PETUNJUK PRAKTIKUM TEKNIK PEMANTAUAN HPT

SEPTEMBER 2018
Disiapkan oleh: Hamim Sudarsono
_________________________________________________________________

Judul : Analisis Agihan Serangga (Sebaran Poisson dan Binomial Negatif)

Tujuan : Mempelajari dan memahami metode analisis Poisson dan binomial negatif
sebagai alat penentuan agihan serangga

Prosedur :

1. Perhatikan struktur data berikut:

Data ini diperoleh dari dari survei larva Hymenoptera yang terdapat pada tanaman yucca.
Seorang ekologiwan serangga tertarik untuk mempelajari pola agihan keruangan (spatial
distribution) larva tersebut dan menerok sebanyak 180 tanaman yucca. Data yang diperoleh
disenaraikan sbb:

_________________________________________________________

x : 0 1 2 3 4 5 6 7 8 9 10
Fx : 114 25 15 10 6 5 2 1 1 0 1
_________________________________________________________

2. Dari data tersebut, hitunglah:

a. Indeks Penyebaran (Index of Dispersion, ID).
b. Indeks Kemengelompokan (Index of Clumping, IC).
c. Indeks Green (Green's Index, GI).

3. Lakukan analisis Poisson untuk menentukan apakah agihan larva pada tanaman yucca
tersebut acak. Berdasarkan analisis ini, ambillah keputusan jika perlu dilakukan analisis
lanjutan (binomial negatif). Jika keputusan Saudara adalah perlu, kerjakan analisis binomial
negatif tersebut.

4. Perhatikan, dalam melakukan analisis Poisson/Binomial Negatif ikuti tahapan-tahapan

berikut:
a. Pernyataan Hipotesis
b. Agihan Frekuensi (Fx)
c. Peluang Poisson/Binomial Negatif (Px)
d. Frekuensi Harapan (Ex)
e. Uji Suai (Goodness of Fit), Chi-Kuadrat

5. Setelah Saudara selesaikan sampai dengan tahap 4, lanjutkan analisis Saudara dengan
menggunakan program komputer (Poisson.Bas dan Binom.Bas). Bandingkan hasil antara
kedua analisis tersebut.

5. Buatlah laporan ringkas dari hasil analisis ini.

Analisis Distribusi Poisson

Tahap 1:
Peneteapan hipotesis
Ho: Data sebaran larva Hymenoptera pada tanaman yucca mengikuti sebaran Poisson (acak).
H1 : Data sebaran larva Hymenoptera pada tanaman yucca TIDAK mengikuti sebaran
Poisson
(TIDAK acak).

Tahap 2, 3, DAN 4:
Menghitung Distribusi Frekuensi, F(x), peluang Poisson, P(x), dan Nilai Harapan Poisson, E(x).

Penghitungan Peluang Poisson P(x)

P(o) = e-x
r −x
( x) e
P(r) = r! atau = (x/r) P(r-1)
Penghitungan Nilai Harapan E(x):

Eo = (N) P(o)
E(r) = (N) P(r)

Masing-masing persamaan di atas merepresentasikan sebuah kelas frekuensi sehingga q

(jumlah kelas frekuensi) = r + 1. Jika perluang di dalam ekor distribusi menjadi sangat
rendah sehingga nilai harapan menjadi sangat kecil maka kelas frekuensi dikelompokkan
dengan mengikuti ketentuan sbb:

(1) Jika q < 5 maka nilai harapan atau E(x) tidak boleh kurang dari 5 (Sokal & Rohlf,
1981); atau
(2) Jika q > 5 maka E(x) terendah tidak boleh kurang dari 1 (Snedecor & Cochran, 1973);
atau secara lebih tegas lagi tidak boleh kurang dari 5 (Poole, 1974).

Perlu diperhatikan bahwa ketentuan di atas tidak harus diikuti secara ketat sehingga E(x)
minimum 1 dan 3 bisa dicoba.

X F(x) x*F(x) Fx*X2 P(x) Cumulative P(x) E(x) Chisquare

0 114 0 0 0.6333 0.6333 114.00 0.00
1 25 25 25 0.1605 0.7939 28.90 0.53
2 15 30 60 0.0792 0.8731 14.25 0.04
3 10 30 90 0.0454 0.9185 8.17 0.41
4 6 24 96 0.0278 0.9463 5.01 0.19
5 5 25 125 0.0537 1.0000 9.67 0.01
6 2 12 72 0.0351
7 1 7 49 0.0233 TIDAK ADA NILAI Ex kurang dari 5
8 1 8 64 0.0157
9 0 0 0 0.0107
10 1 10 100 0.0073
Jumlah 180 171 681 0.0921 180 1.18
 N n
Rerata 0.95

Ragam
= 2.896927

Tahap 5:

Pengujian statistik dengan Chi-square atau X2-test yang dihitung dengan rumus:

[ ]
q
( Fx−Ex )2
X =∑
2

x=0 Ex

Hasil test statistik di atas selanjutnya dibandingkan dengan tabel peluang X 2 dengan menggunakan
derajat kebebasan (degree of freedom, df) = q -2 (karena q = r + 1). Jika hasil test statistik lebih besar
daripada X2-tabel untuk tingkat peluang tertentu (misalnya 5% atau 10%) maka disimpulkan bahwa
distribusi frekuensi dari data tidak mungkin mengikuti sebaran Poisson (kita tolak Ho).

