Distribusi Vertikal Klorofil A di Perairan Laut Banda Berdasarkan Neural Network
DISTRIBUSI VERTIKAL KLOROFIL-A DI PERAIRAN LAUT BANDA
BERDASARKAN NEURAL NETWORK
ACH. FACHRUDDIN SYAH
SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2009
(2)
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis Disribusi Vertikal Klorofil-A di Perairan Laut Banda Berdasarkan Neural Network adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak ditertibkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, Agustus 2009
Ach. Fachruddin Syah C552070061
(3)
ABSTRAK
ACH. FACHRUDDIN SYAH. Vertical Disrtibution of Chlorophyll-a at Banda Sea Waters Based On Neural Network. Under direction of JONSON LUMBAN GAOL, and KUDANG BORO SEMINAR
The primary production quantity depends on the vertical distribution of chlorophyll concentration in the water column. The chlorophyll maximum value not always observed near or at the sea surface, but sometimes lies deeper than bottom of the euphotic zone. In this case, the ocean color sensors cannot measure the chlorophyll maximum value. A shifted Gaussian model has been proposed to describe the variation of the chlorophyll-a (Chl-a) profile which consists of four parameters, i.e. background biomass (B0), maximum depth of Chl-a (Zm), total biomass in the peak (h), and measurenment of the thickness or vertical scale of the peak (). However, these parameters are not easy to be determined directly from satellite data. Therefore, in these research, an ANN methodology is used. Using in-situ data 1962 to 1985 in Banda Sea, the above parameters are calculated to derive the Chl-a concentration, sea surface temperature, mixed layer depth, latitude, longitude, and season. The total of 79 profiles of Chl-a and temperature are used for ANN. The correlation coefficient of these parameters are 0.912 (B0), 0.871 (h), 0.986 () and 0.990 (Zm) respectively. After comparing with in-situ data and ANN model, the result show not good enough agreement relatively.
Keywords: Chlorophyll-a (Chl-a), Vertical Structure, Artificial Neural Networks (ANN)
(4)
RINGKASAN
ACH. FACHRUDDIN SYAH. Distribusi Vertikal Klorofil-a di Perairan Laut Banda Berdasarkan Neural Network. Dibimbing oleh JONSON LUMBAN GAOL, dan KUDANG BORO SEMINAR
Tingkat kesuburan suatu perairan bergantung pada konsentrasi klorofil-a di kolom perairan. Nilai klorofil-a maximum tidak selalu berada di dekat atau di permukaan laut, tetapi terkadang berada lebih dalam di bawah daerah eufotik. Pada kasus ini, sensor ocean color dari satelit tidak dapat menghitung nilai maksimum klorofil-a yang berada di bawah lapisan permukaan laut. Tujuan dari penelitian ini adalah melakukan studi pendugaan distribusi konsentrasi klorofil-a secara vertikal di Perairan Laut Banda dengan menggunakan metode ANN
Model yang digunakan untuk pendugaan distribusi vertikal konsentrasi klorofil-a adalah model distribusi Gauss. Model distribusi Gauss merepresentasikan profile distribusi vertikal klorofil-a dengan 4 parameter. yaitu konsentrasi klorofil-a di permukaan laut (B0), total konsentrasi klorofil-a di puncak (h), standard deviasi distribusi Gauss yang mengontrol ketebalan lapisan klorofil-a (), dan kedalaman konsentrasi klorofil-a maximum (Zm). Pendekatan perhitungan keempat parameter tersebut dilakukan menggunakan Least Square Method (LSM) dengan menggunakan data kedalaman dan konsentrasi klorofil-a in situ. Parameter yang diperoleh dengan metoda LSM tersebut digunakan sebagai data masukan output dalam metode ANN. Daerah penelitian adalah Perairan Laut Banda. Data klorofil in situ untuk daerah penelitian adalah data tahun 1962, 1963, 1972, 1973, 1984 dan 1985. Total data yang digunakan dalam proses ANN sebanyak 78 titik sampel. Data masukan input yang digunakan dalam model ANN adalah data konsentrasi klorofil-a ([Chl-a]) permukaan laut, suhu permukaan laut (SPL), mixed layer depth, lintang, bujur dan musim.
Pada proses training, telah berhasil diperoleh nilai koefisien korelasi (r) untuk parameter (B0), (h), () dan (Zm) berturut-turut sebesar 0.912, 0.871, 0.986 dan 0.990. Selanjutnya pada proses validasi, nilai koefisien korelasi (r) untuk parameter (B0), (h), () dan (Zm) berturut-turut diperoleh nilai 0.862, 0.522, 0.992 dan 0.994. Pendugaan parameter h belum sesuai dengan yang diharapkan karena pola distribusi vertikal konsentrasi klorofil-a yang berbeda. Dengan menggunakan nilai rata-rata 4 parameter Gauss dan persamaan Gauss maka diperoleh nilai [Chl-a] LSM dan [Chl-[Chl-a] ANN. Koefisien korelasi antara [Chl-[Chl-a] in-situ dan [Chl-a] LSM adalah sebesar 0.636, sedangkan koefisien korelasi antara [Chl-a] in-situ dan [Chl-a] ANN adalah sebesar 0.631 sehingga model masih perlu dikembangkan untuk mendapatkan hasil yang lebih akurat. Namun demikian, diperoleh hubungan yang cukup baik antara [Chl-a] LSM dan [Chl-a] ANN dengan nilai koefisien korelasi (r) yang sangat tinggi (0.99).
(5)
© Hak Cipta milik IPB, tahun 2009 Hak Cipta dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruhnya karya tulis ini tanpa mencatumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tidak merugikan kepentingan yang wajar IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB
(6)
DISTRIBUSI VERTIKAL KLOROFIL-A DI PERAIRAN LAUT BANDA
BERDASARKAN NEURAL NETWORK
ACH. FACHRUDDIN SYAH
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Mayor Teknologi Kelautan
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2009
(7)
Penguji Luar Komisi pada Ujian Tesis: Dr. Ir. Richardus Kaswadji, M.Sc Dr. Ir. Djisman Manurung, M.Sc
(8)
HALAMAN PENGESAHAN
Judul Tesis : Distribusi Vertikal Klorofil-a di Perairan Laut Banda Berdasarkan Neural Network
Nama : Ach. Fachruddin Syah NIM : C552070061
Disetujui Komisi Pembimbing
Dr. Ir. Jonson L. Gaol, M.Si Prof. Dr. Ir. Kudang B. Seminar, M.Sc
Ketua Anggota
Diketahui
Koordinator Mayor Dekan Sekolah Pascasarjana Teknologi Kelautan
Dr. Ir. Djisman Manurung, M.Sc Prof. Dr. Ir. Khairil A. Notodiputro, M.S
(9)
PRAKATA
Alhamdulillah, puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Penelitian ini merupakan salah satu syarat untuk menyelesaikan program Magister Sains pada Mayor Teknologi Kelautan, Program Pascasarjana, Institut Pertanian Bogor. Pada kesempatan ini penulis mengucapkan terima kasih kepada:
1. Dr. Ir. Jonson L. Gaol, M.Si sebagai ketua komisi pembimbing dan Prof. Dr. Ir. Kudang B. Seminar, M.Sc sebagai anggota komisi pembimbing yang dengan sabar memberikan bimbingan dan saran dalam penelitian dan penulisan tesis ini.
