertama – maka hasil data menunjukan keeratan suatu
populasi antar spesies.
Gambar 96. Pembuatan grafik scatter
Gambar 97. Hasil grafik hubungan keeratan antar spesies

Lampiran 4. Hubungan Panjang Berat
 Praktikum Lab
 Siapkan 100 ikanSelarKuning (Selaroidessp)
Gambar 98. Sampel Ikan
 Ukurpanjangikan (menggunkanpanjang SL atauStandart Length)

menggunakanpenggaris.
Gambar 99. Pengukuran Ikan Panjang Ikan
 Ukur berat ikan menggunakan timbangan digital.

Gambar 100. Pengukuran Berat Ikan
 Tulis data panjangikan (SL) danberatikan (W) yang

telahdiukurkedalamkertaslapang.
Gambar 101. Hasil Pengukuran Panjang dan Berat

Gambar 102. Hasil Pengukuran Panjang dan Berat
Selanjutnya pengolahan data di excel (untuk mengetahui hubungan panjang dan

berat, serta faktor kondisi allometris)
Gambar 103. Pembuatan Form Pengolahan Data Allometris

Gambar 104. Mengolah Seluruh Data Pengolahan Data
Gambar 105. Pengolahan Data
Ln kan data panjang (SL) dan Berat (W) dengan rumus =ln(“data”) kemudian
Enter. Ulangi langkah tersebut ke semua data panjang (SL) dan Berat (W)
Gambar 106. Hasil Data Ln

Setelah di Ln kan, olah data Ln(SL) dan Ln(W) dengan regresi. Data -> Data
Analysis ->Regression -> Masukkan Y range dengan Ln(W) dan X range dengan
Ln (SL) kemudian pilih output range sebagai tempat hasil pengolahan regresi.
Setelah semua sudah klik OK dan hasil regresi akan keluar.
Gambar 107. Hasil Regresi data
Gambar 108. Hasil dan Kesimpulan
Tahap terakhir yaitu ambil kesimpulan dari hasil regresi dan perhitungan Kn.
 Jika nilai b = 3 maka pertumbuhan ikan termasuk dalam

pertumbuhan isometri.
 Jika nilai b > 3 maka menandakan alometri positif.
 Jika nilai b < 3 maka menandakan alometri negatif.
Pada hasil pengolahan data didapatkan hasil data b < 3, maka dapat
disimpulkan dengan b<3 maka dapat ditarik kesimpulan bahwa pertumbuhan
ikan selar kuning ( SelaroideSp) adalah alometris negatif yaitu pertumbuhan
panjang lebih cepat daripada pertumbuhan berat.
Lampiran 5. Bhattacharya
1. Buka Data_Prak5_Dinpop yang sudah diberikan oleh asisten di
aplikasi Ms. Excel
Gambar 109. Data Praktikum

2. Setelah itu untuk tabel Ln(N1+) adalah data yang berisikan data Ln
dari tabel N1+. Setelah itu drag tabel sampai semua kolom terisi oleh
Ln N1+
Gambar 110. Data Ln(N+)
3. Selanjutnya untuk mengisi tabel d Ln(N1+) yang merupakan data Y
Gambar 111. Tabel d Ln(N1+)

4. Untuk data d Ln(N1+) cara mengisi kolomnya dengan mengisi kolom
kedua pada tabel d Ln(N1+) dengan mengurangi kolom kedua
Ln(N1+) dengan kolom pertama Ln(N1+) (=D5-D4)
Gambar 112. Data d Ln(N+)

5. Kemudia drag semua kolom agar terisi penuh.
Gambar 113. Drag kolom

6. Pada d Ln(N1+) tentukan angka mana yang naik untuk pertama kali.
Setelahnya pada kolom diatas data yang naik pertama kali beri warna
yang berbeda dengan data yang naik pertama kali karena data
tersebut diasumsikan masih perpaduan cohort. Lalu data sebelumnya
lagi diberikan tanda dnegan warna yang berbeda karena data tersebut
termasuk cohort 1. Untuk tabel L untuk mengisi kolomnya dengan
cara memasukkan data L1 dan sejajar dengan kolom d Ln(N1+).
Gambar 114. Cohort 1
7. Setelah itu, meregresi data yang akan diolah.
Gambar 115. Regresi

