1

0
 KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmat dan karunia-
Nya, sehingga Modul Panduan Pelatihan Analisis Data Perikanan dapat
diselesaikan pada waktunya. Penyusunan Modul Pelatihan Panduan Analisis
Data Perikanan ini dimaksudkan dalam untuk menjadi panduan bagi para
peserta, khususnya anggota Sub Pokja Ilmiah Pengelolaan Perikanan
Berkelanjutan Maluku Utara dalam rangka kegiatan Pelatihan Analisis Data
Perikanan pada tanggal 17 – 19 Januari 2023. Isi pokok modul pelatihan ini
terdiri dari Pemasangan R dan R Studio, Analisis Perikanan Berdasarkan Data
Panjang Menggunakan RStudio, dan Analisis Spawning Potential Ratio (SPR).
Tersusunnya modul pelatihan ini dimungkinkan karena semangat para penulis
yang memiliki kompetensi di bidangnya masing-masing. Besar harapan
semoga buku ini dapat membantu para peserta yang sudah ikut pelatihan
untuk terlibat dalam analisis data perikana di tempat mereka masing-masing.
Atas upaya yang sungguh-sungguh dari semua pihak untuk mewujudkan
terbitnya Modul Pelatihan Panduan Analisis Data Perikanan ini, kami
menyampaikan terima kasih dan penghargaan yang setinggi-tingginya.
Semoga bermanfaat.

Ternate, Desember 2022,

Penulis

i
 DAFTAR ISI
Daftar isi 1

Pemasangan R dan R Studio 2

Analisis Perikanan Berdasarkan Data Panjang Menggunakan

RStudio 16

Model Powell – Wetherall 27

Model ELEFAN dengan K-Scan 30

Model RSA (Response Surface Analysis) 33

Model ELEFAN – SA (Simulated Annealing) 35

Perangkuman Hasil Analisa Pertumbuhan 43

Analisis Spawning Potential Ratio (SPR) 54

Daftar Putsaka 58

1
 PEMASANGAN R DAN R Studio
Untuk bisa menggunakan R Studio, ada dua hal yang harus dipasangkan
pada perangkat komputer. Pertama, perangkat lunak R sebagai sumber
bahasa pemrograman R, kemudian aplikasi R Studio. Perangkat lunak R
Studio merupakan integrated development environment (IDE) atau sebuah
perangkat lunak yang menggabungkan alat pengembang umum ke dalam
satu antarmuka pengguna grafis (GUI). R Studio dirancang untuk
memudahkan pengguna (interface user-friendly) dalam mengoperasikan
bahasa pemrograman/transkrip/kode pada R.

A. Cara pemasangan R (di Windows)

1. Buka internet browser, lalu buka halaman https://repo.bppt.go.id/cran/
untuk mengunduh R sesuai dengan sistem operasi komputer Anda
masing-masing. Sebagai contoh, dibawah ini proses unduh R untuk
Windows.

2. Klik link/tautan "install R for the first time"

2
3. Klik "Download R for Windows", dan simpan berkas .exe tersebut di
komputer Anda, lalu run dan ikuti petunjuk pemasangan.

4. Setelah berkas terunduh, cari lokasi berkas unduhan tersimpan.

Kemudian klik dua kali pada berkas perangkat lunak “R-4.1.0-win” yang
telah tersimpan di folder “download” komputer masing-masing.

5. Pada proses pemasangan, terdapat beberapa perintah sebagai berikut:

• Kotak dialog pemasangan perangkat lunak R sebagai berikut:
a. Pemilihan bahasa yang akan digunakan dalam perangkat
disarankan memilih Bahasa “English”, kemudian klik “OK”.
b. Selanjutnya, akan muncul informasi terkait “Public License”
penggunaan perangkat lunak R. Jika anda telah membacanya
dan setuju terkait hal tersebut, silahkan lanjutkan dengan
melakukan klik pada tombol “Next”.

3
c. Pilihlah lokasi dimana Anda akan menyimpan data pemasangan
perangkat lunak R. Pilihan default akan mengarahkan untuk
menyimpannya pada local disc C.
d. Jika penyimpanan telah ditentukan, silahkan klik “Next”, namun
jika memutuskan untuk mengubah, silahkan klik “Browse” dan
arahkan pada folder yang dikehendaki.

c d

e. Pilih komponen pemasangan perangkat lunak, klik tanda panah

dan pilih “User instalation”.

4
f. Pilih defaults instalation. Namun, jika Anda ingin melakukan
customize pada komponen pemasangan silahkan pilih “Yes”,
namun jika Anda merasa cukup mengikuti default, maka pilih “No”,
kemudian pilih “Next”.

5
g. Setelah masuk ke kotak dialog “Select Start Menu Folder”,
pastikan Anda menghapus centang (unchecklist) pada kotak
“Don’t create a Start Menu folder”, kemudian klik tombol “Next”.

h. Pilihan menu “Additional Task”, centang semua pilhan yang

tertera, kemudian pilih “Next”.

6
i. Tunggu beberapa saat hingga proses pemasangan selesai,
kemudian klik “Finish”;

7
6. Jika telah berhasil melakukan pemasangan perangkat lunak R, untuk
membuka aplikasi R yang telah terpasang diperangkat komputer, Anda
dapat membukanya melalu shortcut R yang telah ada di desktop.

7. Atau, shortcut dapat dicari pada menu “Start Windows”a, kemudian ketik
kata kunci R pada kotak pencarianb dan pilih menu “Apps”c, maka semua
aplikasi berkaitan dengan kata kunci akan tampil.

8
8. Setelah itu, akan muncul tampilan utama konsol R (bukan RStudio).

9
B. Cara pemasangan RStudio
Jika perangkat lunak R telah terpasang, selanjutnya Anda telah bisa
melakukan proses pemasangan perangkat lunak RStudio dengan panduan
dibawah ini:
1. Unduh perangkat lunak RStudio pada halaman
https://rstudio.com/products/rstudio/download/ dan pilih versi yang ‘Free’,
kemudian klik tombol “Download”.