2. Dr. Ir. Richardus F. Kaswadji, M.Sc dan Dr. Ir. Djisman Manurung, M.Sc sebagai dosen penguji atas segala masukan untuk perbaikan tulisan ini.
3. Ir. Andri Purwandani dari BPPT atas data yang diberikan dalam penelitian ini. 4. Dekan dan rekan sejawat di Fakultas Pertanian Universitas Trunojoyo
khususnya ketua dan staf Jurusan Ilmu Kelautan.
5. Ibu Hj. Nurfadillah (orang tua), Bapak Soedjito dan Ibu Suparmi (mertua) yang selalu mendoakan dan memberi dorongan untuk mencapai ridho-Nya. 6. Dwi Indah Lestari (istri) dan Syarifatu Aliya dan Ahmad Fatih Haidar
(anak-anak) serta keluarga besar yang selalu mendoakan dan memberi semangat. 7. Seluruh kerabat dan teman seperjuangan atas segala kebaikan dan
kerjasamanya.
Penulis berharap tesis ini dapat bermanfaat. Semoga Allah SWT meridhoi setiap langkah kita. Amiin.
Bogor, Agustus 2009 Ach. Fachruddin Syah
(10)
PRAKATA
Alhamdulillah, puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Penelitian ini merupakan salah satu syarat untuk menyelesaikan program Magister Sains pada Mayor Teknologi Kelautan, Program Pascasarjana, Institut Pertanian Bogor. Pada kesempatan ini penulis mengucapkan terima kasih kepada:
8. Dr. Ir. Jonson L. Gaol, M.Si sebagai ketua komisi pembimbing dan Prof. Dr. Ir. Kudang B. Seminar, M.Sc sebagai anggota komisi pembimbing yang dengan sabar memberikan bimbingan dan saran dalam penelitian dan penulisan tesis ini.
9. Dr. Ir. Richardus F. Kaswadji, M.Sc dan Dr. Ir. Djisman Manurung, M.Sc sebagai dosen penguji atas segala masukan untuk perbaikan tulisan ini.
10.Ir. Andri Purwandani dari BPPT atas data yang diberikan dalam penelitian ini. 11.Dekan dan rekan sejawat di Fakultas Pertanian Universitas Trunojoyo
khususnya ketua dan staf Jurusan Ilmu Kelautan.
12.Ibu Hj. Nurfadillah (orang tua), Bapak Soedjito dan Ibu Suparmi (mertua) yang selalu mendoakan dan memberi dorongan untuk mencapai ridho-Nya. 13.Dwi Indah Lestari (istri) dan Syarifatu Aliya dan Ahmad Fatih Haidar
(anak-anak) serta keluarga besar yang selalu mendoakan dan memberi semangat. 14.Seluruh kerabat dan teman seperjuangan atas segala kebaikan dan
kerjasamanya.
Penulis berharap tesis ini dapat bermanfaat. Semoga Allah SWT meridhoi setiap langkah kita. Amiin.
Bogor, Agustus 2009 Ach. Fachruddin Syah
(11)
RIWAYAT HIDUP
Penulis dilahirkan di Kabupaten Bangkalan Jawa Timur pada tanggal 20 Mei 1979 sebagai anak pertama dari dua bersaudara dari pasangan H. Afandi (alm) dan Hj. Nurfadillah.
Tahun 1998 penulis lulus dari SMA Negeri 1 Bangkalan Madura dan pada tahun yang sama lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB. Penulis memilih Jurusan Ilmu dan Teknologi Kelautan, Fakultas Perikanan dan Ilmu Kelautan dan lulus pada tahun 2003. Pada tahun 2003 - 2004, penulis bekerja sebagai Manajer Litbang Akademik di salah satu bimbingan belajar yang ada di Bogor.
Pada tahun 2005 penulis diterima sebagai staf pengajar di Program Studi Ilmu Kelautan, Fakultas Pertanian, Universitas Trunojoyo Madura. Selanjutnya pada tahun 2007, penulis diberi kesempatan untuk melanjutkan studi di Mayor Teknologi Kelautan IPB atas beasiswa BPPS Ditjen DIKTI. Selama mengikuti perkuliahan, penulis pernah menjadi wakil ketua WATERMASS ITK untuk periode 2007/2008.
(12)
DAFTAR ISI
Halaman
DAFTAR TABEL ... vi
DAFTAR GAMBAR ... vii
DAFTAR LAMPIRAN ... viii
PENDAHULUAN ... 1
Latar Belakang ... 1
Perumusan Masalah ... 2
Tujuan Penelitian ... 2
Manfaat Penelitian ... 3
Ruang Lingkup Penelitian ... 3
TINJAUAN PUSTAKA ... 4
Fitoplankton dan Klorofil-a ... 4
Faktor-faktor yang Mempengaruhi Konsentrasi dan Distribusi Klorofil-a . 6 Suhu ... 6
Transmisi Cahaya ... 8
Intensitas Cahaya ... 9
Arus Air Laut ... 10
Nutrien ... 13
Distribusi Vertikal Klorofil-a pada Daerah yang Berbeda ... 16
Distribusi Gauss ... 19
Jaringan Syaraf Tiruan (Artificial Neural Network) ... 20
Penggunaan Artificial Neural Network di Perairan Sub Tropis ... 23
BAHAN DAN METODE ... 26
Waktu dan Tempat ... 26
Alat dan Bahan ... 26
Penentuan Data Input-Output ... 27
Pendugaan Parameter Gauss dengan ANN... 28
HASIL DAN PEMBAHASAN ... 34
Parameter Gauss ... 34
Pendugaan Parameter Gauss dengan ANN... 35
Training ... 35
Validasi Model... 38
Perbandingan nilai [Chl-a] in situ, [Chl-a] LSM dan [Chl-a] ANN ... 42
SIMPULAN DAN SARAN ... 47
Simpulan ... 47
Saran ... 47
DAFTAR PUSTAKA ... 48
(13)
DAFTAR TABEL
Tabel Halaman
1. Nilai Rata-rata Parameter Gauss pada Data Training ... 34
2. Nilai Rata-rata Parameter Gauss pada Data Validasi ... 34
3. Parameter Training ANN ... 35
4. Nilai error setelah Pengulangan ke-5000 ... 36
5. Nilai Rata-rata Selisih pada Proses Training ... 37
6. Nilai error pada Proses Validasi ... 38
7. Nilai Rata-rata Selisih pada Proses Validasi ... 40
8. Nilai Rata-rata Parameter Gauss ... 42
(14)
DAFTAR GAMBAR
Gambar Halaman 1. Struktur Termal dan Taraf Percampuran dalam Laut-Laut Daerah Beriklim
Sedang, Tropik, dan Kutub selama Empat Musim dalam Setahun ... 17
2. Struktur Vertikal Klorofil-a pada Lapisan Permukaan dan pada Tiap Tingkatan Kolom Air yang Berbeda ... 18
3. Distribusi Pergeseran Gauss untuk [Chl-a] ... 20
4. Profile [Chl-a] secara Vertikal pada Musim (a) Dingin, (b) Semi, (c) Panas dan (d) Gugur ... 24
5. Lokasi Penelitian ... 26
6. Konsentrasi Klorofil-a di Laut Banda pada Musim yang Berbeda ... 27
