UAS Pemodelan Spasial

Dika Madyawan
C5502202007

Soal dan Jawaban :

1. Jelaskan dan gambarkan secara rinci yang dimaksud dengan Maxent dilihat dari
perspektif teori dan praktek spatial untuk bidang kelautan?

Software MaxEnt merupakan salah satu software yang berbasis pendekatan maximum
entropy dalam pemodelan niche dan distribusinya. MaxEnt merupakan program yang paling
sering digunakan saat ini dalam melakukan pemodelan distribusi. Pemodelan dilakukan
dengan menggunakan beberapa set data lingkungan dan titik perjumpaan, sehingga software
ini mampu memodelkan probilitas distribusi spesises yang spesifik sesuai dengan kondisi
lingkungannya. Penggunaan MaxEnt akan efektif digunakan dalam skala global (misal: skala
pulau besar), untuk spesies yang spesifik (habitatnya yang telah terfragmentasi, atau terisolir)
dan memiliki kecenderungan habitat khusus. Dengan terbatasnya data yang digunakan,
kemudian dianalisis melalui algoritmanya, MaxEnt mampu menghasilkan model niche dan
distribusi yang memiliki validitas yang tinggi. Salah satu contoh penggunaan MaxEnt untuk
sebaran spesies laut dapat dilihat pada gambar di bawah.

MaxEnt memiliki algoritma pemodelan prediktif, yakni memperkirakan distribusi yang

paling seragam (entropi maksimum) dari titik-titik kejadian/perjumpaan satwa di seluruh
wilayah studi. Program dimulai dengan distribusi probabilitas yang seragam dan secara
berulang mengubah satu bobot pada satu waktu untuk memaksimalkan kemungkinan
mencapai probabilitas distribusi yang optimal.
 Fungsi MaxEnt sangat banyak dalam konservasi laut, yaitu sebagai salah satu kriteria
dalam penetapan status spesies dalam daftar merah IUCN, pengelolaan ekosistem,
pengendalian spesies asing, mengungkap pola spasial kesesuaian habitat dan penggunaan
habitat oleh suatu spesies, mengungkap variabel lingkungan yang menentukan kehadiran
spesies dalam suatu lokasi. Selain itu, MaxEnt juga dapat digunakan untuk memprediksi
penyakit, kebakaran hutan, distribusi tanaman obat, distribusi tempat berpotensi ekowisata,
dan lain-lain. MaxEnt memiliki keuntungan, antara lain yaitu:
 Hanya menggunakan data kejadian, kehadiran, atau perjumpaan
 Distribusi probabilitasi didefinisikan secara matematis sehingga formulasi model
relatif transparan
 Dapat mempertimbangkan interaksi antar variabel lingkungan
 Memberikan kemampuan untuk mempertumbangkan transformasi polinomial
dari prediktor lingkungan
 Potensi untuk menyelidiki pengaruh masing-masing prediktor lingkungan
terhadap distribusi
 Relatif mudah dijalankan, perangat lunak berdiri sendiri (tanpa proses installasi)
Namun MaxEnt juga memiliki kelemahan, yaitu tidak ada prosedur untuk pemilihan variabel
dan membutuhkan spesifikasi komputer yang cukup tinggi.
 2. Buatlah analisis atau kajian (review) terkait dengan pemodelan spasial pada masing-
masing materi yang telah diberikan (sesuai dengan nama pada file jurnal)?

Climate change effects on marine protected areas: Projected decline of

benthic species in the North Sea Pendahuluan

Perubahan iklim merupakan ancaman global bagi ekosistem laut dan,

keanekaragaman hayatinya. Di wilayah laut, kawasan perlindungan laut (MPA) ditetapkan
untuk melawan potensi kerusakan wilayah, tetapi mungkin tidak begitu efektif untuk
melindungi spesies dan habitat yang rentan, jika distribusinya dipengaruhi oleh perubahan
iklim global.
Penelitian pada jurnal ini bertujuan untuk menilai respon 8 spesies bentik di Kawasan
lindung Laut Utara terhadap proyeksi kenaikan suhu dasar perairan dan penurunan salinitas
untuk tahun 2050 dan 2099 berdasarkan skenario emisi Intergovernmental Panel on Climate
Change (IPCC) A1B. Tujuan utamanya adalah untuk menilai perubahan distribusi yang
didorong oleh iklim di dalam Kawasan lindung dan untuk membahas konsekuensi
metodologis untuk pemantauan dan pengelolaan, untuk mendukung pengelolaan Kawasan
lindung yang adaptif, dan tujuan lainnya yaitu, untuk mengevaluasi ketahanan dan
ketidakpastian model distribusi yang berbeda menggunakan 6 algoritma model (GLM,
MARS, FDA, RF, GBM, MAXENT) dan satu model konsensus.