2. Selanjutnya, unduh perangkat lunak RStudio berdasarkan jenis sistem

operasi pada masing-masing komputer/laptop yang digunakan. Sebagai
contoh, dibawah ini proses unduh R untuk Windows.

10
3. Jika telah berhasil diunduh, selanjutnya pasang perangkat lunak RStudio
tersebut dengan cara klik perangkat lunak “RStudio-1.4.1103” →
perangkat lunak yang tersedia di folder perangkat komputer/laptop
masing-masing.
4. Kemudian ikuti petunjuk proses intalasi RStudio sebagai berikut:
a. Pilih “Yes” setelah melakukan klik dua kali pada berkas pemasangan.
b. Kemudian akan muncul tampilan RStudio Setup, kemudian klik “Next”
untuk melanjutkan.

c. Pilihlah lokasi dimana Anda akan menyimpan data pemasangan

perangkat lunak RStudio. Pilihan default akan mengarahkan untuk
menyimpannya pada local disc C.
d. Jika lokasi penyimpanan telah ditentukan, silahkan klik “Next”, namun
jika memutuskan untuk mengubah, silahkan klik “Browse” dan
arahkan pada folder yang dikehendaki.

11
 c d

e. Kemudian akan muncul kotak dialog “Start Menu”, pastikan hapus

centang (unchecklist) pada kotak “Do not create shortcut”, kemudian
klik tombol “Install”.

12
f. Tunggu proses pemasangan perangkat lunak RStudio hingga selesai,
kemudian klik tombol “Finish”.

13
5. Jika pemasangan telah selesai, untuk membuka perangkat lunak RStudio
dapat dilakukan melalui shortcut RStudio yang tersedia di menu “Start
Windows”a, kemudian ketik kata kunci RStudio pada kotak pencarianb dan
pilih perangkat lunak RStudioc.

6. Setelah dibuka, maka akan muncul tampilan utama RStudio.

7. Bagi yang telah memiliki perangkat lunak R dan RStudio di komputer,

tapi perlu meningkatkan versi R, bisa melakukan hal tersebut dengan
cara melakukan run skrip berikut di dalam console R di RStudio seperti
berikut:

14
 a. Ketik kode script seperti dibawah ini
install.packages("installr")
library(installr)
updateR()
b. Kemudian Run skrip tersebut dengan cara mengarahkan kursor
pada baris 1 kemudian tekan Crtl + Enter pada keyboard perangkat
komputer atau klik menu run pada bagian atas script RStudio
c. Lakukan hal yang sama pada bari ke 2 dan ke 3

a
b

8. Kode script yang telah diproses akan terbaca pada bagian console
RStudio. Jika tidak terdapat notofikasi error, maka proses pembaharuan
telah selesai. Namun, jika masih terdapat code error pada bagian
console, maka lakukan kembali proses running code dan perhatikan
kembali koneksi internet perangkat komputer yang digunakan. Proses ini
membutuhkan koneksi internet yang stabil.

15
 ANALISIS PERIKANAN
BERDASARKAN DATA PANJANG
MENGGUNAKAN RSTUDIO
A. Package yang digunakan
Package (paket) yang digunakan untuk analisis adalah “TropFishR”. Package
“TropFishR” merupakan kompilasi metode penilaian stok ikan dengan
menggunakan data frekuensi panjang ikan dalam konteks perikanan data
terbatas (poor data fisheries). Metode yang digunakan tercantum dalam
FAO manual oleh Sparre & Venema (1998) “Introduction to tropical fish stock
assessment” (https://www.fao.org/3/W5449E/w5449e.pdf), serta beberapa
metode terbaru yang tidak tercantum dalam manual tersebut. Fungsi yang
digunakan dalam analisis membutuhkan package “TropFishR” dengan
rincian sebagai berikut:
Package : TropFishR
Version : 1.6.3
Date : 2021-10-04
Author : Tobias K. Mildenberger, Marc H. Taylor, Matthias Wolff
Maintainer : Tobias K. Mildenberger <t.k.mildenberger@gmail.com
Pemasangan package TropFishR bisa dilakukan dengan cara berikut:
a. Buka perangkat lunak RStudio
b. Ketik kode script seperti dibawah ini
install.packages("TropFishR")
library (TropFishR)
c. Klik Run pada kode script baris 1 & tunggu hingga proses
pemasangan selesai, kemudian Run script baris 2. Proses
pemasangan package membutuhkan koneksi internet, sehingga
pastikan perangkat terhubung dengan jaringan internet yang stabil.

16
B. Persiapan data
Persiapan data dimulai dengan menyiapkan susunan data panjang ikan
berdasarkan spesiesnya dalam bentuk berkas ekstensi .csv atau .txt.
Penyimpanan data sebaiknya menggunakan nama berkas yang mudah
diingat dan tidak terlalu panjang, sehingga dapat memudahkan kita saat
melakukan proses import data ke dalam RStudio saat proses analisa data.
Terdapat 3 (tiga) dataset yang perlu disiapkan, yaitu:
a. data frekuensi bulanan
b. data frekuensi total
c. data panjang

Format berkas dataset dan contoh pemberian nama berkas disajikan sebagai
berikut:

Data frekuensi panjang bulanan

Sebaran data frekuensi panjang bulanan disesuaikan dengan waktu
pengambilan data. Data frekuensi bulanan digunakan untuk menganalisis
dalam mencari parameter pertumbuhan ikan (life history parameter). Sebagai
contoh, dibawah ini format sebaran data frekuensi bulanan spesies Auxis
rochei pada periode Januari-Juli 2021. Penamaan kolom data (header) harus
disesuaikan dengan contoh format, kemudian dataset tersebut disimpan
dengan nama berkas Arochei.txt.
Format dataset frekuensi bulanan

MidLength 2021_01_01 2021_01_02 2021_01_03 2021_01_04 dst

18 … … … … …
20 … … … … …
22 … … … … …
24 … … … … …
26 … … … … …
28 … … … … …
30 … … … … …
… … … … … …
… … … … … …
… … … … … …
… … … … … …
… … … … … …

*Keterangan: format tanggal menggunakan susunan: tahun_tanggal_bulan

17
Data frekuensi panjang total
Data frekuensi panjang total merupakan total frekuensi data panjang setiap
kelompok selang kelas (MidLength). Dataset ini digunakan untuk
menganalisis nilai mortalitas ikan. Penamaan kolom data (header) harus
disesuaikan dengan contoh format, kemudian dataset disimpan dengan
nama berkas Arochei_catch.txt.