7. Model Artificial Neural Network yang akan dikembangkan ... 29
8a. Grafik Hubungan Nilai (a) B0 dan (b) h (skala log) Hasil Pendugaan ANN dan Perhitungan LSM ... 36
8b. Grafik Hubungan Nilai (c) dan (b) Zm Hasil Pendugaan ANN dan Perhitungan LSM ... 37
9a. Grafik Hubungan Nilai (a) B0, (b) h (skala log) Hasil Pendugaan ANN dan Perhitungan LSM ... 38
9b. Grafik Hubungan Nilai (c) dan (d) Zm Hasil Pendugaan ANN dan Perhitungan LSM ... 39
10a. Konsentrasi Klorofil-a di Laut Banda pada Musim (a) Barat dan (b) Peralihan 1 ... 39
10b. Konsentrasi Klorofil-a di Laut Banda pada Musim (c) Timur dan (d) Peralihan 2 ... 40
(15)
11. Hubungan antara Data Validasi dan Pendugaan ANN pada Parameter
(a) B0, (b) h, (c) dan (d) Zm ... 41 12. Grafik Hubungan Nilai [Chl-a] in situ dengan Nilai (a) [Chl-a] LSM dan
(b) [Chl-a] ANN ... 42 13. Grafik Hubungan Nilai [Chl-a] ANN dan [Chl-a] LSM ... 43 14. Perbandingan Nilai [Chl-a] in situ, [Chl-a] LSM dan [Chl-a] ANN pada
(16)
DAFTAR LAMPIRAN
Lampiran Halaman
1. Tampilan Program JST BackPro2N ... 51
2. Nilai Parameter Gauss pada Data Training... 52
3. Nilai Parameter Gauss pada Data Validasi ... 54
4. Data Training ... 55
5. Data Validasi ... 57
6. Hasil Training Model Pendugaan [Chl-a] ... 58
7. Hasil Validasi Model Pendugaan [Chl-a] ... 60
(17)
PENDAHULUAN
Latar Belakang
Mempelajari proses produksi primer, yang merupakan hasil proses biologi, sangat penting khususnya untuk mengetahui pengaruh fiksasi karbon fitoplankton terhadap flux CO2 yang melewati permukaan udara ke laut. Produksi primer bergantung kepada ketersediaan cahaya dan faktor lingkungan lain seperti suhu, nutrient dan keberadaan fitoplankton untuk proses fotosintesis
Fitoplankton dalam ekosistem perairan mempunyai peranan yang sangat penting terutama dalam rantai makanan di laut, karena fitoplankton merupakan produsen utama yang memberikan sumbangan terbesar bagi produksi primer total suatu perairan. Fitoplankton memiliki peranan penting bagi produktivitas primer perairan, karena fitoplankton dapat melakukan proses fotosintesis yang menghasilkan bahan organik yang kaya energi maupun kebutuhan oksigen bagi organisme yang tingkatannya lebih tinggi.
Untuk menduga biomassa fitoplankton suatu perairan dapat dilakukan melalui pengukuran nilai-nilai konsentrasi a. Hal ini dikarenakan klorofil-a merupklorofil-akklorofil-an sklorofil-alklorofil-ah sklorofil-atu pigmen penting dklorofil-alklorofil-am proses fotosintesis pklorofil-adklorofil-a fitoplankton. Dengan demikian sangat penting artinya mengukur nilai konsentrasi klorofil-a dan sebarannya untuk mengetahui ketersediaan fitoplankton yang pada akhirnya dapat melihat tingkat kesuburan suatu perairan
Nilai klorofil maximum tidak selalu berada di dekat atau di atas permukaan, tetapi terkadang berada lebih dalam di bawah daerah eufotik (Parson et al. 1984). Pada kasus ini, sensor ocean color dari satelit tidak dapat menghitung nilai maksimum klorofil yang berada di bawah lapisan permukaan (Gordon dan McCluney 1975). Platt et al. (1988) mengusulkan menggunakan model distribusi Gauss, yang merepresentasikan distribusi vertikal klorofil dengan 4 parameter, sebagai solusi sehingga distribusi vertikal kosentrasi klorofil-a dapat diduga dari konsentrasi permukaan.
Artificial Neural Network (ANN) utamanya digunakan untuk mendeskripsikan suatu fenomena yang non – linear, walaupun bisa juga untuk mendeskripsikan fenomena yang linear. Meskipun ada beberapa teknik untuk
(18)
mewujudkan fungsi persamaan, neural network digunakan untk menghasilkan nonlinier input dan output. Jika ada data set yang jarang menampilkan suatu karakteristik tertentu, ANN dapat mendekati hubungan nonlinier tersebut. Osawa et al. (2005) menggunakan ANN untuk mengembangkan model pendugaan distribusi vertikal klorofil-a di Perairan Jepang dengan hasil yang cukup baik. Di Perairan Indonesia perlu juga dikembangkan model yang sesuai menurut kondisi perairan tropis yang mempunyai kondisi berbeda dengan perairan daerah sub tropis.
Perumusan Masalah
Tingkat kesuburan suatu perairan bergantung pada konsentrasi klorofil-a di kolom perairan. Nilai klorofil-a maksimum tidak selalu teramati pada dekat atau permukaan laut tetapi kadang-kadang lebih dalam dari daerah eufotic zone. Pada kasus seperti ini sensor ocean color tidak dapat mengukur nilai klorofil maksimum. Pengembangan model distribusi vertikal klorofil dengan menggunakan fungsi Gauss dapat dilakukan untuk mengetahui dan menghitung sebaran total biomass klorofil-a secara vertikal dengan menggunakan data klorofil-a permukaan sebagai salah satu data inputnya. Akan tetapi, parameter-parameter fungsi Gauss tidak mudah untuk ditentukan nilainya secara langsung dari data satelit. Salah satu pemecahan yang dapat digunakan untuk pendugaan parameter Gauss adalah dengan pengaplikasian kecerdasan buatan (Artificial Intelligence) berupa jaringan syaraf tiruan (Artificial Neural Network). Namun demikian, sensor satelit juga menghasilkan nilai konsentrasi klorofil-a permukaan. Untuk Perairan Indonesia yang cukup luas, data-data konsentrasi klorofil-a secara spasial dan temperoral sulit didapatkan. Teknologi penginderaan jauh menjadi salah satu alat untuk mendapatkan data tersebut.