Dipilih 10 lokasi di perairan lepas pantai dan enam lokasi di Perairan Natura. Semua
lokasi ditetapkan sebagai Kawasan Konservasi Khusus (SAC) dan jenis substrat gumuk pasir
khas, dataran lumpur hingga terumbu karang.
Metode yang digunakan dalam jurnal ini yaitu ada 6 Model Distribusi Spesies (GLM,
MARS, FDA, RF, GBM, MAXENT) untuk memproyeksikan perubahan distribusi 8 indikator
spesies bentik akibat dari perubahan iklim di kawasan perlindungan Laut Utara untuk tahun
2050 dan 2099. Dua spesies dipilih untuk grup A: polychaete pembuat tabung Sabellaria
spinulosa, yang membentuk terumbu dan bivalvia kutub-boreal pulau Arktika, yang menurun
di Laut Utara pada abad terakhir. Untuk grup B, enam spesies dipilih: echinodermata
Amfiura filiformis dan Echinokardium cordatum, udang hantu Callianassa bawah tanah dan
Upogebia deltaura, polychaete Lanice conchilega dan kerang Spisula subtruncata. Enam
parameter lingkungan yang relevan dipilih untuk memodelkan distribusi spesies yang dipilih.
Dalam penelitian ini dimodelkan dan diproyeksikan rata-rata suhu dasar dan salinitas
tahun simulasi 2001, 2050 dan 2099. Suhu dasar dan salinitas selama bertahun- tahun (2001,
2050 dan 2099) dipilih untuk menganalisis apakah pergeseran distribusi yang diproyeksikan
sudah terjadi pada pertengahan abad.
Jumlah total model konsensus yang dihasilkan dihitung dan ditetapkan ke 100%.
Kemudian, jumlah model ensemble yang menunjukkan kecenderungan berbeda dihitung dan
dinyatakan sebagai persentase untuk mengukur ketidakpastian. Selanjutnya, perbedaan antara
proyeksi area distribusi spesies (sel jaringan yang ditempati oleh spesies) dari konsensus dan
setiap model ensemble untuk tahun 2099 dihitung untuk setiap spesies untuk menggambarkan
variasi dalam proyeksi dengan pendekatan ini.
Koefisien variasi (CV) adalah ukuran untuk menggambarkan variasi data di sekitar
mean. Itu dihitung untuk mengevaluasi tingkat variasi antara area distribusi spesies yang
diproyeksikan dari enam algoritma.
 Hasil
Peta menunjukkan perubahan distribusi dalam yang paling penting klaster MPA yang
dianalisis untuk setiap spesies (ada = hijau, tidak ada = merah) dari 2001 hingga 2050 dan
2099.
Luas sebaran dalam persen berdasarkan model konsensus untuk setiap spesies dan klaster KKL untuk
tahun 2001, 2050 dan 2099. Probabilitas distribusi rendah dan tinggi diproyeksikan untuk awal dan
akhir periode analisis.
Koefisien variasi (CV) dalam persen berdasarkan luas sebaran yang dimodelkan dari model
ensemble untuk setiap spesies dan klaster KKL tahun 2001, 2050 dan 2099.
Model distribusi secara umum ditemukan sebagai alat yang berguna untuk pengelolaan
ekosistem dan mungkin secara substansial meningkatkan pendekatan pengelolaan adaptif
dan referensi di dalamnya, jika ketidakpastian hasil model dapat dinilai secara memadai.
Dengan demikian, kami membandingkan kecenderungan distribusi spesies yang
diproyeksikan (peningkatan/penurunan area distribusi atau tidak ada perubahan) antara tahun
2001 dan 2099 dari model ensemble dan konsensus. Model ansambel dari metode
pembelajaran mesin yang diterapkan (MAXENT, GBM, RF) menunjukkan penyimpangan
rendah dan tinggi dari model konsensus untuk spesies yang berbeda. Oleh karena itu, analisis
kecenderungan model ensemble menghasilkan proyeksi yang berlawanan dalam beberapa
kasus. Namun, nilai absolut yang diproyeksikan dari area distribusi spesies yang dihasilkan
dengan metode pembelajaran mesin tersebut menunjukkan variasi dalam rasio yang kurang
lebih serupa, yang diungkapkan oleh CV.
Model ensemble dan konsensus sebelumnya digunakan di lingkungan laut untuk dan bentos
untuk mendeteksi spesies dan area yang rentan terhadap perubahan iklim dan penting untuk
perlindungan. Dalam studi banding metode pembelajaran mesin (misalnya MAXENT, GBM,
RF) serta pendekatan model konsensus menunjukkan kinerja yang lebih baik daripada model
berbasis regresi (misalnya GLM, MARS), berdasarkan metode evaluasi yang diterapkan.
Algoritma model yang diterapkan dalam penelitian ini merupakan pendekatan yang berbeda
yang biasa digunakan (yaitu model regresi, pohon klasifikasi dan model pembelajaran mesin)
untuk menghindari bias terhadap hanya satu pendekatan dan, di samping validasi silang yang
diterapkan, untuk memberikan perkiraan distribusi yang kuat dan andal
Selanjutnya, pemodelan distribusi juga mengandaikan keputusan berdasarkan parameter
lingkungan yang tersedia dan data kejadian untuk mempertimbangkan ketidakpastian
parametrik. Dalam studi ini, proyeksi prakiraan suhu dasar dan salinitas untuk tahun 2050
dan 2099 digunakan, tetapi parameter lingkungan lainnya tetap konstan dari waktu ke waktu,
yang mungkin bukan skenario yang realistis.
Proyeksi wilayah distribusi sebagian besar spesies akan stabil atau bahkan meningkat di
dalam MPA antara tahun 2001 dan 2050. Setelah itu, area distribusi menurun, terutama di
dalam MPA di Laut Utara bagian tengah pada tahun 2099, dan beberapa spesies kunci
bahkan menghilang dari MPA. Karena itu, pemantauan dan perlindungan spesies bentik
mungkin tidak mungkin dilakukan di dalam batas-batas MPA statis di bawah perubahan
iklim.