Sebaran Diatom di Selat Bali

Wibawa, T.A.. 2012. Pemanfaatan Data Harian Sensor MODIS Aqua/Terra untuk Memperkirakan Sebaran Kelimpahan Diatom di Selat Bali. Jurnal Kelautan Nasional 7(2): 120-132.

1

PEMANFAATAN DATA HARIAN SENSOR MODIS AQUA/TERRA UNTUK MEMPERKIRAKAN SEBARAN KELIMPAHAN DIATOM DI

SELAT BALI

THE USE OF DAILY MODIS AQUA/TERRA SENSORS FOR PREDICTING DISTRIBUTION OF DIATOM ABUNDANCE IN

BALI STRAIT

Teja Arief Wibawa Balai Penelitian dan Observasi Laut (BPOL)-BalitbangKP, KKP

Jl. Baru, Prancak, Negara, Jembrana Bali Email : [email protected]

Diterima tanggal :25 Maret 2012, Diterima setelah perbaikan:12 Juni 2012,

Disetujui tanggal:08 Agustus 2012

ABSTRAK

Produksi perikanan di Selat Bali didominasi oleh perikanan lemuru. Untuk menjaga kelestarian sumberdaya perikanan lemuru diperlukan pengelolaan yang berbasis pada pemahaman ekologi sumberdayanya. Secara ekologi, ketersediaan data lokasi penangkapan ikan lemuru merupakan salah satu kunci untuk memahami sebaran ikan lemuru. Sejauh ini, jenis data tersebut sulit diperoleh. Data yang tersedia berupa data pendaratan ikan lemuru. Mengingat rantai makanan lemuru hanya terdiri dari fitoplankton dan zooplankton, maka untuk memahami sebaran ikan lemuru dilakukan melalui kajian rantai makanannya. Untuk memperkirakan sebaran kelimpahan diatom dalam dimensi ruang dan waktu, digunakan data-data dari Sensor MODIS Aqua/Terra. Pengambilan sampel diatom di Selat Bali dilakukan selama kurun waktu tahun 2008 – 2010. Variabel sea surface cholorophyll-a (SSC) dan photosinthetically available radiation (PAR) diperoleh dari data level dua harian sensor MODIS Aqua/Terra, dengan resolusi spasial 1 km. Data kelimpahan diatom dioverlay dengan data SSC dan PAR untuk periode waktu yang sama, untuk mendapatkan nilai SSC dan PAR di setiap koordinat pengambilan sampel diatom. Sedangkan analisis data dilakukan dengan menggunakan metode generalized additive model (GAM). Hasil analisis dengan GAM menunjukkan, persamaan GAM yang terbentuk dari variabel PAR dan SSC dapat menjelaskan kelimpahan diatom sebesar 74 %. Variabel PAR mempunyai kontribusi yang lebih besar dalam pembentukan model GAM dibandingkan variabel SSC. Secara umum, kedua variabel tersebut mempunyai kontribusi yang signifikan dalam pembentukan model tersebut (p < 0.01). Model GAM yang terbentuk digunakan untuk memperkirakan sebaran kelimpahan diatom di Selat Bali. Kata kunci : Diatom, Sea Surface Chlorophyll-a, Photosinthetically Available

Radiaton

mailto:[email protected]


2

ABSTRACT

Bali Strait’s fisheries production has been dominated by Sardiniella lemuru. Fisheries management based on ecological understanding of S. lemuru’s behaviour is required to preserve its sustainibility. Ecologically, the availability of S. lemuru fishing ground data is essential for better understanding of it’s distribution. To date, those type of data are difficult to be obtained. Indeed, the mostly available data are only quantity of S. lemuru landed data which can be derived directly from fishing port. Considering of S. lemuru’s food chain which only consisting of phytoplankton and zooplankton, an approach based on its food chain was conducted throughout this research. MODIS Aqua/Terra data were utilized for predicting distribution of diatom abundance spatially and temporally. Bali Strait’s diatom concentrations were measured regularly during 2008-2010 period. Both daily sea surface chlorophyll-a (SSC) and photosinthetically available radiation (PAR) on 1 km spatial resolution, were derived from 2nd level of MODIS Aqua/Terra data. In order to extract SSC and PAR values on each diatom sample station, diatom abundance data were overlayed on SSC and PAR data. The data analysis was conducted using generalized additive model (GAM). Data analysis indicated that GAM equation which constructed from both of PAR and SSC variables explained as high as 74 % of diatom distribution. PAR had higher contribution on GAM construction rather than SSC. Generally, both of PAR and SSC had significant contribution on GAM construction (p < 0.01). Constructed GAM were used for predicting distribution of diatom abundance in Bali Strait. Keywords : Diatom, Sea Surface Chlorophyll-a, Photosinthetically Available

Radiaton PENDAHULUAN

Perikanan lemuru di Selat Bali mempunyai kontribusi hampir 40%

terhadap produksi perikanan lemuru di seluruh Perairan Indonesia (Merta, 1994).

