13 - Achmad Waliyuddin - 195080201111045

LAPORAN PRAKTIKUM OSEANOGRAFI PERIKANAN WILAYAH
PPN PENGAMBENGAN JEMBRANA
Oleh:
NAMA : ACHMAD WALIYUDDIN
NIM : 19508020701111045
KELOMPOK : 13
ASISTEN : SHANDY PRADANA PUTRA
PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN

JURUSAN PEMANFAATAN SUMBERDAYA PERIKANAN DAN KELAUTAN
UNIVERSITAS BRAWIJAYA
MALANG
2021
MALANG
Oleh:
Kelompok 13
NOVI DIAN SARI A. MANULLANG 195080201111037

ACHMAD WALIYUDDIN 195080200111045
EDWARD BARERA 195080207111031
INDAH KARUNIA KAIDUDUNG 195080201111049
LAILY MULYANINGRUM 195080200111051
MUHAMMAD RAFLY PRASETYA 195080200111056
PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN JURUSAN

PEMANFAATAN SUMBERDAYA PERIKANAN DAN KELAUTAN
UNIVERSITAS BRAWIJAYA
MALANG
2021
LEMBAR PENGESAHAN
MALANG
Oleh:
Achmad Waliyuddin
195080201111045
Dinyatakan memenuhi prasyarat
Praktikum Oseanografi Perikanan
Mengetahui, Menyetujui,
Koordinator Asisten Asisten Kelompok
Shandy Pradana Putra Shandy Pradana Putra
NIM. 185080200111036 NIM.185080201111036

Tanggal: Tanggal
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa karena atas
limpahan rahmat dan hidayah-Nya lah penulis dapat menyelesaikan Laporan
Praktikum Mata Kuliah Oseanografi Perikanan dengan tepat waktu. Adapun
laporan Praktikum ini dibuat sebagai salah satu sarana pendukung kegiatan
Praktikum Mata Kuliah Oseanografi Perikanan di Fakultas Perikanan dan Ilmu
Kelautan, Universitas Brawijaya.
Besar harapan kami agar kiranya laporan praktikum Mata Kuliah Oseanografi
Perikanan ini dapat bermanfaat bagi mahasiswa dan institusi dan memberikan
kontribusi pada perkembangan perikanan tangkap secara nasional khususnya
pengaruh fenomena perubahan parameter oseanografi terhadap parameter
lingkungan dan hasil tangkapan ikan di laut.
Malang, 7 November 2021
Penulis
i
DAFTAR ISI
Halaman
KATA PENGANTAR ............................................................................................ i

DAFTAR ISI ......................................................................................................... ii
DAFTAR GAMBAR ............................................................................................ iv
DAFTAR TABEL ................................................................................................. v
DAFTAR LAMPIRAN ......................................................................................... vi
1. PENDAHULUAN ............................................................................................. 1
1.1 Latar Belakang ........................................................................................... 1
1.2 Maksud dan Tujuan .................................................................................... 2
1.3 Waktu dan Tempat ..................................................................................... 2
2. TINJAU PUSTAKA .......................................................................................... 3
2.1 Suhu Permukaan Laut (SPL) ...................................................................... 3
2.2 Klorofil – A .................................................................................................. 4
2.3 ENSO (El nino Southem Oscillation)........................................................... 5
2.3.1 SOI (Southem Oscillation Index) .......................................................... 7
2.3.2 Nino 3.4 ............................................................................................... 9
2.4 IOD (Indian Oscillation Index) ................................................................... 11
2.4.1 DMI (Dipole Mode Index) ................................................................... 12
2.5 Hasil Tangkapan....................................................................................... 13
3. METODOLOGI .............................................................................................. 15
3.1 Alat dan Bahan ......................................................................................... 15
3.2 Skema Kerja ............................................................................................. 18
3.2.1 Skema Kerja Pre-processing Data ..................................................... 18
3.2.2 Skema Kerja Pengolahan Data .......................................................... 22
3.2.3 Skema Kerja Analisis Data ................................................................. 23
3.3 Metode Pengolahan data .......................................................................... 23
3.4 Metode Analisis Data ................................................................................ 26
3.4.1 Skema Kerja Korelasi ......................................................................... 26
3.4.2 Skema Kerja PCA .............................................................................. 27
4. HASIL DAN PEMBAHASAN ......................................................................... 28

4.1 Hasil Catch ............................................................................................... 28
4.2 Hasil Suhu Permukaan Laut (SPL) ........................................................... 29
4.3 Hasil Klorofil-A .......................................................................................... 30
4.4 Peta Oseanografi...................................................................................... 31
4.5 Grafik Hasil Korelasi Ano Temperature dengan Ano Catch....................... 34
4.6 Grafik Hasil Korelasi Ano Temperature dengan Ano Klorofil-A ................. 35
4.7 Grafik Hasil Korelasi Ano Klorofil-A dengan Ano Catch ............................ 37
4.8 Grafik Hasil Korelasi DMI dengan AnoCatch ............................................ 38
4.9 Grafik Hasil Korelasi SOI dengan AnoCatch ............................................. 40
4.10 Grafik Hasil Korelasi Nino 3.4 dengan AnoCatch .................................... 42
4.11 Hasil Analisis SPSS Suhu, Klorofil, DMI, SOI, dan Nino 3.4 dengan Hasil
Tangkapan ..................................................................................................... 44
ii
5. PENUTUP ...................................................................................................... 48
5.1 Kesimpulan............................................................................................... 48
5.2 Saran........................................................................................................ 49
DAFTAR PUSTAKA .......................................................................................... 50

LAMPIRAN ........................................................................................................ 54
iii
DAFTAR GAMBAR
Gambar .................................................................................................... Halaman

1. Skema Kerja Download data .......................................................................... 18
2. Skema Kerja pada SeaDAS ........................................................................... 19
3. Skema Kerja pada ArcMap ............................................................................ 20
4. Skema Kerja pada Excell ............................................................................... 21
5. Skema Kerja Pengolahan Data ...................................................................... 22
6. Skema Kerja Analisis Data ............................................................................. 23
7. Skema Kerja Korelasi ..................................................................................... 26
8. Skema Kerja PCA .......................................................................................... 27
9. Peta Sebaran SPL ......................................................................................... 33
10. Peta Sebaran CHL ....................................................................................... 33
11. Grafik Hasil Korelasi Ano Temperature dengan Ano Catch .......................... 34
12. Grafik Hasil Korelasi Ano Temperature dengan Ano Klorofil-A ..................... 35
13. Grafik Hasil Korelasi Ano Klorofil-A dengan Ano Catch ................................ 37
14. Grafik Hasil Korelasi DMI dengan AnoCatch ................................................ 38
15. Grafik Hasil Korelasi SOI dengan AnoCatch ................................................ 40
16. Grafik Hasil Korelasi Nino 3.4 dengan AnoCatch ......................................... 42
iv
DAFTAR TABEL
Tabel........................................................................................................ Halaman
1. Alat ................................................................................................................ 15
2. Bahan ............................................................................................................ 16
3. Hasil Catch..................................................................................................... 29
4. Hasil SPL ....................................................................................................... 30
5. Hasil Klorofil-A ............................................................................................... 31
6. Perhitungan Korelasi AnoTemp dengan AnoCatch ........................................ 34
7. Perhitungan Korelasi AnoTemp dengan AnoChlor ......................................... 35
8. Perhitungan Korelasi AnoChlor dengan AnoCatch ......................................... 38
9. Perhitungan Korelasi DMI dengan AnoCatch ................................................. 39
10. Perhitungan Korelasi SOI dengan AnoCatch ................................................ 41
11. Perhitungan Korelasi Nino 3.4 dengan AnoCatch......................................... 43
12. Hasil Perhitungan Correlation Matrix ............................................................ 44
13. Hasil Perhitungan KMO and Bartlett's Test .................................................. 45
14. Hasil Perhitungan Anti-image Matrices......................................................... 46
15. Hasil Perhitungan Communalities ................................................................ 47
v
DAFTAR LAMPIRAN
Lampiran .................................................................................................. Halaman

