ANALISIS TINGKAT

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.

 Setelah data dikumpulkan, kita mungkin tertarik pada

kesamaan (atau ketidaksamaan) antara sampel,
kuadrat, atau komunitas pada habitat yang berbeda

 Sejumlah indeks kesamaan telah diusulkan untuk

mengukur sejauh mana kesamaan komposisi spesies
dalam kuadrat (sebaliknya, koefisien ketidaksamaan
menilai sejauh mana kuadrat berbeda dalam komposisi)
 2.Landasan Kerja
 Secara naluriah, orang berpikir tentang kesamaan di
antara benda-benda - semakin banyak yang serupa
dalam hal sifat-sifatnya dari dua benda, semakin
tinggi kesamaannya.

 Dalam hal data komposisi spesies, kesamaan dihitung

menggunakan indeks kesamaan, mulai dari 0 (sampel
tidak berbagi spesies apa pun) hingga 1 (sampel
memiliki komposisi spesies yang sama).

 Teknik penahbisan biasanya didasarkan pada jarak,

karena mereka perlu melokalisasi sampel dalam ruang
multidimensi;
2. Landasan Kerja

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.

 Seringkali tujuan dari pengambilan sampel adalah untuk

menentukan apakah komunitas dapat diklasifikasikan bersama
atau perlu dipisahkan.

 Untuk peruntukan kawasan konservasi kita sering bertanya

seberapa jauh berbeda suatu daerah dalam hal flora dan fauna
mereka.

 Sebagai awal untuk menjawab pertanyaan-pertanyaan

kompleks tentang klasifikasi komunitas, perlu diukur
kesamaan antara
dua sampel komunitas tersebut.
 2. Beberapa Indeks Similaritas
 Kemiripan ekologis termasuk kesamaan dan jarak
antara sampel, adalah alat dasar bagaimana
menangani data ekologi yg multivariat.

 Dua sampel berbagi spesies yang sama dalam

kelimpahan yang sama memiliki kesamaan tertinggi
(dan jarak terendah), dan kesamaan menurun (jarak
meningkat) ketika perbedaan dalam komposisi
spesies mereka meningkat.

 Semua metode cluster dan ordinasi bekerja pada

basis koef kesamaan atau jarak antara sampel.
Bahkan PCA dan CA, meskipun tidak dikatakan
secara eksplisit, masing-masing didasarkan pada
jarak Euclidean dan chi-square
 2. Beberapa Indeks Similaritas
1. Koefisen Jarak (Distance)

 Koefisien jarak secara intuitif menarik bagi ahli

ekologi karena kita bisa memvisualisasikan mereka.
Perhatikan bahwa koefisien jarak adalah ukuran
ketidaksamaan, lebih tepatnya jika dari kesamaan,
ketika koefisien jarak nol, komunitas identik.
 Kita dapat memvisualisasikan ukuran jarak
kesamaan dengan mempertimbangkan kasus paling
sederhana dari dua spesies dalam dua sampel
komunitas.
 Koefisien jarak biasanya memerlukan beberapa
ukuran kelimpahan untuk setiap spesies dalam
komunitas.
1. Koefisen Jarak (Distance Coef.)

1.

Euclidean Distance
1. Koefisen Jarak (Distance Coef.)
1. Koefisen Jarak (Distance Coef.)

2.

Avergae Euclidean Distance

1. Koefisen Jarak (Distance Coef.)

3. Manhattan Distance
1. Koefisen Jarak (Distance Coef.)

4.

Dissimilarity index
1. Koefisen Jarak (Distance Coef.)

5.

4.
1. Koefisen Jarak (Distance Coef.)

 Metrik Canberra tidak terlalu terpengaruh oleh spesies yang lebih

banyak jumlahnya dalam komunitas, dan dengan demikian
berbeda dari ukuran Bray-Curtis (dipengaruhi oleh spesies-spesies
dominan).

 Pada metrik Canberra ada dua masalah.

1) tidak terdefinisi ketika ada spesies yang tidak ada di kedua
sampel komunitas, dan akibatnya spesies yang hilang tidak
dapat memberikan informasi dan harus diabaikan.
2) Ketika ada individu dari suatu spesies tidak hadir dalam satu
sampel,tetapi hadir dalam sampel kedua, indeks berada pada
nilai maksimum (Clifford dan Stephenson 1975).

 Untuk menghindari masalah kedua ini, banyak ahli ekologi

mengganti semua nol nilai dengan angka kecil (seperti 0,1) saat
melakukan penghitungan.