Format dataset frekuensi total

MidLenght Catch
19.5 …
21.5 …
23.5 …
25.5 …
27.5 …
29.5 …
31.5 …
… …
… …
… …
… …

Data Panjang
Dataset ini merupakan data panjang ikan yang sudah dikumpulkan dan
digunakan untuk menganalisis nilai SPR (Spawning Potential Ratio).
Penamaan header disesuaikan dengan contoh format dan disimpan dengan
nama berkas Arochei_length.txt.

Format data panjang ikan

Length
21.23
31.5
27.52
18.45
27.51
19.18
39.52
…
…
…
…

18
Setelah semua dataset telah disusun dan tersimpan, rapikan berkas tersebut
kedalam satu folder. Dalam contoh ini akan disimulasikan proses analisa data
dengan menggunakan contoh spesies Auxis rochei, maka penamaan berkas
menggunakan inisial spesies (Arochei) dan disimpan dalam satu folder
“Auxis rochei”.

C. Analisa Parameter Pertumbuhan

Proses pendugaan parameter pertumbuhan menggunkan metode Powell-
Wetherall, ELEFAN (Electronic Length Frequency Analysis), ELEFAN_GA
(Electronic length frequency analysis with genetic algorithm) dan
ELEFAN_SA (Electronic length frequency analysis with simulated
annealing). Metode ELEFAN digunakan untuk mengestimasi nilai Linf dan K
dari data LFQ dengan merestrukturisasi data dan menyesuaikan kurva
pertumbuhan melalui data LFQ yang direstrukturisasi (Pauly, 1980). Fungsi
“lfqRestructure” digunakan untuk proses restrukturisasi. Analisis parameter
pertumbuhan dilakukan sebagai berikut:
1. Buka script R yang akan digunakan, yaitu
“Kembaren.2021.TrophFishR_Arochei” dengan cara klik kanan dan pilih
open with RStudio. Pastikan script dan dataset sudah tersimpan dalam
satu folder yang sama.

19
 Tampilan script yang sudah dibuka pada RStudio

2. Terdapat tiga package yang akan digunakan dalam analisa data

perikanan. Jika belum melakukan pemasangan package, maka running
kode script pada baris 11-13 secara bergantian. Namun, jika sudah
melakukan pemasangan package tersebut, maka baris 11-13 tidak perlu
di running, langsung ke baris 17-19.

*Pemasangan package dilakukan secara bergantian agar perangkat computer

tidak mengalami over task.

20
3. Pada saat proses pemasangan package membutuhkan waktu beberapa
menit (tergantung kecepatan koneksi internet), maka tunggu hingga
proses instalasi selesai. Jika proses pemasangan telah selesai, maka
akan muncul pemberitahuan seperti gambar dibawah.

4. Jika semua package telah terpasang, maka lanjutkan proses running

kode script pada baris 17-19. Kode tersebut memuat perintah “library”, ini
bertujuan untuk memanggil package yang telah terpasang agar dapat
digunakan dalam proses analisa data.

21
5. Jika saat melakukan run library pada baris 17-19 & terdapat peringatan
pada bagian console RStudio seperti gambar dibawah, maka cukup
diabaikan saja karena hal tersebut hanya pemberitahuan bahwa package
dibangun pada R versi 4.1.1. atau anda bisa melakukan run ulang untuk
menghilangkan warning.

*Namun, jika yang muncul adalah kode error pada bagian console, silahkan
cek kembali proses pemasangan package pada baris 11-13, kemungkinan
proses pemasangan gagal dilakukan. Jika hal tersebut terjadi, maka ulangi
proses run baris 11-13.

6. Kemudian run baris 23. Pada baris ini terdapat kode script “setwd”,
merupakan perintah untuk mengatur working directory yang akan
digunakan sesuai dengan lokasi penyimpanan berkas dataset & script R.
Untuk mengatur working directory dapat dilakukan dengan cara berikut:
a. Buka folder tempat penyimpanan berkas dataset dan script R
kemudian klik pada bagian directory folder dibagian atas, kemudian
copy path tersebut. Sebagai contoh:
G:\My Drive\Training Analisa Perikanan - NS\2. Data\3. Lengt Based\Kel 1
(Auxis rochei)

22
b. Selanjutnya, paste path tersebut kedalam baris 23 dan mengganti
tanda “/” menjadi “\”. Sebagai contoh: setwd("G:\My Drive\Training
Analisa Perikanan - NS\2. Data\3. Lengt Based\Kel 1 (Auxis rochei)").
Setelah itu, run kode script baris 23.

Tampilan yang muncul jika proses setting working directory berhasil

c. Jika proses gagal, akan muncul peringatan error pada bagian console,
kemudian periksa kembali path working directory lokasi folder
penyimpanan berkas dataset. Kemungkinan terdapat kesalahan
dalam pengetikan saat melakukan proses copy-paste ke RStudio.

23
 d. Proses set working directory bisa dilakukan dengan menggunakan
menu Session → Set Working Directory → Choose Directory,
kemudian pilih folder penyimpanan data.