1. Foto Kelompok ............................................................................................... 54
2. Langkah Kerja ................................................................................................ 55
3. Peta Sebaran Suhu Permukaan Dan Klorofil-A Mei 2019 - Februari 2020 ... 105
vi
1. PENDAHULUAN
1.1 Latar Belakang
Menurut Cahya, et al. (2016), parameter oseanografi perikanan merupakan
salah satu faktor yang sangat berpengaruh terhadap variabilitas hasil tangkapan
ikan. Seperti klorofil-a dan suhu permukaan laut, karena suhu sangat berpengaruh
terhadap metabolisme ikan secara biologis. Dilihat dari pengaruh fisikanya, suhu
permukaan dapat menyebabkan upwelling. Dapat membawa nutrien ke
permukaan dan menjadikan tempat feeding ground bagi ikan. Sementara klorofil-
a merupakan indikator adanya produktivitas primer bagi ikan, khususnya ikan
pelagis.
Menurut Laila (2018), ilayah Indonesia terdiri atas perairan laut, pantai dan
pesisir. Secara biofisik wilayah pesisir memiliki arti penting karena memilki
sumberdaya alam yang besar khususnya sumberdaya perikanan. Oseanografi
perikanan merupakan suatu ilmu yang mempelajari tentang lautan, dimana
mengetahui tentang kualitas air dan keadaan sekeliling perairan yang berupa suhu,
salinitas, kecerahan, kedalaman air, arah angin dan arus. Hal ini diperlukan untuk
mendapatkan hasil tangkapan yang optimal.
Oseanografi merupakan dinamika suatu perairan yang sangat erat
kaitannya dengan karakteristik sumberdaya kelautan dan perikanan. Musim timur
angin yang berhembus dari Australia membawa massa udara yang hangat dan
kering akan menyebabkan musim kemarau di Indonesia, sedangkan sebaliknya
pada musim barat angin yang berhembus dari Asia membawa massa udara yang
hangat dan mengandung banyak uap air akan menyebabkan musim hujan.
Berbagai macam pengamatan telah dilakukan terhadap parameter oseanografi
yang berhubungan dengan distribusi ikan tangkapan.
1
1.2 Maksud dan Tujuan
Tujuan diadakannya praktikum oseanografi perikanan adalah untuk
memberikan wawasan dan pemahaman mahasiswa tentang, antara lain :
1. Dapat memahami teori dasar dalam oseanografi perikanan.
2. Dapat mengetahui cara perolehan data oseanografi perikanan melalui
pemotretan citra satelit.
3. Dapat mengetahui cara pemrosesan data, analisis data, dan interpretasi data
menggunakan aplikasi SeaDAS, ArcGIS, Ms. Excel, dan SPSS.
4. Dapat mengetahui hubungan parameter oseanografi perikanan dengan hasil
tangkapan.
1.3 Waktu dan Tempat
Praktikum oseanografi perikanan akan dilaksanakan hari Sabtu, 31 Oktober
2020 – 7 November 2020. Praktikum akan dilaksanakan secara daring/online
dikarenakan pandemik covid-19.
2
2. TINJAU PUSTAKA
2.1 Suhu Permukaan Laut (SPL)
Menurut Cahya, et al. (2016), suhu permukaan laut (SPL) merupakan salah
satu parameter yang penting untuk mempelajari variasi musim, fenomena iklim
seperti El nino, dan juga Indian Ocean Dipole yang selanjutnya dapat lebih
memahami perubahan iklim. Suhu permukaan laut (SPL) merupakan salah satu
parameter oseanografi yang mencirikan massa air di lautan dan berhubungan
dengan keadaan lapisan air laut yang terdapat di bawahnya. Sehingga dapat
digunakan dalam menganalisis fenomena yang terjadi di lautan. Suhu adalah
faktor penting bagi kehidupan organisme di laut yang dapat memengaruhi aktivitas
metabolisme maupun perkembangan, selain menjadi indikator fenomena
perubahan iklim
Menurut Rahadian, et al. (2019), berdasarkan hasil pengamatan, suhu
rataan selama 5 tahun (2014-2018) dengan suhu terbesar terjadi pada tahun 2016
dengan kisaran 28,8o. Dan suhu terendah terjadi pada 2015 dengan kisaran
26,8oC. Sebaran SPL secara spasial di laut jawa dapat dilihat pada dan berkisar
27oC - 31oC. Sedangkan pola sebaran suhu permukaan laut selama tahun 2012 di
Perairan Selat Bali dan juga sekitaran Jembaran menunjukan kisaran 22oC-28oC
dan pada musim Timur memiliki suhu 27 oC-30oC.
Suhu Permukaan Laut adalah salah satu parameter penting dari
oseanografi. Dalam mempelajari variasi musim, fenomena iklim dan untuk
memahami perubahan iklin, SPL merupakan parameter yang penting dalam
menganalisis hal hal tersebut. Tidak hanya penting di laut saja karena alat
mempengaruhi aktivitas metabolisme maupun perkembangan dan indikator
fenomena perubahan iklim. Data SPL sangat mudah di unduh dari Citra Satelit
Aqua Modis di web NASA.
3
2.2 Klorofil – A
Menurut Nufus, et al. (2017), salah satu indikator kesuburan perairan
adalah ketersediaan klorofil-a diperairan. Tingkat kesuburan suatu perairan pesisir
dapat dinilai dari karakteristik biologi maupun kimia terutama dari ketersediaan zat
hara esensial. Faktor biologis yang mempengaruhi tingkat kesuburan suatu
perairan adalah klorofil-a. Klorofil-a merupakan pigmen yang mampu melakukan
fotosintesis dan terdapat di seluruh organisme fitoplankton. Kandungan klorofil-a
pada fitoplankton dalam air sampel (laut dan tawar) menggambarkan jumlah
fitoplankton dalam suatu perairan. Klorofil-a merupakan pigmen yang selalu
ditemukan dalam fitoplankton serta semua organisme autotroph dan merupakan
pigmen yang terlibat langsung (pigmen aktif) dalam proses fotosintesis, jumlah
klorofil-a pada setiap individu fitoplankton tergantung pada jenis fitoplankton. Oleh
karena itu komposisi jenis fitoplankton sangat berpengaruh terhadap kandungan
klorofil-a di perairan. Kisaran suhu yang optimum bagi pertumbuhan fitoplankton di
perairan berkisar antara 20-300C. Kadar klorofil-a di suatu daerah berkaitan erat
dengan keberadaan fitoplankton. Terdapat empat kelas fitoplankton di Sungai
Krueng Raba yaitu kelas Bacillariophyceae, Dinophyceae dan Coscinophyceae.
Kelimpahan tertinggi diperoleh dari kelas Bacillariophyceae. Jenis fitoplankton dari
kelas Bacillariophyceae mempunyai toleransi dan daya adaptasi yang tinggi
terhadap perubahan lingkungan baik di sungai, di muara maupun di laut.
Bacillariophyceae juga mempunyai respon yang baik terhadap tinggi rendahnya
nutrien dan jika dibandingkan dengan kelas lainnya. Bacillariophyceae merupakan
fitoplankton diatom. Jenis diatom mampu beradaptasi dengan kondisi lingkungan
disebabkan oleh karena dinding selnya terdiri dari silika. Jenis ini juga mampu
berkembang biak dengan relatif cepat. Hal inilah yang menyebabkan
Bacillriophyceae merupakan produsen yang dominan pada tingkat trofik di wilayah
manapun karena terdistribusi secara luas di seluruh lingkungan akuatik.
4
Menurut Nurmala, et al. (2017), fitoplankton merupakan organisme yang
mempunyai peran penting sebagai produsen primer. Keberadaanya di dalam suatu
perairan tersebut terutama bagi ikan pemakan plankton. Produsen primer adalah
suatu proses pembentukan senyawa-senyawa organik melalui proses fotosintesis
yang akan dimanfaatkan oleh organisme pada tingkat rantai makanan yang lebih
tinggi. Fitoplankton memiliki pigmen yang digunakan untuk fotosintesis yaitu
klorofil-a. Klorofil-a adalah pigmen yang selalu ditemukan dalam fitoplankton serta
semua organisme yang dapat melakukan proses fotosintesis. Klorofil-a dapat
digunakan sebagai indikator kesuburan dan daerah pemijahan ikan (fishing
ground). Klorofil-a pada fitoplankton dapat disebabkan oleh beberapa faktor antara
lainnya yaitu aktivitas manusia atau dari alam sendiri (faktor fisika-kimia). Faktor
tersebut juga dapat menyebabkan turunnya kesuburan perairan dan
mengakibatkan turunnya hasil tangkapan dikarenakan pakan alami ikan atau
fitoplankton.
Klorofil adalah salah satu parameter oseanografi yang menentukan
produktivitas primer di laut. Salah satu hal yang dapat menjadi penyebab klorofil
adalah intensitas cahaya dan nutrien. Klorofil juga di gunakan sebagai ukuran
banyaknya fitoplankton dalam perairan. Kadar klorofil dalam suatu volume air laut
merupakan suatu ukuran bagi biomassa tumbuhan yang terdapat dalam air laut
sehingga pengukuran klorofil sangat penting untuk dilakukan.
2.3 ENSO (El nino Southem Oscillation)
Menurut Sitompul dan Nurjani, (2013), karakteristik utama wilayah
Indonesia terdiri dari komponen darat dan laut yang kemudian disebut sebagai
Benua Maritim. Variabilitas iklim musiman dan tahunan di Indonesia dipengaruhi
oleh monsun dan ENSO. ENSO merupakan sebuah interaksi laut atmosfer yang
berpusat di wilayah ekuator Samudra Pasifik yang menyebabkan anomali iklim
5
global. Hal tersebut menyebabkan dua fenomena yaitu El nino dan La nina. Gejala
ENSO memberikan pengaruh terhadap kondisi laut di Indonesia yaitu menjadi lebih
dingin pada tahun El nino dan lebih hangat pada tahun La nina. Pusat aktivitas
ENSO berada di Samudra Pasifik yang berdekatan dengan garis ekuator. Istilah El
nino awalnya digunakan untuk menggambarkan keadaan tahunan arus hangat
lemah yang menyusuri pantai selatan Peru dan Ekuador yang menyebabkan
turunnya tangkapan ikan. Turunnya tangkapan ikan tersebut disebabkan oleh
nutrisi yang biasanya dimunculkan ke permukaan oleh umbalan (upwelling)
melemah. Perkembangan selanjutnya El nino merupakan keadaan peningkatan
suhu permukaan lautan (sea surface temperature) dari suhu normalnya di Pasifik
Ekuator timur. La nina adalah kejadian berkebalikan dengan El nino yakni
penurunan suhu permukaan lautan di kawasan ekuator Samudera Pasifik dari
suhu normalnya. Ketika terjadi El nino maupun La nina, keduanya berasosiasi
dengan Southern Oscillation, sehingga fenomena ini lebih dikenal sebagai ENSO.
Menurut Setyadji dan Amri, (2017), perairan bagian timur Samudera Hindia
di selatan Jawa, merupakan daerah penangkapan berbagai jenis ikan komersial
dan sudah dieksploitasi oleh nelayan sejak lama. Berbagai jenis tuna dan neritik
tuna (jenis-jenis tongkol, dan tenggiri) menjadi target utama penangkapan nelayan
di perairan ini. Anomali iklim seperti ENSO diketahui mempengaruhi dinamika
massa air di bagian timur Samudera Hindia, berdampak terhadap pola sebaran
dan hasil tangkapan ikan di perairan ini. El nino Southern Oscillation (ENSO)
merupakan anomali iklim akibat gangguan kesetimbangan interaksi laut dan
atmosfer di Samudera Pasifik, berpengaruh secara global. Gejala ENSO yang
membawa implikasi laut Indonesia lebih dingin pada kejadian El nino dan lebih
hangat pada kejadian La nina. Pada event El nino anomali angin di atas perairan
sebelah tenggara Samudera Hindia mendorong massa air hangat ke perairan
sebelah barat Samudera Hindia. Mengakibatkan terjadinya upwelling di perairan
6
timur Samudera Hindia (barat Sumatera dan selatan Jawa) dan downwelling di
perairan timur Afrika. Kejadian sebaliknya terjadi saat berlangsungnya La nina. Di
Indonesia, musim penangkapan dipengaruhi oleh hujan yang berhubungan
dengan angin musim barat atau timur. Pada musim timur, angin bertiup dari
tenggara antara Maret dan September ketika suhu mulai turun dan tingkat klorofil-
a meningkat sehingga menyebabkan terjadinya upwelling, pada bulan-bulan ini
biasanya nelayan mulai melaut. Sebaliknya, dari Oktober sampai dengan Februari
(musim barat), ketika angin berhembus dari barat daya ke barat laut, suhu mulai
meningkat dan konsentrasi klorofil-a menurun.
Kombinasi dari dua fenomena yang berbeda, yaitu El nino dan Osilasi Selatan
disebut ENSO. ENSO memiliki kepanjangan El nino Southern Oscillation. Hal ini
dapat terjadi karena saling berkaitannya peningkatan suhu muka laut Samudera
Pasifik terdiri dari fase panas dan fase dingin serta jungkat jungkit perbedaan
atmosfer antara Austria-Indonesia dengan Samudera Pasifik. Sehingga muncul
istilah ENSO yang merupakan gabungan dari kedua fenomena tersebut. ENSO
merupakan pergeseran periodik sistem atmosfer samudra di Pasifik tropis yang
berdampak pada cuaca di seluruh dunia. Apabila perairan Indonesia terkena El
nino dan La nina kita dapat dengan mudah mengetahuinya. El nino biasanya
memberikan gejala suhu dingin pada perairan. La nina memberikan gejala suhu
lebih hangat pada perairan. El nino maupun La nina, keduanya berasosiasi dengan
Southern Oscillation, sehingga fenomena ini lebih dikenal sebagai ENSO.
2.3.1 SOI (Southem Oscillation Index)
Menurut Ardhitama A. dan R. Sholihah, (2013), seorang ilmuan Inggris, Sir
Gilbert Walker, pada tahun 1904 tiba di India dengan maksud mencari metode
untuk memperkirakan fluktuasi monsun, kemudian dia mencari titik-titik peramalan
pada kawasan samudera India dan Pasifik. Melalui berbagai perilaku parameter
7
atmosfer, Walker menemukan suatu gelombang tekanan udara berperioda
panjang antara kawasan India-Australia dengan kawasan Amerika Selatan.
Karena mempunyai gerak berosilasi, maka gelombang tekanan udara tersebut
dinamakan sebagai Southern Oscillation. Untuk menghormati penemuannya maka
osilasi tersebut dinamakan sebagai Osilasi Walker. Osilasi tersebut telah
dibuktikan keberadaannya dengan cara mencari penyimpangan tekanan udara
tahunan dari berbagai tempat di bumi terhadap tekanan udara di Jakarta. Untuk
memantau keberadaan Osilasi Selatan ini dicari harga index dari selisih tekanan
udara permukaan Tahiti, sebagai wakil dari kawasan Amerika Selatan, dengan
Darwin sebagai wakil dari kawasan India-Australia. Setelah dinormalisasikan,
indeks ini diplot dari waktu ke waktu, maka terlihatlah wujud Osilasi Selatan itu.
Bila harga indeks negatif, berarti tekanan di kawasan Amerika Selatan lebih rendah
daripada kawasan India-Australia, dan demikian pula sebaliknya. Dari osilasi ini
bisa di baca ada dua sel tekanan udara, yaitu tinggi dan rendah yang saling
berkejaran mengelilingi khatulistiwa bumi. Sedangkan untuk memantau El-nino
digunakan indeks El-nino yang di plot bersamaan dengan SOI dan didapat
hubungan antara keduanya, yaitu jika indeks El-nino positif, makaSOI negatif, dan
demikian pula sebaliknya. Jika periode el nino bertepatan dengan turunnya nilai
IOS maka periode tersebut disebut dengan ENSO (el nino southern oscillation).
Menurut Kiraman. D. H., (2017), Southern Oscillation Index (SOI) yaitu
perbedaan tekanan udara di Lautan Pasifik (dipantau di Tahiti) dengan di Lautan
Hindia (dipantau di Darwin) akibat dari perbedaan temperatur permukaan laut di
kedua wilayah tersebut. SOI (Southern Oscillation Index) merupakan salah satu
cara yang digunakan untuk memprediksi kejadian ENSO. Indikator tersebut dapat
digunakan untuk memprediksi apakah El nino dan La nina akan terjadi ataupun
keadaan normal. El nino akan terjadi apabila jika nilai SOI = -5 hingga -10 (El nino
lemah) yang berarti tekanan rendah diatas Tahiti dan tekanan tinggi di Darwin.
8
Kemudian, La nina diprediksikan akan terjadi jika nilai SOI = +5 hingga +10 (La
nina lemah) yang berarti tekanan tinggi di Tahiti dan tekanan renadah di Darwin.
Sedangkan jika nilai SOI = +5 hingga -5 maka kondisi diprediksikan normal. Bila
tekanan udara di Pasifik barat menguat (tekanan udara di Darwin tinggi) dan
tekanan udara di Pasifik timur melemah (tekanan udara di Tahiti rendah) maka SOI
bernilai negatif dan mengindikasikan terjadinya fenomena El nino dan kejadian
sebaliknya mengindikasikan fenomena La nina.
SOI atau disebut juga Southern Oscillation Index. SOI merupakan
perbedaan tekanan udara permukaan atau wilayah Pasifik Timur yang diukur di
Tahiti dengan wilayah Pasifik Barat yang diukur di Darwin .Jika fase El nino psotif,
maka SOI bernilai negatif. Akibatnya tekanan permukaan laut menjadi turun di
Pasifik Timur dan naik di Pasifik Barat. Tidak hanya SPL yang menjadi indeks
ENSO tetapi SOI juga ikut andil dalam indeks ENSO. Sedangkan kondisi SPL di
Darwin lebih bedar dibandingkan normalnya maka SOI bernilai negatif. SOI dapat
digunakan untuk meninjau pola ikli wilayah sehingga dapat mengetahui gejala
kekeringan.
2.3.2 Nino 3.4
Menurut Anisa. K. N., dan Sutikno, (2015), anomali SST Nino 3.4 adalah
anomali yang paling tepat digunakan dalam mengidentifikasi hubungan curah
hujan dan indikator ENSO, yaitu pada lag 1 karena memiliki nilai log-likelihood
terbesar. Anomali SST Nino 4, SST Nino 3.4 mengikuti Copula Clayton. Copula
Clayton memiliki taildependensi di bawah. Kejadian ekstrim terjadi ketika curah
hujan di Banyuwangi dan Anomali SST Nino 4, SST Nino 3.4 nilainya rendah.
Semakin rendah Anomali SST Nino 4, SST Nino 3.4, dan curah hujan maka
hubungan semakin erat. Artinya, jika Anomali SST Nino 4 dan SST Nino 3.4 turun,
maka curah hujan di Kabupaten Banyuwangi akan mengalami penurunan juga.
9
Menurut Hidayat. A. M., (2018), data anomali curah hujan, indeks suhu muka
laut Nino 3.4, serta SOI dicari rata-ratanya setiap tiga bulan berdasarkan dari sesi
monsun, yaitu September-Oktober-November (SON), Desember-Januari-Februari
(DJF), Maret-April-Mei (MAM), dan Juni-Juli-Agustus (JJA). Analisis korelasi
dihitung antara anomali curah hujan diamati terhadap Indeks Nino 3.4 dan anomali
curah hujan terhadap SOI setiap tiga bulan untuk periode SON, DJF, MAM, dan
JJA. Dari analisis korelasi ini menghasilkan koefisien korelasi yang menunjukan
tingginya derajat hubungan antara curah hujan diamati, SPL, dan SOI. Nilai
korelasi (r) dari anomali SPL di wilayah Nino 3.4 dengan SOI adalah -0.69. Korelasi
negatif ini menunjukkan bahwa anomali SPL di wilayah Nino 3.4 dengan SOI
memiliki hubungan berbanding terbalik. Ketika anomali SPL di wilayah Nino 3.4
indeks meningkat, SOI akan menurun. Di sisi lain, ketika nilai dari anomali SPL di
wilayah Nino 3.4 menurun, SOI akan meningkat.
SST Nino3. 4 adalah suhu permukaan laut di kawasan Samudera Pasifik
tropis bagian tengah dan timur. Letaknya di antara koordinat 50̊ LU -– 50 ̊ LS dan
120̊ BB - 170̊ BB. 4 menjadi positif tinggi gelombang dari pada rata ratanya, dan
sebaliknya jika Nino 3. 4 mejadi negatif makan tinggi gelombang menjadi lebih
rendah daripada rata ratanya. Ketika terjadi El nino, maka angin monsun Australia
akan melemah, sehingga tinggi gelombang di perairan Samudera Hindia bagian
Selatan Jawa akan lebih rendah dari rata-ratanya, sedangkan perairan Indonesia
yang berdekatan dengan Samudera Pasifik tinggi gelombangnya akan menjadi
lebih tinggi. Letaknya di antara koordinat 50̊ LU -– 50 ̊ LS dan 120̊ BB - 170̊ BB.
Metode yang digunakan adalah regresi linier, sehingga dapat memprediksi total
hujan bulanan pada daerah yang ingin di tentukan. Pada saat terjadi fenomena
ENSO maka akan terjadi anomali SPL.
10
2.4 IOD (Indian Oscillation Index)
Menurut Rahayu et al (2018), Indian Ocean Dipole (IOD) adalah anomali
iklim yang terjadi akibat adanya interaksi atmosfer dengan laut yang terjadi di
Samudera Hindia. Aktifitas IOD dapat diidentifikasi dengan sebuah indeks yang
disebut dengan Dipole Mode Index (DMI). Dipole Mode Index didefinisikan sebagai
perbedaan anomali suhu muka laut di Western Tropical Indian Ocean (WTIO atau
50°E-70°/ 10° S – 10° N) dengan anomali suhu permukaan laut di Southeastern
Tropical Indian Ocean (SETIO atau 90°E- 110°E / 10°- ekuator).IOD diidentifikasi
kedalam dua fase yaitu fase positif dan negatif. Dipole Mode positif dicirikan
dengan meningkatnya suhu permukaan laut di WTIO dan menurunnya suhu
permukaan laut di SETIO. Jika suhu permukaan laut di WTIO lebih dingin dari
netralnya sedangkan di SETIO lebih hangat dari netralnya, maka kondisi ini akan
dinyatakan sebagai Dipole Mode negative.
Menurut Akhmad Fadholi (2013), Indian Ocean Dipole (IOD) adalah
kondisi interaksi laut-atmosfer yang terjadi di samudera hindia tropis. Selama
fenomena IOD positif, suhu permukaan laut secara anomali menghangat di
Samudera Hindia barat, sedangkan di bagian timur lebih dingin dari normalnya
perubahan pada suhu permukaan laut selama IOD terjadi terkait dengan
perubahan medan angin di tengah samudera Hindia ekuator. Sehingga angin
bergerak berlawanan dari biasanya barat ke timur selama IOD positif. Selain itu,
proses konveksi yang biasanya terjadi di atas Samudera Hindia bagian timur yang
menghangat bergerak ke arah barat. Hasil dari kondisi tersebut adalah hujan lebat
di Afrika bagian timur dan meninggalkan wilayah Indonesia dengan sedikit hujan
yang kemudian diikuti dengan kekeringan dan hutan yang terbakar.
Indian Ocean Dipole terjadi di Samudera Hindia merupakan fenomena
interkasi antara oseanografi-atmosfer. Bagian yang di pengaruhi oleh IOD adalah
Perairan Selatan Jawa hingga Timor. Struktur veritkal upwelling dapat dianalisis
11
menggunakan data temperatur di beberapa kedalaman. Mekanisme naiknya nitrat
dari kedalaman sekitar 100 m ke permukaan yang memberikan suplai nutrien
sehingga terjadi kelimpahan klor-a adalah salah satu korelasi antara upwelling
dengan konsentrasi klor-a. Bagian yang di pengaruhi oleh IOD adalah Perairan
Selatan Jawa hingga Timur. IOD terjadi di Samudera Hindia. IOD dapat
mempengaruhi intensitas upwelling dan downwelling di Samudera Hindia Selatan
Jawa hingga Bali.
2.4.1 DMI (Dipole Mode Index)
Interaksi yang cukup kuat antara atmosfer dan lautan di wilayah Samudera
Hindia menghasilkan fenomena Dipole Mode yang merupakan gejala ataupun
tanda-tanda naiknya suhu permukaan laut secara tidak normal di Samudra Hindia
bagian selatan India yang diiringi dengan menurunnya suhu permukaan laut tidak
normal di perairan Indonesia, tepatnya di sekitar wilayah Barat Sumatera.
Fenomena IODM dapat diidentifikasi dengan menggunakan Dipole Mode Index
(DMI). Indeks ini menggambarkan perbedaan anomali suhu permukaan laut antara
perairan barat Samudra Hindia (500BT – 700BT, 100 LS - 100 LU) dan perairan
timur Samudra Hindia (900BT – 1100BT, 100 LS – 0 0 LU). Nilai DMI yang ekstrim
positif atau ekstrim negatif merupakan indikasi terjadinya fenomena IODM.
(Kertasaya, et al. 2013)
Indian Ocean Dipole Mode (IOD/IODM) merupakan anomali iklim akibat
interaksi laut-atmosfer. IODM merupakan fenomena perpindahan kolam air hangat
arah zonal di sepanjang ekuatorial Samudera Hindia mirip dengan ENSO (El Niño-
Southern Oscillation) di Samudera Pasifik. Struktur Dipole Mode dicirikan dengan
anomali SPL lebih hangat dari biasanya di bagian barat dan lebih dingin dari
biasanya di bagian timur Samudera Hindia. Pada saat curah hujan meningkat di
bagian timur wilayah tropik Afrika, sedangkan di kepulauan Indonesia terjadi
12
kekeringan. Kondisi Dipole Mode yang demikian disebut Dipole Mode “positif”
(IODM positif). Kejadian sebaliknya disebut Dipole Mode “negatif” (IODM negatif)
dicirikan dengan menghangatnya SPL di perairan bagian timur Samudera Hindia
dan menurun di bagian barat Samudera Hindia. (Amri, et al. 2013).
Indikator untuk mengidentifikasi fenomena IOD adalah DMI atau Dipole
Mode Index. Jika nilai DMI positif makan disebut positif dan untuk DMI bernilai
negatif maka disebut neatif. Pada fase IDM positif mengakibatkan tingkat
kendensasi menjadi turun sehingga terjadi musim kering. Sebaliknya konsdisi IOD
negatif maka mengakibatkan curah hujan di Indonesia. Dipole Mode Index yaitu
selisih antara anomali suhu permukaan laut di Samudra Hindia barat dan timur .
Ketika DMI bernilai lebih dari +0.4, kondisi tersebut disebut IOD positif. Pada fase
IOD positif, kolam hangat akan bergeser ke pantai Afrika dan suhu permukaan laut
di Indonesia bagian barat menjadi dingin yang mengakibatkan penurunan tingkat
kondensasi dan curah hujan, sehingga terjadi musim kering. Karena DMI dihitung
berdasarkan suhu permukaan laut di Samudra Hindia, prediksi DMI juga dapat
dihitung berdasarkan data prediksi suhu permukaan air laut di Samudra Hindia.
DMI merupakan indeks yang menggambarkan perbedaan antara anomali data
suhu permukaan air laut di wilayah IOD barat dan timur.
2.5 Hasil Tangkapan
PPN Pengambengan memiliki peranan strategis dalam pengembangan
Perikanan dan kelautan, yaitu sebagai pusat atau sentral kegiatan Perikanan laut.
PPN Pengambengan selain merupakan penghubung antara nelayan dengan
pengguna-pengguna hasil tangkapan, seperti pedagang, pabrik pengola, restoran,
dan lain-lain, juga merupakan tempat berinteraksinya berbagai kepentingan
masyarakat pantai yang bertempat disekitar PPN Pengambengan. PPN
Pengambengan yang berfungsi dengan baik akan merupakan titik temu (terminal
13
point) yang menguntungkan antara kegiatan ekonomi di laut dengan kegiatan
ekonomi di darat. (Suherman, et al. 2019)
Diperkirakan sekitar 16% spesies ikan yang ada di dunia hidup diperairan
Indonesia. Total jumlah jenis ikan yang terdapat di perairan Indonesia diperkirakan
mencapai sekitar 7.000 jenis (spesies). Hampir sekitar 2.000 jenis (spesies)
diantaranya merupakan jenis ikan air tawar. Ikan air tawar merupakan jenis ikan
yang hidup dan menghuni perairan daratan (inland water), yaitu perairan dengan
kadar garam (salinitas) kurang dari 5 per mil (050/00). Hasil tangkapan dengan
menggunakan alat tangkap Anco (lift net) pada operasi siang tediri dari nila
(Oreochromis nilotikus) dengan berat 205.2 (92%), Tawes (Barbonymus
gonionotus) dengan berat 10.3 kg (5%), Sepat (Trichogaster trichopterus) dengan
berat 1.5 kg (0.7%), Wader pari (Rasbora argyrotaenia) dengan berat 2.3 kg (1%)
dan Wader andong (Rasbora borneensis) dengan berat 2.9 kg (1.3
%).Pengoperasian dengan menggunakan alat tangkap Anco yang dilakukan pada
siang hari alat Anco dalam satu trip bisa kurang lebih 16 sampai 20 hauling (Kirana,
2015).
Hasil tangkapan pada PPN Pangembangan diperkirakasan sekitar 16%
spesies ikan yang ada pada perairan Indonesia. Terdapat sekitar 2000 jenis
spesies ikan air tawar. PPN Pangembangan telah berfungsi dengan baik dan
memberikan keuntungan antara kegiatan ekonomi di laut dan di darat. PPN
Pengambengan memiliki peranan strategis dalam pengembangan Perikanan dan
kelautan, yaitu sebagai pusat atau sentral kegiatan Perikanan laut. PPN
Pengambengan selain merupakan penghubung antara nelayan dengan pengguna-
pengguna hasil tangkapan, seperti pedagang, pabrik pengola, restoran, dan lain-
lain, juga merupakan tempat berinteraksinya berbagai kepentingan masyarakat
pantai yang bertempat disekitar PPN Pengambengan.
14
3. METODOLOGI
3.1 Alat dan Bahan
Alat-alat yang digunakan dalam praktikum Oseanografi Perikanan dapat
dilihat pada tabel dibawah ini :
Tabel 1. Alat
No. Nama Alat Fungsi Gambar
1 Laptop Perangkat keras

