Metkuan Kul1-7 UTS
Metkuan Kul1-7 UTS
The teaching
team
Deskripsi Mata Kuliah
Mata kuliah ini menjelaskan
tentang metode kuantitatif
bagi pengolahan data
sumberdaya perairan mulai
dari metode penarikan
contoh data, teknik-teknik
analisis, perancangan
percobaan, metode survei,
regresi berganda, dan
pengantar multivariate.
Tujuan Instruksional
Umum
Setelah mengikuti kuliah ini mahasiswa dapat
menggali informasi sumberdaya perairan
melalui penarikan contoh sesuai kaidah,
menganalisis data melalui teknik yang sesuai,
merancang suatu percobaan dan survei, dan
memahami prinsip peubah ganda (regresi
berganda dan multivariate).
Setelah mengikuti kuliah ini mahasiswa dapat menggali informasi sumberdaya
perairan melalui penarikan contoh sesuai kaidah, menganalisis data melalui
teknik yang sesuai, merancang suatu percobaan dan survei, dan memahami
prinsip peubah ganda (regresi berganda dan multivariate).
• Regresi Berganda
• Multivariate
• PCAS
• PCAK, PCAG, PCASYS
Problem Based
Learning
(Pertemuan 3 dan 4)
PENILAIAN
Penilaian Bobot Penilaian Nilai
(%) Maksimum
Ujian Tengah Semester 30 100
Ujian Akhir Semester 30 100
Praktikum 30 100
Modul, Tugas, Quiz 10 100
Jumlah Nilai Maksimum 100
Nilai Akhir:
A : ≥ 80 C : 55 ≤ C < 65
AB : 75 ≤ AB < 80 D : 45 ≤ D < 55
B : 70 ≤ B < 75 E : < 45
BC : 65 ≤ BC < 70
TUGAS
❖Tugas dapat terdiri dari tugas harian dan
tugas khusus
❖Pada setiap pertemuan akan dilakukan
penilaian terhadap
keaktifan/ketidakaktifan dan
karakter/perilaku mahasiswa selama
mengikuti perkuliahan
DATA &
INFORMASI
kkp.go.id
Banyak Riset dilakukan terkait sumberdaya
perairan/perikanan
Penelitian-penelitian tersebut membutuhkan
Statistika untuk menyajikan data, mengolah
data dan menarik kesimpulan dari data yang
diperoleh.
Faktorial
Perlu
Observasional Sensus sampling/penarikan
contoh
(pengamatan)
Survey
Database
Perlu contoh acak yang
diambil melalui Metode
Penarikan Contoh
induksi
Sampling
Methods
Populasi Ikan yang ada di
Selat Sunda
Populasi: Contoh
keseluruhan (sample):
himpunan
objek yang bagian dari
menjadi pusat populasi
amatan kita (mewakili)
Statistik: Karakteristik numerik yang mencirikan
Parameter: Karakteristik numerik yang contoh/sampel berdasarkan peubah tertentu (𝑥,ҧ s, 𝑝)Ƹ
mencirikan populasi berdasarkan peubah
tertentu (, , )
Ikan Swanggi di Selat 200 ekor ikan Seekor ikan Jenis kelamin,
Sunda Swanggi hasil Panjang, bobot,
tangkapan nelayan di Tingkat Kematangan
Selat Sunda Gonad (TKG),
fekunditas
Seluruh computer 75 computer milik Komputer Prosesor, ukuran
yang dimiliki mahasiswa MSP, FPIK, harddisk, kecepatan
mahasiswa MSP, FPIK, IPB internet, ukuran layar
IPB university
Warung makan 50 warung makan Warung makan Jumlah pekerja,
seputar kampus seputar kampus kapasitas tempat
makan, jenis
makanan, jam buka
dan tutup
Peubah-peubah
Populasi
651 206 2.8136 2.3139 6.5103 B 1
609 162 2.7846 2.2095 6.1527 B 1
644 217 2.8089 2.3365 6.5628 B 1
480 82 2.6812 1.9138 5.1314 B 1
516 104 2.7126 2.0170 5.4715 B 1
501 86 2.6998 1.9345 5.2228 B 1
716 304 2.8549 2.4829 7.0884 B 1
