MSP 339

Metode Kuantitatif Kuliah ke-1:

Kontrak Perkuliahan,
Sumberdaya Pendahuluan, dan PCAS
Perairan
Dr. Ir. Rahmat Kurnia, M.Si Prof. Dr. Ir. Mennofatria Boer, DEA

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

• RAL • Metode Survei

• RAK • Kuesener
• Faktorial

• 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.

That’s why … we need Statistics

 RAL
RAK

Faktorial

Pengambilan data Perlu perlakuan

yang diberikan;
Perancangan
Percobaan
Experimental (percobaan)

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

Sampel Diambil ikan Intepretasi dan

/contoh beberapa bulan kesimpulan

Kumpulkan data Data diolah

(jenis kelamin, dengan metode
bobot, Panjang) tertentu
 Beberapa Istilah dalam
Penarikan Contoh

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 (, , )

Peubah/Variabel: Ciri dari objek yang diamati

Satuan penarikan contoh (sampling unit) is a single entity, usually a
person or an object, whose characteristics are of interest
Populasi Contoh (sample) Sampling Unit Peubah (variable)

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

Panjang Total Bobot Ikan

Log L Log W XY Jenis Kelamin TKG
(mm) (gram)
508 91 2.7059 1.9590 5.3009 B 1
562 135 2.7497 2.1303 5.8579 B 1
525 94 2.7202 1.9731 5.3672 B 1
505 87 2.7033 1.9395 5.2431 B 1
518 115 2.7143 2.0607 5.5934 B 1
535 112 2.7284 2.0492 5.5910 B 1
485 81 2.6857 1.9085 5.1257 B 1
525 100 2.7202 2.0000 5.4403 B 1
506 81 2.7042 1.9085 5.1608 B 1
492 84 2.6920 1.9243 5.1801 B 1

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

Non-Probability Probability Samples

Samples

Simple Stratified
Judgement Random

Quota Systematic Cluster

dll
 PENARIKAN CONTOH
ACAK SEDERHANA (PCAS)
(Simple Random Sampling)
 TIK:
Setelah mengikuti kuliah ini mahasiswa
dapat menjelaskan konsep PCAS dengan
dan tanpa pemulihan, konsep peluang
dalam metode pengambilan contoh, serta
menerapkannya dalam sebuah populasi
The three worlds of the sampling
process
SIMPLE RANDOM SAMPLING (Penarikan Contoh
Acak Sederhana)
• Simple random sampling is the simplest way to
sample a population
• all possible samples have the same probability to be
chosen
• the population to be sampled is considered as a
simple collection of elements, where no subgroups
are considered
• Simple random sampling is defined as any sampling
system that ensures that all possible samples with a
given sample size have the same probability of being
selected
Penarikan Contoh Acak Sederhana

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

Lakukan pengukuran peubah yang

hendak diamati
Misal, akan diambil contoh air. Telah ditetapkan
untuk mengamati hulu, tengah, dan hilir
(berdasarkan pertimbangan). Di tiap bagian
tersebut akan dipilih 3 titik penarikan contoh (acak
sederhana). Lalu, pada masing-masing titik
terpilih akan diambil contoh air pada 3 kedalaman
(berdasarkan pertimbangan).

Contoh dipilih sebanyak 3 dari 12 titik

contoh yang mungkin di sepanjang garis

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

Mean value or µ (The relation Y =

N is valid)

Variance, σ2 and modified variance, S2

Standard deviation σ, and modified

standard deviation S

Coefficient of variation, CV
Some sample statistics more frequently used in fisheries research
n Sample size

yi Value of the characteristic of the ith

element (i=1, 2, ..., n)

Total value of the characteristic in the

sample

Sample mean

Sum of squares of the deviations from

the sample mean

Sample variance

Sample standard deviation

Sample coefficient of variation

 Ragam rata-rata:
  N −n
2
V (y) =  
n  N −1 

Diduga oleh dugaan

ragam rata-rata:
s  N −n
2
V (y) = 
ˆ 
n N 

Selang kepercayaan 95% rata-rata: 𝑦ത ± 2. 𝑉෠ 𝑦ത

 n
1
Penduga Total: ˆ = N . y = N .  yi
n i =1

N s  N −n
2 2
V (ˆ ) =
ˆ  
Penduga ragam total: n  N 
= N .V ( y )
2 ˆ
Terima kasih
 PCAS II