untuk
melakukan
pengolahan
data
(Sumber : Google Image,
2021)
2 Kabel Roll Membantu

mengalirkan
listrik

2021)
3. SeaDas Perangkat lunak
untuk
mereproject
citra satelit
2021)
15
4. ArcMap Perangkat lunak

untuk
melakukan Pre-
processing data
parameter yang
berasal dari
citra satelit 2021)
5 Aplikasi Untuk
SPSS menganalisis
data.
(Sumber : Google Image
2021)
6. Microsof Perangkat lunak

untuk set-up
Excel
dan
pengolahan.
2021)
Bahan-bahan yang digunakan dalam praktikum Oseanografi Perikanan
dapat dilihat pada tabel dibawah ini :
Tabel 2. Bahan
1 Data Citra Bahan yang

digunakan sebagai
Satelit Aqua
perbandingan
Modis
parameter
oseanografi.
(Sumber : Dokumentasi, 2021)
16
2 Data SST Sebagai data

sekunder
3. Data Catch Sebagai data

sekunder
4. Data Chlorofil Sebagai data

sekunder
5 Data Southern Sebagai data
Oscillation sekunder
Index (SOI)
6. Data Nino 3.4 Sebagai data

sekunder
(Sumber : Google Image, 2021)
17
3.2 Skema Kerja
3.2.1 Skema Kerja Pre-processing Data
Berikut skema kerja pengunduhan data di oceancolor.
Buka situs oceancolor
Pilih level 3
Standard > Aqua MODIS > SST (11 μ daytime) untuk suhu dan
Chlorophyll Concentration untuk klorofil > Monthly > 4km
Pilih bulan
v
Download data
Buka software SeaDas
Gambar 1. Skema Kerja Download data
18
Berikut skema kerja di aplikasi SeaDas.
Buka file yang telah diunduh
Klik 2x pada “sst”
Crop > hanya wilayah Indonesia
Klik 2x pada “sst” hingga muncul wilayah Indonesia
v
Pilih reproject > GeoTIFF > run
Buka Arcmap
Gambar 2. Skema Kerja pada SeaDAS
19
Berikut skema kerja di aplikasi ArcMap.
Buka file dari Seadas
Klik arctoolbox > pilih clip >masukkan data
Properties > symbology > color ramp (merah ke biru, suhu dan hijau ke
biru, klorofil) > minimum-maximum > centang edit high/low values >
masukkan nilai
Conversion tools > pilih raster to point > masukkan data
v
Data management tools > pilih add XY coordinate > masukkan data
Open attribute table > table option > export > tipe “dBase table” > save
Gambar 3. Skema Kerja pada ArcMap
20
Berikut skema kerja di aplikasi Ms. Excel.
Buka Excel
Buka file dari Arcmap
Hapus kolom pertama dan ganti nama kolom setelahnya
Save dengan tipe 97-2003 Workbook
Gambar 4. Skema Kerja pada Excell
21
3.2.2 Skema Kerja Pengolahan Data
Berikut merupakan sekama kerja pengolahan data pada Microsoft Excell
Membuka Aplikasi Microsoft Excel
Membuka data yang telah diubah menjadi DBF dan

menyatukannya menjadi satu file
Melakukan pengolahan data
v
Membuat grafik korelasi dan melakukan perhitungan analisis korelasi
Membuat interpretasi hasil analisis dan grafik korelasi
Gambar 5. Skema Kerja Pengolahan Data
22
3.2.3 Skema Kerja Analisis Data
Berikut merupakan skema kerja mengenai Analisis data dengan hasil
berupa grafik menggunakan Ms. Excel dari hasil pengolahan data SeaDas.
Data
Mendapat grafik dari data yang telah diolah
Analisis naik turunnya fluktuasi pada grafik
Hasil
Gambar 6. Skema Kerja Analisis Data