8. Setelah itu masukkan data Y yang berwarna ungu di tabel d Ln(N1+)
ke kolom Input Y Range. Dan data X di Input X Range, Lalu masukan
Output Range dan klik OK.
Gambar 116. Input nilai X & Y

9. Selanjutnya untuk menghitung data d Ln(N1) menggunakan rumus a+
(b*L) dengan memasukkan koefisien a dan koefisien b yang dihasilkan
dari hasil regresi data Y dan X.
Gambar 117. Perhitungan rumus a+(b*L)
10. Lalu untuk data Ln(N1) dengan cara memasukkan data pada tabel
Ln(N1+)
Gambar 118. Insert data tabel Ln(N1+)

11. Selanjutnya untuk kolom kedua dengan cara menambahkan data
pada kolom pertama Ln(N1) dengan kolom keduan d Ln(N1).
Selanjutnya drag kolom sehingga tabel terisi penuh.
Gambar 119. Penambahan data pertama dan kedua

12. Untuk data N1 merupakan data eksponensial dari data Ln(N1).
Langkah yang digunakan adalah dengan memasukkan rumus =EXP.
Kemudian drag kolom sehingga terisi penuh.
Gambar 120. Data eksponensial
13. Lalu untuk data N2+ dengan cara mengurangi data N1+ dengan data
N1. Selanjutnya drag seluruh data hingga terisi.
Gambar 121. Data N2+

14. Lalu untuk menentukan cohort 2 dengan melihat data yang naik untuk
pertama kali. Data tersebut merupakan data cohort 2.
Gambar 122. Menentukan cohort 2

15. Selanjutnya membuat Grafik dengan cara klik Insert > Scatter Scatter
with Smooth Line.
Gambar 123. Pembuatan grafik
16. Selanjutnya klik pada grafik lalu select data untuk memasukkan data
yang akan dibuat grafik.
Gambar 124. Memasukkan data grafik

17. Selanjutnya pada Series Name berikan judul COHORT. Lalu pada
data X Values masukkan data L1 dan untuk Series Y Values dengan
memasukkan data N1+
Gambar 125. Edit series

18. Grafik sudah benar dan bisa di interpretasikan.
Gambar 126. Hasil grafik

19. Langkah terakhir adalah membuat interpretasi dari hasil pengolahan
data cohort.
Gambar 127. Interpretasi dan pengolahan data cohort

Lampiran 6. Selektifitas Alat Tangkap
Hal yang perlu dilakukan untuk memproses data tersebut ialah membuka file
Data_Prak6_Dinpop.
Gambar 128. Data praktikum
1. Setelah file terbuka, akan muncul tabel yang sudah disediakan. Jumlah kan
nilai “Jumlah dalam Kantong” dan “Jumlah dalam Penutup” dan masukan
formula nya di kolom “Jumlah Total”. Jika sudah dijumlahkan, klik 2 kali
simbol “+” untuk mengisi semua kolom dengan jumlahnya masing-masing.
Gambar 129. Jumlah total
2. Kemudian, untuk menghitung Sl obs yaitu dengan membagi “Jumlah Total”

dengan “Jumlah dalam Kantong” dan masukkan rumus tersebut ke kolom
“Bagian yang tertahan”. Lakukan hal yang sama untuk mengisi semua
kolomnya.
Gambar 130. Sl obs
3. Setelah itu akan dilakukan proses rumus “Ln(1/Sl-1)” dengan cara

memasukkan rumus tersebut ke kolomnya, gunakan SL dengan kolom SL
obs yang barisnya sama. Lakukan hal yang sama untuk mengisi semua
kolom.
Gambar 131. Kolom tabel Ln
4. Pada kolom Ln(1/Sl-1), tentukan kolom-kolom tangkapan diantara 0 sampai