610 215 2.7853 2.3324 6.4966 B 1
624 182 2.7952 2.2601 6.3173 B 1
668 226 2.8248 2.3541 6.6498 B 1
476 99 2.6776 1.9956 5.3435 B 1
Contoh
530 107 2.7243 2.0294 5.5286 B 1
600 131 2.7782 2.1173 5.8821 B 1
501 90 2.6998 1.9542 5.2761 B 1
620 148 2.7924 2.1703 6.0602 B 1
487 87 2.6875 1.9395 5.2125 B 1
678 221 2.8312 2.3444 6.6375 B 1
558 128 2.7466 2.1072 5.7877 B 1
596 164 2.7752 2.2148 6.1467 B 1
520 118 2.7160 2.0719 5.6272 B 1
645 147 2.8096 2.1673 6.0892 B 1
530 188 2.7243 2.2742 6.1954 B 1
636 214 2.8035 2.3304 6.5332 B 1
575 235 2.7597 2.3711 6.5434 B 1
583 154 2.7657 2.1875 6.0500 B 1
474 73 2.6758 1.8633 4.9858 B 1
658 220 2.8182 2.3424 6.6015 B 1
610 238 2.7853 2.3766 6.6196 B 1
421 70 2.6243 1.8451 4.8421 B 1
501 92 2.6998 1.9638 5.3019 B 1
491 94 2.6911 1.9731 5.3098 B 1
555 89 2.7443 1.9494 5.3497 B 1
620 120 2.7924 2.0792 5.8059 B 1
618 136 2.7910 2.1335 5.9547 B 1
620 109 2.7924 2.0374 5.6893 B 1
590 110 2.7709 2.0414 5.6564 B 1
640 118 2.8062 2.0719 5.8141 B 1
658 150 2.8182 2.1761 6.1327 B 1
ANALISIS
637 125 2.8041 2.0969 5.8800 B 1
596 102 2.7752 2.0086 5.5744 B 1
612 108 2.7868 2.0334 5.6666 B 1
590 88 2.7709 1.9445 5.3879 B 1
DATA
664 157 2.8222 2.1959 6.1972 B 1
648 142 2.8116 2.1523 6.0513 B 1
613 108 2.7875 2.0334 5.6681 B 1
702 188 2.8463 2.2742 6.4730 B 1
628 151 2.7980 2.1790 6.0967 B 1
629 124 2.7987 2.0934 5.8588 B 1
Sampling Unit 591
642
135
130
2.7716
2.8075
2.1303
2.1139
5.9044
5.9350
B
B
1
1
666 142 2.8235 2.1523 6.0769 B 1
644 201 2.8089 2.3032 6.4694 B 1
620 173 2.7924 2.2380 6.2495 B 1
637 124 2.8041 2.0934 5.8702 B 1
Data
Contoh dan Metode Penarikan
Contoh
Contoh
Simple Stratified
Judgement Random
N N!
P = =
Dengan Tanpa n n!( N − n )!
pemulihan pemulihan 1 1
p= =
N P
n
Peluang tiap individu
P: banyaknya pilihan
terambil: 1/N p: peluang
• Dengan pemulihan: individu yang sudah
terpilih dikembalikan lagi, dan dapat
dipilih kembali
• Tanpa pemulihan: individu yang sudah
terpilih tidak dikembalikan, tidak dapat
dipilih kembali
Teknik:
1. Tetapkan populasi (N)
2. Tetapkan banyaknya contoh yang akan
diambil (n)
3. Nomori masing-masing satuan contoh (1,2,
.., N)
4. Gunakan bilangan acak untuk memilih
contoh sejumlah n
Contoh 1
Contoh 2
• Ingin diketahui derajat kerusakan mangrove di
kawasan Muara Angke
• Derajat kerusakan ditetapkan per 5 m2
• Bagaimana pengambilan contohnya?
– Gambar peta kawasan penelitian
– Buat petak-petak sebesar 5 m2
– Nomori setiap petak 1,2, … N
– Tetapkan berapa n yang akan dijadikan contoh
– Pilahlah nomor petak dengan bilangan acak
sebanyak n buah
Contoh 3:
• Ingin diketahui: rataan panjang ikan, rataan bobot,
hubungan panjang dengan bobot, total bobot, dan
jenis kelamin ikan.
• Ada 100 ikan. Akan dipilih sebanyak 20 ekor.
Bagaimana pengambilan contohnya?
• Bila data bobotnya (ons) adalah: 23.4, 30.5, 21.1,
43.6, 33.6, 24.9, 20.8, 24.3, 40.4, 38.7, 37.8, 36.7,
37.6, 36.5, 35.7, 32.4, 33.6, 31.4, 38.2, 27.4;
tentukan: rata-rata bobot dan penduga ragam rata-
rata, ragam dan simpangan baku bobot, koefisien
keragaman, penduga total bobot dan ragamnya.