7. Selanjutnya panggil berkas data frekuensi panjang bulanan ke dalam

RStudio dengan cara melakukan run baris 26. Proses ini dapat
disesuaikan dengan nama berkas yang akan dikerjakan. Pada contoh ini
menggunkan nama berkas “Arochei.txt”. Pastikan berkas ini tersimpan di
dalam folder working directory yang sudah diatur pada langkah
sebelumnya. Jika tidak, maka akan terjadi error dan proses selanjutnya
tidak akan bisa dilakukan.

24
Jika proses ini berhasil, maka data yang dipanggil akan muncul di
Environment

25
 Namun, jika proses gagal, maka akan muncul peringatan error pada
bagian console. Proses gagal dapat disebabkan karena terdapat
kesalahan pengetikan nama berkas di RStudio atau berkas tersebut tidak
terdapat dalam folder working directory. Jika hal ini terjadi, maka periksa
kembali folder working directory dan nama berkas tersebut.

Tidak ada data yang

masuk ke Environment

8. Kemudian run kode script pada baris 27-36. Kode script ini merupakan
untuk mengatur atau menyesuaikan format dan tipe data yang akan
digunakan dalam package, diantaranya no sampel, nilai tengah
(MidLength), tanggal, dan data frekuensi per bulan. Jika berhasil, akan
muncul pada Environment.

26
9. Run kode script pada baris 42, maka akan menampilkan hasil plot
sebaran data frekuensi panjang bulanan

10. Run kode script pada baris 44-46. Proses ini merupakan restrukturisasi
data dengan menggunakan code “lfqRestructure” dan akan menghasilkan
plot grafik seperti dibawah ini.

MODEL POWELL – WETHERALL

11. Run kode script baris 52 menggunakan argumen integer tunggal untuk
menetapkan benih sebanyak yang diperlukan dengan menggunakan
code “set.seed”.
12. Run kode script baris 53-55 untuk memperoleh rentang panjang L∞ dari
model Powell-Wetherall. Keluaran dari script ini adalah sebuah pop-up
grafik yang mengharuskan untuk memilih dua titik yang akan menjadi
acuan regresi dalam model.

27
13. Pilih dua titik regresi dalam grafik PW, titik pertama adalah titik mulai
terjadi penurunan dan titik kedua adalah titik terkahir saat mulai melandai.
Dalam kasus ini tergantung pada sebaran data yang terkumpul. Pada
sebaran data ini mencoba memilih titik 6 dan 21.

Maka akan muncul grafik seperti gambar dibawah ini.

28
 Untuk menyimpan grafik tersebut bisa dengan cara klik kanan pada grafik,
kemudian pilih copy as bitmap, dan salin ke excel atau word.

14. Run kode script pada baris 56-57 untuk menampilkan estimasi nilai
panjang L∞ yang telah dibulatkan. Contoh ini menghasilkan angka Linf=
32 ± 5 yang menggambarkan bahwa sampel ikan memiliki kisaran L∞ 27-
37 cm, semakin rendah rentang maka semakin bagus nilainya.
15. Run kode script pada baris 58-59 maka akan menghasilkan nilai L∞ yang
belum dibulatkan. Catat nilai ini pada lembar kerja masing-masing.

29
 MODEL ELEFAN DENGAN K-SCAN

16. Run baris 62 dengan code “set.seed”.

17. Run baris 63 untuk melakukan analisa koefisien pertumbuhan atau nilai
K. Pada bagian ini kita akan menggunakan nilai L∞ yang telah
dihasilkan dari model PW sebelumnya. Tunggu beberapa saat hingga
proses selesai.

30
 Untuk menyimpan grafik tersebut dengan cara klik export pada menu
plot dan pilih “copy to clipboard” untuk menyalin plot grafik ke lembar
kerja masing-masing.

Grafik K-scan ini akan menunjukkan beberapa puncak nilai K yang paling
fit terhadap sebaran data yang dimasukkan dalam analisa. Semakin
tinggi puncak, maka semakin fit terhadap data serta akan menghasilkan
nilai Rn tinggi. Nilai Rn akan menjadi salah satu acuan dalam memilih
parameter pertumbuhan dari masing-masing model.

31
18. Run kode script baris 64-65 untuk menampilkan hasil analisa dalam
model dan nilai Rn max. Catat nilai L∞, K, dan Rn_max dalam lembar
kerja Ms. Word atau Ms. Excel.

Referensi L∞ dan Nilai K

Estimasi nilai L∞ dan K dibutuhkan sebagai acuan pada model analisa
data selanjutnya. Maka dari itu, selain dari hasil model Powell – Wetherall
dan K-Scan, sebaiknya mencari juga referensi hasil penelitian yang sudah
dilakukan. Sumber referensi yang dapat digunakan salah satunya adalah
portal FishBase dengan cara berikut:
a. Berkaitan dengan spesies Auxis rochei yang menjadi contoh dapat
diakses melalui >Auxis rochei, Bullet tuna : fisheries, gamefish
(fishbase.se). Jika menggunakan spesies lain bisa dicari melalui
mesin pencari dengan menggunakan kata kunci “spesies + fishbase”.
b. Kemudian scroll ke bawah hingga menemukan “More Information”
dan pilih menu “Growth”.

32
 c. Maka akan muncul beberapa referensi terkait penelitian parameter
pertumbuhan spesies tersebut, kemudian catat dan pilih nilai L∞ dan
K minimum dan maksimum yang menurut anda paling masuk akal
berkaitan dengan spesies dan daerah perairan sampel diambil.

d. Dalam contoh ini kita akan menggunakan rentang nilai L∞ 33-42 cm

dan K 0.3-0.7 (1/y) berdasarkan hasil referensi dan hasil analisa
menggunakan model Powell – Wetherall dan K-Scan. Nilai ini yang
akan digunakan sebagai acuan dalam analisa menggunakan model
selanjutnya.