Tujuan Penelitian
Penelitian ini bertujuan untuk melakukan studi pendugaan distribusi konsentrasi klorofil-a secara vertikal di Perairan Laut Banda dengan menggunakan metode ANN.
(19)
Manfaat Penelitian
Kemampuan menduga konsentrasi klorofil-a yang ada di kolom perairan, dengan menggunakan data konsentrasi klorofil-a di permukaan, memudahkan pengamatan kekayaan dan potensi kelautan untuk berbagai keperluan. Misalnya untuk mengetahui tingkat kesuburan suatu perairan yang berhubungan dengan potensi perikanan sehingga informasi ini bermanfaat untuk pemanfaatan potensi yang ada.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah pengumpulan data konsentrasi klorofil-a permukklorofil-aklorofil-an dklorofil-an kolom perklorofil-airklorofil-an yklorofil-ang klorofil-adklorofil-a di Lklorofil-aut Bklorofil-andklorofil-a. Dklorofil-atklorofil-a ini digunklorofil-akklorofil-an untuk pengembangan model pendugaan konsentrasi klorofil-a di kolom perairan dengan menggunakan data konsentrasi klorofil-a permukaan yang saat ini tersedia secara temporal dan spasial dari citra satelit. Pendekatan pengembangan model menggunakan fungsi Gauss. Untuk itu dihitung parameter Gauss dengan metode Least Square Method (LSM) dengan memanfaatkan data konsentrasi klorofil-a in-situ. Parameter Gauss yang diperoleh kemudian digunakan sebagai data input untuk ANN.
(20)
TINJAUAN PUSTAKA
Fitoplankton dan Klorofil-a
Fitoplankton adalah organisme laut yang melayang dan hanyut dalam air serta mampu berfotosintesis (Nybakken 1992). Fitoplankton sebagai tumbuhan yang mengandung pigmen klorofil-a, mampu melakukan reaksi fotosintesis, dimana air dan karbondioksida dengan adanya sinar matahari dan garam-garam hara dapat menghasilkan senyawa organik seperti karbohidrat (Nontji 2002). Oleh karena itu, fitoplankton disebut sebagai produsen primer karena memiliki kemampuan untuk membentuk zat organik dari zat anorganik. Fitoplankton bisa ditemukan di seluruh massa air mulai dari permukaan laut sampai pada kedalaman dengan intesitas cahaya yang masih memungkinkan terjadinya fotosintesis (Nontji 2002). Energi yang digunakan dalam proses fotosintesis adalah cahaya matahari yang diabsorbsi oleh pigmen hijau (klorofil-a).
Deflin (1969) menjelaskan bahwa klorofil adalah pigmen hijau dari tumbuhan yang merupakan pigmen aktif yang paling penting dalam proses fotosintesis. Saat ini sedikitnya ada delapan tipe klorofil yang telah diketahui: klorofil-a, b, c, d dan e; bakterioklorofil a; bakterioklorofil b; dan clorobium chlorophyll/bakteriofiridin. Klorofil-a dan b lebih dikenal dan terdapat dalam jumlah yang banyak, sedangkan klorofil-c, d dan e hanya ditemukan dalam alga dan dengan kombinasi klorofil-a.
Pada sebagian besar grup tumbuhan laut terdapat pigmen-pigmen pelengkap sebagai alat tambahan bagi klorofil-a dalam mengabsorbsi cahaya. Fungsi pigmen-pigmen ini menangkap dan mengumpulkan energi cahaya dengan kisaran panjang gelombang yang luas kemudian memindahkan energi tersebut ke
klorofil-a untuk mengintroduksinyklorofil-a kedklorofil-alklorofil-am “reklorofil-aksi sinklorofil-ar”. Pigmen-pigmen tambahan ini
mampu mengabsorbsi sinar-sinar dalam spektral yang oleh klorofil-a tak mampu menyadapnya. Klorofil-a mengabsorbsi cahaya secara maksimal pada panjang gelombang 430 nm dan 660 nm.
Pigmen-pigmen pelengkap mempunyai kemampuan mengabsorbsi cahaya secara maksimal pada panjang gelombang yang berbeda-beda. Pigmen-pigmen tersebut antara lain: klorofil-b, -karoten, Xanthophyll, Fikoeritrin dan Fikosianin.
(21)
Namun demikian, hanya klorofil-a yang mampu melakukan fotosintesis. Klorofil-a mKlorofil-ampu mengubKlorofil-ah sinKlorofil-ar mKlorofil-atKlorofil-ahKlorofil-ari menjKlorofil-adi energi kimiKlorofil-awi sehinggKlorofil-a fotosintesis menghasilkan bahan organik. Sedangkan pigmen pelengkap, meskipun mampu menangkap sinar matahari, namun energi tersebut harus ditransfer terlebih dahulu ke klorofil-a, dan barulah energi tersebut dirubah oleh klorofil-a menjadi energi kimiawi sehingga berguna bagi fotosintesis (Basmi 1999).
Dalam proses fotosintesis terjadi 2 rekasi utama yaitu reaksi terang dan reaksi gelap. Reaksi terang sangat bergantung kepada ketersediaan sinar matahari. Reaksi terang merupakan penggerak bagi reaksi pengikatan CO2 dari udara. Reaksi ini melibatkan beberapa kompleks protein dari membran tilakoid yang terdiri dari sistem cahaya (fotosistem I dan II), sistem pembawa elektron, dan komplek protein pembentuk ATP (enzim ATP sintase). Reaksi terang mengubah energi cahaya menjadi energi kimia, juga menghasilkan oksigen dan mengubah ADP dan NADP+ menjadi energi pembawa ATP dan NADPH. Reaksi gelap merupakan reaksi lanjutan dari reaksi terang dalam fotosintesis. Reaksi ini tidak membutuhkan cahaya. Bahan reaksi gelap adalah ATP dan NADPH, yang dihasilkan dari reaksi terang, dan CO2, yang berasal dari udara bebas. Dari reaksi gelap ini, dihasilkan glukosa (C6H12O6), yang sangat diperlukan bagi reaksi katabolisme.
Klorofil-a digunakan sebagai indikator dari kelimpahan fitoplankton dan potensi organik di suatu perairan dan merupakan salah satu parameter yang sangat menentukan produktivitas primer di laut. Sebaran dan tinggi rendahnya konsentrasi klorofil-a sangat terkait dengan kondisi oseanografi suatu perairan. Pigmen-pigmen lainnya pada tumbuhan laut digunakan oleh klorofil-a untuk membantu mengabsorbsi cahaya yang tidak tertangkap secara maksimal oleh klorofil-a. Fungsi pigmen-pigmen ini menangkap dan mengumpulkan energi cahaya dengan kisaran panjang gelombang yang luas, kemudian memindahkan energi tersebut ke klorofil-a (Sumich 1992).