Sedangkan di Selat Bali sendiri, produksi ikan lemuru mencapai 90 % dari seluruh

produksi ikan pelagis yang tertangkap di perairan tersebut (Hendiarti et al., 2005).

Ikan lemuru dari Selat Bali mempunyai nama latin yang spesifik dibandingkan

dengan ikan lemuru yang tertangkap di daerah lain, yaitu Sardiniella lemuru

(Merta, 1994; Suwarso et al., 2004). Mengingat pentingnya sumberdaya perikanan

lemuru di Selat Bali, pengelolaan sumberdaya perikanan lemuru harus lestari dan

berkelanjutan. Oleh karenanya diperlukan informasi akurat yang terkait distribusi

lemuru dalam skala ruang dan waktu, serta faktor alam yang berpengaruh

terhadap distribusinya. Pengelolaan sumberdaya ikan berbasis pada pemahaman


3

ekologi sumberdaya, merupakan salah satu kunci untuk menjaga kelestarian

sumberdaya ikan (Wilson et al., 2008).

Penangkapan lemuru dilakukan dengan menggunakan alat tangkap pukat

cincin. Saat ini terdapat dua kelompok besar nelayan di Selat Bali, yaitu kelompok

nelayan yang berasal dari Jawa Timur dan kelompok nelayan dari Bali.

Kelompok nelayan pertama umumnya mendaratkan hasil tangkapannya di

Pelabuhan Perikanan Muncar Banyuwangi. Sedangkan kelompok nelayan kedua

mendaratkan hasil tangkapannya di Pelabuhan Perikanan Pengambengan Bali

(Suwarso et al., 2004). Penangkapan lemuru dilakukan dengan metode “one day

fishing”. Umumnya kapal pukat cincin berangkat sore hari dan kembali pada

keesokan harinya (Merta et al., 1999). Saat ini, penentuan arah pergerakan kapal

dalam mencari gerombolan ikan lemuru ditentukan oleh seorang tukang panggung

di setiap kapal. Peran tukang panggung relatif sama dengan peran seorang fishing

master dalam sebuah kapal penangkapan ikan. Umumnya dalam menentukan

lokasi potensial penangkapan ikan lemuru, tukang panggung mendasarkan pada

pengalamannya atau pada informasi dari tukang panggung lainnya. Akibatnya

hasil tangkapan lemuru setiap kapal cenderung tidak menentu. Ketika tidak

ditemukan kumpulan ikan lemuru, kapal pukat cincin akan kembali ke pelabuhan

tanpa hasil. Kondisi ini akan berdampak pada pendapatan para awak kapal pukat

cincin, yang pendapatannya berasal dari sistem bagi hasil tangkapan lemuru

dengan pemilik kapal.

Daerah penangkapan lemuru berada di Selat Bali. Namun karena

umumnya nelayan pukat cincin tidak menggunakan alat bantu navigasi, maka data

lokasi penangkapan ikan lemuru di Selat Bali tidak tersedia. Saat ini, data-data

yang tersedia untuk melakukan analisis penangkapan ikan lemuru di Selat Bali,

adalah data jumlah pendaratan ikan lemuru, baik di Muncar maupun di

Pengambengan. Jenis data tersebut yang banyak digunakan untuk melakukan

analisis penangkapan lemuru di Selat Bali, seperti dalam Ghofar et al (1999),

Suwarso et al. (2004), dan Sartimbul et al. (2010). Pendekatan dengan

menggunakan nama lokal untuk identifikasi daerah penangkapan ikan lemuru

telah dikembangkan oleh Merta (1994) dan Merta et al. (1999), yang mencatat

ada lima belas daerah penangkapan ikan lemuru di Selat Bali.