MODEL RSA (RESPONSE SURFACE ANALYSIS)

19. Run kode script baris 68 “set.seed”

20. Pada kode script baris 69-70 sesuaikan nilai “Linf_range” dan “K_range”
sesuai dengan referensi yang telah diperoleh, kemudian run. Tunggu
beberapa saat hingga proses selesai.

Range Linf min-max

Range K min-max

33
21. Run kode script baris 72-75 untuk menampilkan plot grafik & hasil analisa
L∞. Catat nilai L∞, K, dan Rn_max kedalam lembar kerja masing-masing.

Untuk menyimpan plot grafik: copy to clipboard plot dan salin ke dalam
lembar kerja masing-masing.

34
 MODEL ELEFAN – SA (SIMULATED ANNEALING)

Algoritma optimasi pertama yang ditawarkan di TropFishR disebut “Simulated

Annealing” (ELEFAN_SA). Algoritma simulasi anil dimulai dengan pencarian
yang sangat acak, yang secara bertahap berfokus pada wilayah ruang
pencarian parameter dengan nilai Rn tertinggi. Derajat pencarian acak awal
akan tergantung pada suhu awal (SA_temp), sedangkan waktu berhenti
dapat dikontrol oleh waktu perhitungan maksimum (SA_time) atau jumlah
maksimum iterasi (maxit). Untuk reproduktifitas di seluruh platform
komputasi, maxit adalah titik perhentian yang lebih tepat. Silahkan membaca
panduan penggunaan paket TropFishR >TropFishR: Tropical Fisheries
Analysis (r-project.org) (Mildenberger et al., 2021).
Dalam model ELEFAN-SA, terdapat dua pendekatan yang dapat digunakan
untuk menduga parameter pertumbuhan, salah satunya yaitu tanpa
memasukkan pertimbangan musim menggunakan model pertumbuhan Von
Bertalanffy Growth Function (VGBF). Hal ini erat kaitannya terhadap
perubahan suhu yang berdampak pada metabolisme organisme dan
ketersediaan makanan alami.

ELEFAN-SA Non-Seasonalised

22. Run kode script baris 80 “set.seed”.

23. Pada kode script baris 81-85 sesuaikan nilai target parameter
pertmbuhan “init_par”, nilai minimum “low_par”, dan nilai maksimum
“max_par” sesuai referensi yang telah dimiliki. Kemudian run dan tunggu
hingga proses selesai.

35
24. Run kode script baris 87-90 untuk menampilkan plot grafik & hasil analisa.
Catat nilai L∞, K, dan Rn_max kedalam lembar kerja masing-masing.

Untuk menyimpan plot grafik: copy to clipboard plot dan salin ke dalam
lembar kerja masing-masing.

36
ELEFAN-SA with Seasonalised
25. Run kode script baris 93 “set.seed”.
26. Proses selanjutnya sama dengan yang dilakukan di ELEFAN-SA non
Seasonalised, yang berbeda hanya pada bagian “seasonalised” diisi
dengan TRUE yang menandakan bahwa proses analisa akan
memasukkan aspek musim atau season. Pada kode script baris 94-98
sesuaikan nilai init_par, low_par, up_par, kemudian run baris 94-98 dan
tunggu hingga proses selesai.

27. Run kode script baris 100-103 untuk menampilkan plot grafik & hasil
analisa. Catat nilai L∞, K, dan Rn_max kedalam lembar kerja masing-
masing.

37
Untuk menyimpan plot grafik: copy to clipboard plot dan salin ke dalam
lembar kerja masing-masing.

38
 Model ELEFAN – GA (Genetic Algorithm)
Algoritma optimasi kedua yang ditawarkan di TropFishR disebut “Genetic
Algorithm” (ELEFAN_GA). GA menggunakan ide seleksi alam untuk
menemukan kombinasi parameter skor terbaik. Parameter diperlakukan
seperti gen yang dibawa oleh individu dalam populasi yang dibawa. Individu
yang memiliki fitness tertinggi (yaitu skor Rn) mereproduksi dan
menggabungkan kembali nilai parameter mereka pada generasi berikutnya.
Seiring waktu, populasi akan didominasi oleh individu yang kebugarannya
semakin meningkat. Seperti halnya ELEFAN_SA, generasi awal memiliki
parameter yang dipilih secara acak dalam interval yang ditentukan. Seiring
waktu, variabilitas parameter secara bertahap menurun menjadi lebih fokus
pada maxima lokal.
Pengaturan penting termasuk jumlah individu dalam populasi (popSize),
kemungkinan mutasi pada gen induk (pmutation), jumlah generasi maksimum
(maxiter), dan, sebagai aturan penghentian, jumlah maksimum generasi
tanpa perbaikan (run). Pengaturan pmutasi biasanya disetel rendah,
meskipun nilai yang lebih tinggi akan meningkatkan keacakan pencarian.
Meningkatkan popSize akan meningkatkan jumlah kombinasi parameter awal
dalam populasi, yang akan meningkatkan cakupan awal ruang parameter
serta mempengaruhi tingkat pencarian lokal selama generasi berikutnya
(Mildenberger et al., 2021). Silahkan membaca panduan penggunaan paket
TropFishR >TropFishR: Tropical Fisheries Analysis (r-project.org).
Dalam model ELEFAN-GA terdapa dua pendekatan yang dapat digunakan
untuk menduga parameter pertumbuhan, yaitu tanpa memasukkan
pertimbangan musim (ELEFAN-GA Non-Seasonalised) menggunakan model
pertumbuhan Von Bertalanffy Growth Function (VGBF) dan dengan
memasukkan pertimbangan musim dalam model. Hal ini erat kaitannya
terhadap perubahan suhu yang berdampak pada metabolism organisme dan
ketersediaan makanan alami.