Menurut Arinardi et al. (1997), perairan Indonesia yang memiliki kandungan klorofil-a yang tinggi hampir selalu berkaitan dengan adanya pengadukan dasar perairan, dampak aliran sungai (Pantai Utara Jawa, Pantai Timur Sumatera bagian Selatan, Kalimantan Selatan dan Papua) serta
(22)
berlangsungnya proses penaikan massa air lapisan dalam ke permukaan (Laut Banda, Laut Arafura, Selat Bali dan Selatan Jawa).
Faktor – faktor yang Mempengaruhi Konsentrasi dan Distribusi Klorofil-a
Klorofil-a merupakan pigmen hijau yang terdapat pada fitoplankton dan tumbuhan lain pada umumnya. Kemampuan fitoplankton untuk mengubah zat anorganik menjadi zat organik tidak lepas dari keberadaan cahaya matahari dan pigmen fotosintesis. Dilihat dari segi fisiologis, spektrum cahaya terpenting untuk fotosintesis dan pertumbuhan fitoplankton adalah cahaya biru. Absorbsi cahaya biru oleh fitoplankton lebih efektif dibandingkan cahaya hijau, oleh karena itu rata-rata kecepatan proses fotosintesis dan pertumbuhan fitoplankton lebih tinggi pada spektrum cahaya tersebut (Wallen and Geenn 1971, diacu dalam Yentsch 1974).
Beberapa parameter fisika-kimia yang mengontrol dan mempengaruhi nilai konsentrasi klorofil-a adalah nutrien, cahaya, suhu dan salinitas (Parson 1984). Dalam kondisi sangat baik, produksi fitoplankton sangat besar walaupun tiap unitnya kecil. Suhu, salinitas dan suplai nutrien sangat diperlukan untuk pertumbuhan (King 1963). Menurut Weyl (1970), kelimpahan fitoplankton dipengaruhi oleh unsur hara seperti fosfat, nitrat dan silikat. Mann dan Lazier (1991) menambahkan bahwa fitoplankton dipengaruhi oleh keadaan fisik lautan seperti cahaya matahari, angin dan gelombang.
Suhu
Suhu merupakan parameter yang penting dalam lingkungan laut dan berpengaruh secara langsung maupun tidak langsung terhadap kehidupan di laut. Berpengaruh secara langsung karena reaksi kimia enzimatik yang berperan dalam proses fotosintesis dikendalikan oleh suhu. Tingkat percepatan proses-proses dalam sel akan meningkat sejalan dengan meningkatnya suhu sampai mencapai batas tertentu antara 25 – 40 0C (Reynold 1984) dan peningkatan suhu sebesar 10 0
C (misalnya dari 10 0C ke 20 0C) akan meningkatkan laju fotosintesis maksimum menjadi 2 kali lipat. Pengaruh suhu secara tidak langsung pada kehidupan di laut
(23)
adalah suhu mempengaruhi daya larut gas karbondioksida (CO2) dalam air laut. Daya larut CO2 dalam air laut berkurang bila suhu air laut naik dan akan bertambah dengan adanya penurunan suhu. Suhu juga menentukan struktur hidrologis perairan dalam hal kerapatan air (water density). Semakin dalam perairan, suhu akan semakin rendah dan kerapatan air meningkat sehingga menyebabkan laju penenggelaman fitoplakton berkurang (Raymont 1981).
Menurut Nontji (2002), suhu air permukaan dipengaruhi oleh kondisi meteorologi antara lain kelembaban udara, suhu udara, kecepatan angin dan intensitas cahaya matahari. Oleh karena itu maka suhu permukaan akan mengikuti pola musim. Setiap jenis fitoplankton memiliki suhu optimal sendiri, kondisi ini dipengaruhi oleh intensitas cahaya yang sampai pada perairan. Kisaran suhu yang optimal bagi pertumbuhan fitoplankton di perairan adalah 20 – 30 0C (Effendi dan Susilo 1998).
Suhu lautan bervariasi sesuai kedalaman. Suhu air permukaan di daerah tropik berkisar antara 20 – 30 0C karena terjadi pemanasan sepanjang tahun. Di bawah air permukaan yang hangat, suhu mulai menurun dengan cepat pada kisaran kedalaman yang sempit yaitu antara 50 – 300 m. Zona ini disebut zona termoklin. Di bawah termoklin, suhu terus turun dengan bertambahnya kedalaman tetapi penurunannya lebih lambat, sehingga massa air di bawah lapisan termoklin hampir isothermal sampai dasar permukaan.
Air di lapisan bawah mempunyai suhu rendah dibandingkan suhu air permukaan. Di daerah tropis, suhu mempunyai variasi yang lebih kecil dibandingkan daerah subtropis yang mempunyai perbedaan suhu mencapai 3 – 5 0
C. Keadaan tersebut disebabkan oleh angin yang hampir selalu mengaduk lapisan permukaan laut, sehingga di daerah tropis umumnya termoklin dijumpai lebih dalam dibandingkan daerah subtropis, sehingga perbedaan suhu lapisan di bawahnya kurang terlihat nyata. Penurunan suhu permukaan laut dapat terjadi pula setelah suatu perairan dilewati taifun (Pariwono et al. 1988).
Suhu Permukaan Laut (SPL) Indonesia secara umum berkisar antara 26 – 29 0
C. Karena perairan Indonesia dipengaruhi oleh angin musim, maka sebaran SPLnya pun mengikuti perubahan musim. Menurut Effendi dan Susilo (1998),
(24)
pengaruh suhu sebagai pembatas terjadinya fotosintesis akan menentukan konsentrasi dan distribusi klorofil-a.
Menurut Wyrtky (1961), susunan stratifikasi suhu massa air di perairan Indonesia memiliki 3 lapisan air. Susunan tersebut terdiri dari lapisan tercampur, lapisan termoklin dan lapisan dingin. Pada lapisan tercampur, suhu berkisar antara 28 – 31 0C. Lapisan termoklin menunjukan penurunan suhu dengan cepat (dari 28 menjadi 9 0C) terhadap kedalaman. Sedang pada lapisan dingin suhu berkisar antara 2 – 9 0C. Suhu air permukaan merupakan lapisan yang hangat karena mendapat radiasi sinar matahari pada siang hari. Karena faktor angin, maka lapisan atas sampai kedalaman 50 -70 m terjadi pengadukan, sehingga di lapisan tersebut terdapat suhu hangat yang homogen. Adanya pengaruh arus dan pasang surut, menyebabkan lapisan ini dapat menjadi lebih tebal dan di perairan dangkal lapisan homogen bahkan bisa sampai dasar perairan. Suhu di lapisan termoklin sudah tidak terpengaruh oleh kondisi meteorologi, tetapi ditentukan oleh kedalaman ambang (sill depth) dan sirkulasi di lapisan dalam (Nontji 1984). Transmisi Cahaya
Tubalawony (2000) mengungkapkan bahwa cahaya merupakan salah satu faktor yang menentukan kandungan klorofil-a di laut. Di laut lepas, pada lapisan permukaan tercampur tersedia cukup banyak cahaya untuk proses fotosintesis, sedangkan di lapisan yang lebih dalam, cahaya matahari tersedia dalam jumlah sedikit bahkan tidak ada sama sekali. Ini memungkinkan klorofil-a lebih banyak terdapat pada bagian bawah lapisan tercampur atau bagian atas lapisan termoklin jika dibandingkan dengan lapisan pertengahan atau bagian bahwah termoklin.
