Ekologi Kuantitatif (KSH516) – Materi Minggu X

KOVARIASI INTERSPESIFIK

Dr. Ir. Agus Priyono Kartono, M.Si.

Departemen Konservasi Sumberdaya Hutan & Ekowisata
Sekolah Pascasarjana Institut Pertanian Bogor
PENDAHULUAN

 Review:
• Niche overlap:
- Membahas tentang pemanfaatan sumberdaya oleh
dua spesies yang berbeda pada suatu habitat tertentu
• Asosiasi Interspesifik:
- Membahas tentang tingkat ketergantungan satu
spesies terhadap spesies lainnya
• Kovariasi Interspesifik:
- Membahas tentang respon atau perubahan ukuran/
kepadatan populasi satu spesies dengan adanya
spesies yang lain
 Respon atau perubahan populasi suatu spesies dapat ditim-
bulkan oleh:
• Perubahan faktor lingkungan
• Perubahan kepadatan populasi organisme lain, serta
• Keberadaan predator

 Respon yang terjadi akan berbeda-beda pada setiap spesies

 Kemungkinan respon dua spesies yang hidup pada habitat

yang sama akibat faktor lingkungan:
• Kelimpahan populasi kedua spesies cenderung meng-
alami peningkatan atau penurunan secara bersama-
sama
• Salah satu spesies selalu mengalami peningkatan kelim-
pahan populasi, sedangkan spesies lainnya mengalami
penurunan populasi
CONTOH PENGGUNAAN ANALISIS KOVARIASI

 Pemantauan perubahan lingkungan hidup

 Aliran air sungai dan kandungan ion dalam air sungai
 Pengaruh kondisi termal pada individu umur muda terhadap
pola sebaran laba-laba dewasa
 Kekayaan asosiasi tumbuhan-serangga di Amerika Selatan
 Perilaku dan penggunaan habitat owa jawa di TN Gede-
Pangrango
 Evaluasi hubungan antara performa model sebaran dengan
karakteristik ekologis
 Aktivitas simpatrik pada suatu spesies, dan sebagainya
PENGERTIAN KOVARIASI

 Peragam (Covariance) dalam ilmu statistik:

• Ukuran asosiasi atau hubungan antar nilai-nilai dua
peubah acak
 Kovariasi:
– Perbedaan atau kesamaan antar dua spesies atau lebih,
yang menempati ruang yang sama dalam merespon
perubahan faktor-faktor lingkungan hidupnya
 Covariasi dua spesies dihitung dengan menggunakan persa-
maan:
 xi  y i
 xiy i 
Cov( x , y )  n
n 1
 Analisis kovariasi berbeda dengan korespondensi
• Kovariasi untuk mengidentifikasi faktor-faktor penyebab
terjadinya perbedaan antar dua variabel
• Korespondensi digunakan untuk menentukan tingkat
keterkaitan antar dua variabel
 Analisis kovariasi interspesifik:
• Analisis perbedaan/kesamaan dua atau lebih spesies
berbeda, yang menempati ruang yang sama dalam
merespon perubahan faktor-faktor lingkungan hidupnya
 Analisis kovariasi dapat digunakan untuk:
• Mengidentifikasi kejadian dominansi oleh spesies
tertentu
• Mengidentifikasi karakteristik atau sifat-sifat bawaan
suatu spesies
• Mendeteksi kejadian kecenderungan kepunahan spesies
TEKNIK ANALISIS DATA

 Analisis Kovarian (ANCOVA):

• Teknik analisis data yang memadukan analisis ragam
(analysis of variance = Anova) dengan analisis regresi.
 Pada model ANOVA, rata-rata atau perbedaan antar rata-
rata digunakan untuk menguji:
• Hipotesis variabel kategorik (klas)
• Interaksi antar variabel kategorik (klas)

 Pada model regresi:

• Semua faktor merupakan variabel kontinyu
• Pengujian hipotesis dilakukan dengan menguji koefisien
regresi
 Analisis kovariasi dapat dilakukan melalui metode-metode
berikut:
• Koefisien korelasi Kendall’s Tau
• Koefisien korelasi Morisita
• Bartlett test
• Koefisien korelasi Pearson
• Korelasi peringkat Spearman

