diaduk hingga homogen. Setelah itu dipisahkan supernatant dari larutan contoh untuk diukur di spektrofotometer.
3.5. Analisis Data
3.5.1. Analisa deskriptif
Analisa deskriptif dapat digunakan untuk melihat tingkat pencemaran logam berat timbal Pb pada perairan Kamal Muara yaitu dengan cara membandingkan
hasil analisa logam berat dengan Kriteria Baku Mutu. Tabel 3. Kriteria Baku Mutu Air Laut untuk Biota Laut Tahun 2004 Menteri
Negara Lingkungan Hidup, 2004.
Parameter Satuan Baku
Mutu
Timbal Pb mgl
0,008
Tabel 4. Baku mutu konsentrasi logam berat dalam sedimen IADCCEDA, 1997
Logam berat ppm
Level target
Level limit
Level tes Level
intervensi Level
bahaya Timbal Pb
85 530
530 530
1000 Keterangan:
1. Level target. Jika konsentrasi kontaminan yang ada pada sedimen memiliki nilai
yang lebih kecil dari nilai level target, maka substansi yang ada pada sedimen tidak terlalu bahaya bagi lingkungan.
2. Level limit. Jika konsentrasi kontaminan yang ada pada sedimen memiliki nilai
maksimum yang dapat ditolerir bagi kesehatan manusia maupun ekosistem. 3.
Level tes. Jika konsentrasi kontaminan yang ada pada sedimen berada pada kisaran nilai antara level limit dan level tes, maka dikategorikan sebagai
tercemar ringan. 4.
Level intervensi. Jika konsentrasi kontaminan yang ada pada sedimen berada pada kisaran nilai level tes dan level intervensi, maka dikategorikan sebagai
tercemar sedang.
5. Level bahaya. Jika konsentrasi kontaminan yang ada pada sedimen memiliki
nilai yang lebih besar dari baku mutu level bahaya maka harus segera dilakukan pembersihan sedimen.
3.5.2. Analisis komponen utama Principal Component AnanlysisPCA
Prosedur analisis komponen utama atau PCA pada dasarnya adalah bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan
mereduksi dimensinya. Salah satu keunggulan penggunaan PCA dibanding dengan metode lain adalah dapat digunakan untuk segala kondisi data dan digunakan tanpa
harus mengurangi jumlah variabel asal. Tujuan dalam penggunaan analisis komponen utama dalam suatu matriks data berukuran cukup besar diantaranya
adalah Bengen, 2000 : a.
Mengekstraksi informasi esensial yang terdapat dalam suatu tabel atau matriks data yang besar.
b. Menghasilkan suatu representasi grafik yang memudahkan interpretasi.
c. Mempelajari suatu tabel atau matriks dari sudut pandang kemiripan antara
individu atau hubungan antar variabel. Secara umum informasi yang diberikan dari hasil PCA dari sudut pandang
variabel adalah didapat matriks korelasi antar semua variabel, akar ciri dari setiap sumbu faktorial berkaitan dengan jumlah inersi dari setiap sumbu, vektor ciri yang
menjelaskan koefisien variabel dalam persamaan linear yang mendeterminasikan sumbu-sumbu utama dan grafik bidang yang menvisualisasikan variabel terhadap
sumbu. Sedangkan dari sudut pandang individu, analisis PCA didapat koordinat pada setiap sumbu, kualitas representasi titik individu dalam setiap grafik bidang
dan grafik bidang yang memperlihatkan kemiripan antar titik individu. Perhitungan dalam analisis komponen utama PCA dapat dibantu dengan mengunakan software
xl-stat dan Microsoft excel 2007. Dalam analisis PCA terdapat pula matriks korelasi. Analisis korelasi
biasanya digunakan dalam pengujian hipotesis yang bersifat asosiatif, yaitu dugaan adanya hubungan antar variabel dalam populasi. Korelasi merupakan angka yang
menunjukkan arah dan kuatnya hubungan antar dua variabel atau lebih. Arah dinyatakan dalam bentuk hubungan positif dan negatif, sedangkan kuatnya
hubungan dinyatakan dalam nilai besarnya koefisien korelasi. Besarnya koefisien korelasi berkisar antara +1 sampai -1, kuatnya hubungan antar variabel dinyatakan
dalam koefisien korelasi positif sebesar 1 dan koefisien korelasi negatif sebesar -1 sedangkan yang terkecil adalah 0 nol Sugiyanto, 2004. Untuk melihat kekuatan
hubungan dalam korelasi digunakan kriteria sebagai berikut Hasan, 2003 : • 0
: Tidak ada korelasi antara dua variabel • 0 – 0,25
: Korelasi sangat lemah • 0,25 – 0,5
: Korelasi cukup • 0,5 – 0,75
: Korelasi kuat • 0,75 – 0,99 : Korelasi sangat kuat
• 1 : Korelasi sempurna
3.5.3. Faktor biokonsentrasi