3.3 Metode Pengolahan data
Buka web NASA Ocean Color pada https://oceancolor.gsfc.nasa.gov/,
kemudian pilih Data pilih Level 3 Browser. Pilih Sensor Aqua MODIS dan pada
Product pilih Chlorophyll concentration atau Sea surface temperature. Selanjutnya
pilih Monthly karena akan mengolah data perbulan dan pilih 4 km untuk resolusi
yang lebih jelas. Masukkan Start Date dan End Date lalu klik Extract or Download
L3 Data. Pada Type pilih Mapped, Data Retrieval Method Download lalu Download.
Akan muncul link data SST atau Chlorophyl–a kemudian salin link pada tab baru
dan data akan terdownload secara otomatis. Buka aplikasi SeaDAS. Klik File,
Open, pilih data SST yang sudah di download, Open Product. Klik dua kali pada
rasters, klik SST. Pilih menu raster, crop dan crop wilayah Indonesia, OK. Pada
kotak File Manager klik 2x rasters pilih SST dan akan muncul tampilan peta yang
sudah di crop. Pilih menu Raster, Reproject, muncul kotak dialog. Source file pilih
yang kedua, target file diganti menjadi ‘SST JAN 2018 TIFF’, Save As, GeoTIFF,
uncentang Open in SeaDAS, Run, tunggi sampai Writing Target Product selesai.
Buka aplikasi ArcMAP, klik kanan Layers, Add Data. Pilih data berformat .*tiff yang
23
didapat dari SeaDAS – Add – Yes. Buka ArcToolbox, Data Manajemen Tools,
Raster, Raster Processing, Clip. Muncul kotak dialog, Input Raster menggunakan
data *.tiff, masukkan koordinat wilayah Jakarta yaitu Y max = -3, Y min = -6, X max
= 107, X min = 106, OK. Output Raster ubah menjadi ‘CLIPSST’ (nama file tidak
boleh di spasi), Save, OK. Jika berhasil akan muncul tanda centang di pojok kanan
bawah. Uncentang layer ‘SST JAN 2018 TIFF’. Klik kanan ‘CLIPSST’, Zoom To
Layer. Klik kanan Layer ‘CLIPSST’, properties, ganti warna dari merah ke biru,
ubah Type menjadi Minimum-Maximum, centang Edit High/Low Values, ubah
menjadi 29 dan 32, centang Invert, OK. Buka ArcToolbox, Conversion Tools, From
Raster, Raster to Point, Input Raster masukkan data Clip, pilih tempat
penyimpanan, beri nama ‘Raster’, Save, OK, tunggu notifikasi berhasil. Klik
ArcToolbox, Feartures, Add XY Coordinates, Input Features, masukkan data
‘Raster’, OK, tunggu notifikasi berhasil. Klik kanan pada Layer Raster, Open
Attribute Table, Table Options, Export Data, pilih tempat penyimpanan, beri nama
‘SST_Jakarta’, Save As Type dBASE Table, Save, OK, NO. Buka aplikasi
Microsoft Excel, Open, pilih data dengan format *.dbf, pilih “sort and filter”, hitung
rata-ratanya menggunakan rumus “=AVERAGE(..)”. Setelah Save as data dengan
format “Excel 97 – 2003 Workbook”.
Buka aplikasi ArcMAP, Add data, Add XY data, buka file yang telah diolah di
Excel. Klik kanan Table of Content, Data, Export Data, Run. Pilih menu
ArcToolBox, 3D Analyst Tools, Raster Interpolation, Kriging. Klik kanan hasil
kriging pada Table of Content, ganti Classes menjadi 5, ganti Color Ramp menjadi
hijau ke biru. Klik kanan Label, Format Labels. Pilih Number of decimal places,
isikan angka 2, OK lalu dilanjutkan dengan layouting peta.
Pada praktikum 2 langkah pertama yaitu mencari rata-rata Catch selama 5
tahun, copy hasil tersebut pada Sheet AnoCatch. Cara menghitung AnoCatch
adalah dengan “=Catch/bulan – rata-rata catch”. Lakukan hal yang sama pada
24
sheet Temperature, AnoTemp, Chlor dan AnoChlor. Pada Sheet AnoCatch-
AnoTemp, AnoCatch-AnoChlor, dan AnoTemp-AnoChlor copy paste data yang
sudah diolah pada sheet sebelumnya. Pada Sheet DMI, SOI, dan Nino 3.4
masukkan data pada excel yang telah dibagikan lalu copy hasil Ano-Catch. Pada
sheet All Data masukkan AnoCatch, AnoTemp, AnoChlor, DMI, SOI dan Nino.
Selanjutnya block data yang akan dibuat grafik, Insert, Line, 2-D. Setelah muncul
grafik, klik kanan garis biru, Format Data Axis, Secondary Axis. Klik bulan yang
pada Axis-Y, klik kanan, Format Axis, Labels, pilih Low pada Labels Position. Klik
kanan grafik berwarna biru, Change Chart Type, Combo, Clustered dan OK. Klik
Chart Tools, Design, Quick Layout, Layout 1. Ganti Chart atau judul sesuai grafik
yang dibuat. Pilih Data, Data Analysis, Correlaction dan OK. Pada kolom Input
Range, block semua data dan pada Output Range klik kolom kosong.
Untuk mengetahui analisis faktornya klik Variable View. Tuliskan
keterangan AnoCatch, AnoTemp, AnoChlor, SOI, DMI, dan Nino 3.4 pada Name.
Pilih Data View, copy semua data pada excel ke SPSS. Pilih Analyze, Data
Reduction, Factor. Masukkan AnoCatch ke Selection Variable dan sisanya ke
Variable. Pilih menu Descriptive, centang semua pilihan kecuali pada Matrix yaitu
Inverse dan Reproduced. Pilih Extraction, ubah method menjadi pricipal
component, di analyze ubah juga menjadi correlation matrix. Pada display centang
unrotated factor solution dan isikan 5 pada Number of Factor. Pilih menu Rotation,
centang Varimax dan Loading plot. Tekan AnoCatch pilih Value dan cancel untuk
menampilkan, OK.
25
3.4 Metode Analisis Data
3.4.1 Skema Kerja Korelasi
Buka sheet catch rata-rata catch selama 5 tahun
Jika mencari data "Temperatur: maka pada sheet "Temperatur" hitung

rata-rata tiap bulan selama 5 tahun tersebut
Buka excel rata-rata tiap bulan selama 5 tahun di sheet "AnoTemp".

Masukkan data temperatur sesuai dengan bulannya, lalu hitung rata-rata
Hitung AnoTemp dengan rumus = (Tempertaur - rata-rata temperatur)
Lalu cari AnoCatch, langkahnya sama dengan mencari AnoTemp
Buat grafik perbandingan korelasi antara AnoTemp dengan anoCatch.

Kemudian dianalisis
Gambar 7. Skema Kerja Korelasi
26
3.4.2 Skema Kerja PCA
Buka aplikasi SPSS
Pilih variable view, kemudian isikan nama variable kategori pada kolom name
Copy data pada excel kemudian paste pada SPSS, klik “analyze” kemudian “data
reduction” lalu pilih “factor”
Masukkan variable yang mempengaruhi ke dalam kotak “variables” kemudian variable

yang dipengaruhi kedalam “section variable”
Kemudian untuk “correlation matrix” centang semua kecuali “invers” dan “reproduce”
klik continue
Kemudian untuk “Rotation” klik “Varimax” pada Method kemudian pada Display klik
“Rotated Solution” dan klik “Loading plot(s)” lalu isikan.
Kemudian pada “Options” di Missing Values klik “Exlude cases listwise” dan di
Coefficient Display Format ceklis “Sorted by size” kemudian klik
Simpan data dengan cara klik “File” kemudian “Export” kemudian Word/RTF
Gambar 8. Skema Kerja PC
27
4. HASIL DAN PEMBAHASAN
4.1 Hasil Catch
Data hasil tangkapan ikan yang digunakan pada praktikum Oseanografi
Perikanan adalah data tahun 2016 sampai tahun 2020. Data hasil tangkapan yang
digunakan merupakan data dari wilayah perairan Jembrana, Bali. Berdasarkan
hasil yang di dapatkan dapat diketahui nilai hasil catch di daerah perairan
Jembrana, Bali yaitu nilai hasil catch tertinggi berada pada bulan Oktober 2020
sebesar 4284 kg dan nilai terendah berada pada bulan Desember tahun 2017
sebesar 16 kg. Rata- rata hasil catch terbesar terdapat pada bulan Oktober
sedangkan rata-rata hasil catch terendah terdapat pada bulan Januari.
Menurut Listiani et al. (2017), penjelasan tentang sumberdaya lemuru di
perairan selat bali termasuk jembrana tidak cukup dijelaskan hanya dengan tingkat
produksinya saja, karena tingkat produksi juga sangat dipengaruhi oleh perubahan
jumlah armada yang beroperasi. Tingkat penjelasan yang lebih proporsional
adalah konsep perbandingan hasil produksi dengan jumlah upaya yang disebut
catch per unit effort (CPUE). CPUE ini yang lebih akurat untuk mengetahui tingkat
perubahan produksi ikan. Hasil produksi tertinggi terjadi pada tahun 2015 yaitu
22.359.567 kg dengan tingkat upaya sebanyak 51.240 dan terendah terjadi pada
tahun 2011 dengan hasil produksi 3.208.698 kg dengan tingkat upaya sebanyak
55.164, namun tingkat upaya tertinggi terjadi pada tahun 2012, yaitu sebanyak
61.200 trip. Tingkat perubahan yang terjadi tidak selalu berbanding lurus, dimana
pada tingkat upaya besar belum tentu besar pula hasil produksi, ini sangat
tergantung dari produktivitas dan tergambar pada CPUE. Tingkat CPUE tertinggi
dihasilkan pada tahun 2015 yaitu 436 kg/trip dan terkecil dihasilkan pada tahun
2011 yaitu 58 kg/trip.
28
Tabel 3. Hasil Catch
Bulan
Tahun
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
2016 779 2487 3081 1892 281 138 438 802 1153 2612 2647 950
2017 699 510 1309 1399 1623 1324 160 58 122 111 62 16
2018 386 521 152 260 235 62 311 747 961 554 117 36
2019 27 41 89 152 872 781 1132 556 1597 2682 1897 734
2020 1008 262 992 624 1129 673 202 1237 1204 4284 3890 2539
rata- 579.8 764.2 1124.5 865.4 828 595.6 448.5 680.03 1007.4 2048.6 1722.6 855
rata
4.2 Hasil Suhu Permukaan Laut (SPL)
Processing data yang dilakukan pada praktikum Oseanografi Perikanan
menggunakan data SPL dari tahun 2016-2020, data SPL diambil dari Perairan
Jembrana, Bali. Di dapatkan rata-rata bulanan yaitu bulan Januari 28.42, bulan
Februari 28.76, bulan Maret 30.58, bulan April 30.06, bulan Mei 26.94, bulan Juni
26.18, bulan Juli 25.09, bulan Agustus 24.56, bulan September 25.11, bulan
Oktober 26.06, bulan November 27.31, bulan Desember 27.80. Dari hasil yang
didapat, dapat diketahui hasil Suhu Permukaan Laut Selama 5 tahun dari tahun
2016 sampai tahun 2020 didapatkan suhu tertinggi pada bulan Maret tahun 2016
yaitu 31.89, dan yang suhu terendah pada bulan September tahun 2019 yaitu
17.43. Hasil rata-rata tertinggi terdapat pada bulan maret yaitu 30.58 dan hasil
terendah pada bulan Agustus yaitu 24.5
Menurut Susilo, et al. (2021), hasil analisis data citra Aqua Modis
menunjukkan variabilitas suhu permukaan laut (SPL) mengikuti siklus monsoon,
yaitu musim timur (southeast monsoon) dan musim barat (northwest monsoon).
Data produksi ikan diperoleh dari Dinas Perhubungan, Kelautan dan Perikanan
Kabupaten Jembrana. Musim timur terjadi pada bulan Juni – Agustus, sedangkan
musim barat terjadi pada bulan Desember – Februari. Pada periode musim barat,
SPL cenderung lebih hangat daripada periode musim timur. Peningkatan SPL
terjadi mulai bulan November hingga mencapai suhu tertinggi pada bulan Maret.
Sedangkan trend penurunan SPL mulai terlihat sejak awal musim timur (April)
29
dengan nilai terendah pada bulan Agustus. Kondisi SPL di perairan Selat Bali pada
tahun 2017 cenderung mengikuti nilai SPL klimatologis (2003- 2016). Pada awal
tahun kondisi laut cenderung lebih hangat dibandingkan kondisi beberapa tahun
sebelumnya. Namun pada periode musim timur kondisi laut cenderung lebih
dingin, walaupun nilai SPL terendah terlihat masih sama dengan sama dengan
periode tahun sebelumnya yaitu pada kisaran 25,9°C.
Tabel 4. Hasil SPL