Untuk mendapatkan informasi yang lebih akurat tentang sebaran daerah

penangkapan ikan lemuru dalam skala ruang dan waktu, pendekatan rantai

makanan ikan lemuru dilakukan dalam penelitian ini. Golongan ikan sardin,

dimana lemuru termasuk didalamnya, mempunyai hubungan langsung dengan

fitoplankton dan zooplankton dalam rantai makanannya (Lalli and Parsons, 1997;

Ware and Thomson, 2005). Burhanuddin dan Praseno (1982), menyebutkan

komposisi makanan ikan lemuru adalah zooplankton (90.5 – 95.5 %) dan

fitoplankton (4.5 – 9.5 %). Fitoplankton sendiri dikenal sebagai komponen dasar


4

dalam rantai makanan di laut, karena kemampuannya melakukan proses

fotosintesis yang menghasilkan bahan organik dari sinar matahari (Robinson,

2010; Alvain et al., 2010). Salah satu pigmen fitoplankton yang berperan penting

dalam proses fotosintesis adalah klorofil-a (Robinson 2004). Konsentrasi klorofil-

a juga dapat menggambarkan biomassa fitoplankton dalam suatu perairan (Alvain

et al., 2010). Walaupun semua jenis fitoplankton mengandung klorofil-a, namun

setiap jenis fitoplankton memproduksi bahan organik yang secara substansi

berbeda (Alvain et al., 2005). Diatom yang mempunyai lapisan silika pada selnya,

dikenal dapat memproduksi bahan organik lebih efisien dibandingkan dengan

kelas fitoplankton lainnya (Lochte et al., 1993 dalam Alvain et al., 2005).

Umumnya diatom dan dinoflagellata mendominasi fitoplankton yang tertangkap

dengan jaring plankton, karena ukurannya yang relatif besar dibandingkan dengan

fitoplankton lainnya (Arinardi, 1997). Analisis kelimpahan fitoplankton Selat Bali

dari penelitian sebelumnya, menunjukkan adanya dominasi diatom pada bulan Juli,

yaitu mencapai kepadatan lebih dari 60.000 sel/m3 (Saliyo 1973 dalam Merta et

al., 1999).

Untuk mendapatkan informasi sebaran diatom di Selat Bali dalam skala

ruang dan waktu, data variabel oseanografi dari hasil pengukuran sensor Ocean

Colour digunakan dalam penelitian ini. Pengukuran konsentrasi klorofil-a dari

sensor Ocean Colour merupakan salah satu terobosan menakjubkan dalam

komunitas oseanografi pada abad ini (Robinson, 2004). Hasil pengukuran sensor-

sensor Ocean Colour semakin mendapat perhatian dalam dunia oseanografi,

terutama ketika salah satu sensornya, SeaWiFS (Sea-viewing Wide-Field of view

Sensor) mampu menghasilkan data konsentrasi klorofil-a dalam skala global

secara terus menerus selama lebih dari sepuluh tahun sejak diluncurkan (McClain,

2009). Kemampuan sensor-sensor Ocean Color semakin bertambah dengan

kemampuannya bekerja pada panjang gelombang near-infrared, sehingga dapat

menghasilkan data sebaran suhu permukaan laut (Robinson, 2004; Alvain et al.,

2010). Dalam perkembangannya, selain menghasilkan data sebaran konsentrasi

klorofil-a dan suhu permukaan laut, sensor-sensor Ocean Colour dikembangkan

untuk dapat memahami siklus biogeokimia dan produktivitas primer suatu

perairan, diantaranya dengan dihasilkannya data sebaran particulate organic

carbon (POC), sebaran photosynthetically active radiation (PAR), dan sebaran

particulate inorganic carbon (POC) (Hoepffner et al, 2008). Pemanfaatan sensor

Ocean Color untuk observasi komunitas fitoplankton dalam suatu perairan

menjadi semakin menarik, dengan dipengaruhinya koefisien absorpsi radiasi sinar

matahari setiap sel fitoplankton oleh komposisi pigmen sel tersebut

(Satyendranath et al., 1987 dalam Satyendranath et al., 2004). Perkembangan

tersebut menuju pada teridentifikasinya struktur komunitas fitoplankton dalam


5

suatu perairan dari data-data sensor Ocean Colour, seperti yang terdapat dalam

Satyendranath et al. (2004) dan Alvain et al (2010) .

Penelitian ini bertujuan untuk memodelkan sebaran diatom di Selat Bali

pada skala ruang dan waktu dengan memanfaatkan data dari sensor MODIS

(Moderate Resolution Imaging Spectroradiometer). Pendekatan yang dilakukan

dalam penelitian ini merupakan suatu pendekatan awal untuk memahami sebaran

ikan lemuru di Selat Bali. Diharapkan hasil pemodelan sebaran diatom dapat

menjadi salah satu sumber acuan dalam pengelolaan sumberdaya perikanan yang

lestari dan berkelanjutan di Selat Bali.