39
ELEFAN-GA Non-Seasonalised

28. Run kode script baris 107 “set.seed”.

29. Pada baris 108-112 sesuaikan nilai minimum “low_par” dan nilai
maksimum “max_par” sesuai referensi yang telah dimiliki. Kemudian run
dan tunggu hingan proses selesai.

30. Run kode script baris 114-116 untuk menampilkan plot grafik dan hasil
analisa. Catat nilai L∞, K, dan Rn_max kedalam lembar kerja masing-
masing.

40
 Untuk menyimpan plot grafik: copy to clipboard plot dan salin ke dalam
lembar kerja masing-masing.

ELEFAN-GA with Seasonalised

31. Run kode script baris 109 “set.seed”.

32. Proses selanjutnya sama dengan yang dilakukan di ELEFAN-GA non
Seasonalised, yang berbeda hanya pada bagian “seasonalised” diisi
dengan TRUE yang menandakan bahwa proses analisa akan
memasukkan aspek musim atau season. Pada kode script baris 120-124
sesuaikan nilai low_par dan up_par, kemudian run baris 120-124 dan
tunggu hingga proses selesai.

41
33. Run kode script baris 126-129 untuk menampilkan plot grafik dan hasil
analisa. Catat nilai L∞, K, dan Rn_max kedalam lembar kerja masing-
masing.

Untuk menyimpan plot grafik: copy to clipboard plot dan salin ke dalam
lembar kerja masing-masing.

42
Catatan: Pada bagian code “maxiter” dalam model ELEFAN-SA dan
ELEFAN-GA dapat diganti jumlah maksimum iterasi. Semakin besar nilai
yang dimasukkan, maka semakin banyak computer akan melakukan
pengacakan angka dalam analisa. Hal ini berpengaruh terhadap lama proses
analisa data. Jika computer yang digunakan memiliki spesifikasi rendah,
disarankan untuk tidak memasukkan angka yang besar, default maxiter
dalam package adalah 100.

PERANGKUMAN HASIL ANALISA PERTUMBUHAN

34. Run kode script pada baris 133-158 untuk menampilkan ringkasan hasil
analisa parameter pertumbuhan dari masing-masing model. Pada bagian
ini, kita akan memilih hasil analisa parameter pertumbuhan dari model
yang sudah di running. Pemilihan model dilakukan berdasarkan nilai
Rn_max serta nilai L∞ dan K yang sesuai dengan referensi. Hasil analisa
dari model terpilih akan digunakan untuk analisa laju kematian alami (M),
tingkat eksploitasi (F), dan Spawning Potential Ratio (SPR) sehingga
harus hati-hati dalam pemilihan model yang sesuai.

43
 Ringkasan hasil analisis dari masing-masing model
PW$Linf_est
[1] 31.64502
> PW$confidenceInt_Linf
[1] 21.59882 41.69123

> unlist(KScan$par)
Linf K t_anchor C ts phiL
31.6450236 2.0600000 0.7678077 0.0000000 0.0000000 3.3144781
> KScan$Rn_max
[1] 0.302

> unlist(RSA$par)
Linf K t_anchor C ts phiL
35.0000000 1.0000000 0.2365806 0.0000000 0.0000000 3.0881361
> RSA$Rn_max
[1] 0.314
> RSA$agemax
[1] 3

> unlist(SA1$par)
Linf K t_anchor phiL
36.8756445 0.6632086 0.7707688 2.9551294
> SA1$Rn_max
[1] 0.3562588
> SA1$agemax
[1] 5

> unlist(SA2$par)
Linf K t_anchor C ts phiL
38.7586356 0.6395047 0.8221947 0.4641227 0.7305282 2.9825807
> SA2$Rn_max
[1] 0.3765962
> SA2$agemax
[1] 5

> unlist(GA1$par)
Linf K t_anchor phiL
41.5202516 0.4791844 0.5763599 2.9170226
> GA1$Rn_max
[1] 0.3383643
> GA1$agemax
[1] 7

44
> unlist(GA2$par)
Linf K t_anchor C ts phiL

45
 38.8047965 0.5416792 0.5728772 0.5412182 0.3767629 2.9115129
> GA2$Rn_max
[1] 0.3154008
> GA2$agemax
[1] 6

35. Catat dan masukkan setiap informasi kedalam lembar kerja atau tabulasi
data excel yang telah disediakan, meliputi nilai L∞, K, Agemax, dan nilai
Rn_max dari setiap model. Catatan, bahwa model Powell-Wetheral tidak
memiliki nilai K, Agemax, dan Rnmax

46
47
D. Analisis Mortalitas dan Laju Eksploitasi
Mortalitas menggambarkan tingkat kematian individu total (Z) yang terdiri dari
kematian secara alami (M) dan akibat kegiatan penangkapan (F).
Berdasarkan hubungan keduanya dapat diestimasi tingkat pemanfaatan atau
laju eksploitasi (E) yang menggambarkan tingkat kematian yang disebabkan
oleh penangkapan (Osio et al., 2015; Radhakrishnan et al., 2005). Laju
eksploitasi disarankan sebagai indikator untuk mengukur tekanan
penangkapan dengan titik acuan target (target reference point) sebesar 0,5
dari MSY (Pauly, 1984).