Bulan
Tahun
2016 30.79 31.08 31.89 30.63 29.89 30.47 29.60 28.42 28.79 30.04 30.47 30.11
2017 30.28 30.37 30.67 30.34 28.13 27.28 26.46 25.90 26.51 28.60 29.61 30.08
2018 29.24 29.96 30.45 30.44 28.40 27.15 25.56 25.77 26.63 26.77 28.67 29.30
2019 29.88 30.42 30.08 29.32 20.10 18.66 17.72 17.52 17.43 18.25 19.16 20.90
2020 21.89 21.96 29.80 29.55 28.17 27.32 26.09 25.19 26.20 26.63 28.66 28.63
rata- 28.42 28.75 30.58 30.06 26.94 26.18 25.09 24.56 25.11 26.06 27.31 27.80
rata
4.3 Hasil Klorofil-A
Data klorofil-a merupakan salah satu data yang digunakan pada praktikum
Oseanografi Perikanan. Data yang digunakan adlah data tahun 2016 sampai 2020
di perairan Jembrana, Bali. Dari hasil olahan data didapatkan rata-rata bulanan
dari tahun 2016 sampai 2020. Pada bulan Januari 0,17 mg/m3, Februari 0,22
mg/m3, Maret 0,28 mg/m3, April 0,36 mg/m3, Mei 0,65 mg/m3, Juni 0,75 mg/m3, Juli
1,01 mg/m3, Agustus 1,15 mg/m3, September 0,78 mg/m3, Oktober 0,65 mg/m3,
November 0,43 mg/m3 dan Desember 0,35 mg/m3. Klorofil-a terendah didapatkan
pada bulan November 2016 yaitu 0,10 mg/m3 sedangkan yang tertinggi didapatkan
pada bulan Agustus 2017 yaitu 2,81 mg/m3. Dari perolehan rata-rata didapatkan
yang tertinggi pada bulan Agustus 1,15 mg/m3 dan yang terendah pada bulan
Januari 0,17 mg/m3.
Menurut Sihombing, et al. (2013), fitoplankton dikenal sebagai tumbuhan
yang mengandung pigmen klorofil sehingga mampu melakukan reaksi fotosintesis.
Keberadaan fitoplankton pada suatu daerah berkaitan erat dengan besar kecilnya
30
kandungan klorofil yang berada di daerah tersebut. Secara horizontal kandungan
klorofil-a lebih banyak ditemukan pada lapisan permukaan yang berada dekat
dengan daratan dimana semakin menuju laut maka kandungan klorofil-a semakin
rendah karena daratan banyak memberi masukan nutien kedalam perairan . Hal
ini menyebabkan suburnya perairan yang akhirnya akan bermanfaat bagi
fitoplankton untuk melakukan aktivitas fotosintesis. Dari seluruh pengamatan
kandungan klorofil-a yang terukur ditemui kandungan klorofil-a yang tinggi berada
di sekitar muara. Bila dibandingkan dengan kandungan klorofil-a di perairan
Sorong, perairan Teluk Kelabat, perairan pantai Balikpapan dan perairan Ujung
Watu maka kandungan klorofil-a di perairan Sungsang ini memiliki nilai yang lebih
tinggi. Tingginya kandungan klorofil-a di perairan Sungsang dikarenakan berada
disekitar muara sungai yang banyak menerima pasokan nutrien sementara
perairan lainnya berada lebih jauh dari muara menuju ke arah laut sehingga
kandungan yang diterima lebih sedikit. Kandungan klorofil-a fitoplankton perairan
Sungsang dapat dikategorikan sebagai perairan yang subur karena kandungan
klorofil-a berkisar > 0,14 mg/m3
Tabel 5. Hasil Klorofil-A

2016 0.15 0.2 0.16 0.21 0.3 0.18 0.25 0.3 0.23 0.17 0.1 0.24
2017 0.12 0.16 0.16 0.16 0.97 1.07 1.19 2.81 0.69 0.37 0.38 0.28
2018 0.21 0.24 0.20 0.35 0.54 0.60 0.76 0.75 0.77 0.58 0.63 0.21
2019 0.17 0.22 0.29 0.47 0.43 0.47 0.81 0.56 0.73 0.49 0.41 0.34
2020 0.19 0.27 0.58 0.62 1.02 1.44 2.06 1.27 1.49 1..67 0.61 0.67
rata-
0.17 0.22 0.28 0.36 0.56 0.75 1.01 1.15 0.78 0.65 0.43 0.35
rata
4.4 Peta Oseanografi
Menurut Prayogo dan Natul (2021), pengolahan suhu permukaan laut
31
menggunakan data tahun 2017 pada bulan Februari. Waktu tersebut mewakili
kondisi musim penghujan yang umumnya terjadi di wilayah Indonesia termasuk
perairan pulau Bali. Dari percobaan yang telah dilakukan, nilai SPL pada musim
penghujan di perairan Bali berkisar 23.36 - 30.4oC dengan standar deviasi sebesar
1.4784. Kemudian hasil pengolahan SPL menunjukkan bahwa suhu permukaan
laut rata-rata pada bulan Februari 2017 mencapai 27.20oC. Dari peta tersebut
dapat diketahui bahwa sebaran SPL perairan pulau Bali bervariasi. Pada perairan
bagian selatan, suhu perairan cenderung lebih rendah dibandingkan wilayah
bagian utara. Bagian selatan suhu permukaan laut memiliki kisaran nilai 23 – 26oC.
Kemudian pada perairan bagian timur, suhu berkisar > 26 hingga 28 oC. Kemudian
suhu paling tinggi yaitu pada wilayah bagian utara dengan nilai sekitar > 28 oC.
Pada musim penghujan, air darat yang masuk ke wilayah laut cenderung lebih
banyak dibandingkan pada musim kemarau. Dapat diketahui bahwa laut Jawa
tepatnya pada wilayah bagian utara pulau Bali cenderung memiliki suhu lebih
tinggi dibandingkan dengan bagian selatan pulau.
Data di-download dari situs oceancolor dengan citra satelit aqua modis.
Dari data tersebut menghasilkan peta persebaran spl dan klorofil-a di wilayah PPN
Pengambengan Jembrana tahun 2016 sampai 2020. Didapatkan persebaran suhu
permukaan laut berkisar antara 28,14 – 29,96oC. Sedangkan untuk persebaran
klorofil-a berkisar antara 0,18 – 0,61 mg/m3. Sehingga bisa disimpulkan bahwa di
wilayah PPN Pengambengan Jembrana kondisi perairannya tergolong baik. Hal
itu bisa dilihat dari persebaran spl dan klorofil-a yang tergolong normal.
32
Gambar 9. Peta Sebaran SPL
Gambar 10. Peta Sebaran CHL
33
4.5 Grafik Hasil Korelasi Ano Temperature dengan Ano Catch
Grafik Ano Temperature-Ano Catch

4.00 2500.00
2000.00
3.00
1500.00
1000.00
2.00
500.00
1.00 0.00
AnoTemp
-500.00
0.00 AnoCatch
-1000.00
-1500.00
-1.00
-2000.00
-2.00 -2500.00
Mei
Mei
Mei
Mei
Mei
Sep
Sep
Sep
Sep
Sep
Jan
Jan
Jan
Jan
Jan
2016 2017 2018 2019 2020
Gambar 11. Grafik Hasil Korelasi Ano Temperature dengan Ano Catch
Tabel 6. Perhitungan Korelasi AnoTemp dengan AnoCatch
Column Column
1 2
AnoTemp 1
-
AnoCatch 0.02937 1
Menurut Kuswanto. T., et al. (2017), SPL di teluk Lampung dari tahun
2010 – 2015 berkisar antara 26,2-29oC. Suhu yang tertinggi yaitu 29 oC terjadi pada
musim timur tahun 2010. Sedangkan yang terendah adalah 26,2 oC terjadi pada
musim barat tahun 2012. Fluktuasi suhu di Teluk Lampung hanya berkisar 0,1-3
C. Hal ini cukup normal untuk perairan Indonesia. Selama tahun 2010 – 2015 rata-
o
rata kenaikan atau penurunan SPL diikuti dengan kenaikan dan penurunan
produksi ikan Tongkol di Teluk Lampung. Contohnya pada peralihan 1 tahun 2011
SPL mengalami kenaikan sebesar 2,2 oC dan produksi ikan Tongkol ikut meningkat
sebesar 5698 kg. Demikian pula saat SPL mengalami penurunan pada musim
barat 2013 sebesar 0,9oC, produksi ikan Tongkol menurun sebesar 6475 kg.
Tetapi pada beberapa musim, saat SPL menurun, produksi ikan Tongkol
meningkat seperti pada musim masa peralihan 2 tahun 2012. Pada musim
34
peralihan 1 tahun 2013 SPL meningkat tetapi produksi Ikan Tongkol menurun.
Sehingga Secara tidak langsung SPL berpengaruh terhadap produksi ikan tongkol.
Suhu Permukaan Laut merupakan salah satu parameter yang
menentukan kualitas perairan karena dapat mempengaruhi metabolisme dan
perkembangbiakan organisme laut. Sebaran suhu permukaan laut dapat
memberikan informasi mengenai front, upwelling, arus, daerah tangkapan ikan,
cuaca/iklim, pencemaran minyak, dan pecemaran panas. Berdasarkan grafik yang
didapat, dapat diketahui nilai Ano Temperature dan Ano Catch di perairan
Jembrana. Nilai Ano Catch tertinggi pada bulan Oktober 2020 dengan nilai
2235,40 dan terendah pada bulan Oktober 2017 dengan nilai -1937,60. Dan
berdasarkan hasil analisis korelasi diperoleh nilai korelasi antara Ano Temperature
dan Ano Catch sebesar -0,02937. Dari nilai tersebut dapat disimpulkan bahwa
antara Ano Temperature dan Ano Catch memiliki korelasi yang sangat rendah.
4.6 Grafik Hasil Korelasi Ano Temperature dengan Ano Klorofil-A
Grafik Ano Temperatur-Ano Chlorophyl-A

4.00 2.5
3.00 2
1.5
2.00
1
1.00
0.5 AnoTemp
0.00 AnoChlor
0
-1.00 -0.5
-2.00 -1
Jul
Jul
Jul
Jul
Jul
Okt
Okt
Okt
Okt
Okt
Jan
Jan
Jan
Jan
Jan
Apr
Apr
Apr
Apr
Apr
2016 2017 2018 2019 2020
Gambar 12. Grafik Hasil Korelasi Ano Temperature dengan Ano Klorofil-A
Tabel 7. Perhitungan Korelasi AnoTemp dengan AnoChlor

Column Column
1 2
AnoTemp 1
AnoChlor -0.2711 1
35
Menurut Sidik. A., et al. (2014), berdasarkan hasil output analisis korelasi
didapatkan nilai korelasi antara klorofil-a dengan suhu permukaan laut adalah
negatif 0.234. Besaran angka korelasi tersebut menunjukkan bahwa korelasi
antara klorofil-a dan SPL berada dalam kategori rendah, sementara nilai negatif
mengindikasikan pola hubungan antara kedua variabel mempunyai hubungan
terbalik. Artinya jika nilai suhu tinggi, maka nilai klorofil-a akan menjadi rendah (dan
sebaliknya). Tingkat signifikan didapatkan nilai sebesar 0,321, hal ini menandakan
bahwa hubungan yang terjadi adalah tidak signifikan karena 0,321 > 0,05. Tingkat
signifikan didapatkan nilai sebesar 0,321, hal ini menandakan bahwa hubungan
yang terjadi ada.
Berdasarkan grafik yang didapat, dapat diketahui nilai Ano Temperature
dan Ano Catch di perairan Jembrana. Nilai Ano Chlorophyl-A tertinggi pada bulan
Agustus 2017 dengan nilai 1,883547 dan terendah pada bulan Agustus 2020
dengan nilai -0,7405. Sedangkan nilai Ano Temperature tertinggi di peroleh pada
bulan Juli 2016 dengan nilai 2,95 sedangkan nilai terendah pada bulan September
2019 dengan nilai -1,68. Dari nilai tersebut dapat disimpulkan bahwa antara Ano
Temperature dan Ano Catch memiliki korelasi yang rendah.
36
4.7 Grafik Hasil Korelasi Ano Klorofil-A dengan Ano Catch
Grafik AnoChloro - AnoCatch

2500 2.5
2000
2
1500
1000 1.5
500 1
0
0.5 AnoChloro
-500
-1000 AnoCatch
0
-1500
-0.5
-2000
-2500 -1
Jul
Jul
Jul
Jul
Jul
Jan
Okt
Jan
Okt
Jan
Okt
Jan
Okt
Jan
Okt
Apr
Apr
Apr
Apr
Apr
2016 2017 2018 2019 2020
Gambar 13. Grafik Hasil Korelasi Ano Klorofil-A dengan Ano Catch
Menurut Simbolon dan Girsang (2017), penyebaran konsentrasi klorofil-a
secara temporal cenderung berfluktuasi oada oeriode bulan Maret-Mei 2007.
Korelasi silang antara klorofil-a dengan jumlah tangkapan tongkol disajikan terlihat
bahwa time lag alau jarak korelasi terjadi pada hari ke-30. Hasil uji ini diperkuat
oleh analisis deskriptif, yang menunjukkan bahwa hasil tangkapan ikan tongkol
baru meningkat secara nyata pada tanggal 14 Aptil2007 walaupun konsentrasi
klorofil-a sudah tinggi mulai tanggal 13 Maret 2jo7(time lag30 hari). Jumlah
tangkapan total pada bulan Maret-Mei 2007 mencapai 86,241 kg, Hasil tangkapan
terbanyak diperoleh pada bulan April, yaitu 62,638 kg (72,63%), kemudian
menyusul pada bulan Maret dan Mei 2007 masing-masrng 15.345 kg (17 ,797"\
dan 8.258 kg (9,58%). Jumlah tangkapan paling rendah terdapat pada bulan Mei,
namun produktivitasnya alau catch per unit of effoftlebih tinggi dibandingkan bulan
Maret.
Berdasarkan grafik yang didapat, dapat diketahui Ano Klorofil-A dan Ano
Catch perairan di Perairan Jembrana. Nilai Ano Klorofil-A tertinggi pada bulan
Agustus 2017 dengan nilai 1.883546853 dan terendah pada bulan Agustus 2020
37
dengan nilai -0.740497732. Nilai Ano Catch tertinggi di peroleh pada bulan
November 2020 dengan nilai 2167.4. Nilai terendah AnoCatch didapat pada bulan
Oktober 2017dengan -1937.6. Dan berdasarkan hasil analisis korelasi diperoleh
nilai korelasi antara Ano Klorofil-A dan Ano Catch sebesar -0.172215085. Dari nilai
tersebut dapat disimpulkan bahwa antara Ano Temperature dan Ano Catch
memiliki korelasi yang rendah. Nilai negatif pada tabel menunjukkan bahwa
hubungnan yang terjadi adalah hubungan kontradiktif yang berarti saling
berlawanan.
Tabel 8. Perhitungan Korelasi AnoChlor dengan AnoCatch