BAHAN DAN METODE

Data kelimpahan dan keanekaragaman diatom diperoleh dari pengambilan

sampel fitoplankton di Selat Bali selama periode tahun 2008 – 2010. Lokasi

stasiun pengambilan sampel fitoplankton dapat dilihat pada gambar 1. Terdapat

perbedaan pola pengambilan sampel antara tahun 2008, 2009 dan 2010. Pada

periode tahun 2008, pengambilan sampel fitoplankton harian dilakukan dengan

mengikutsertakan observer pada kapal pukat cincin yang beroperasi dalam Selat

Bali. Sedikitnya sepuluh kali pengambilan sampel fitoplankton perbulan

dilakukan pada periode Juli – Desember 2008. Karena menggunakan kapal pukat

cincin, maka lokasi stasiun pengambilan sampel fitoplankton adalah pada lokasi

kapal pukat cincin melakukan penangkapan lemuru. Sedangkan pada periode

tahun 2009, ditentukan tiga stasiun yang diobservasi setiap hari selama 10 hari

dan 15 hari berturut-turut pada periode bulan September dan Oktober 2009. Pada

pengambilan sampel fitoplankton periode tahun 2010, ditentukan sepuluh stasiun

dengan pola observasi setiap hari selama lima hari beturut-turut. Pengambilan

sampel fitoplankton pada periode tahun 2010 dilakukan pada bulan Oktober-

November 2010. Analisis kelimpahan dan keanekaragaman diatom dilakukan di

Laboratorium Riset Kelautan – Balai Penelitian dan Observasi Laut, Prancak Bali.

Variabel oseanografi hasil observasi Sensor MODIS Aqua/Terra yang

digunakan dalam penelitian ini meliputi : sea surface chlorophyll-a concentration

(SSC) dan photoshynthetically available radiation (PAR). Data-data harian SSC

dan PAR tersebut diekstrak dari data level dua harian sensor MODIS Aqua/Terra

dengan resolusi spasial 1 km. Sedangkan data-data level dua sensor MODIS

Aqua/Terra sendiri diperoleh dari website Ocean Color

(http://oceancolor.gsfc.nasa.gov). Ekstraksi setiap data level dua menjadi variabel

SSC dan PAR dengan wilayah Selat Bali, dilakukan dengan memanfaatkan IDL

(Interactive Data Language) command-line yang terdapat dalam program

SeaWiFS Data Analysis System (SeaDAS). Data harian Sensor MODIS

Aqua/Terra yang digunakan dalam penelitian ini mempunyai periode waktu yang

sama dengan periode waktu pengambilan sampel fitoplankton.

http://oceancolor.gsfc.nasa.gov/


6

Gambar 1. Stasiun pengambilan sampel fitoplankton periode 2008-2010 (Station

of phytoplankton sampling during 2008-2010 period).

Untuk mendapatkan nilai SSC dan PAR pada lokasi pengambilan sampel

diatom, data harian diatom dioverlay dengan data harian SSC dan PAR pada

periode hari yang sama. Nilai-nilai SSC dan PAR kemudian dianalisis dengan

metode GAM (generalized additive model). Kelimpahan diatom digunakan

sebagai variabel Y, SSC dan PAR digunakan sebagai variabel X. Sebelum

dilakukan analisis GAM, terlebih dahulu dilakukan eksplorasi data sesuai dengan

prosedur yang terdapat dalam Zuur et al. (2009) dan Zuur et al. (2010).

Pembentukan model GAM dilakukan dengan bantuan pustaka mgcv (Wood, 2006)

yang terdapat dalam program R (R Development Core Team, 2008). Pustaka yang

sama kembali digunakan untuk memperkirakan sebaran diatom secara spasial dari

data-data PAR dan SSC.

HASIL DAN PEMBAHASAN 1. Indirect Upwelling di Selat Bali

Secara umum, dinamika oseanografi Selat Bali dipengaruhi oleh dinamika

oseanografi yang terjadi di Samudra Hindia Sebelah Selatan Pulau Jawa-Bali.

Pada musim timur, wilayah tersebut cenderung mengalami peningkatan

produktivitas primer di lapisan permukaan sebagai akibat terjadinya upwelling.

Proses upwelling yang dipicu oleh transpor Ekman di sepanjang pantai selatan

Jawa-Bali, mengangkat massa kolom air di bawah lapisan permukaan yang kaya

nutrien dan suhu yang lebih dingin ke lapisan permukaan (Hendiarti et al., 2004).