dengan 1 atau bisa sebaliknya. Isilah kolom diantara tersebut dengan warna
sesuka hati agar memudahkan saat menghitung. Pada kolom titik tengah,
gunakan rumus ((L1+L2)/2) untuk menentukan titik tengah pada interval
tersebut. Lakukan hal yang sama untuk mengisi semua kolom, tetapi hanya
kolom yang diantara 0 sampai dengan 1 atau sebaliknya.
Gambar 132. Memilih data yang akan digunakan
5. Lakukan langkah data analisis regresi dengan mengisi kolom x dengan titik
tengah dan kolom y dengan Ln(1/sl-1) tetapi hanya pada data yang diantara 0
sampai dengan 1 atau sebaliknya.
Gambar 133. Analisis data regresi
6. Setelah itu, lakukan pengisian kolom SL est dengan rumus berikut :

Masukkan rumus tersebut pada kolom Sl est pada kolom yang sudah
ditentukan.
Gambar 134. Sl est
7. Kemudian untuk mencari LM50% menggunakan rumus =ABS(a/b).
Gambar 135. Nilai LM50%

8. Setelah itu carilah jumlah seleksi faktor dengan rumus SF = Lm50% / m.
Jumlah m sudah diketahui yaitu 4 cm.
Gambar 136. Nilai SF
9. Untuk mencari data L50% digunakan rumus L = Sf * m, yaitu sebagai

berikut.
Gambar 137. Nilai L50%
10. Kemudian untuk mencari M optimal (mesh size optimal), perlu diketahui
interval L2 manakah yang SL obs nya bernilai 1. Jika sudah diketahui, interval
L2 yang sudah diketahui dibagikan dengan Seleksi Faktor (SF).
Gambar 138. Nilai M optimal
11. Jika semua perhitungan sudah diformulakan, buatlah grafik scatter with
smooth line dengan tahap-tahap berikut :
 Klik kanan pada grafik scatter tersebut dan klik select data.
 Pada bagian Legend Entries, klik add untuk menambahkan data yang
akan di implikasikan dalam garis pada grafik scatter.
 Pada data yang berjudul Sl obs, isilah kolom x dengan titik tengah dan
kolom y dengan kolom Sl obs. Lalu klik ok.
 Pada data yang berjudul Sl est, isilam kolom x dengan titik tengah dan
kolom y dengan kolom Sl est. Lalu klik ok.
 Setelah semua data telah muncul pada Legend Entries, klik ok untuk
memasukkan data tersebut pada grafik.
Gambar 139. Membuat grafik scatter

12. Setelah grafik scatter sudah terisi dengan data, tarik garis lurus dari tolak
ukur Lc50% untuk meyakinkan apa data grafik tersebut sudah benar atau
tidak.
Gambar 140. Menarik garis L50% pada grafik scatter
13. Pada tahap terakhir, buat lah sebuah kesimpulan yang mewakili tabel grafik
dan grafik scatter tersebut.
Gambar 141. Membuat kesimpulan

Lampiran 7. Analisa Stok Ikan, Laju Mortalitas dan Eksploitasi
 LAJU PERTUMBUHAN
1. Buka aplikasi Ms. Excel, data Praktikum 7 pada sheet Analisis Stok Ikan.
Jadikan nilai frekuensi menjadi values agar tidak corupt saat diolah.
Gambar 142. Data Ms. Excel ikan lemuru
2. Buka aplikasi FISAT II lalu klik new dan save file dengan nama LF
Lemuru
Gambar 143. Tampilan save as FISAT II