AnoTemp AnoCatch
Ano
Klorofil-A 1
AnoCatch 0.17221508 1
4.8 Grafik Hasil Korelasi DMI dengan AnoCatch
Grafik DMI - AnoCatch

1.20 2500.00
1.00 2000.00
0.80 1500.00
0.60 1000.00
0.40 500.00
0.20 0.00
DMI
0.00 -500.00
-0.20 -1000.00 AnoCatch
-0.40 -1500.00
-0.60 -2000.00
-0.80 -2500.00
Mei
Jan
Jan
Mei
Jan
Mei
Jan
Mei
Jan
Mei
Sep
Sep
Sep
Sep
Sep
2016 2017 2018 2019 2020
Gambar 14. Grafik Hasil Korelasi DMI dengan AnoCatch

Menurut Natalia, et al. (2015), berdasarkan hasil analisis nilai rerata suhu
permukaan laut (SPL) dan klorofil-a selama tahun 2010-2014 tampak terjadi
variabilitas antar tahunan. Pada tahun 2010 nilai rerata SPL menunjukkan nilai
tertinggi yaitu sebesar 28,82 0C dan rerata konsentrasi klorofil-a terendah yaitu
sebesar 0,25 mg/m3 terkait dengan variabilitas iklim La nina kuat dan IOD positif
38
(+). Hal ini ditunjukkan dengan nilai anomali SST di NINO3,4 pada bulan
September-November dengan kisaran antara (- )1,58-(-)1,68 C dan nilai DMI
positif (+) rendah. Pada tahun 2011 menunjukkan rerata SPL terendah sebesar
26,35 C dan konsentrasi klorofil-a sebesar 0,77 mg/m3.
Berdasarkan grafik yang didapat, dapat diketahui DMI dan Ano Catch
perairan di Perairan Jembrana. Nilai DMI tertinggi pada bulan September 2020
dengan nilai 1.00 dan terendah pada bulan Juli 2017 dengan nilai –0.66. Nilai Ano
Catch tertinggi di peroleh pada bulan November 2020 dengan nilai 2167.4. Nilai
terendah AnoCatch didapat pada bulan Oktober 2017dengan -1937.6. Nilai
terendah AnoCatch didapat pada bulan Oktober 2017dengan -1937.6. Dan
berdasarkan hasil analisis korelasi diperoleh nilai korelasi antara Ano DMI dan Ano
Catch sebesar 0.224186691. Dari nilai tersebut dapat disimpulkan bahwa antara
DMI dan Ano Catch memiliki korelasi yang rendah. Nilai positif menandakan
hubungan yang terjadi antara DMI dan AnoCatch terbilang berbanding lurus atau
sejajar.
Tabel 9. Perhitungan Korelasi DMI dengan AnoCatch

AnoTemp AnoCatch
DMI 1
AnoCatch 0.224187 1
39
4.9 Grafik Hasil Korelasi SOI dengan AnoCatch
SOI-AnoCatch
1.50 2500.00
1.00 2000.00
0.50 1500.00
0.00 1000.00
500.00
-0.50
0.00
-1.00 SOI
-500.00
-1.50 -1000.00 AnoCatch
-2.00 -1500.00
-2.50 -2000.00
-3.00 -2500.00
Jan
Mei
Jan
Mei
Jan
Mei
Jan
Mei
Jan
Mei
Sep
Sep
Sep
Sep
Sep
2016 2017 2018 2019 2020
Gambar 15. Grafik Hasil Korelasi SOI dengan AnoCatch
Menurut Ratnasari et al. (2017), hasil korelasi ENSO dengan penyebaran
ikan cakalang pada periode 2014 – 2016 dapat ditunjukkan pada Gambar 14. Pada
tahun 2014 saat El nino sedang jumlah biomassa ikan cakalang berkisar 1.4 g/m2
- 3.6 g/m2 dengan nilai korelasi linear negatif tinggi. Pada saat La nina biomassa
ikan cakalang sedikit, namun saat indeks SOI ke El nino biomassa ikan cakalang
meningkat. Pada tahun 2015 saat El nino kuat jumlah biomassa ikan cakalang 2.9
g/m2 - 3.6 g/m2 dengan nilai korelasi linear cukup tinggi. Hal ini menunjukkan saat
indeks SOI meningkat ke fase normal biomassa ikan cakalang meningkat, dan
sebaliknya saat indeks SOI menurun ke El nino biomassa ikan cakalang ikut
menurun. Pada tahun 2016 saat tahun normal jumlah biomassa ikan cakalang 8.1
g/m2 – 10.4 g/m2 dengan nilai korelasi linear positif tinggi. Grafik pada Januari –
April memiliki korelasi bernilai negatif rendah. Pada saat indeks SOI menurun ke
El nino kuat biomassa ikan cakalang meningkat. Namun, pada bulan April – Juli
memiliki pola yang sejalan dengan nilai korelasi yang tinggi. Hal ini menunjukkan
saat indeks SOI meningkat biomassa ikan cakalang ikut meningkat. Pada bulan
Juli – Oktober korelasi negatif rendah. Hal ini menunjukkan saat indeksSOI
menurun ke fase normal jumlah biomassa ikan cakalang meningkat.
40
Berdasarkan grafik yang didapat dapat diketahui nilai SOI dan anocatch di
perairan Jembrana, nilai anocatch nilai tertinggi pada bulan November tahun 2020
dengan nilai 2167.40 dan nilai terendah pada bulan Oktober tahun 2017 dengan
nilai -1937.60. Sedangkan nilai SOI tertinggi pada bulan September tahun 2017
dengan nilai 1.28 dan nilai terendah pada bulan April tahun 2017 dengan nilai -
2.61. Berdasarkan data analisis yang didapat hubungan korelasi antara SOI
dengan AnoCatch Adalah -0.274893. Dari nilai tersebut dapat disimpulkan bahwa
antara SOI dan Ano Catch memiliki korelasi yang rendah. Nilai negatif pada tabel
menunjukkan bahwa hubungnan yang terjadi adalah hubungan kontradiktif yang
berarti saling berlawanan.
Tabel 10. Perhitungan Korelasi SOI dengan AnoCatch

Column Column
1 2
SOI 1
-
AnoCatch 0.27489 1
41
4.10 Grafik Hasil Korelasi Nino 3.4 dengan AnoCatch
Nino 3.4-AnoCatch
3.00 2500.00
2.50 2000.00
2.00 1500.00
1.50 1000.00
500.00
1.00
0.00
0.50 Nino 3.4
-500.00
0.00 -1000.00 AnoCatch
-0.50 -1500.00
-1.00 -2000.00
-1.50 -2500.00
Mei
Jan
Mei
Sep
Jan
Sep
Jan
Mei
Jan
Mei
Jan
Mei
Sep
Sep
Sep
2016 2017 2018 2019 2020
Gambar 16. Grafik Hasil Korelasi Nino 3.4 dengan AnoCatch
Menurut Ratnawati et al. (2016), berkaitan dengan variabilitas iklim di
wilayah Indonesia adalah Nino 3.4 (5°N – 5°S,120° -170°W). Perubahan nilai SST
di daerah tersebut dapat mengakibatkan penyimpangan iklim di sekitar pantai barat
Peru dan di wilayah Indonesia. Lebih jelas lagi dikatakan bahwa anomali SST di
sekitar region Nino 3.4 yang mempunyai nilai 0.4 °C selama 5 bulan atau lebih
dapat menyebabkan El nino. Sea surface temperature (SST Nino 3.4) SST Nino3.4
merupakan SST kawasan Samudera Pasifik Tropis bagian tengah dan timur.
Besarnya anomali SST ini menunjukan besarnya kekuatan fenomena El-nino dan
La nina. SST. Nino 3.4 merupakan salah satu indikator yang berkaitan dengan
berbagai fenomena ENSO El-nino dimana peristiwa ini ditandai dengan anomaly
SST negatif (lebih dingin dari rata-ratanya.
Berdasarkan grafik yang didapat dapat diketahui nilai Nino 3.4 dan
AnoCatch di perairan Jembrana yaitu nilai Nino 3.4 tertinggi terdapat pada bulan
November 2016 dengan value 2,57 dan nilai Nino 3.4 terendah terdapat pada
bulan Januari 2019 dengan value 0,86. Sedangkan nilai AnoCatch tertinggi pada
bulan Agustus 2014 dengan value 7069.1052dan nilai AnoCatch terendah pada
42
bulan Januari 2018 dengan value -1681,2572. Nilai anocatch nilai tertinggi pada
bulan November tahun 2020 dengan nilai 2167.40 dan nilai terendah pada bulan
Oktober tahun 2017 dengan nilai -1937.60. Berdasarkan data analisis yang didapat
hubungan korelasi antara Nino 3.4 dengan AnoCatch adalah 0.4336699. Dari nilai
tersebut dapat disimpulkan bahwa antara SOI dan Ano Catch memiliki korelasi
yang sedang. Nilai negatif pada tabel menunjukkan bahwa hubungnan yang terjadi
adalah hubungan kontradiktif yang berarti saling berlawanan. Nilai positif
menandakan hubungan yang terjadi antara DMI dan AnoCatch terbilang
berbanding lurus atau sejajar.
Tabel 11. Perhitungan Korelasi Nino 3.4 dengan AnoCatch
Column Column
1 2
Nino 3.4 1
AnoCatch 0.43367 1
43
4.11 Hasil Analisis SPSS Suhu, Klorofil, DMI, SOI, dan Nino 3.4 dengan Hasil
Tangkapan
a. Correlation Matrix
Pengolahan data hubungan korelasi Suhu, Klorofil, DMI, SOI, dan NINO
3.4 terhadap hasil tangkapan dengan aplikasi SPSS, Ditunjukan pada tabel
correlation matrix dibawah ini.
Table correlation matrix.
Tabel 12. Hasil Perhitungan Correlation Matrix
Correlation Matrixa
AnoTempt Anochlor DMI SOI Nino34
Correlation AnoTempt 1.000 .076 -.083 -.171 .306
Anochlor .076 1.000 .020 .185 -.021
DMI -.083 .020 1.000 -.350 .356
SOI -.171 .185 -.350 1.000 -.646
Nino34 .306 -.021 .356 -.646 1.000
Sig. (1-tailed) AnoTempt .282 .264 .096 .009
Anochlor .282 .441 .079 .437
DMI .264 .441 .003 .003
SOI .096 .079 .003 .000
Nino34 .009 .437 .003 .000
a. Determinant = .399
(Sumber : Hasil Praktikum Kelompok 13, 2021)
44
b. KMO dan Bartlett’s Test
Dari hasil analisis parameter oseanografi dengan hasil tangkapan didapatkan
correlation matrix dengan Determinant 0.399. sehingga dapat disimpulkan bahwa
0.399 mendekati nol yang berarti korelasi antar variabel saling terkait.
Table KMO dan Bartlett’s Test
Tabel 13. Hasil Perhitungan KMO and Bartlett's Test
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling

.575
Adequacy.
Bartlett's Test of Approx. Chi-Square 51.862
Sphericity Df 10
Sig. .000

Dari hasil analisis antara parameter oseanografi dengan hasil tangkapan
didapatkan KMO dan Bartlett’s Test sebesar 0,550 hasil tersebut telah melebihi 0,5
yang artinya telah memenuhi syarat factor hasil tangkapan sehingga dapat
melakukan uji lanjutan.
45
c. Anti-Image-Matrices
Tabel-Anti-Image-Matrices
Tabel 14. Hasil Perhitungan Anti-image Matrices
Anti-image Matrices
AnoTempt Anochlor DMI SOI Nino34
Anti-image AnoTempt .856 -.087 .182 .015 -.189

Covariance Anochlor -.087 .936 -.077 -.165 -.058
DMI .182 -.077 .803 .118 -.143
SOI .015 -.165 .118 .535 .298
Nino34 -.189 -.058 -.143 .298 .510
Anti-image AnoTempt .491a -.098 .220 .022 -.286

Correlation Anochlor -.098 .340a -.089 -.234 -.084
DMI .220 -.089 .650a .180 -.224
SOI .022 -.234 .180 .593a .571
Nino34 -.286 -.084 -.224 .571 .579a

Dari hasil analisis antara parameter oceanografi dengan hasil tangkapan
didapatkan table Anti-image matrices. Data yang nilainya kurang dari 0,5 harus
dieliminasi karena tidak memenuhi syarat factor hasil tangkapan, sehingga data
yang harus dieliminasi adalah data DMI.
46
d. Communalities
Tabel Communalities
Tabel 15. Hasil Perhitungan Communalities
Communalities
Initial Extraction
AnoTempt 1.000 1.000