Akibatnya produktivitas primer di wilayah upwelling cenderung meningkat ketika


7

terjadi periode upwelling. Proses upwelling juga mengakibatkan penurunan suhu

permukaan laut (SST) sebagai akibat naiknya lapisan kolom air yang bersuhu

lebih dingin ke lapisan permukaan (Hendiarti et al. 2004; Qu et al., 2005). Dalam

konteks satelit oseanografi, proses terjadinya upwelling disuatu perairan dapat

diidentifikasi dengan meningkatnya konsentrasi klorofil-a dan penurunan suhu

permukaan laut di lapisan permukaan laut. Namun dalam penerapannya, terutama

untuk wilayah Perairan Indonesia yang terletak pada daerah lintang rendah,

diperlukan kehati-hatian dalam mengidentifikasi upwelling dengan hanya

berdasarkan pada data konsentrasi klorofil-a permukaan dan suhu permukaan laut.

Karena sebaiknya juga identifikasi terhadap faktor penggerak upwelling, yaitu

arah dan kecepatan angin. Ketika memicu terjadinya upwelling di suatu wilayah

perairan, arah dan kecepatan angin juga dipengaruhi oleh gaya koriolis dan

transpor Ekman di wilayah tersebut (Robinson, 2010). Longhurst (2007)

memperkuat analisis terjadinya upwelling di Samudra Hindia Selatan Jawa-Bali

pada musim timur dengan data suhu laut pada kedalaman 200 m. Pada daerah

upwelling, suhu pada kedalaman 200 m berkisar 11° C, sedangkan pada daerah

non upwelling di wilayah tersebut, suhu pada kedalaman 200 m berkisar pada

18°- 20°C.

Proses upwelling di Samudra Hindia Selatan Jawa-Bali juga berpengaruh

terhadap peningkatan produktivitas primer di lapisan permukaan Selat Bali.

Proses ini lebih dikenal sebagai proses indirect upwelling (Hendiarti et al., 2005)

dan cenderung mengikuti pola peningkatan SSC dan penurunan SST di Samudra

Hindia Selatan Jawa-Bali. Seperti terlihat pada gambar 2, 3 dan 4, ketika

memasuki bulan Mei, konsentrasi klorofil-a permukaan dan aktivitas fotosintesis

meningkat, sedangkan sebaliknya SST cenderung menurun. Pola tersebut terjadi

sampai bulan Oktober. Kondisi sebaliknya terjadi pada periode musim barat.

Indikator lain terjadinya indirect upwelling di Selat Bali adalah meningkatnya

konsentrasi salinitas di Selat Bali ketika memasuki musim timur. Ketika musim

timur, salinitas di Selat Bali meningkat hingga mencapai 34 ‰, disebabkan

adanya aliran massa air dari Samudra Hindia pada saat terjadinya proses

upwelling (Ilahude, 1975 dalam Suwarso et al., 2004).

2. Prakiraan Sebaran Kelimpahan Diatom

Karena sensor MODIS Aqua/Terra merupakan sensor yang bersifat pasif

(Robinson, 2004), maka tidak semua proses overlay menghasilkan nilai PAR dan

SSC. Akibatnya hanya 38 titik pengambilan sampel diatom dari total 198 titik

pengambilan sampel diatom, yang menghasilkan nilai PAR dan SSC. Dataset

tersebut digunakan untuk membangun persamaan GAM.


8

Gambar 2. Komposit bulanan SSC Selat Bali dari data level 3 Sensor MODIS Aqua periode 2008 -2010 (Monthly composite images

of Bali Strait’s SSC derived from 3rd level of MODIS Aqua on 2008-2010 period).


9

Gambar 3. Komposit bulanan PAR Selat Bali dari data level 3 Sensor MODIS Aqua periode 2008 -2010 (Monthly composite images

of Bali Strait’s PAR derived from 3rd level of MODIS Aqua on 2008-2010 period).


10

Gambar 4. Komposit bulanan SST Selat Bali dari data level 3 Sensor MODIS Aqua periode 2008 -2010 (Monthly composite images

of Bali Strait’s SST derived from 3rd level of MODIS Aqua on 2008-2010 period).