Estimasi Mortalitas Alami (M)

Fungsi atau code “M_empirical” diadaptasi dari fungsi mortalitas dari
“fishmethod” packages yang disusun oleh Nelson (2021) >(https://cran.r-
project.org/web/packages/fishmethods/index.html). Input parameter data
yang digunakan sangat tergantung pada metode yang dipilih dalam analisa,
berikut beberapa metode dalam pendugaan nilai M beserta input parameter
yang dibutuhkan:
• "AlversonCarney": nilai K (koefisien pertumbuhan) dan tmax
(agemax/umur maksimum)
• "Gislason": L∞ (panjang infinity), K (koefisien pertumbuhan), dan B1
(biomassa)
• "GundersonDygert": GSI (indeks kematangan gonad / IKG)
• "Hoenig": tmax (agemax/umur maksimum)
• "Lorenzen": Wwet (berat basah)
• "Pauly_Linf": L∞ (panjang infinity), K (koefisien pertumbuhan), dan temp
(suhu rata-rata perairan)
• "Pauly_Winf": W∞ (berat infinity), K (koefisien pertumbuhan), dan temp
(suhu rata-rata perairan)
• "PetersonWroblewski": Wdry (berat kering)
• "RikhterEfanov": tm50 (umur ikan pertama kali matang gonad)
• "Roff": K (koefisien pertumbuhan) dan tm50 (umur ikan pertama kali
matang gonad)
• "Then_tmax": tmax (agemax/umur maksimum)
• "Then_growth": L∞ (panjang infinity) dan K (koefisien pertumbuhan)

Perhitungan untuk ikan yang memiliki perilaku bergerombol (schooling)

adalah dikalikan dengan 0,8 (Pauly, 1983). Estimasi nilai M pada RStudio
dapat dilakukan dengan langkah-langkah berikut:

48
1. Sesuaikan nilai parameter pertumbuhan (L∞, K, AgeMax) berdasarkan
hasil analisis model yang terpilih. Sebagai contoh, pada analisa Auxis
rochei model yang dipilih adalah ELEFEN-SA with seasonalised dengan
kode model pada script adalah SA2. Nilai suhu perairan (temp)
disesuaikan dengan kondisi perairan sampel yang dianalisa, sebagai
contoh suhu perairan sebesar 27˚C.

2. Run kode script pada baris 164-170, kemudian akan muncul hasil
estimasi nilai M dari beberapa metode/model yang digunakan. Catat
setiap nilai M yang dihasilkan dari masing-masing metode/model tersebut
kedalam lembar kerja.
M
Hoenig (1983) - Joint Equation 0.869
Hoenig (1983) - Fish Equation 0.847
Pauly (1980) - Length Equation 1.220
Then (2015) - tmax 1.122
Then (2015) - growth 0.889

49
3. Pilih nilai M yang paling masuk akal terhadap spesies yang sedang
dianalisa atau modus dari nilai M tersebut. Sebagai contoh, nilai M yang
dipilih untuk Auxis rochei adalah 0,8.

Estimasi Umur Teoristis (t0)

4. Sesuaikan nilai L∞ dan K berdasarkan hasil analisis yang dipilih, yaitu

ELEFEN-SA with seasonalised (SA2), kemudian run script baris 173-174.
Catat hasil analisa estimasi t0 kedalam lembar kerja.

Estimasi Mortalitas Penangkapan (F) dan Laju Eksploitasi (E)

Dataset yang digunakan untuk estimasi mortalitas penangkapan (F) dan laju
eksploitasi (E) adalah data frekuensi panjang ikan secara total keseluruhan
(data catch). Pendugaan nilai F dan E menggunakan model catch curve
analyisis, dalam “TropFishR” fungsi ini dituliskan dalam code “catchCurve”.
Fungsi ini masing-masing menerapkan kurva tangkapan linier (dikonversi
panjang) ke komposisi usia dan frekuensi panjang. Hal ini memungkinkan
untuk memperkirakan tingkat kematian total (Z). Secara opsional, selektivitas
alat tangkap dapat diperkirakan dan kurva tangkapan kumulatif dapat
diterapkan (baca manual TropFihR). Estimasi nilai F dan E di RStudio
dilakukan dengan cara sebagai berikut:

50
5. Pastikan berkas yang akan digunakan berada dalam working directory
yang sebelumnya telah diatur. Berkas yang akan digunakan adalah
“Arochei_catch.txt”.
6. Sesuaikan nilai L∞ dan K berdasarkan hasil analisis model yang terpilih,
yaitu ELEFEN-SA with seasonalised (SA2).
7. Run kode script pada baris 181-190.

8. Selanjutnya, run kode script pada baris 194. Script pada baris ini
merupakan proses untuk estimasi nilai F dan Z.
9. Setelah kode script di-run, maka akan muncul jendela pop-up yang
mengharuskan untuk memilih dua titik regresi. Prinsip pemilihan titik sama
dengan model Powell-Wetherall, yaitu titik mulai terjadi penurunan dan
titik kedua adalah titik terkahir saat mulai melandai. Sebagai contoh, titik
yang dipilih adalah 13 dan 21.

51
52
 Maka akan muncul grafik seperti gambar dibawah ini. Untuk menyimpan
plot grafik dapat dilakukan dengan cara copy to clipboard plot dan salin
ke dalam lembar kerja masing-masing.

10. Selanjutnya, run kode script baris 198-212 dan catat hasil analisa
kedalam lembar kerja yang sudah disiapkan (Ms. Excel).

11. Pastikan untuk menyimpan script yang sudah digunakan untuk analisa
data dengan cara Ctrl+S atau pada menu file dan pilih Save/Save As.