 Analisis kovariasi dapat dilakukan dengan menggunakan

berbagai software, antara lain:
• SAS
• SPSS
• Minitab
• Statistica
• Canoco, dsb.
 Asumsi-asumsi dalam analisis kovariasi:
• Kedua variabel bersifat independen satu dengan lainnya
• Data untuk kedua variabel berdistribusi normal
 Dalam perspektif statistik, kovariasi merupakan ukuran
seberapa besar simpangan antar dua variabel yang diamati
 Kovariasi dihitung dengan menggunakan persaman:

  x i  x  yi  y 
Cov ( x , y ) 
n1
 x i  yi
 x i yi 
Cov ( x , y )  n
n 1

Notasi n = jumlah pasangan data

 Korelasi digunakan untuk mengukur kovariasi karena:
– Korelasi merupakan kovarian variabel-variabel yang
distandarkan
– Korelasi merupakan rasio pengamatan dua variabel yang
distandarkan dibagi dengan kovarian tertinggi
– Jika varian pengamatan tinggi maka kovarian juga akan
tinggi dan korelasi akan memiliki nilai 1

 Korelasi antar variabel X dengan Y adalah:

rxy 
  ( x i  x )( y i  y )
2


 i x  x  2

 iy  y  2

Notasi xiyi merupakan kovarian antara variabel xi dengan

variabel yi
 Koefisien regresi:
– Misalkan X merupakan variabel bebas dan Y merupakan
variabel tak-bebas
– Persamaan regresi antar variabel Y dengan X adalah:

y  a  bx
  x i  x  yi  y 
b
  xi  x 
2

a  y  b.x

– Standarisasi variabel y atau y* adalah:

yi*  yi  b.( x i  x )
 Teladan 1:
Misalkan pengamatan populasi rusa sambar dan kijang dari
11 jalur menghasilkan data sebagai berikut:
Jalur 1 2 3 4 5 6 7 8 9 10 11
Rusa (X) 29 28 41 61 29 18 41 8 9 5 2
Kijang (Y) 30 21 15 12 30 11 5 7 15 9 8

Hitunglah kovarian dan korelasi antara rusa sambar dan

kijang
Penyelesaian:

 x i  271  i  10047 x  24.64

2
x
 y i  163  y i  3175 y  14.82
2

 x i y i  4330
Berdasarkan hasil perhitungan tersebut maka:
 x i  yi
 x i yi 
Cov ( x , y )  n
n 1
271(163)
4330 
11 314 .27
Cov ( x , y )    31.427
11  1 10

Koefisien korelasi:

rxy 
314.27  2

98765.63
 0.0386
3370.55(75 9.64) 2560404.60
Koefisien determinasi (R2):

R 2  rxy
2  0.00149

Koefisien korelasi yang distandarkan (r-adjusted):

 
2  n  1 n  2
radj  1  1  rxy x y   
radj  1    1  0.00149  10 9 
 Teladan 2:
xx yy

- Persamaan regresi linear: y  55,3  7,7x

 Hasil analisis data dengan menggunakan software Minitab:
KORELASI PEARSON

 Korelasi Pearson (r) antara spesies ke-j dan ke-k dihitung

dengan menggunakan persamaan:

rj,k 
 y jy k

 
 y ijy ik   y ij  y ik / n
2 2
yj yk  (  y )2
 (  y )2 
y 
2 ij   y 
2 ik 
 ij
n   ik
n 
  

yij = jumlah individu spesies ke-j pada unit contoh

ke-i
yik = jumlah individu spesies ke-k pada unit contoh
ke-i
n = jumlah unit contoh pengamatan
 Hipotesis pada uji Korelasi Pearson (r) :
H0 = Kelimpahan spesies tidak berkorelasi
H1 = Terdapat korelasi kelimpahan spesies

 Statistik uji Korelasi Pearson (r) :

r n 2
tr 
1  r2

• Nilai tr selanjutnya dibandingkan dengan Tabel Peluang

Pearson pada derajat bebas db=n–2.
• Kaidah keputusan:
Jika |tr| > t maka tolak H0
 Korelasi Pearson (r) dapat ditransformasi ke dalam bentuk
z-score dengan tujuan untuk pengujian hipotesis, dengan
persamaan:
ln[(r  1)/( r  1)]
Zr 
2