11

Gambar 5. Prakiraan harian sebaran kelimpahan diatom periode musim timur 2011 (Daily prediction of diatom abundance

distribution during southeast monsoon period 2011)


12

Eksplorasi data yang dilakukan terhadap variabel PAR dan SSC menunjukkan tidak adanya kolinearitas antar kedua variabel tersebut. Nilai hasil analisis variance inflation factor (VIF) kedua variabel adalah 1.015. Nilai VIF kedua variabel tersebut kurang dari 3. Nilai VIF 3 digunakan sebagai indikasi terjadinya kolinearitas antar setiap variabel (Zuur et al., 2009). Persamaan GAM yang terbentuk dari kedua variabel tersebut adalah sebagai berikut : Diatom = expα + s(PAR) + s(SSC)..................................................................................(1)

Persamaan tersebut mempunyai nilai deviance sebesar 74 %. Deviance

dalam persamaan GAM mempunyai arti yang relatif sama dengan R pada regresi linear (Zuur et al., 2007). Dengan demikian persamaan GAM dengan variabel PAR dan SSC tersebut dapat menjelaskan kelimpahan diatom sebesar 74 %. Variabel PAR mempunyai kontribusi yang lebih besar dibandingkan dengan variabel SSC dalam menjelaskan kelimpahan diatom. Indikasinya terlihat pada tingkat signifikansi setiap variabel pembentuk persamaan GAM. Tingkat signifikansi variabel PAR berada pada kelompok sangat signifikan (p<0.001), sedangkan variabel SSC berada pada kelompok signifikan ( p<0.01). Definisi tingkat signifikansi tersebut mengacu pada Verzani (2005). Mugo et al. (2010) menggunakan metode yang sama untuk memperkirakan sebaran ikan cakalang di Jepang. Hasil persamaan GAM yang dibentuk dari empat variabel , yaitu SSC, SST, sea surface height (SSHA), dan eddy kinetic energy (EKE), dapat menjelaskan sebaran ikan cakalang di Jepang sebesar 13.3%. Lebih tingginya nilai deviance yang diperoleh dalam pembentukan GAM untuk diatom diduga karena kedua variabel yang digunakan untuk pembentukan model tersebut, secara ekologi terkait erat dengan aktivitas diatom di perairan. Pigmen klorofil-a ditemukan di setiap jenis fitoplankton laut (Ajani and Rissik, 2009), namun komposisi pigmen yang berbeda antar setiap jenis fitoplankton menyebabkan tingkat efektifitas absorpsi radiasi sinar matahari dan proses fotosintesis berbeda untuk setiap jenis fitoplankton (Satyendranath et al., 1987 dalam Satyendranath et al., 2004). Diduga karena perbedaan komposisi tersebut, variabel SSC mempunyai kontribusi yang lebih rendah dibandingkan variabel PAR dalam pembentukan model GAM. Variabel PAR mempunyai keterkaitan yang sangat erat dengan proses fotosintesis yang dilakukan oleh fitoplankton (Hoepffner et al., 2008), sedangkan diatom sendiri dikenal mempunyai tingkat efektivitas proses fotosintesis yang tinggi (Lochte et al., 1993 dalam Alvain et al., 2005). Diduga karena keterkaitan tersebut, variabel PAR mempunyai kontribusi yang lebih tinggi dibandingkan variabel SSC dalam model GAM yang terbentuk.

Persamaan GAM digunakan untuk memprediksi sebaran kelimpahan diatom harian periode musim timur 2011 dengan input data harian PAR dan SSC pada periode tersebut. Hasil prediksi sebaran kelimpahan diatom ditampilkan pada gambar 5. Data harian sebaran PAR dan SSC Selat Bali dapat diperoleh dari hasil pengukuran Sensor MODIS Aqua maupun Sensor MODIS Terra. Namun, karena kondisi tutupan awan yang relatif tinggi pada wilayah Selat Bali, maka data harian SSC dan PAR yang mempunyai tutupan awan minimum saja yang dapat digunakan sebagai input dalam memprediksi sebaran kelimpahan diatom.


13

Kelemahan akibat tutupan awan yang relatif tinggi masih merupakan kendala dalam penggunanaan data-data sensor Ocean Color. Untuk wilayah Selat Bali sendiri, umumnya kondisi tutupan awan akan semakin meningkat ketika memasuki musim barat, sehingga data-data dari sensor Ocean Color cenderung tidak bisa digunakan untuk memprediksi sebaran kelimpahan diatom pada periode musim tersebut. Ketika musim barat, angin bertiup dari Benua Asia menuju Benua Australia dengan membawa massa udara yang lembab, sehingga menyebabkan presipitasi di Perairan Indonesia (Hendiarti et al., 2004). Dampaknya, tutupan awan di Perairan Indonesia cenderung meningkat seiring dengan meningkatnya presipitasi pada periode musim barat.