Dr. Ir. RAHMAT KURNIA, M.Si

 PCAS II
• TIK: Setelah mengikuti kuliah ini
mahasiswa dapat menghitung parameter
proporsi, ukuran contoh, kelebihan dan
kekurangan PCAS, dan merancang PCAS
dalam penelitian di mangrove, terumbu
karang, dll
 PCAS (2)
• Proporsi n
1
pˆ = x =  xi
n i =1

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

Non-Probability Probability Samples

Samples

Simple Stratified
Judgement Random

Quota Systematic Cluster

dll
PCA Berlapis
TIK:
Setelah mengikuti kuliah ini
mahasiswa dapat menjelaskan
dan mengaplikasikan metoda
PCA Berlapis
Penarikan Contoh Acak Berlapis
(PCAB)
• Jika populasi yang diamati, berdasarkan nilai
karakteristiknya, dapat dibagi-bagi kedalam
beberapa lapisan. Suatu lapisan tidak tumpang
tindih dengan lapisan yang lain.
• Jika ketepatan nilai dugaan yang diinginkan
ditujukan pada beberapa bagian tertentu dari
populasi yang dipelajari
• Jika penarikan contoh yang akan digunakan
pada setiap lapisan berbeda-beda
Penarikan Contoh Acak Berlapis
• Populasi dibagi kedalam L lapisan (strata) yang
tidak tumpang tindih (misalnya atas dasar jenis
sedimen, habitat, ukuran kapal, dll)
• Lakukan pengambilan contoh acak sederhana
dari setiap lapisan
• Contoh pengamatan dari setiap lapisan digabung
menjadi satu
Population
Divided
into 4
strata

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!

n = 140/(1+140x0.1x0.1) = 58.3 (dibulatkan 59)

Rataan tiap lapisan: Ragam tiap lapisan:

σ𝑛𝑗=1
𝑖
𝑦𝑖𝑗 𝑛𝑖
σ𝑗=1 𝑦𝑖𝑗
2

𝑦lj 𝑖 . = σ𝑛𝑗=1
𝑖 2
𝑦𝑖𝑗 −
𝑛𝑖 𝑠𝑖2 =
𝑛𝑖
𝑛𝑖 − 1

Rataan PCAB: Ragam PCAB:

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:

σ𝐿𝑖=1 𝑁𝑖 𝑦lj 𝑖. 155(32.35) + 62(25.125) + 93(19)

𝑦lj 𝑠𝑡 = =
𝑁 310
= 26.9

𝐿
Ragam PCAB:
𝑁𝑖2 𝑠𝑖2 𝑁𝑖 − 𝑛𝑖
𝑉𝑦lj 𝑠𝑡 = ෍ 2 .
𝑁 𝑛𝑖 𝑁𝑖
𝑖=1

=0.904522 + 1.012112 + 0.572461

= 2.489095
 Nelayan Prosentase Ukuran Contoh

Slovin Pembulatan

Murni 50 50% x 59=29.5 30

Sambilan utama 30 30% x 59=17.7 18

Sambilan tambahan 20 20% x 59=11.8 12

Total: 60
 Distribusi Spatial Kerang Tahu
(Meretrix meretrix Linnaeus, 1758)
Pada Kondisi Air Surut di Perairan
Marunda, Teluk Jakarta

Rini Fitriani (C024 99055)

PROGRAM STUDI MANAJEMEN SUMBERDAYA PERAIRAN

FAKULTAS PERIKANAN DAN ILMU KELAUTAN
INSTITUT PERTANIAN BOGOR
2007
Tujuan :
• Mengetahui pola penyebaran dan
kepadatan kerang Meretrix meretrix secara
spatial di perairan Marunda.
• Mengetahui parameter fisika-kimia air
yang berkaitan dengan kerang tahu
(Meretrix meretrix) khususnya terhadap
penyebarannya.
• Penelitian ini juga diharapkan menambah
pengetahuan, informasi dan pemanfaatan
sumberdaya Meretrix meretrix.
 Parameter yang diamati