 Korelasi Pearson memiliki beberapa keterbatasan jika di-

gunakan sebagai indeks affinitas spesies, yakni:
1. Cenderung menghasilkan tingkat kepentingan yang lebih
besar pada semua data yang bernilai sangat besar
2. Menghasilkan korelasi yang menipu jika terdapat banyak
data bernilai nol
3. Uji signifikansi r mengasumsikan bahwa frekuensi
menyebar secara normal
4. Nilai r menganggap bahwa terdapat hubungan linear
antara kelimpahan spesies dengan unit contoh
KORELASI PERINGKAT SPEARMAN

 Korelasi peringkat Spearman (Spearman's rho) merupakan

korelasi yang paling umum digunakan untuk dua variabel
yang memiliki data ordinal, atau ordinal dengan interval
 Korelasi peringkat Spearman dapat digunakan untuk meng-
analisis data yang tidak menyebar secara normal
 Persamaan korelasi peringkat Spearman adalah:

6 D2k
Rs  1 

n n2  1 
Rs = Korelasi peringkat Spearman
Dk = selisih antara jumlah individu spesies i dan j
n = jumlah pasangan data yang dianalisis
 Hipotesis korelasi peringkat Spearman:
H 0:  s = 0
H a:  s ≠ 0

 Statistik uji bagi korelasi peringkat Spearman:

Rs n  2
ts 
1  R 2s

Nilai tS selanjutnya dibandingkan dengan Tabel Koefisien

Peringkat Spearman pada derajat bebas db=n–2.
 Pemeringkatan dapat dilakukan dengan mengurutkan nilai
data terkecil ke terbesar atau sebaliknya
 Jika contoh yang diuji berukuran besar (20≤N<30), maka
uji statistik bagi korelasi peringkat Spearman dapat
dilaku-kan dengan pendekatan sebaran t-student:

Rs
t hitung 
1  R 2s
n 2

Nilai tr selanjutnya dibandingkan dengan t-Student pada

db=n–2.
 Jika N≥30 maka sebaiknya digunakan uji z:
• Rata-rata atau nilaitengah, μrs = 0
• Simpangan baku (σrs) dan z hitung adalah:
1 rS  rs
 rS  Z hitung 
n 1  rs
KORELASI KENDALL TAU

 Kendall-tau merupakan koefisien korelasi non-parametrik

yang dapat digunakan untuk menguji korelasi antara
variabel berskala ordinal
 Koefisien korelasi Kendall Tau () didefinisikan sebagai:
CD

n(n  1) 2

C = pasangan data concordant, yakni memiliki peringkat

sama
D = pasangan data discordant

 Kendall sampai akhir hayatnya tidak tidak menyediakan

distribusi peluang sehingga dilakukan dengan pendekatan
uji Chi-square
 Formula Kendall-tau memiliki tiga bentuk sebagai berikut:
• Koefisien korelasi Kendall-tau a:
CD
 Ken ,a 
n(n  1) 2

• Koefisien korelasi Kendall-tau b:

CD
 Ken ,b 
{[n(n  1) 2]  t } {[n(n  1) 2]  u}

• Koefisien korelasi Kendall-tau c:

2(C  D)
 Ken ,c 
n2
TEKNIK ANALISIS DATA

 Analisis korelasi Pearson merupakan analisis yang umum

digunakan pada data kuantitatif (numerik), seperti yang
sering dilakukan
 Analisis korelasi peringkat Spearman memerlukan pemering-
katan terhadap data hasil pengamatan, misal:
Y1 Y2
Rep d d2
Oi rank-1 Oi rank-2
1 25 8 22 1 7 49
2 40 4 19 2 2 4
3 28 7 7 8 -1 1
4 32 6 12 5 1 1
5 90 1 18 3 -2 4
6 66 3 10 6 -3 9
7 70 2 16 4 -2 4
8 35 5 9 7 -2 4
 Berdasarkan data di atas maka korelasi peringkat Spearman:

6 D2k 6(76)
Rs  1     0,903
n  n  1
1
2
8(8  1)
2

 Statistik uji korelasi peringkat Spearman:

Rs n  2  0,903 8  2  2,211
ts     5,142
1  R 2s 1  (0,903)2 0,430

Pada derajat bebas db=8 – 2 = 6 dan tingkat kepercayaan 5% maka nilai

kritis Rs adalah 0,829.

Nilai |ts| > t0.05(6) sehingga tolak H0 yang berarti bahwa kelimpahan spesies
Y1 berkorelasi dengan kelimpahan spesies Y2
 SEKIAN
&
TERIMA KASIH