NOTASI
Population size
N
Value of the characteristic of the ith
Yi element (i=1, 2, ..., N)
Total value
Main population parameters of interest to fisheries research
Coefficient of variation, CV
Some sample statistics more frequently used in fisheries research
n Sample size
Sample mean
Sample variance
N s N −n
2 2
V (ˆ ) =
ˆ
Penduga ragam total: n N
= N .V ( y )
2 ˆ
Terima kasih
PCAS II
Ragam
V ( pˆ ) =
ˆ ˆ
p (1 − ˆ
p ) N − n
n −1 N
Ukuran contoh rataan dan total
• Selang kepercayaan: ( B )
B = 2 Vˆ ( )
N 2
n=
(N − 1)D + 2
2
B
D= Untuk rata-rata
4
2
B
D= 2
Untuk total
4N
Ukuran n untuk Proporsi
Npˆ (1 − pˆ )
n=
(N − 1)D + pˆ (1 − pˆ )
2
B
D=
4
=ˆ S
2 2
Kelebihan PCAS:
• Sederhana
• Mudah
• Landasan dari metode sampling lainnya
• Hanya satu kali penarikan contoh
• Dari segi realitas umumnya irit waktu dan
biaya
• dll
Kekurangan:
• Tidak dapat digunakan dalam kondisi
heterogen
• Hanya untuk satuan percobaan yang
homogen
• Tidak dapat digunakan dalam kondisi
yang kompleks
• dll
Yang perlu diketahui:
1. Definisi
2. Langkah-langkah
3. Keuntungan – kerugian (Kelebihan –
kekurangan)
4. Contoh/aplikasi dalam bidang MSP
5. Cara penghitungan/pengerjaannya
6. Persyaratan pemakaian
Penarikan Contoh Acak
Stratifikasi/Berlapis (PCASt/
PCAB)
Dr. Ir. RAHMAT KURNIA, M.Si
REVIEW
Tipe Contoh
Contoh
Simple Stratified
Judgement Random
Sample
• Populasi amatan terdiri dari L lapisan (I =
1, 2, … L) yang mencakup N unit
pengamatan yang mungkin
• Lapisan ke-i mengandung Ni unit
• Contoh diambil dari setiap lapisan.
Masing-Masing diambil sebanyak ni dari Ni
sehingga n1+n2+…+ ni = n unit contoh
yang diambil
• Masing-masing pengamatan pada lapisan
ke-i dan unit ke-j adalah yij.
s12
N1 n1 y1
s 22
N N2 n2 y2
s32
N3 n3
y3
Hujan
Kemarau
Contoh
• Dari setiap ukuran kapal kecil, sedang, dan
besar diambil contoh secara acak sederhana
• Dari setiap tekstur sedimen berpasir, berlumpur,
dll diambil contoh benthos secara acak
sederhana
• Dari setiap lapisan nelayan murni, sambilan
utama, dan sambilan tambahan diambil 10
nelayan untuk diwawancarai
• Di tambak: inlet, outlet, tengah
Di pulau Panjang terdapat 140 nelayan yang
mencakup 50% nelayan murni, 30% nelayan
sambilan utama dan 20% nelayan sambilan
tambahan. Bila kepercayaan yang diinginkan
adalah 90%, tentukan banyaknya contoh masing-
masing yang diambil!
σ𝑛𝑗=1
𝑖
𝑦𝑖𝑗 𝑛𝑖
σ𝑗=1 𝑦𝑖𝑗
2
𝑦lj 𝑖 . = σ𝑛𝑗=1
𝑖 2
𝑦𝑖𝑗 −
𝑛𝑖 𝑠𝑖2 =
𝑛𝑖
𝑛𝑖 − 1
σ𝐿𝑖=1 𝑁𝑖 𝑦lj 𝑖. 𝐿
𝑦lj 𝑠𝑡 = 𝑁𝑖2 𝑠𝑖2 𝑁𝑖 − 𝑛𝑖
𝑁 𝑉𝑦lj 𝑠𝑡 = 2.
𝑁 𝑛𝑖 𝑁𝑖
𝑖=1
yyy 312
Teladan
N=310 (N1=155, N2=62, N3=93)
Pemukiman
35 28 26 41
43 29 32 37 n1 = 20
36 25 29 31 𝑦lj 1= 32.35
39 38 40 45 S2= 83.082
28 27 35 3
Industri
27 4 49 10 n2 = 8
15 41 25 30 𝑦lj 2 25.125
Sawah S2= 232.411
8 15 21 12 n3= 12
30 20 11 14 𝑦lj 3 19
34 24 7 32 S2= 87.636
Rataan PCAB:
𝐿
Ragam PCAB:
𝑁𝑖2 𝑠𝑖2 𝑁𝑖 − 𝑛𝑖
𝑉𝑦lj 𝑠𝑡 = 2 .