• Fisika (suhu, kedalaman, kecepatan arus,

pH, salinitas, kecerahan dan kekeruhan)
• Kimia (DO, TSS, COD dan BOD)
• Substrat (Pasir, debu, dan liat)
• Jumlah M. meretrix
 Tabel 1. Nilai kepadatan dan panjang berat rata-rata
Meretrix meretrix di Perairan Marunda, Teluk Jakarta
Stratifikasi Stasi K1 K2 L1 L2 W1 W2
un
Pemukiman I 344 344 32,12 31 9,75 8,72
II 349 32,57 10,11
III 340 26,31 6,32
Industri IV 476 483 32,8 32,73 9,46 9,53
V 457 32,61 9,51
VI 515 32,79 9,63
Lokasi pengambilan contoh

Pengambilan contoh dilakukan

dengan menggunakan kuadran
transek yang berukuran 1x1 m.
Transek (stasiun) dibuat sepanjang
daerah pantai ke arah tengah (sub
stasiun), dan sub stasiun dibuat tegak
lurus arah garis pantai.
Waktu penelitian
Penelitian ini dilakukan dua tahap:
– pra penelitian (untuk mengetahui
keadaan awal lingkungan perairan) pada
bulan Februari 2003
– tahap penelitian (meliputi kegiatan di
lapang dan analisa laboratorium) pada
bulan Maret 2003
Metode penarikan contoh
yang digunakan adalah
Penarikan Contoh
Berlapis (stratifikasi)
Terima kasih
 KOMPOSISI, KELIMPAHAN,
DAN DISTRIBUSI KOPEPODA
DI PERAIRAN TELUK
SEMANGKA, LAMPUNG

Penulis : Ira Miavarani

Sarjana Manajemen Sumberdaya
Perairan 2002
TUJUAN

⚫ Mengetahui komposisi copepoda yang

meliputi kelimpahan keanekaragaman,
keseragaman dan dominansi di perairan
Teluk Semangka, Lampung.
⚫ Mengetahui distribusi copepoda dan
keterkaitannya dengan kelimpahan
fitoplankton di perairan Teluk Semangka,
Lampung
Parameter yang diukur

⚫ Kelimpahan Copepoda
⚫ Fisika-Kimia perairan
⚫ Indeks Keanekaragaman (H’), Indeks
Keseragaman (E), dan Indeks Dominansi (C)
Waktu dan tempat penelitian

⚫ Penelitian dilakukan di Teluk Semangka,

Lampung pada bulan Juli, Oktober,
Desember 2001.
PCAB →
Stasiun pengamatan dibagi ke dalam tiga
zona pengamatan berdasarkan
keterwakilan perairan di Teluk
Semangka:

a. Zona dalam (muara sungai): stasiun 1-5, 7,13-14.

b. Zona tengah: stasiun 6, 8, 9, 12.
c. Zona luar: stasiun 10 & 11.
Sampling pada bagian teluk

• Area sampling 2000 m2; area unit sampling 0,5

m2. Jadi, N=4000
• Akan diambil n=40 unit contoh.
• Terdapat 3 lapisan substrat terumbu karang
(N1=2000), pasir (N2=1500), dan lumpur
(N3=500) → n1=2000/4000x40= 20 unit;
n2=15 unit dan n3=5 unit.
• Pilih dengan acak sederhana unit-unit contoh
tersebut (20 dari 2000, 15 dari 1500 dan 5 dari
500)
Bagaimana MPC-nya?
• Tujuan penelitian: untuk mengetahui
hubungan komposisi dan biomassa
fitoplankton dengan kandungan unsur
hara (N dan P) di lokasi keramba jaring
apung (KJA) dan di luar lokasi KJA.
Pengambilan sampel air dan sampel
fitoplankton dilakukan di sekitar lokasi KJA
sebanyak 3 stasiun dan di luar KJA 2
stasiun pada kedalaman air 0.5, 1, 2, dan
4m
Penarikan Contoh Acak
Berlapis

Rahmat Kurnia
Tujuan Instruksional Khusus
(TIK):

• Setelah kuliah ini mahasiswa

dapat menduga parameter dan
mengaplikasikan PCAB di
lapangan untuk penelitian
Pendugaan Parameter