Menurut Parsons et al. (1984), transmisi cahaya (kecerahan perairan) adalah suatu kondisi yang menunjukkan kemampuan cahaya untuk menembus lapisan air pada kedalaman tertentu. Pada perairan alami transmisi cahaya sangat penting karena berkaitan dengan aktivitas fotosintesis fitoplankton.
Transmisi cahaya erat kaitannya dengan partikel-partikel tersuspensi di dalam air yang akhirnya mempengaruhi kedalaman penetrasi cahaya. Semakin tinggi kecerahan, semakin dalam penetrasi cahaya ke dalam kolom air. Terbatasnya penetrasi cahaya tersebut berpengaruh terhadap efektivitas fotosinesis fitoplakton (Basmi et al. 1995).
(25)
Menurut Nontji dan Illahude (1975), banyak faktor yang mempengaruhi kecerahan perairan. Kecerahan perairan tidak hanya bergantung pada kedudukan matahari dan cuaca tetapi dapat disebabkan oleh benda-benda yang terdapat di dalam air, baik yang terlarut maupun partikel-partikel yang melayang di dalamnya. Partikel-partikel yang melayang ini biasanya terdiri dari plankton, detritus dan benda-benda lainnya.
Intensitas Cahaya
Klorofil menyerap cahaya yang dibutuhkan oleh fotosintesis. Sebagai akibat dari penyerapan cahaya oleh klorofil, maka air dan karbondioksida menjadi gula dan oksigen dengan persamaan reaksi:
6CO2 + 6H2O C6H12O6 + 6O2
Intensitas cahaya adalah kuantitas energi yang diterima di permukaan bumi pada waktu dan wilayah tertentu. Jumlah energi yang diterima perairan bergantung pada kualitas, kuantitas dan lamanya penyinaran pada permukaan perairan yang tidak tertembus secara sempurna ke dalam kolom perairan, sebagian diabsorbsi dan sebagian dipantulkan kembali. Cahaya yang jatuh pada permukaan perairan umumnya terdiri dari cahaya langsung (direct) yang berasal dari cahaya matahari dan cahaya yang disebarkan (difusi) terutama dari awan (Cole 1988).
Air mempunyai pengaruh yang sangat besar terhadap cahaya yang menembusnya. Karena air menyerap cahaya, semakin dalam kita berada di dalam suatu perairan semakin kecil energi cahaya yang tersedia, dan pada suatu kedalaman tertentu tidak ada cahaya sama sekali. Bagi tumbuhan akuatik hal ini berarti bahwa kedalaman tertentu energi cahaya hanya cukup untuk mengikat energi dengan laju yang sama dengan laju pemanfaatan energi dalam proses-proses metabolik. Dengan kata lain, pada suatu kedalaman tertentu penggunaan energi untuk respirasi sama dengan kemampuan mekanisme fotosintetik untuk menghasilkan energi. Bila kemudian tumbuhan tenggelam lebih dalam, laju kebutuhan energi untuk respirasi akan tetap sama, tetapi intensitas cahaya yang
Cahaya Klorofil-a
(26)
menurun tidak cukup bagi proses fotosintetik untuk menghasilkan laju energi yang sama dengan laju kebutuhan energi untuk respirasi. Dengan kata lain, tumbuhan akan kekurangan energi. Kedalaman dimana laju respirasi tumbuhan tepat sama dengan laju fotosintesis dinamakan kedalaman kompensasi. Di atas kedalaman kompensasi laju fotosintesis lebih besar dari pada laju respirasi, sehingga di sini ada kelebihan produksi karbon (C), atau suatu produksi primer bersih dapat berlangsung di sini (Nybakken 1992).
Jumlah radiasi yang mencapai permukaan perairan dipengaruhi oleh keawanan, posisi geografi dan musim. Dalam kondisi normal radiasi langsung hanya 47% sampai ke permukaan bumi, sedangkan selebihnya merupakan radiasi yang dikembalikan ke atmosfer (Ruttner 1973).
Adanya cahaya matahari pada suatu kedalaman perairan akan mempengaruhi komposisi fitoplankton. Dalam hal ini fitoplankton memanfaatkan cahaya sebagai sumber energi untuk melangsungkan forosintesis, sehingga cahaya berperan dalam produktivitas primer (Basmi 1999). Aksi pertama pada proses fotosintesis adalah mengabsorbsi cahaya. Tidak semua radiasi elektromagnetik yang jatuh pada tanaman yang berfotosintesis dapat diserap, tetapi hanya cahaya tampak (visible light) yang memiliki panjang gelombang berkisar antara 400 – 720 nm yang diabsorbsi dan digunakan untuk fotosintesis (Govindjee dan Braun 1974; Nybakkken 1992). Menurut Parson et al. (1984), energi cahaya yang dibutuhkan untuk proses fotosintesis terbatas pada panjang gelombang 300 – 720 nm. Radiasi total pada panjang gelombang ini disebut Photosynthetically Available Radiation (PAR atau PhaR). Definisi ini tidak memperhitungkan berapa energi cahaya yang benar-benar digunakan pada proses fotosinstesis.
Arus Air Laut
Fitoplankton memiliki kemampuan gerak yang terbatas, sehingga fitoplankton selalu terbawa oleh arus. Arus merupakan pergerakan secara vertikal atau horizontal massa air karena adanya tiupan angin, perbedaan densitas air dan pasang surut (Nontji 1984). Pengaruh dari arus terlihat dari penyebaran organisme laut. Arus permukaaan laut akan membawa fitoplankton dan nutrien lain mengikuti kecepatan dan pola dari arus (Nybakken 1992).
(27)
Kondisi arus permukaan di perairan Indonesia dipengaruhi oleh angin. Pada wilayah Indonesia angin yang paling utama berhembus adalah angin musim (monsoon) yang dalam setahun terjadi dua pembalikan arah yang disebut angin musim barat dan angin musim timur (Nontji 1984).
Musim barat terjadi pada sekitar bulan Desember sampai Pebruari, yang umumnya angin bertiup sangat kencang dan curah hujan tinggi. Pada musim pancaroba awal tahun (April sampai dengan Mei) sisa arus dari musim barat mulai melemah dan bahkan arah arus tidak menentu hingga di beberapa tempat terjadi olakan-olakan (eddies). Pada bulan Juni sampai Agustus barulah berkembang arus musim timur dan arah arus sepenuhnya berbalik arah menuju ke barat; yang akhirnya menuju Laut Cina Selatan. Pada musim pancaroba akhir tahun, sekitar Oktober sampai dengan Nopember pola arus berubah lagi dan arah tidak menentu, tapi mulai bergerak dari arah timur ke barat (Wyrtki 1961).