𝑁 𝑛𝑖 𝑁𝑖
𝑖=1
Slovin Pembulatan
Total: 60
Distribusi Spatial Kerang Tahu
(Meretrix meretrix Linnaeus, 1758)
Pada Kondisi Air Surut di Perairan
Marunda, Teluk Jakarta
⚫ Kelimpahan Copepoda
⚫ Fisika-Kimia perairan
⚫ Indeks Keanekaragaman (H’), Indeks
Keseragaman (E), dan Indeks Dominansi (C)
Waktu dan tempat penelitian
Rahmat Kurnia
Tujuan Instruksional Khusus
(TIK):
L
Nyst = N i yi.
i =1
yi
y= i =1
n
mi
i =1
• Ragam:
N −n ( yi − y mi ) 2
V ( y) = i =1
NnM 2
n −1
n n n n
(
i =1
yi − y mi ) 2
= yi
i =1
2
− 2 y yi
i =1
.mi + y 2
mi
i =1
2
n
mi
M m = i =1
n
Simple Stratified
Judgement Random
Random Start
Plot width = core
&inner zone width
Centerline
0 ft (0m) 32.8 ft 65.6 ft 98.4 ft 131.2 ft 164.1 ft
(10m) (20m) (30m) (40m) (50m)
Bankfull Channel
Edge
y i
y sy = i =1
n
s N −n
2
Vy = 1 −
sy
n N −1
Sistematik Berulang
• Kita akan menarik contoh dengan sistematik
berulang
• Anggota populasi N, diambil contoh sebesar n.
Menurut sistematik tunggal:
N
k=
n
• Katakan saja, berulangnya (ns) sebanyak 10.
Langkah:
1. Cari k’, dimana k’=ns.k
2. Pilih sebanyak ns bilangan acak dari 1 sampai
dengan k’. Bilangan-bilangan yang terpilih
secara acak ini merupakan titik-titik awal.
3. Pada setiap titik awal: ambil sebanyak n/ns
dengan menambahkan k’ secara sistematik
Teladan
• Kita akan memilih contoh sistematik berulang
dengan ns = 10. Anggota populasi yang ada
adalah N=960. Banyaknya contoh yang akan
ditarik sebanyak n=60.
• k = N/n = 960/60 = 16
• k’=ns.k = 10x16 = 160
• Pilih 10 bilangan (ns) dari 1 sampai dengan k’.
Katakan saja diperoleh 73, 42, 81, 145, 6, 21,
86, 17, 112, 102.
Hasilnya:
6 166 326 486 646 806
17 177 337 497 657 817
21 181 341 501 661 821
42 202 362 522 682 842
73 233 393 553 713 873
81 241 401 561 721 881
86 246 406 566 726 886
102 262 422 582 742 902
112 272 432 592 752 912
145 305 465 625 785 945
n
yi
ys =
i =1 ns
Vy =
( )
N − n yi − y s
2
s
N ns (ns − 1)
(y 2 V )
s ys
SPATIAL PATTERN ANALYSIS
(SPA)
POLA SPASIAL (Spatial Pattern)
DISTRIBUTION METHODS
Rataan dan Ragam data sebaran frekuensi
Kasus Chirax:
Pengujian apakah acak --> Poisson
POISSON
4. Tentukan E(x)=P(x).N
5. Hitung Chi square, lalu bandingkan dengan Chi square
tabel
6. Simpulkan. Jika Chi square hitung > Chi square tabel -->
tolak Ho. Berarti menyebar uniform. Sebaliknya, gagal
menolak Ho, artinya menyebar bergerombol.
Asumsi sebaran Binomial negatif:
Ho: data menyebar bergerombol (cluster)
H1: data menyebar tidak bergerombol
(seragam/uniform)
Contoh perhitungan di Excel
yi
y= i =1
n
mi
i =1
• Ragam:
N −n ( yi − y mi ) 2
V ( y) = i =1
NnM 2
n −1
n n n n
(
i =1
yi − y mi ) 2
= yi
i =1
2
− 2 y yi
i =1
.mi + y 2
mi
i =1
2
n
mi
M m = i =1
n
CLUSTER ANALYSIS
2020
• Clustering/pengelompokkan merupakan aktivitas
pengelompokkan objek yang ‘mirip’ ke dalam suatu
himpunan
• Persoalan clustering terletak pada menemukan
pemisahan data secara optimal ke dalam k kelompok
tertentu
• Analisis factor (R factor analysis) bertujuan mereduksi variabel,
analisis cluster (Q factor analysis) lebih bertujuan
mengelompokkan isi variabel, walaupun bisa juga disertai
dengan pengelompokan variable
• Tujuan utama analisis cluster adalah mengelompokkan objek-
objek berdasarkan kesamaan karakteristik di antara objek-objek
tersebut.