• Pendugaan parameter populasi dari

contoh diawali dengan memahami pola
dan struktur tangga stratifikasi
• Hal ini penting untuk melihat dan
memastikan tahapan kerja yang akan dan
telah dilakukan dalam menganalisis
populasi
Total Populasi:

L
Nyst =  N i yi.
i =1

Ragam Total Populasi:

V ( Nyst ) = N 2V ( yst )
L
s 2
 N i − ni 
=N . i
2 i
 
i =1 ni  Ni 
CLUSTER RANDOM SAMPLING
(PCAK, cluster)

Dr. Ir. Rahmat Kurnia, M.Si

 TIK
• Setelah mengikuti kuliah ini
mahasiswa dapat menjelaskan
dan mengplikasikan metode
penarikan contoh sistema acak
gerombol/kelompok/cluster
 Probability Sampling:
Cluster sampling (1)
• Simple random sampling dan stratified random
sampling berasumsi ada list lengkap dari anggota
populasi. Kalau tidak ada?  Cluster sampling bisa
digunakan. Pertimbangan biaya juga merupakan
alasan lainnya.

• Populasi dibagi-bagi menjadi sekelompok kasus

yang disebut clusters biasanya berdasarkan
pembagian alami seperti lokasi, golongan
sosioekonomi, dsb.
 Probability Sampling:
Cluster sampling (2)
• Beda dengan stratified: stratified mengambil
sampel dari tiap strata, cluster sampling tidak
mengambil sampel dari tiap cluster, hanya cluster
yang dipilih saja.
• Jika semua anggota cluster menjadi sampel 
single-stage cluster sample. Jika suatu cluster
terdiri dari clusters lagi dan sampel diambil dari
clusters di bawahnya  multistage cluster
sampling.
• Primary sampling units  secondary sampling
units dst.
 Probability Sampling:
Cluster sampling (3)
• Kurang akurat dibandingkan dengan simple
random sampling atau stratified random
sampling untuk jumlah n yang sama.

• Akurasi dapat ditingkatkan dengan

mengambil sampel dari cluster2 lain.
 PCAK
• Ada N kelompok diambil n kelompok
• Banyak anggota pada kelompok ke-i adalah mi
• Total pengamatan pada kelompok ke-i adalah
yi
• Rataan populasi:
n

 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

Selang kepercayaan 95%: y  2 V ( y)

 PCA Sistematik
(PCA Sys)
Dr. Ir. Rahmat Kurnia, M.Si
 Tipe Contoh
Contoh

Non-Probability Probability Samples

Samples

Simple Stratified
Judgement Random

Quota Systematic Cluster

dll
 TIK
• Setelah mengikuti kuliah ini
mahasiswa dapat menjelaskan
dan mengplikasikan metode
penarikan contoh sistematik
 Probability Sampling:
Systematic sampling
• Systematic sampling: memilih contoh setiap
interval dari daftar lengkap anggota
populasi. Syaratnya dua:
– interval contoh (k)
– Dan lokasi ‘start’.
• Misalnya perlu contoh 100 dari 2500 orang,
interval (k) = 2500/100 = 25 ( interval
contoh). Kemudian tentukan nomor secara
acak dari 1 sampai 25. Misalnya 19,
berikutnya berarti 44, 69, dan seterusnya.
 Prosedurnya :
1. Susun sampling frame
2. Tetapkan jumlah sampel/contoh yang ingin diambil
3. Tentukan K (kelas interval)
4. Tentukan angka atau nomor awal di antara kelas
interval tersebut secara acak atau random –
biasanya melalui cara undian saja.
5. Mulailah mengambil sampel dimulai dari angka atau
nomor awal yang terpilih.
6. Pilihlah sebagai sampel angka atau nomor interval
berikutnya
 Variable Width Design
• Design adapts to curvature in the stream
and bankfull channel edge

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

From Roorbach et. Al. (2001)

 n

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)