Anochlor 1.000 1.000
DMI 1.000 1.000

SOI 1.000 1.000
Nino34 1.000 1.000
Extraction Method: Principal

Component Analysis.
Pada tabel communalities didapatkan 5 faktor yang mempengaruhi
hasil tangkapan yaitu AnoTemp, AnoChlor, DMI, SOI dan Nino 3.4. Masing-
masing mempunyai nilai extraction 1,000 yang artinya memiliki hubungan korelasi
yang kuat.
Faktor tingginya curah hujan sebagai indikator besarnya tutupan awan
berpengaruh terhadap batas bawah termoklin, semakin tinggi curah hujan maka
akan semakin dangkal batas bawah termoklin. Disamping faktor-faktor tersebut
faktor tingginya anomali SST (seawater surface temperature) di NINO3.4 dan
besarnya nilai IOD berpengaruh terhadap variabilitas kedalaman batas atas dan
batas bawah termoklin. Semakin tingginya nilai anomali SST di NINO3.4 dan
semakin besar nilai IOD (+) maka batas atas termoklin akan semakin dangkal
dan batas bawahnya makin dalam. Data-data lain yang digunakan sebagai
pendukung yaitu data ENSO (nilai SOI dan anomali SST di NIÑO3,4), indek IOD
angin bulanan dari NCEP dan curah hujan dari BMG semua data tersebut
mempengaruhi hasil tangkapan (Kunarso et al. 2012).
47
5. PENUTUP
5.1 Kesimpulan
Berdasarkan praktikum oseanografi perikanan dapat diambil kesimpulan
sebagai berikut:
1. Oseanografi perikanan merupakan cabang ilmu yang penting dalam bidang
perikanan khususnya perikanan tangkap Semakin subur perairan maka
semakin banyak pula ikan di daerah tersebut. Kita juga dapat mengetahui
waktu-waktu yang tepat untuk melakukan penangkapan ikan berdasarkan
cuaca.
2. Perolehan data oceanografi perikanan dapat diperoleh dengan cara download
dari https://oceancolor.gsfc.nasa.gov/cgi/l3. Dalam mengolah data
oceanografi perikanan yang telah didapatkan ini perlu melakukan langkah
kerja yang telah dilampirkan pada laporan ini.
3. Data yang telah didapatkan diolah dengan aplikasi SeaDas untuk
menghilangkan tutupan awannya, kemudian setelah disimpan data diolah di
ArcGIS untuk mengetahui koordinat wilayah yang ingin dicari SPL atau
klorofilnya. Setelah itu, data diolah di Microsoft Excel untuk mengetahui rata-
ratanya. Lalu data yang telah diolah di Microsoft Excel kemudian diolah di
SPSS untuk dianalisis seberapa kuat faktor-faktor yang ada pada perairan
tersebut mempengaruhi hasil tangkapan di wilayah itu juga.
4. Parameter oceanografi perikanan dapat mempengaruhi hasil tangkapan di
wilayah perairan tersebut. Sesuai dengan data yang diolah maka, jika suhu
rendah, maka hasil tangkapan tinggi. Dan ketika suhu tinggi maka hasil
tangkapan akan rendah. Jika nilai Klorofil rendah, maka hasil tangkapan tinggi.
Dan ketika nilai Klorofil tinggi maka hasil tangkapan akan rendah. Jika Dipole
Mole Index rendah, maka hasil tangkapan tinggi. Dan ketika DMI tinggi maka
48
hasil tangkapan akan rendah. Jika nilai SOI naik, maka hasil tangkapan juga
naik. Dan ketika SOI turun maka hasil tangkapan akan rendah. Jika Nino 3.4
mengalami kenaikan, maka hasil tangkapan akan turun. Dan ketika Nino 3.4
mengalami penurunan maka hasil tangkapan mengalami kenaikan.
5.2 Saran
Praktikum kelas Oceanografi Perikanan yang telah dilakukan pada bulan
November 2021 sudah cukup baik. Namun alangkah baiknya, jika asisten ketika
menjelaskan materi dan menjelaskan langkah-langkah dalam memproses data
dalam video dengan suara yang lebih jelas, agar praktikan bisa mengikutinya
dengan lebih baik dan tidak ketinggalan, untuk kedepannya semoga bisa menjadi
lebih bagus dan nyaman saat praktikum.
49
DAFTAR PUSTAKA
Amri, K., D. Manurung, J. L. Gaol dan M. S. Baskoro. 2013. Karakteristik Suhu

Permukaan Laut dan Kejadian Upwelling Fase Indian Ocean Dipole Mode
Positif di Barat Sumatera dan Selatan Jawa Barat. Jurnal Segara. 9(1):23-
35.
Anisa, K., 2015. Analisis Hubungan Curah Hujan dan Indikator El-nino Southern
Oscillation di Sentra Produksi Padi Jawa Timur dengan Pendekatan
Copula. Jurnal Sains dan Seni ITS, 4(1): 2337-3520.
Ardhitama, A. and Sholihah, R., 2013. Model Simulasi Prakiraan CH Bulanan Pada
Wilayah Riau dengan Menggunakan Input Data SOI, SST, NINO 3.4, dan
IOD. Jurnal Sains & Teknologi Modifikasi Cuaca, 14(2): 95-104.
Cahya, C.N., D.Setyohadi, D.Surinati. 2016. Pengaruh Parameter Oseanografi

Terhadap Distribusi Ikan . Jurnal Oseana. 61 (4) : 1-14.
Cahyarini, S.Y. 2011. Rekonstruksi Suhu Permukaan Laut Periode 1993 – 2007
Berdasarkan Analisis Kandungan Sr/Ca Koral dari Wilayah Labuan Bajo,
Pulau Simeulue. Jurnal Geologi Indonesia. 6(3): 129 -134.
Efendi, U., Hidayat, A.M. dan Agustina L. 2017. Pengaruh Fluktuasi Nilai Indeks
Osilasi Selatan (SOI) Terhadap Parameter Suhu, Tekanan, Dan
Kelembapan Udara Di Semarang. Prodi Meteorologi, Prodi Klimatologi
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika. Universitas
Padjadjaran, Jatinangor.
Fadholi, A. (2013). Studi dampak el nino dan indian ocean dipole (IOD) terhadap
curah hujan di Pangkalpinang. Jurnal Ilmu Lingkungan. 11(1) : 43-50.
Jaya, M. M., B. Wiryawan, dan D. Simbolon. 2017. Keberlanjutan perikanan tuna

di perairan Sendangbiru Kabupaten Malang. Albacore. 1(1): 111- 125.
Kertayasa, I. M., Sukarasa, I. K., Widagda, I. G. A., & Hendrawan, I. G. 2013.

Pengaruh Indian Ocean Dipole Mode (IODM) Terhadap Intensitas Hujan
Di Benua Maritim Indonesia (BMI) Barat.
Khouroh, U. dan E. Pamungkasih. 2019. Pengembangan Pantai Sipelot dengan

pendekatan kawasan perikanan terpadu di Desa Pujiharjo Kecamatan
Tirtoyudo Kabupaten Malang. Jurnal Pembangunan dan Inovasi. 1(2): 43-
54.
Kiraman, D., 2017. Verifikasi Probabilistik Prediksi ENSO Model Statistik

Operasional IRI (International Research Institute).
Kirana, E.N., H. Boesono., A.D.P.Fitri. 2015. Analysis Of Catch On Fishing Gear

Anco (Lift Net) Based On The Difference Operation Time Day And Night
In Reservoir Kedungombo Boyolali. 4(4):125-134
Kunarso, Safwan Hadi, Nining Sari Ningsih, Dan Mulyono. S. Baskoro. 2012.
50
Perubahan Kedalaman Dan Ketebalan Termoklin Pada Variasi
Kejadian Enso, Iod Dan Monsun Di Perairan Selatan Jawa Hingga Pulau
Timor. Jurnal Ilmu Kelautan. 17 (2) 87-98.
Kurniawan, M., M.N. Habibie., dan D.S. Permana. 2012. Kajian Daerah Rawan
Gelombang Tinggi Di Perairan Indonesia. Jurnal Meteorologi Dan
Geofisika. 13(3) : 201-212.
Kuswanto, T., Syamsuddin, M. dan Sunarto, 2017. Hubungan Suhu Permukaan

Laut dan Klorofil-A Terhadap Hasil Tangkapan Ikan Tongkol Di Teluk
Lampung. Jurnal Perikanan dan Kelautan, 8(2): 90-102.
Laila,K. 2018. Analisis Hasil Tangkapan Jaring Insang Permukaan Ditinjau Dari
Oseanografi Pada Pagi, Sore dan Malam Hari Diteluk Tapian Nauli Kota
Sibolga Tapanuli Tengah.
Listiani, A. D.Wijayanto,B.B.Jayanto. 2017. Analisis CPUE (Catch Per Unit Effort)

dan Tingkat Pemanfaatan Sumberdaya Perikanan Lemuru (Sardinelaa
Lemuru) di Perairan Selat Bali. Indonesian Journal of Capture Fisheries.
1(1)
Malinda, A., Efendi, U., Agustina, L. and Winarso, P., 2018. Korelasi Indeks NINO
3.4 dan Southern Oscillation Index (SOI) dengan Variasi Curah Hujan Di
Semarang. Jurnal Sains & Teknologi Modifikasi Cuaca, 19(2): 75-81.
Najib, M. K., dan S. Nurdiati. 2021. Koreksi Bias Statistik pada Data Prediksi Suhu
Permukaan Air Laut di Wilayah Indian Ocean Dipole Barat dan
Timur. Jambura Geoscience Review. 3(1): 9-17.
Natalia, E. H., Kunarso, K., & Rifai, A. (2015). Variabilitas Suhu Permukaan Laut
Dan Klorofil-a Kaitannya Dengan El nino Southern Oscillation (Enso) Dan
Indian Ocean Dipole (Iod) Pada Periode Upwelling 2010-2014 Di Lautan
Hindia (Perairan Cilacap). Journal of Oceanography, 4(4), 661-669.
Nufus, H., S. Karina dan S. Agustina. 2017. Analisis Sebaran Klorofil-A dan
Kualitas Air di Sungai Krueng Raba Lhoknga, Aceh Besar. Jurnal Ilmiah
Mahasiswa Kelautan dan Perikanan Unsyiah. 2(1) : 58-65.
Nurmala, E., E. Utami dan Umroh. 2017. Analisis Klorofil-a di Perairan Kurau
Kabupaten Bangka Tengah. Jurnal Sumberdaya Perairan. 11(1) : 61-68.
Prayogo, L. M. dan A. S. Natul. 2021. Pemetaan Suhu Permukaan Laut (SPL) dan
Karakteristik Pasang Surut di Perairan Pulau Bali, Indonesia. Jurnal Laot
Ilmu Kelautan. 3(1) : 1-12.
Rahadian, L.D., A.M.A. Khan, L.P.Dewanti, I.M.Apriliani. 2019. Analisis Sebaran

Suhu Permukaan Laut Pada Musim Barat dan Musim Timur Terhadap
Produksi Hasil Tangkapan Ikan Lemuru (Sardinella lemuru) di Perairan
Selat Bali. Jurnal Perikanan dan Kelautan. 10(2) : 28-34
Rahayu N.D., Bandi S., Nurhadi B. 2018. Analisis Pengaruh Fenomena Indian
Ocean Dipole (Iod) Terhadap Curah Hujan Di Pulau Jawa. Jurnal Geodesi
Undip. 7(1): 57-67.
51
Ratnasari, S. L., S. A. Harahap, Sunarto, N. P. Purba, W. S. Pranowo. 2017.
Variabilitas Enso Terhadap Arus Pusaran Dan Sebaran Ikan Cakalang
(Katsuwonus Pelamis) Di Wilayah Pengelolaan Perikanan 713. Jurnal
Harpodon Borneo. 10 (2): 23-37
Ratnawati, H. I., R. Hidayat, A. Bey, T. June. 2017. Upwelling di Laut Banda dan
Pesisir Selatan Jawa serta hubungannya dengan ENSO dan IOD. Omni-
Akuatika. 12(3): 119-130.
Ratnawati, H.I., R. Hidayat, A. Bey, T. June. 2016. Upwelling di Laut Banda dan
Pesisir Selatan Jawa serta Hubungannya dengan ENSO dan IOD. Omni-
Akuatika, 12 (3): 119 – 130
Sahidi, S., Gusti D, S, Ahmad F. L dan Umar T. 2015. Hubungan Faktor

Oseanografi dengan Hasil Tangkapan Pelagis Besar di Perairan Batang
Dua Provinsi Maluku. Jurnal Ilmiah Agribisnis dan Perikanan. 8(2): 61.
Setyadji, B. dan K. Amri. 2017. Pengaruh Anomali Iklim (ENSO dan IOD) Terhadap
Sebaran Ikan Pedang (Xiphias Gladius) di Samudera Hindia Bagian
Timur. Jurnal Segara. 13(1) : 49-63.
Sidik, A., Agussalim, A. dan Ridho, R., 2014. Akurasi Nilai Konsentrasi Klorofil-A
dan Suhu Permukaan Laut Menggunakan Data Penginderaan Jauh Di
Periairan Pulau Alanggantang Taman Nasional Sembilang. MASPARI
JOURNAL, 7(2): 25-32.
Sihombing R. F., R. Aryawati, dan Hartoni. 2013. Kandungan Klorofil-a

Fitoplankton di Sekitar Perairan Desa Sungsang Kabupaten Banyuasin
Provinsi Sumatera Selatan. Jurnal Maspari. 5(1) : 34-39.
Simbolon, D., & Girsang, H. S. (2017). Hubungan antara kandungan klorofil-a

dengan hasil tangkapan tongkol di daerah penangkapan ikan perairan
Pelabuhanratu. Jurnal Penelitian Perikanan Indonesia, 15(4), 297-305.
Sitompul, Z. dan E. Nurjani. 2013. Pengaruh El nino Southern Oscillation (ENSO)