• Analisis cluster mengklasifikasi objek sehingga setiap objek yang
memiliki sifat yang mirip (paling dekat kesamaannya) akan
mengelompok kedalam satu cluster (kelompok) yang sama.
Clustering tergantung pada kemiripan
(similarity) atau kriteria hubungan yang
akan diekspresikan melalui suatu fungsi
jarak
What is similarity?
5
Pengelompokkan memerlukan:
1.Matrik jarak (yang mendefinisikan
kemiripan atau ketidakmiripan)
• Dissimilarity matrix 0
d(2,1)
– (one mode) 0
d(3,1) d ( 3,2) 0
: : :
d ( n,1) d ( n,2) ... ... 0
Ukuran Kemiripan (similarity) dan Ketakmiripan
(dissimilarity)
Syarat jarak yang digunakan untuk mengukur ketakmiripan antar 2 objek
a dan b, dinotasikan dengan d(a,b), :
• d(a, b) 0
• d(a, a) = 0
• d(a, b) = d(b, a)
• d(a, b) meningkat seiring semakin tidak mirip kedua objek a
dan b
• d(a,c) d(a,b) + d(b,c)
Asumsi : semua pengukuran bersifat numerik
➢ Euclidean distance ➢Cosine similarity (Angle)
• squared ➢Correlation distance
• standardized ➢Mahalanobis distance
➢ Manhattan distance ➢Minkowski distance
➢ Chebychev distance
Ukuran similarity/dissimilarity:
SQUARED EUCLIDIEAN DISTANCE:
𝑛
2
𝑑 𝑥, 𝑦 = 𝑥𝑖 − 𝑥𝑗
1
n
1 1 1
d SE ( x, y ) = 2 ( x1 − y1 ) + + 2 ( xn − yn ) 2 =
s1
2
sn
s
i =1 i
2
( xi − yi ) 2
d max ( x, y ) = max xi − yi
i
SIMILARITAS COSINE:
d R ( x, y) = 1 − rxy
S x, y (x i − x )( yi − y )
rxy = = i =1
.
Sx Sy (x
i =1
i − x) 2
(y
i =1
i − y) 2
1
d M k ( x, y ) = x1 − y1 + x2 − y 2 + + xn − y n
m m m m
1
n m
= xi − yi
m
i =1
When to use what distance
• The choice of distance measure should be based
on the particular application :
– What sort of similarities would you like to detect?
• Euclidean distance – takes into account the
magnitude of the differences of the expression
levels
• Distance Correlation - insensitive to the amplitude
of expression, takes into account the trends of the
change.
When to use what distance
• Sometimes different types of variables need to be mixed
together. In order to do this, any of the distances above can
be modified by applying a weighting scheme which reflects
the “variance “ i.e. the range of variation of the variables or
their perceived relative relevance
• In many case it is necessary to normalize and/or standardize
genes or arrays in order to compare the amount of variation
of two different genes or arrays from their respective
central locations.
SECARA UMUM
A1 A2 A3 B1 B2
A1 0
A2 3.302946 0
A3 6.1409 9.387588 0
B1 38.09444 41.35951 31.97929 0
B2 44.62164 47.89568 38.52209 6.604814 0
A1
A2
A3
B1
B2
SPATIAL PATTERN ANALYSIS
(SPA)
POLA SPASIAL (Spatial Pattern)
DISTRIBUTION METHODS
Rataan dan Ragam data sebaran frekuensi
Kasus Chirax:
Pengujian apakah acak --> Poisson
POISSON
4. Tentukan E(x)=P(x).N
5. Hitung Chi square, lalu bandingkan dengan Chi square
tabel
6. Simpulkan. Jika Chi square hitung > Chi square tabel -->
tolak Ho. Berarti menyebar uniform. Sebaliknya, gagal
menolak Ho, artinya menyebar bergerombol.
Asumsi sebaran Binomial negatif:
Ho: data menyebar bergerombol (cluster)
H1: data menyebar tidak bergerombol
(seragam/uniform)
Contoh perhitungan di Excel