Pola sebaran biota dalam suatu area

ekosistem tertentu
Ada 3 jenis pola sebaran spasial
1. Random (acak). Biota menyebar pada semua area secara acak. Hal
ini mengindikasikan adanya kondisi lingkungan yang cocok bagi
biota tersebut.
2. Uniform (seragam). Biota menyebar pada semua area secara
merata. Kondisi ini mengindikasikan adanya kondisi lingkungan
yang cocok bagi biota tersebut sekaligus menunjukkan adanya
kompetisi di antara biota-biota tersebut.
3. Clumped (gerombol). Biota tidak menyebar merata melainkan
menumpuk pada area-area tertentu. Hal ini mengindikasikan
kondisi lingkungan yang tidak homogen.
Pola-pola spasial dalam bentuk gambar
 Salah satu untuk menganalisis pola spasial adalah:

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

Lobster Air Tawar Cherax quadricarinatus (von

Martens, 1868)
PR
CLUSTER RANDOM SAMPLING
(PCAK, cluster)

Dr. Ir. Rahmat Kurnia, M.Si

 TIK
• Setelah mengikuti kuliah ini
mahasiswa dapat menjelaskan
dan mengplikasikan metode
penarikan contoh sistema acak
gerombol/kelompok/cluster
 Probability Sampling:
Cluster sampling (1)
• Simple random sampling dan stratified random
sampling berasumsi ada list lengkap dari anggota
populasi. Kalau tidak ada?  Cluster sampling bisa
digunakan. Pertimbangan biaya juga merupakan
alasan lainnya.

• Populasi dibagi-bagi menjadi sekelompok kasus

yang disebut clusters biasanya berdasarkan
pembagian alami seperti lokasi, golongan
sosioekonomi, dsb.
 Probability Sampling:
Cluster sampling (2)
• Beda dengan stratified: stratified mengambil
sampel dari tiap strata, cluster sampling tidak
mengambil sampel dari tiap cluster, hanya cluster
yang dipilih saja.
• Jika semua anggota cluster menjadi sampel 
single-stage cluster sample. Jika suatu cluster
terdiri dari clusters lagi dan sampel diambil dari
clusters di bawahnya  multistage cluster
sampling.
• Primary sampling units  secondary sampling
units dst.
 Probability Sampling:
Cluster sampling (3)
• Kurang akurat dibandingkan dengan simple
random sampling atau stratified random
sampling untuk jumlah n yang sama.

• Akurasi dapat ditingkatkan dengan

mengambil sampel dari cluster2 lain.
 PCAK
• Ada N kelompok diambil n kelompok
• Banyak anggota pada kelompok ke-i adalah mi
• Total pengamatan pada kelompok ke-i adalah
yi
• Rataan populasi:
n

 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

Selang kepercayaan 95%: y  2 V ( y)

 Faculty of Fisheries and Marine Sciences (FFMS)

CLUSTER ANALYSIS

Dr. Ir. Rahmat Kurnia, M.Si

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?

Similarity is hard to define, but…

“We know it when we see it”

Detecting similarity is a typical task

in machine learning

5
Pengelompokkan memerlukan:
1.Matrik jarak (yang mendefinisikan
kemiripan atau ketidakmiripan)

2. Algoritma pengelompokkan (Langkah-

Langkah untuk membangun kelompok)
 STRUKTUR DATA
P-Peubah
• Data matrix  x11 ... x1f ... x1p 
 
 ... ... ... ... ... 
x xip 
n-Objek  i1
... xif ...

 ... ... ... ... ... 
x ... xnf ... xnp 
 n1 

• 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

STANDARDIZED EUCLIDEAN DISTANCE:

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

Where s21 is the sample variance over

the 1° dimension in the input space.
 JARAK CHEBYCHEV:

d max ( x, y ) = max xi − yi
i
 SIMILARITAS COSINE:

• Ukuran berupa sudut

• Cosine similarity dalam ruang n-dimensi: x=(x1,x2,…,xn) and
y=(y1,y2,…,yn) adalah:
x y
d ( x, y ) = cos( ) =
x y

dimana x  y adalah dot product dari dua vektor:

n
x  y = x1 y1 + x2 y 2 +  + xn y n = x
i =1
i yi

dan  adalah norma/Panjang suatu vektor:

n
x = x12 + x22 +  + xn2 = x
i =1
2
i
 JARAK KORELASI:

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

NB. Pada saat korelasi Pearson rxy bervariasi

antara -1 dan 1, jarak 1- rxy akan terletak antara
0 and 2!
 JARAK MINKOWSKI:

 
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

✓Apapun bisa dikelompokkan

✓ Clustering sangat tergantung pada matrik
jarak
✓Algoritma yang berbeda dapat saja
menghasilkan output yang berbeda
✓Pola pengelompokkan digambarkan dalam
dendogram
Metode Penggerombolan berhirarki
1. Metode aglomeratif
2. Metode berhirarki divisif (pemisahan)
Beberapa ukuran ketakmiripan antar gerombol :
• Pautan Tunggal
• Pautan Lengkap
• Pautan Centroid
• Pautan Median
• Pautan Rataan
Agglomerative Hierarchical Clustering

1. Hitung jarak antar objek

2. Kelompokkan data-data sebagai kelompok inisial
3. Hitung seluruh matriks jarak antar kelompok
4. Kelompokkan yang mirip dengan tingkat
kelompok di atasnya
5. Ulangi 3 dan 4 untuk tingkat berikutnya
 JARAK ANTAR KELOMPOK
Pautan Tunggal (Single Linkage = Nearest Neighbor)

Jarak antar dua gerombol diukur dengan jarak

terdekat antara sebuah objek dalam gerombol yang
satu dengan sebuah objek dalam gerombol yang
lain.
h(Br, Bs) = min { d(xi, xj); xi anggota Br, dan xj
anggota Bs }
Pautan Lengkap (Complete Linkage = Farthest Neighbor)

Jarak antar dua gerombol diukur dengan jarak terjauh

antara sebuah objek dalam gerombol yang satu dengan
sebuah objek dalam gerombol yang lain.

h(Br, Bs) = max { d(xi, xj); xi anggota Br, dan xj anggota Bs }

Pautan Centroid (Centroid Linkage)
Jarak antara dua buah gerombol diukur sebagai jarak
Euclidean antara kedua rataan (centroid) gerombol.
Jika 𝑋ത𝑟 dan 𝑋ത𝑠 adalah vektor rataan (centroid) dari
gerombol Br dan Bs, maka jarak kedua gerombol tersebut
didefinisikan sebagai:

Centroid cluster yang baru didefinisikan sebagai :

nr x r + n s x s
nr + n s
Pautan Median (Median Linkage)

Jarak antar gerombol didefinisikan sebagai jarak

antar median, dan gerombol-gerombol dengan
jarak terkecil akan digabungkan.

Median untuk gerombol yang baru adalah

mr + ms
Mbaru =
2
Pautan Rataan (Average Linkage)

Jarak antara dua buah gerombol, Br dan Bs

didefinisikan sebagai rataan dari nrns jarak yang
dihitung antara xi anggota Br dan xj anggota Bs
Sta_Cod Deterge Org.Cont Fosfat BOD5 DO H2S Abundanc
e n (X1) ent (X3) (X4) (X5) (X6) Vis. Curr. e
ppm ppm ppm ppm ppm ppm m m/s. cell/l

A1 0.571 15.5 0.085 12.5 6.1 0.035 0.65 0.25 137.5

A2 0.571 14.5 0.09 12.1 6.2 0.03 0.7 0.2 140.62
A3 0.571 16 0.08 13.1 6 0.04 0.65 0.3 131.41
B1 0.714 21.6 0.05 15.2 5.5 0.06 0.45 0.37 100
B2 0.857 23.7 0.045 15.5 5.3 0.07 0.44 0.39 93.75

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)

Pola sebaran biota dalam suatu area

ekosistem tertentu
Ada 3 jenis pola sebaran spasial
1. Random (acak). Biota menyebar pada semua area secara acak. Hal
ini mengindikasikan adanya kondisi lingkungan yang cocok bagi
biota tersebut.
2. Uniform (seragam). Biota menyebar pada semua area secara
merata. Kondisi ini mengindikasikan adanya kondisi lingkungan
yang cocok bagi biota tersebut sekaligus menunjukkan adanya
kompetisi di antara biota-biota tersebut.
3. Clumped (gerombol). Biota tidak menyebar merata melainkan
menumpuk pada area-area tertentu. Hal ini mengindikasikan
kondisi lingkungan yang tidak homogen.
Pola-pola spasial dalam bentuk gambar
 Salah satu untuk menganalisis pola spasial adalah:

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

Lobster Air Tawar Cherax quadricarinatus (von

Martens, 1868)
PR