Menurut Arinardi et al. (1997), pada musin barat angin selama tiga bulan bertiup terus menerus dalam satu arah (kecepatan angin sekitar 30 – 45 Km/jam). Letak garis Laut Cina, Selat Karimata, Laut Jawa, Laut Bali, Laut Flores, Laut Banda Selatan dan Laut Arafura ternyata hampir berhimpit dengan sumbu bertiupnya angin. Oleh sebab itu pada musim barat laut, arus musim dari Laut Cina Selatan masuk Laut Jawa terus ke Laut Bali, Laut Flores, Laut Banda Selatan, Laut Arafura, dan sebagai arus kompensasi ada dua yaitu satu menuju ke Samudera Pasifik dan satunya lagi menuju ke Samudra Hindia. Arus yang menuju Samudra Pasifik berasal dari Laut Flores lewat Laut Banda Utara, Laut Seram dan Laut Halmahera, sedang arus yang menuju ke Samudra Hindia berasal dari Laut Banda Selatan lewat Laut Timor. Arus kompensasi lainnya berasal dari dari arus Katulistiwa Pasifik Utara (North Pasific Equatorial Current) yang lewat Laut Sulawesi, Selat Makasar dan Sumatera yang mengalir ke selatan Pantai Jawa dan dinamai Arus Pantai Jawa sedang yang terdapat di utara Irian Jaya dinamai Arus Pantai Irian (Wyrtki 1961).
Pada musim timur terjadi keadaan yang sebaliknya Arus dari Laut Banda dan Laut Arafura masuk ke Laut Flores terus ke Laut Bali, Laut Jawa dan Laut Cina Selatan. Arus ini diperkuat oleh arus kompensasi yang datang dari Samudra Pasifik yaitu satu melalui Laut Halmahera, Laut Seram dan Laut Banda Utara;
(28)
lainnya melewati Laut Sulawesi dan Selat Makasar. Arus Pantai Jawa dan Arus Pantai Irian pada musim ini masing-masing diganti oleh pelebaran arus Katulistiwa Selatan Samudera Hindia dan Samudera Pasifik (Wyrtki 1961).
Penelitian tentang pengaruh gerakan air yang disebabkan oleh angin terhadap sebaran biomassa fitoplankton telah dilakukan selama bulan Mei – Juli tahun 1994 oleh Kaswadji (1995) di perairan Teluk Pelabuhan Ratu. Hasilnya, akibat tiupan angin menyebabkan lapisan tercampur paling tidak sedalam lima meter. Pada permukaan maupun di kedalaman lima meter biomassa fitoplankton menyebar mengikuti arus, dimana pengaruh arus akibat angin lebih dominan dibandingkan dengan arus pasang.
Percampuran vertikal bukan saja menaikkan zat hara mendekati permukaan air, tetapi juga mengangkut sel-sel fitoplankton ke bawah menjauhi permukaan air. Apabila percampuran vertikal mengikutsertakan pula massa-massa air di bawah zona eufotik, ada kemungkinan sel-sel fitoplankton terseret ke bawah kedalaman kompensasi. Bila percampuran vertikal seperti ini berlangsung sangat intensif, sel-sel fitoplankton mungkin akan tinggal lebih lama di bawah kedalaman kompensasi. Pengaruh turbulensi ini menghasilkan konsep kedalaman kritis. Kedalaman kritis ialah kedalaman dimana fotosintesis total dalam kolom air sama dengan respiasi total. Letak kedalaman kritis selalu lebih dalam daripada kedalaman kompensasi karena berhubungan dengan suatu proses percampuran vertikal dimana populasi fitoplankton suatu saat ada di zona eufotik dan pada saat lain ada di bawahnya. Apabila fitoplankton ada di zona eufotik, laju fotosintesis melebihi laju respirasi dan fitoplankton menimbun bahan organik. Bila percampuran berlangsung hingga kedalaman yang dalam, hal ini berarti bahwa fitoplankton akan tinggal lama di bawah daerah eufotik. Akibatnya jumlah bahan organik yang digunakan fitoplankton untuk respirasi di bawah zona eufotik melebihi jumlah bahan organik yang dibentuk pada saat fitoplankton dalam zona eufotik. Tetapi bila percampuran vertikal oleh hembusan angin ini tidak melebihi kedalaman kritis, laju fotositesis melebihi laju respirasi dan terjadilah suatu kelebihan bahan organik dalam fitoplankton (Nybakken 1992).
(29)
Nutrien
Nilai klorofil-a di lautan akan lebih tinggi nilai konsentrasinya pada daerah pantai dan pesisir, namun rendah di perairan laut lepas. Tingginya sebaran konsentrasi klorofil-a diperairan pantai dan pesisir disebabkan karena adanya pasokan suplai nutrien melalui run-off sungai dari daratan, sedangkan rendahnya konsentrasi klorofil-a di perairan lepas pantai karena tidak adanya suplai nutrien dari daratan secara langsung (Nybakken 1992). Namun pada daerah-daerah tertentu di perairan lepas pantai dijumpai konsentrasi klorofil-a dalam jumlah yang cukup tinggi. Keadaan ini disebabkan oleh tingginya konsentrasi nutrien yang dihasilkan melalui proses fisik massa air dalam mengangkat nutrien dari lapisan dalam ke lapisan permukaan (Valiela 1984).
Dalam pertumbuhannya, fitoplankton membutuhkan beberapa unsur. Beberapa unsur ini dibutuhkan dalam jumlah yang relatif besar yang disebut dengan hara makro (Macro-nutrien) misalnya : C, H, O, N, P, Si, S, Mg, K dan Ca, sedangkan yang masuk dalam kelompok mikronutrien adalah Fe, Mn, Cu, Zn, B, Mo, Cl, Co dan Na (Odum 1971). Diantara unsur-unsur tersebut, unsur N, P dan Si adalah yang sering dijumpai sebagai faktor pembatas pertumbuhan algae. Unsur N dan P diperlukan oleh semua jenis algae, sedangkan Si terutama dibutuhkan oleh jenis-jenis yang dinding selnya mengandung kerangka silikat (Nybakken 1992).
Pertumbuhan dan produksi fitoplankton sangat dipengaruhi oleh ketersediaan unsur hara, tanpa unsur hara sel tidak dapat membelah, dan ketika unsur hara tersedia populasi sel mulai meningkat. Setiap spesies mempunyai respon yang berbeda terhadap perubahan konsentrasi unsur hara. Beberapa jenis dapat memanfaatkan unsur hara dari konsentrasi yang rendah sementara sebagian yang lain tumbuh dengan subur apabila unsur hara tersedia berlimpah (Mann 1982).
Ketersediaan unsur-unsur nutrient dalam suatu perairan sangat tergantung dari masukan dari luar perairan seperti sungai, resapan tanah, pencucian ataupun erosi serta dari sistem pembentukan yang langsung di badan air itu sendiri (Parsons et al. 1984). Fluktuasi ketersediaan unsur hara ini dipengaruhi oleh
(30)
faktor sumber dari mana beban masukan hara itu berasal (Blackburn and Sorensen 1988).