Terhadap Curah Hujan Musiman dan Tahunan di Indonesia. Jurnal Bumi
Indonesia. 2(1) : 11-18.
Sitompul, Z. dan E. Nurjani. 2013. Pengaruh El nino Southern Oscillation (ENSO)

terhadap Curah Hujan Musiman dan Tahunan di Indonesia.
Suherman, A., dan A. Dault. 2019. Dampak sosial ekonominya pembangunan dan
pengembangan pelabuhan perikanan nusantara (PPN) Pengambengan
Jembrana Bali. 4(2) : 24-32
Sukresno,B., D. Jatisworo., D.W. Kusuma. 2018. Analisis Multilayer Variabilitas

Upwelling di Perairan Selatan Jawa. Jurnal Kelautan Nasional. 13(1):15-
25.
Suniada, K. I., & Susilo, E. (2018). Keterkaitan Kondisi Oseanografi dengan

Perikanan Pelagis di Perairan Selat Bali. Jurnal Penelitian Perikanan
Indonesia. 23(4): 275-286.
52
Supriyadi, Slamet. 2015. Prediksi total hujan bulanan di Tanjungpandan
menggunakan persamaan regresi dengan preiktor SST Nino 3.4 dan India
Ocean Dipole (IOD). Jurnal Matematika Saint dan Teknologi. 16(2):16.
Susilo, E.,I.M. Kresnabayu, A.Swastan. 2021. Peta Lokasi Penangkapan Ikan

Lemuru di Selat Bali. Jurnal of Fisheries and Marine Research. 5 (2).
Tjahjono, B., Barus, B. dan Darojati, N.W. 2017. Hubungan Indeks Osilasi Selatan
dan Indeks Curah Hujan terhadap Kejadian Kekeringan di Kabupaten
Indramayu, Jawa Barat, Indonesia . Journal of Regional and Rural
Development Planning. 1(1):64-73.
Wardani,R., W. S. Pranowo., E. Indrayani. 2013. Struktur vertikal upwelling –

downwelling di Samudera Hindia Selatan Jawa hingga Selatan Bali
berdasarkan salinitas musiman periode 2004 – 2010. Jurnal Depik. 2(3):
191-199.
Yananto A. dan R. M. Sibrani. 2018. Analisis Kejadian El nino dan Pengaruhnya

terhadap Intensitas Curah Hujan di Wilayah Jabodetabek (Studi Kasus :
Periode Puncak Musim Hujan Tahun 2015/2016). Jurnal Sains &
Teknologi Modifikasi Cuaca. 17(2) : 65-73.
53
LAMPIRAN
Lampiran 1. Foto Kelompok
54
Lampiran 2. Langkah Kerja
1. Masuk ke website https://oceancolor.gsfc.nasa.gov/
2. Klik data > Level 3 Brower
55
3. Sesuaikan kategori yang diinginkan kemudian “Extract or Download L3 Data”
4. Klik Download
56
5. Pada laman browser aka muncul link seperti ini kemudian copy link tersebut
6. Paste pada Tab baru
57
7. Saat Redirecting tunggu sampai download berjalan hingga selesai
8. Buka Software SeaDAS, Klik File > Open
58
9. Cari data yang telah di download tadi kemudian Open Producy
10. Klik dua kali pada sst
59
11. Maka tampilan akan seperti ini
12. Klik Raster > Crop
60
13. Sesuaikan kotak potong dengan wilayah Indonesia lalu OK
14. Klik dua kali pada sst baru
61
15. Klik Raster > Reproject…
16. Pilih kolom nama ke-2
62
17. Ubah menjadi TIFF dan pilih lokasi penyimpanan kemudian OK
18. Klik OK
63
19. Buka ArcGis
20. Add Data
64
21. Cari File TIFF dari SeaDAS dan klik Add
22. Muncul Seperti Ini
65
23. Klik Arc Toolbox
24. Raster > Raster Processing > Clip
66
25. Pili SST TIFF
26. Sesuaikan Longitude dan Latitude
67
27. Pilih lokasi penyimpanan
28. Beri Nama > Save
68
29. Klik OK
30. Tunggu sampai proses Clip selesai
69
31. Peta akan terpotong seperti di bawah
32. Klik kana pada Clip > Zoom To Layer
70
33. Peta akan membesar
34. Klik kanan pada Clip > Properties
71
35. Ganti Label Values dan Color Ramp
36. Klik OK
72
37. Pada Arc Toolbox pilih Conversion Tool > From Raster > Raster To Point
38. Pilih Clip
73
39. Pilih lokasi penyimpanan
40. Ganti Nama
74
41. Klik OK
42. Tunggu hingga proses selesai
75
43. Pada Arc Toolbox pilih Features > Add XY Coordinates
44. Pilih Raster kemudian klik OK
76
45. Tunggu hingga proses selesai
46. Klik kanan pada Raster kemudian Open Attribute Table
77
47. Klik Option > Export
48. Pilih lokasi Export
78
49. Beri nama dan OK
50. Klik No
79
51. Selesai
52. Buka Ms.Excel
80
53. Buka hasil Export dari ArcGis
54. Klik Open
81
55. Hapus kolom Point
56. Ubah judul kolom 2 dan 3 menjadi Longitude dan Latitude
57. Selesai kemudian Simpan dalam bentuk 97-2003 Workbook
82
KRIGING di ARCMAP
1. Buka aplikasi ArcGis, klik File pilih Add Data, Add XY Data
2. Masukkan data SST atau Chlor. Isi klik Z Field dengan rata ratanya. Pada kolom
Descriptive diisi WGS 1984
83
3. Klik kanan pada data file manager, pilih Data klik Export Data
4. Pilih tempat penyimpanan ouput shp
84
5. Buka Arctoolbox, 3D Analyst tools, Raster Interpolation dan pilih Kriging. Input diisi
seperti di bawah. Z value diisi rata rata data, dan simpan di tempat yang diinginkan
pada kolom output
6. Apabila berhasil, terdapat tanda centang hijau di bawah kanan. Hasilnya akan seperti
di bawah ini
85
7. Klik kanan pada hasil Kriging, pilih Properties
8. Pilih Symbology, ubah Classes menjadi 5. Ubah warna dari merah ke biru dan flip
Color
86
9. Hasilnya akan seperti gambar di bawah ini
10. Klik kanan pada Layers, Add Data
87
11. Masukkan data peta Indonesia dengan format shp
12. Hasilnya akan seperti gambar di bawah
88
13. Lakukan layouting sampai selesai. Seperti gambar di bawah ini
PROCESSING dan DATA ANALISIS di Microsoft Excel

14. Lakukan rata rata pada sheet CPUE dengan cara menggunakan rumus =AVERAGE
lalu blok setiap bulannya ke bawah
89
15. Salin hasil copy dari data Catch dan rata rata
16. Pada kolom AnoCatch, gunakan rumus =data catch-rata rata. Lakukan hal yang
sama pada sheet Chlor, AnoChlor, Temp dan AnoTemp
90
17. Paste hasil AnoTemp di sheet AnoTemp dan hasil AnoCatch di sheet AnoCatch
18. Blok semua data, kemudian klik Insert, pilih Insert Line or Area Chart, klik yang 2D
(Line)
91
19. Klik kanan pada area grafik, pilih Format Chart Area
20. Pilih Horizontal (Category) Axis
92
21. Klik Label, ubah Label Position menjadi Low.
22. Klik kanan garfik AnoTemp, pilih Format Data Series
93
23. Pada Series Option, pilih Secondary Axis. Hasilnya akan seperti gambar di bawah
24. Klik kanan pada grafik, Change Chart Type…
94
25. Pilih Combo, dan pilih yang nomer dua yaitu Clustered Coulumn – Line on Secondary
Axis
26. Pilih Quick Layout, klik yang pertama
95
27. Pilih Data, Data Analysis, pilih Corellation
28. Masukkan input Range dengan mengeblok data AnoTemp dan AnoCatch. Dan pilih
Outputnya
96
29. Hasil korelasi
30. Beri interpretasi pada grafik dan table hasil korelasi. Lalukan hal yang sama pada
saat menyalin data AnoCatch, DMI, SOI, dan Nino 3.4 pada sheet yang lainnya dan
lakukan data analisis membuat grafik serta korelasi dengan cara yang sama
97
31. Salin hasil data pada sheet All Data
98
PENGOLAHAN DATA PADA SOFTWARE SPSS
32. Buka aplikasi SPSS.
33. Paste dari sheet All Data pada format tugas
34. Analyz, pilih Data Reducyion, klik Factor
99
35. Masukkan Data Catch pada Selection Variable, sisanya masukkan pada Variable
36. Klik Descriptive, centang semuanya kecuali Inverse dan Reproduced
100
37. Pada Extraction, centang Number of Factor, isi angka 5
38. Isi kolom Rotation seperti di bawah
101
39. Klik Value lalu Cancel. Klik OK
40. Akan tampil seperti gambar di bawah
102
41. Klik Analyz, pilih Data Reducyion, klik Factor lagi
42. Keluarkan AnoTemp dan AnoChlor kemudian OK
103
43. Hasilnya seperti di bawah
104
Lampiran 3. Peta Sebaran Suhu Permukaan Dan Klorofil-A Mei 2019 - Februari 2020
105

13 - Achmad Waliyuddin - 195080201111045

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

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

13 - Achmad Waliyuddin - 195080201111045

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM OSEANOGRAFI PERIKANAN WILAYAH

PPN PENGAMBENGAN JEMBRANA

PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN

NOVI DIAN SARI A. MANULLANG 195080201111037

PROGRAM STUDI PEMANFAATAN SUMBERDAYA PERIKANAN JURUSAN

Praktikum Oseanografi Perikanan

Shandy Pradana Putra Shandy Pradana Putra

NIM. 185080200111036 NIM.185080201111036

limpahan rahmat dan hidayah-Nya lah penulis dapat menyelesaikan Laporan

Praktikum Mata Kuliah Oseanografi Perikanan dengan tepat waktu. Adapun

Praktikum Mata Kuliah Oseanografi Perikanan di Fakultas Perikanan dan Ilmu

Kelautan, Universitas Brawijaya.

kontribusi pada perkembangan perikanan tangkap secara nasional khususnya

pengaruh fenomena perubahan parameter oseanografi terhadap parameter

lingkungan dan hasil tangkapan ikan di laut.

Malang, 7 November 2021

KATA PENGANTAR ............................................................................................ i

4. HASIL DAN PEMBAHASAN ......................................................................... 28

DAFTAR PUSTAKA .......................................................................................... 50

Gambar .................................................................................................... Halaman

Lampiran .................................................................................................. Halaman

1.1 Latar Belakang

Menurut Cahya, et al. (2016), parameter oseanografi perikanan merupakan

permukaan dapat menyebabkan upwelling. Dapat membawa nutrien ke

a merupakan indikator adanya produktivitas primer bagi ikan, khususnya ikan

sumberdaya alam yang besar khususnya sumberdaya perikanan. Oseanografi

perikanan merupakan suatu ilmu yang mempelajari tentang lautan, dimana

mendapatkan hasil tangkapan yang optimal.

Oseanografi merupakan dinamika suatu perairan yang sangat erat

kaitannya dengan karakteristik sumberdaya kelautan dan perikanan. Musim timur

kering akan menyebabkan musim kemarau di Indonesia, sedangkan sebaliknya

Berbagai macam pengamatan telah dilakukan terhadap parameter oseanografi

yang berhubungan dengan distribusi ikan tangkapan.

Tujuan diadakannya praktikum oseanografi perikanan adalah untuk

memberikan wawasan dan pemahaman mahasiswa tentang, antara lain :

1. Dapat memahami teori dasar dalam oseanografi perikanan.

2. Dapat mengetahui cara perolehan data oseanografi perikanan melalui

pemotretan citra satelit.

menggunakan aplikasi SeaDAS, ArcGIS, Ms. Excel, dan SPSS.

4. Dapat mengetahui hubungan parameter oseanografi perikanan dengan hasil

1.3 Waktu dan Tempat

Praktikum oseanografi perikanan akan dilaksanakan hari Sabtu, 31 Oktober

2020 – 7 November 2020. Praktikum akan dilaksanakan secara daring/online

dikarenakan pandemik covid-19.

2.1 Suhu Permukaan Laut (SPL)

parameter oseanografi yang mencirikan massa air di lautan dan berhubungan

digunakan dalam menganalisis fenomena yang terjadi di lautan. Suhu adalah

metabolisme maupun perkembangan, selain menjadi indikator fenomena

Menurut Rahadian, et al. (2019), berdasarkan hasil pengamatan, suhu

dan pada musim Timur memiliki suhu 27 oC-30oC.

Suhu Permukaan Laut adalah salah satu parameter penting dari

oseanografi. Dalam mempelajari variasi musim, fenomena iklim dan untuk

memahami perubahan iklin, SPL merupakan parameter yang penting dalam

mempengaruhi aktivitas metabolisme maupun perkembangan dan indikator

Aqua Modis di web NASA.

Menurut Nufus, et al. (2017), salah satu indikator kesuburan perairan

adalah ketersediaan klorofil-a diperairan. Tingkat kesuburan suatu perairan pesisir

hara esensial. Faktor biologis yang mempengaruhi tingkat kesuburan suatu

perairan adalah klorofil-a. Klorofil-a merupakan pigmen yang mampu melakukan

fotosintesis dan terdapat di seluruh organisme fitoplankton. Kandungan klorofil-a

fitoplankton dalam suatu perairan. Klorofil-a merupakan pigmen yang selalu

ditemukan dalam fitoplankton serta semua organisme autotroph dan merupakan