Prediksi sebaran kelimpahan diatom yang dihasilkan dalam penelitian ini merupakan pendekatan awal dalam memahami sebaran kelimpahan fitoplankton dan variabel-variabel oseanografi yang mempengaruhi distribusinya dalam skala ruang dan waktu. Pendekatan lain dengan menggunakan metode optical oceanography telah dilakukan oleh Satyendranath et al., (2004). Untuk menentukan sebaran populasi diatom dari sensor Ocean Color, Satyendranath et al., (2004) memanfaatkan perbedaan panjang gelombang radiasi balik setiap jenis fitoplankton. Pendekatan yang dilakukan oleh Satyendranath et al. (2004) tersebut setidaknya dapat membuktikan tentang perlunya pengembangan algoritma-algoritma standar yang dipakai dalam pengolahan data-data dari sensor Ocean Color. Untuk meningkatkan akurasi dari prakiraan sebaran kelimpahan diatom yang dihasilkan dalam penelitian ini, pengambilan sampel diatom di Selat Bali masih terus dilakukan. Selain dapat digunakan untuk menambah jumlah data yang digunakan untuk keperluan pembentukan model GAM, data-data kelimpahan diatom yang diambil tersebut dapat juga digunakan untuk validasi hasil prakiraan sebaran kelimpahan diatom. KESIMPULAN

Persamaaan GAM yang dibentuk dari variabel PAR (photosinthetically available radiation) dan SSC (sea surface cholorophyll-a) dapat menjelaskan kelimpahan diatom di Selat Bali sebesar 74 %. Secara statistik, variabel PAR mempunyai kontribusi yang lebih besar dalam pembentukan model GAM dibandingkan variabel SSC. UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih sebesar-besarnya kepada tim observer Selat Bali BPOL yang terdiri dari Eko Susilo, Azis Muslim, dan Dedy Aan Zahruddin. Penulis juga mengucapkan terima kasih kepada tim Laboratorium Riset Kelautan-BPOL yang telah melakukan pengolahan data insitu konsentrasi diatom. Tidak lupa, ucapan terima kasih penulis sampaikan kepada mitra bestari Jurnal Kelautan Nasional, yang telah menelaah dan memberikan masukan untuk penyempurnaan makalah ini.


14

DAFTAR ACUAN Ajani, P. and Rissik, D. 2009. ”Coastal and Marine Phytoplankton : Diversity and

Ecology”. In Suthers, I.M. and Rissik, D.(eds). Plankton. A Guide to Their Ecology and Monitoring for Water Quality. CSIRO Publishing. Pp. 141-156.

Alvain, S. Moulin, C., Dandonneau, Y. and Breon, F.M.. 2005. Remote Sensing of Phytoplankton Groups in Case 1 Waters from Global SeaWiFS Imagery. Deep Sea Research Part I Oceanographic Research Papers 52, 11 : 1989 – 2004.

Alvain, S., Gaurier, L.D., and Loisel, H. 2010. ”Observation of Ocean Colour Beyond Chlorophyll-a : From Particulate Organic Carbon Content and Size Distribution to Phytoplankton Functional Groups”. In Morales, J. Stuart, V., Platt, T., and Satyendranath, S. (eds). Handbook of Satellite Remote Sensing Image Interpretation : Appplication for Marine Living Resources Conservation and Management. EU PRESPO Project and IOCCG. Pp. 65-78.

Ghofar, A., Mathews, C.P., Merta, I.G.S. and Salim, S. 1999. Incorporating the Southern Oscillation Indices to the Management Model of the Bali Strait Sardiniella Fishery. Proceeding of Workshop on the Fishery and Management of Bali Sardiniella (Sardiniella lemuru) in Bali Strait. Denpasar 8-6 April 1999.

Hendiarti, N., Siegel, H., and Ohde, T. 2004. Investigation of Different Coastal Processes in Indonesian Waters using SeaWiFS Data. Deep Sea Research Part II: Tropical Studies in Oceanography. 51:85-97.

Hendiarti, N., Suwarso, Aldrian, E, Amri, K., Andiastuti, R, Sachoemar, S.E and Wahyono, I.B. 2005. Pelagic Catch Around Java. Oceanography. 18(4) : 112-123.