 Metrik Canberra berkisar dari 0 hingga 1.0 dan, seperti ukuran

Bray-Curtis, dapat dikonversi menjadi ukuran kesamaan dengan
menggunakan komplemen (1.0-C).
2. Binary similarity coefficients (Koefisien
Similaritas Biner)
Mengukur kesamaan paling sederhana dan
hanya berurusan dengan data ada-tidak. (data
biner). Dasar
data untuk menghitung koefisien biner (atau
asosiasi) adalah tabel 2x2:
2. Binary similarity coefficients (Koefisien
Similaritas Biner)
Lebih dari 20 formula mengenai kesamaan biner
dalam literatur (Cheetham dan Hazel 1969) dan
mereka telah direview oleh Clifford dan
Stephenson (1975, Bab 6) dan oleh Romesburg
(1984, Bab 10).

Akan dijelaskan di sini hanya koefisien

kesamaan yang paling sering digunakan untuk
data biner
2. Binary similarity coefficients (Koefisien
Similaritas Biner)
1

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.

 Dia menggunakan simulasi komunitas dengan kekayaan

spesies yang tinggi dengan 100.000 individu yang
kelimpahan spesiesnya didistribusikan menurut seri log (lihat
Krebs 2009; Bab 23).

 Gambar 12.1 menunjukkan bagaimana koefisien Sorensen

dan Baroni-Urbani dipengaruhi oleh ukuran sampel dan oleh
kekayaan spesies. Efek ukuran sampel memang sangat
besar. Misalnya, nilai maksimum koefisien Sorensen ketika
750 spesies hadir di komunitas dan masing-masing
komunitas berisi 200 ind adalah 0,55 bukan 1,0 seperti
2. Binary similarity coefficients (Koefisien
Similaritas Biner)
3. Koefisien Korelasi (Correlation Coef.)

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

Struktur data berupa

tabel CLUSTER ANALYSIS
kontingensi/tabel (ANALYSIS MULTIVARIATE)
individu-karakter

Menghitung indeks Matrik

jarak/kesamaan/persentase kesamaan/ketidaksamaa
similaritas n/ jarak
 6. Alur Proses dalam analisis
similaritas terhadap dua atau lebih
sampel
5. Menghasilkan dendrogram
1. Sampling acak

Hasil Cluster Analysis

2. Data berupa tabel kontingensi

4. Membuat matrik jarak

dari indeks jarak
3.Menghitung indeks jarak Euclidean
Euclidean
 7. Latihan (Tugas 4)
2. Diberikan data megabentos di 2 lokasi padang
lamun dengan 6 stasiun sampling dengan ukuran
plot 2 x 2 m2
Data megabentos daerah lamun di Lokasi A
Stasiun
No Spesies
1 2 3 4 5 6
1 Archaster sp 1 A 2 1 1
2 Deadema setosum 2 5 7 21 8 5
3 Protoreaster nodosus A 1 1 1
4 Culcita sp 1 AB 1 1
5 Cyprea tigris 1 1 1 1

Data megabentos daerah lamun di Lokasi B

Stasiun
No Spesies
1 2 3 4 5 6
1 Archaster sp 2 AB 2
2 Deadema setosum 4 1 7 13 3 B
3 Protoreaster nodosus 2 1 2 1
4 Culcita sp 1 1 1 A
5 Cyprea tigris 1 A 1 1 1
6 Tripneustus gratilla AB 2 12 2
 Latihan (Tugas 4)
1. Tentukan perbedaan struktur komunitas megabentos
antara stasiun berdasarkan indeks jarak (Euclidean, average
Euclidean, Manhattan, Bray-Curtis, dan Canberra) pada
Lokasi A (Stb Ganjil) dan Lokasi B (Stb Genap)  (25 point)
2. Tentukan kesamaan struktur komunitas antara stasiun
(data biner) menurut indeks Jaccard, Sorensen, Simple
Matching Coef, dan Baroni-Urbani and Buser)  (15 point)
3. Tentukan kesamaan struktur komunitas megabentos
antara stasiun berdasarkan koef korelasi Pearson.  (15
point)
4. Tentukan kesamaan struktur komunitas megabentos antara
stasiun berdasarkan persentase similaritasnya  (15 point)
 Latihan (Tugas 4)
4. Buat matriks jarak dari setiap indeks jarak yang
telah dihitung di soal nomor 1. (10 point)
5. Buat matriks kesamaan (menurut indeks
similaritas) yang telah dihitung seperti pada
soal nomor 2  (10 point)
6. Buat matriks kesamaan berdasarkan koef
korelasi Pearson yang dihitung pada soal
nomor 3  (5 point)
7. Buat matriks kesamaan berdasarkan nilai
persentase similaritas seperti yang dihitung
pada soal nomor 4  5 point)