53
 ANALISIS SPAWNING POTENTIAL
RATIO (SPR)
Tantangan terus-menerus untuk metode berbasis panjang adalah
menyediakan indikator status stok yang dapat dibandingkan dengan titik
referensi biologis yang telah ditentukan sebelumnya. Rasio potensi
pemijahan (Spawning Potential Ratio/SPR) didefinisikan sebagai proporsi
dari rata-rata potensi reproduksi sumber daya yang disebabkan oleh tekanan
penangkapan. SPR menggambarkan perbandingan dari spawning stock
biomass per recruit (SSBR) dibawah berbagai tingkat laju kematian
(mortalitas) penangkapan terhadap SSBR teoritis sebelum ada
penangkapan. Sebelum ada kegiatan penangkapan, nilai SPR sumber daya
ikan dapat mencapai 100% dari potensi reproduksi alamiahnya. Dengan
demikian, perhitungan SPR dapat menggambarkan kapasitas reproduksi dari
suatu stok sumber daya ikan. Nilai SPR biasanya digunakan sebagai titik
acuan batas (limit reference point) bagi pengelolaan perikanan dengan data
terbatas (poor data fisheries) (Prince et al., 2015; Sparre & Venema, 1998).
Hasil analisis nilai SPR berkisar antara 0-1 atau dalam persentase 0-100%.
Menurut Badrudin (2015), titik acuan (SPR reference point) untuk kelompok
ikan teleost adalah 20%, jika lebih rendah maka laju rekrutmen akan
menghadapi resiko penurunan (declining); proxy targets untuk Maximum
Sustainable Yield (MSY) sebesar 30-40% SPR sedangkan untuk Maximum
Economic Yield (MEY) sebesar 50% SPR. Parameter yang dibutuhkan dalam
analisis SPR adalah nilai rasio kematian alami dan koefisien pertumbuhan
(M/K), panjang asimtotik (L∞), dan panjang ikan pertama kali dewasa (Lm).
Analisis pendugaan nilai SPR dilakukan menggunakan metode LB-SPR
(length-based spawning potential ratio) secara daring melalui situs
http://barefootecologist.com.au/lbspr (Hordyk et al., 2015) sebagai berikut:

54
1. Buka internet browser, lalu buka halaman
http://barefootecologist.com.au/lbspr dan pilih “Go To Application”

2. Kemudian pilih “Go To App” pada LBSPR model.

3. Bacalah instruksi analisis data sebelum memulai analisis.

55
4. Kemudian pilih “Upload Data” dan masukan dataset yang akan dianalisis.
Data yang akan digunakan adalah data panjang dengan nama berkas
“Arochei_length.txt”. Pastikan tidak ada notification tulisan merah yang
artinya data sudah berhasil diunggah.

Catatan: Perhatikan poin-poin penting seperti header apabila data kita

diberi judul kolom, tipe data panjang atau frequency, dan separator.

5. Setelah itu, pilih “Plot Data and Fit Model”, lalu masukan parameter
yang dibutuhkan untuk analisis, diantaranya:
a. Asymptotic length pilih “Absolute”
b. Species: Auxis rochei (sesuaikan dengan nama spesies yang
dianalisis)
c. Isi informasi M/K ratio, L∞ L50, L95 berdasarkan hasil analisa yang
sudah dilakukan

d. Length units pakai cm (centimeter)

e. Width of length bins: 1 (sesuaikan dengan selang kelas yang
digunakan)

56
 a
b

Catatan: L50 merupakan ukuran panjang rata-rata ikan pertama kali

matang gonad dan L95 adalah ukuran 95% ikan pertama kali matang
gonad. Nilai L50 dan L95 dapat menggunakan referensi hasil penelitian
atau menggunakan rumus empiris Froese (2020).

6. Klik “Plot Data”

57
7. Setelah keluar dua grafik (histogram of length data dan maturity-at-
length), kemudian klik “Fit Model” hingga keluar kurva maturity dan
selectivity seperti gambar dibawah.

8. Selanjutnya, pilih “Examine Result” untuk melihat nilai SPR

58
9. Unduh semua plot grafik dan tabel yang dihasilkan dengan cara klik
tombol “download” pada setiap gambar atau tabel, kemudian simpan
pada folder yang sama dengan analisis data “Auxis rochei”.

59
 DAFTAR PUSTAKA
Badrudin, M. (2015). Pedoman teknis estimasi spawning potential ratio
(SPR). In Protokol Pengkajian Stok Sumber Daya Ikan: Komisi Nasional
Pengkajian Stok Sumber Daya Ikan (pp. 65–80). Pusat Penelitian dan
Pengembangan Perikanan Badan Penelitian dan pengembangan
Kelautan dan Perikanan.
Hordyk, A., Ono, K., Valencia, S., Loneragan, N., & Prince, J. (2015). A novel
length-based empirical estimation method of spawning potential ratio
(SPR), and tests of its performance, for small-scale, data-poor fisheries.
ICES Journal of Marine Science, 72(1), 217–231.
Mildenberger, T. K., Taylor, M. H., & Matthias, W. (2021, October 4). Package
‘TropFishR.’ Cran.r-Project.Org. https://cran.r-
project.org/web/packages/TropFishR/TropFishR.pdf
Nelson, G. A. (2021, July 16). CRAN - Package fishmethods. Cran.r-
Project.Org. https://cran.r-
project.org/web/packages/fishmethods/index.html
Osio, G. C., Orio, A., & Millar, C. P. (2015). Assessing the vulnerability of
Mediterranean demersal stocks and predicting exploitation status of un-
assessed stocks. Fisheries Research, 171, 110–121.
Pauly, D. (1980). On the interrelationships between natural mortality, growth
parameters, and mean environmental temperature in 175 fish stocks.
ICES Journal of Marine Science, 39(2), 175–192.
https://doi.org/10.1093/icesjms/39.2.175
Pauly, D. (1984). Fish Population Dynamics in Tropical Waters: A Manual for
Use with Programmable Calculators. International Center for Living
Aquatic Resources Management.
Prince, J., Victor, S., Kloulchad, V., & Hordyk, A. (2015). Length based SPR
assessment of eleven Indo-Pacific coral reef fishpopulations in Palau.
Fisheries Research, 171, 42–58.
Radhakrishnan, E. V., Deshmukh, V. D., Manisseri, M. K., Rajamani, M.,
Kizhakudan, J. K., & Thangaraja, R. (2005). Status of the major lobster
fisheries in India. New Zealand Journal of Marine and Freshwater
Research, 39(3), 723–732.
https://doi.org/10.1080/00288330.2005.9517348
Sparre, P., & Venema, S. C. (1998). Introduksi Pengkajian Stok Ikan Tropis.
Kerjasama FAO dan Pusat Penelitian dan Pengembangan Perikanan.

60
1