3. Masukkan nama spesies dengan Sardinella lemuru, identifier lainnya
dengan Bali sardinella, smallest midlength dengan angka 8 dan class
interval sebesar 0.5. Lalu klik add sample dan masukkan tanggal sesuai
periode data mulai April hingga September 2009. Tambahkan baris ML
hingga mid kelas teratas yaitu 21.5. Copy juga data dari sheet analisis
stok ke dalam fisat.
Gambar 144. Tampilan FISAT II
4. Klik pada tab Asses > Dirrect fit of L/F Data > ELEFAN 1, hingga keluar
tampilan seperti dibawah. Isikan data L∞, K, C, dan WP sesuai dengan
data yang telah ditentukan. Serta starting sample 1 dengan starting length
pada mid length dengan frekuensi tertinggi pada periode sample 1.
Setelah semua terisi klik compute dan cari hasil tertinggi. Lakukan untuk
sample 1 hingga sample 6 yaitu 5 September 2009.
Gambar 145. Tampilan kotak perintah ELEFAN 1

5. Setelah dilakukan compute, cari angka tertinggi dan copy score tersebut
beserta nilai K dan L∞ nya dari tiap Starting sample. Tentukan nilai yang
tertinggi dan warnai berbeda.
Gambar 146. Tampilan excel dengan tanda frekuensi tertinggi
6. Setelah memperoleh score, K, dan L∞ tertinggi, maka langkah

selanjutnya di FISAT II adalah beralih ke Automatic Search dengan
mengisi kotak K, dan L∞ sesuai data tertinggi yang diperoleh. Setelah itu
klik compute dan copy hasilnya ke Excel.
Gambar 147. Tampilan perintah automatic search pada ELEFAN 1

7. Selanjutnya pada ELEFAN 1 klik tab K scan dan masukan nilai L∞ lalu
klik compute dan akan muncul hasilnya seperti gambar di bawah ini.
Gambar 148. Tampilan grafik pada kotak perintah K-scan
8. Lalu plot VBGF Curve dan centang pada plot the VBGF Curve, dan untuk
melihat grafik klik pada tab Graph (output). Klik print, lalu centang print to
file untuk menyimpan grafik.
Gambar 149. Kotak perintah plot VBGF curve pada ELEFAN 1

MORTALITAS DAN EKSPLOITASI
1. Copy data frekuensi panjang ikan yellow strip goat ke Ms. Excel dan cari
nilai X dan Y untuk melakukan regresi. Copy juga parameter
rekruitmennya.
Gambar 150. Data Ms. Excel ikan yellow strip goat
2. Cari nilai regresi dari Z dan F dengan cara data analysis lalu pilih regresi.
Untuk nilai X dan Y pada regresi Z adalah menggunakan nilai ln_N_dt (y)
dan umur relatif (x). Sedangkan untuk nilai yang digunakan pada regresi F
adalah data pada ∆LnN (Y) dan L+∆L/2 (x).
Gambar 151. Hasil regresi mortalitas dan eksploitasi

3. Langkah berikutnya adalah mencari perhitungan laju mortalitas dan
eksploitasi antara lain nilai Ln M, M, Z F, E, M/K, Lc, dan LC/L∞. Nilai-nilai
tersebut dicari menggunakan rumus yang telah ditentukan.
Gambar 152. Hasil perhitungan pada Ln M, M, Z F, E, M/K, Lc, dan LC/L∞
4. Selanjutnya adalah menuju aplikasi FISAT II. Buka pada tab assess >
Beverton & Holt Y/R analysis > knife edge.
Gambar 153. Tab perintah knife edge

5. Pilih pada perbandingan Y’/R untuk mengetahui perbandingan hasil
tangkapan dengan stok ikan. Masukan nilai M/K sesuai dengan yang nilai
yang didapat, lalu cari menggunakan kursor di area kurva mana yang
menunjukan nilai E sebesar 0.6 dan Lc/L∞ sebesar 0.6.
Gambar 154. Hasil kurva knife edge K'/R
6. Pilih pada perbandingan B’/R untuk mengetahui perbandingan biomassa

dengan stok ikan. Masukan nilai M/K sesuai dengan yang nilai yang
didapat, lalu cari menggunakan kursor di area kurva mana yang
menunjukan nilai E sebesar 0.6 dan Lc/L∞ sebesar 0.6.
Gambar 155. Hasil kurva knife edge B'/R

7. Langkah berikutnya adalah klik pada 2D analysis untuk mengetahui grafik
status penangkapan ikan yellow strip goat.
Gambar 156. Hasil kurva 2D analisis Y'/R dan B'/R