Hoepffner, N., Melin, F., Dowell, M., Marra, J., Saino, T., and Wilson, C. 2008.. “Biogeochemical Cycles”. In Platt, T., Hoepffner, N., Stuart, V., and Brown, C. (eds). IOCCG Report Number 7. Why Ocean Colour ? The Social Benefits of Ocean-Colour Technology. IOCGG. Pp. 31-46.

Longhurst, A.R. 2007. Ecological Geography of the Sea. Second Edition. Elsevier.

McClain, C.R. 2009. A Decade of Satellite Ocean Color Observations. Annual Review of Marine Science. 1 : 19-24.

Merta, G.S., Iskandar, B., dan Bahar, S. 2004. “Musim Penangkapan Ikan Pelagis Besar”. Dalam Suwarso (ed). Musim Penangkapan Ikan di Indonesia. Balai Riset Perikanan Laut, Badan Riset Kelautan dan Perikanan. Departemen Kelautan dan Perikanan.

Merta, G.S. 1994. ”Review of The Lemuru Fishery in the Bali Strait”. In Potier, M., and Nurhakim, S. (eds).Biology, Dynamics, Exploitation of the Small


15

Pelagic Fishes in the Java Sea. The Agency for Marine and Fisheries Research.

Merta, G.S., Widana, K., Yunizal , and Basuki, R. 1999. Status of the Lemuru Fishery in Bali Strait : Its Developments and Prospects. Proceeding of Workshop on the Fishery and Management of Bali Sardiniella (Sardiniella lemuru) in Bali Strait. Denpasar 8-6 April 1999.

Mugo, R., Saitoh, S., Nihira, A., and Kuroyama, T. 2010. Habitat Characteristisc of Skipjack Tuna (Katsuwonus pelamis) in The Western North Pacific : A Remote Sensing Perspective. Fisheries Oceanography. 19(5): 382 – 396.

Qu, T., Du, Y. Strachan, J., Meyers, G., and Slingo, J. 2005. Sea Surface Temperature and its Variability in The Indonesian Region. Oceanography. 18 : 50–61.

R Development Core Team.. 2008. R : A Language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. http://www.R-project.org.

Robinson, I. S. 2004. Measuring Ocean from the Space, The Principles and Methods of Satellite Oceanography. Springer-Praxis.

Robinson, I.S. 2010. Discovering The Ocean from Space. The Unique Applications of Satellite Oceanography. Springer-Praxis.

Sartimbul, A. Nakata, H, Rohadi, E. Yusuf, B. and Kadarisman, H.P. 2010. Variations in Chlorophyll-a Concentration and The Impact on Sardinella lemuru Catches in Bali Strait, Indonesia. Progress in Oceanography. 87 : 168-174.

Satyendranath, S. Watss, L. Devred, E. Platt, T. Caverhill, C. and Maass, H. 2004. Discrimination of diatoms from other phytoplankton using ocean-colour data. Marine Ecology Progress Series. 272 : 59 -68.

Suwarso. Hariati, T. Sadhotomo, B., Atmaja, S.B., dan Wudianto. 2004. “Musim Penangkapan Ikan Pelagis Kecil”. dalam Suwarso (ed.) Musim Penangkapan Ikan di Indonesia. Balai Riset Perikanan Laut, Badan Riset Kelautan dan Perikanan. Departemen Kelautan dan Perikanan.

Verzani, J. 2005. Using R for Introductory Statistics. Chapman and Hall/CRC Press.

Ware, D.M. and Thompson, R.E. 2005. Bottom-Up Ecosystem Trophic Dynamics Determine Fish Production in the Northeast Pacific. Science. 308 : 1280-1285.

Wilson, C., Morales, J., Nayak, S., Asanuma, I., and Feldman, G. 2008. “Ocean-Colour Radiometry and Fisheries” . In Platt, T., Hoepffner, N., Stuart, V., and Brown, C. (eds.). IOCCG Report Number 7. Why Ocean Colour ? The Social Benefits of Ocean-Colour Technology.IOCCG. Pp. 47-58.


16

Wood, S.N. 2006. Generalized Additive Model, An Introduction with R. Chapman and Hall/CRC Press.

Zuur, A.F., Ieno, E.N., Walker, N.J., Saveliev, A.A., and Smith, G.M. 2009. Mixed Effect Models and Extension in Ecology with R. Springer.

Zuur, A.F. Ieno, E.N. and Elphick, C.S. 2010. A Protocol for Data Exploration to Avoid Common Statistical Problems. Methods in Ecology and Evolution. 2010(1): 3 – 14.

Documents

Sebaran Diatom di Selat Bali