KOMUNITAS:
INDEKS SIMILARITAS
1. Definisi dan Tujuan
2. Landasan Kerja
3. Beberapa indeks similaritas
4. Proses Analisis
5. Transformasi Data
6. Alur proses dalam analisis similaritas
7. Latihan (Tugas)
1. Definisi dan Tujuan
Indeks kesamaan (Similarity index)
adalah perbandingan struktur komunitas
(dalam hal jenis, proporsi, dan jumlah)
pada 2 habitat ( sampel, kuadrat atau
komunitas)
Analisis kesamaan didasarkan pada
probabilitas hipergeometrik dari spesies
dominan dalam sampel.
Tujuan untuk mengukur atau menilai
kesamaan komunitas terhadap 2 sampel
2.Landasan Kerja
Ahli ekologi komunitas menghadapi serangkaian
masalah statistik khusus dalam usahanya
mengkarakterisasi dan mengukur sifat-sifat komunitas
tumbuhan dan hewan.
a b
c d
2. Landasan Kerja
dari analisis jenis data dan rumus
perhitungan yang digunakan, akan
menjadi jelas bahwa indeks
kesamaan hanya dapat menunjukkan
perubahan aspek yang sangat
terbatas dari komunitas ekologis
yang sedang diselidiki.
2. Landasan Kerja
Penggunaan kata "kesamaan" tidak
dimaksudkan untuk mengecualikan
indeks ketidaksamaan.
Ketidaksamaan adalah pelengkap
logis dari kesamaan dalam arti
bahwa indeks kesamaan
menunjukkan seberapa "dekat" dua
sampel dan ketidaksamaan
menunjukkan seberapa jauh mereka.
2. Landasan Kerja
Dalam banyak studi komunitas para ekologis memperoleh
daftar spesies yang hadir di masing-masing komunitas, dan jika
sampling kuantitatif dilakukan, ukuran kelimpahan relatif
masing-masing spesies juga tersedia.
1.
Euclidean Distance
1. Koefisen Jarak (Distance Coef.)
1. Koefisen Jarak (Distance Coef.)
2.
3. Manhattan Distance
1. Koefisen Jarak (Distance Coef.)
4.
Dissimilarity index
1. Koefisen Jarak (Distance Coef.)
5.
4.
1. Koefisen Jarak (Distance Coef.)
2
2. Binary similarity coefficients (Koefisien
Similaritas Biner)
Jika banyak spesies hadir dalam suatu komunitas
tetapi tidak hadir dalam sampel dari komunitas itu,
mungkin berguna untuk menggunakan Koef.
Sorensen daripada Jaccard. Tetapi koefisien
Sorensen dan Jaccard sangat
berkorelasi erat (Baselga 2012, Gambar 4).
2. Binary similarity coefficients (Koefisien
Similaritas Biner)
2. Binary similarity coefficients (Koefisien
Similaritas Biner)
3
2. Binary similarity coefficients (Koefisien
Similaritas Biner)
Rentang semua koefisien kesamaan untuk data biner adalah
0 (tidak ada kesamaan) sampai 1.0 (kesamaamn sempurna).
Faktanya, ini tidak benar untuk semua koefisien. Wolda
(1981) menyelidiki bagaimana ukuran sampel dan kekayaan
spesies mempengaruhi nilai maksimum yang bisa diperoleh
dengan koefisien kesamaan.
Pearson Correlation
4. Ukuran Similaritas Lainnya
1.
4. Proses Analisis
4. Proses Analisis
4. Proses Analisis
a b
c d
4. Proses Analisis
4. Proses Analisis
4. Proses Analisis
Menghitung Persentase Similaritas
5. Transformasi Data
Transformasi data berperan untuk
mengurangi peran nilai-nilai
ekstrem, misalnya jika satu atau
beberapa spesies sangat berlimpah
dalam satu sampel.
Secara umum, transformasi juga
digunakan untuk mengurangi
kontribusi
spesies umum dan untuk
meningkatkan kontribusi spesies
5. Transformasi Data
Transformations may be applied to
the numbers of individuals counted in
each
species.
Typical transformations are to replace
each of the original counts (X) with
√X or √ X+1, or in extreme cases
by log (X+1.0).
6. Alur Proses dalam analisis
similaritas terhadap dua atau lebih
sampel
DENDROGRAM/
Sampling komunitas
DIAGRAM POHOM