Prosedur Peluang Distribusi Binomial Negatif

Model binomial negatif mungkin merupakan distribusi peluang yang paling banyak
digunakan untuk populasi yang menyebar secara mengelompok (clumped) atau sering juga disebut
populasi kontagius atau teragregasi (Sokal & Rohlf, 1981). Jika dua kondisi prasyarat penggunaan
model Poisson tidak terpenuhi (bahwa setiap SU berpeluang sama untuk ditempati oleh individu dan
keberadaan suatu individu tidak berpengaruh terhadap yang lain) maka biasanya akan menyebabkan
meningkatnya rasio ragam-rerata jumlah individu per SU (ragam jauh lebih tinggi daripada rerata).
Hal ini mengindikasikan bahwa populasi kemungkinan terdistribusi secara mengelompok atau
mengikuti distribusi binomial negatif.
Binomial negatif mempunyai dua parameter, yaitu (1) µ atau nilai tengah dari jumlah individu
per SU dan (2) k, suatu parameter yang menyatakan derajat kemengelompokan. Tahapan-tahapan
pengujian binomial negatif adalah mirip dengan pengujian Poisson dengan beberapa modifikasi sbb:

Tahap 1:
Menyatakan hipotesis: bahwa jumlah individu per SU mengikuti distribusi binomial negatif sehingga
mempunyai pola mengelompok.

Tahap 2:
Menghitung distribusi frekuensi (sama dengan pada Poisson).

Tahap 3:
Menghitung peluang binomial negatif, P(x) dengan rumus:

[ ]{ }[ ( )]
x −k
μ ( k + x−1 ) ! μ
P( x )= 1+
( μ+ k ) [ x ! ( k −1 ) ] ! k
Di dalam rumus di atas, µ adalah nilai tengah yang diduga dengan rerata terok (x). Nilai k adalah
derajat kemengelompokan yang akan mendekati angka 0 jika populasi sangat mengelompok
(maximum clumping). Nilai dugaan k diperoleh dengan rumus iterasi sbb:

¿^ log [ 1+ ( x / k ) ]
¿

( )
10
N
log 10 = k ¿
N0
............................... (A)

dimana N = jumlah total SU dan No = jumlah SU yang berisi 0 individu.

Untuk menduga k, mula-mula angka dugaan awal dimasukkan pada SISI KANAN rumus di atas dan
dibandingkan dengan hasil SISI KIRI. Jika hasil SISI KANAN lebih rendah daripada hasil SISI KIRI
maka angka dugaan k yang lebih tinggi dicoba lagi sampai diperoleh hasil yang sama antara sisi kiri
dan sisi kanan.

Angka dugaan awal k yang baik dapat diperoleh dari rumus:

¿
2
x
¿^ =
(s2 −x ) ¿

k ¿ ........................................ (B)

Jika rerata bernilai rendah (kurang dari 4) maka persamaan (A) cukup efisien untuk menduga k.
Sebaliknya, jika rerata bernilai tinggi (> 4) maka metode iterasi ini hanya efisien jika data
mengelompok secara ekstensif . Dengan demikian, jika rerata dan k sama-sama lebih besar daripada 4
maka rumus persamaan (B) lebih disukai daripada rumus (A) dalam menduga nilai k (Southwood,
1978).

Setelah nilai x dan k telah diperoleh maka selanjutnya P(x) atau peluang untuk menemukan x individu
di dalam suatu SU dapat dihitung sbb:

[ ]{ }[ ( )] [ ( )]
0 −k −k
x ( k +0−1 ) ! x x
P(0 )= 1+ = 1+
( x +k ) [ 0 ! ( k −1 ) ] ! k k
======

[ ]{ }[ ( )] [ ]( )
1 −k
x ( k +1−1 ) ! x x k
P(1)= 1+ = p
( x+ k ) [ 1 ! ( k−1 ) ] ! k ( x +k ) 1 0
======

[ ]{ }[ ( )] [ ](
r −k
P(r )=
x
( x+ k )
( k +r −1 ) !
[ r ! ( k −1 ) ] !
1+
x
k
=
x
( x +k )
k +r−1
r )
p ( r−1 )

Tahap 4:
Dihitung dengan cara sama seperti pada Poisson.
Tahap 5:
Dihitung dengan cara sama seperti pada pengujian Poisson tetapi dengan degree of freedom = q – 3
(karena ada dua parameter pada binomial negatif, yaitu x dan k).