Laporan Akhir Dinpop P02 REVISI (1) FIXX-dikonversi

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Akhir Dinpop P02 REVISI (1) FIXX-dikonversi

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN AKHIR PRAKTIKUM

DINAMIKA POPULASI IKAN

PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN

Dengan ini menyatakan bahwa Laporan Akhir Praktikum Dinamika

(Fiendo Hartawandi W.) (Lia Dwi Utami)

(Riang Nadiya Nur A.) (Fitriani)

(Heri Setiawan) (Martina Afida Prayitno)

(Muhammad Ghofir) (Kholfia)

Koordinator Asisten Asisten 1,

(Fiendo Hartawadi W.) (Riang Nadiya Nur A.)

(Dr. Ir. Dewa Gede Raka Wiadnya, M.Sc)

Malang, 18 Mei 2018

LAPORAN AKHIR PRAKTIKUM DINAMIKA POPULASI IKAN P02 - FPIK UB2018 iv

BAB II. TINJAUAN PUSTAKA.............................................................................3

BAB III. METODOLOGI........................................................................................8

BAB IV. PEMBAHASAN....................................................................................12

MATERI 2 CURVE FIT BY EYE

BAB II TINJAUAN PUSTAKA..............................................................................3

MATERI 3 NTSYS DAN SPSS

BAB II TINJAUAN PUSTAKA.............................................................................3

BAB III METODOLOGI.........................................................................................6

MATERI 4 HUBUNGAN PANJANG DAN BERAT

BAB II TINJAUAN PUSTAKA..............................................................................3

BAB II TINJAUAN PUSTAKA..............................................................................3

BAB III METODOLOGI.........................................................................................6

BAB IV HASIL DAN PEMBAHASAN...................................................................9

BAB V KESIMPULAN DAN SARAN..................................................................12

MATERI 6 SELEKTIFITAS ALAT TANGKAP

BAB II TINJAUAN PUSTAKA..............................................................................3

MATERI 7 ANALISA STOK IKAN, LAJU MORTALITAS DAN EKSPLOITASI

BAB II TINJAUAN PUSTAKA..............................................................................3

BAB III METODOLOGI.........................................................................................8

PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN

1.1 Latar Belakang

LAPORAN AKHIR PRAKTIKUM DINAMIKA POPULASI IKAN P02 - FPIK UB2018 1

2.1 Pengertian Biostatistik

3.1 Alat dan Bahan

2. Kabel Rol Untuk sambungan

3. Charger Untuk mengisi daya

4. Aplikasi Untuk memberi petunjuk

5. Flashdisk Sebagai pengimpan dan

(Sumber: Kajian Praktikum DInamika Populasi Ikan 2018)

No. Bahan Kegunaan

3.2.2 Skema Kerja Pengolahan Data Faktor Kondisi Alometris

3.3 Analisa Prosedur

4.1 Data Hasil Praktikum

Site ID ABD 6 W LN (ABD 6) LN (W)

1 31.02 4.57 3.434632 1.519513

PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN

LAPORAN AKHIR PRAKTIKUM DINAMIKA POPULASI IKAN P02 - FPIK UB2018 24

1.1 Latar Belakang

LAPORAN AKHIR PRAKTIKUM DINAMIKA POPULASI IKAN P02 - FPIK UB2018 1 1

2.1 Pengertian Transformasi Data

3.1 Alat dan Bahan

2. Alat Tulis Untuk

3. Microsoft Excel Untuk

(Sumber: Kajian Praktikum DInamika Populasi Ikan 2018)

2. Penglahan data Sebagai data

Menyiapkan kertas Bluegraph mm

Melakukan pengolahan data menggunakan regresi

Membuat Grafik hubungan panjang berat dengan 7 titik data

Membuat Grafik sumbu x merupakan panjang, dan sumbu y sebagai berat

Mencari Nilai koefisien regresi

Menentukan intercept sebagai konstanta dengan batas garis dugaan