Di antara berbagai nutrien yang dapat berada dalam jumlah terbatas di laut, nitrat (NO3+), fosfat (PO4+) dan silikon terlarut (Si(OH)4) adalah yang paling sering dijumpai dalam konsentrasi sangat rendah (di bawah nilai setengah jenuh) yang diperlukan untuk pertumbuhan fitoplankton yang maksimum.
Fosfor
Unsur fosfor yang terdapat dalam bentuk fosfat maupun zat hara anorganik, merupakan unsur utama yang diperlukan oleh fitoplankton untuk tumbuh dan berkembang biak (Nybakken 1992). Fosfor merupakan elemen penting dalam aktivitas biologi. Konsentrasi fosfat ditentukan oleh sintesa metabolisme, proses dekomposisi, proses pencucian fosfat, pelapukan batuan, buangan domestik, detergen.
Senyawa fosfat organik yang terkandung dalam air laut umumnya berada dalam bentuk ion (orto) asam fosfat, H2PO4. Pada penambahan senyawa nitrogen dan silikon, fosfat dapat menjadi salah satu substansi yang menjadi faktor pembatas bagi kehidupan tanaman. Fosfor berkurang dari lapisan permukaan sebagian besar disebabkan oleh fitoplakton dan meningkat kembali karena kematian dan dekomposisi organisme (Sverdup et al. 1942).
Silikat
Silikat dalam air laut ditemukan dalam bentuk larutan seperti ion-ion silikat dan dalam bentuk tersuspensi seperti silikondioksida. ion silikat dan silikondioksida terdapat dalam air laut, daa tubuh diatom, dan organisme hidup lainnya dan dalam mineral-mineral tanah liat (Amstrong 1959, diacu dalam Riley dan Skirrow 1965).
Di laut silikat merupakan salah satu zat hara yang diperlukan dan mempunyai pengaruh terhadap proses-proses pertumbuhan dan perkembangan hidup organisme laut dalam. Diatom-diatom laut merupakan komponen terpenting dari flora laut. Seperti kebanyakan algae, jenis ini pada umumnya selain membutuhkan fosfat dan nitrat, juga membutuhkan silikat dalam jumlah yang
(31)
besar untuk pertumbuhan dan perkembangannya (Lund 1950; Jorgensen 1953; Presscot 1969, diacu dalam Prisetiahadi 1994).
Keberadaan silikat dalam suatu perairan erat kaitannya dengan kehadiran fitoplankton. Fitoplakton dari kelas diatom sangat membutuhkan kehadiran unsur ini, karena unsur ini dibutuhkan dalam pembentukan cangkang tubuh diatom. Perairan yang kaya silikat sangat disukai dan baik untuk kehidupan diatom (Prisetiahadi 1994).
Nitrogen
Dibandingkan dengan silikon dan fosfor, pendauran nitrogen merupakan proses yang lebih kompleks. Siklus nitrogen di laut sangat kompleks karena nitrogen di laut berada dalam berbagai bentuk yang tidak mudah diubah dari satu bentuk ke bentuk lainnya. Bentuk-bentuk tersebut meliputi molekul nitrogen terlarut (N2) dan bentuk ion ammonia (NH4+), nitrit (NO2+), dan nitrat (NO3+), seperti juga senyawa organik seperti urea (CO(NH2)2). Bentuk dominan dari nitrogen di laut adalah ion nitrat, bentuk ini yang sering diserap oleh fitoplankton meskipun banyak spesies lain juga dapat memanfaatkan nitrit atau ammonia. Ada beberapa spesies fitoplankton yang juga dapat menyerap molekul-molekul kecil nitrogen organik, seperti asam amino dan urea. Laju penyediaan nitrogen dalam bentuk yang sesuai dengan kebutuhan fitoplankton dapat membatasi produktivitas primer di perairan oligotrofik sepanjang tahun dan di perairan temperate selama musim panas (Blackburn and Sorensen 1985).
Adanya beban masukan berupa bahan organik ke perairan dengan berbagai unsur haranya akan diregenerasi menjadi bahan anorganik oleh berbagai aktifitas bakteri melalui proses nitrifikasi dan denitrifikasi di kolom air. Nitrogen organik terlarut (Dissolved Organic Nitrogen, DON) dan nitrogen organik partikulat (Particulate Organic Nitrogen, PON) keduanya berlaku sebagai nutrien bagi pertumbuhan bakteri. Bakteri memecah protein menjadi asam amino dan ammonia, dan yang terakhir ini dioksidasi di dalam proses nitnifikasi. Nitrogen anorganik terlarut (Dissolved Inorganic Nitrogen, DIN) kemudian dilepaskan membuat bentuk-bentuk ini tersedia kembali untuk diserap/dimanfaatkan oleh fitoplankton (Blackburn and Sorensen 1985; Wotton 1994).
(32)
Distribusi Vertikal Klorofil-a pada Daerah yang Berbeda
Di laut tropis, massa air dekat permukaan cukup menerima cahaya sepanjang tahun, karena ketinggian matahari di atas cakrawala tidak banyak berubah sepanjang tahun. Dengan demikian diperoleh kondisi cahaya yang cukup bagi produksi fitoplankton. Tetapi, karena matahari juga menciptakan suatu stratifikasi termal yang mencegah terjadinya percampuran vertikal dan pengangkutan zat hara ke atas, tingkat produktivitas laut tropik rendah namun konstan sepanjang tahun. Laut-laut tropik sangat cerah dan kedalaman kompensasinya adalah yang terdalam, tetapi keadaan seperti ini disebabkan oleh kecilnya kelimpahan fitoplankton dalam air akibat rendahnya kadar zat hara (Gambar 1).
Pada laut daerah beriklim sedang atau subtropis, intensitas cahaya bervariasi menurut musim. Akibatnya, besarnya energi matahari yang masuk ke dalam laut juga bervariasi dan selanjutnya akan menimbulkan perubahan pada suhu air lapisan-lapisan atas. Jadi stratifikasi termal kolom air berubah secara musiman. Pada musim panas posisi matahari tinggi di atas cakrawala, siang hari panjang dan lapisan air di dekat permukaan meningkat suhunya dan kerapatan lapisan-lapisan air menjadi lebih kecil dari pada kerapatan air lapisan-lapisan-lapisan-lapisan di bawahnya. Dengan kata lain terbentuklah stratifikasi termal dalam kolom air dan percampuran air tidak terjadi. Dalam musim gugur, besarnya energi matahari yang masuk ke dalam laut berkurang dan siang hari menjadi lebih pendek. Akibatnya, lapisan-lapisan air permukaan menjadi dingin dan stratifikasi termal berkurang. Akhirnya, tercapailah suatu keadaan dimana suhu lapisan-lapisan air permukaan sedemikian rendahnya sehingga tidak banyak berbeda dengan suhu air lapisan-lapisan di bawahnya. Pada saat ini mulailah terjadi percampuran bila angin cukup kuat berhembus. Dalam musim dingin, yang biasanya merupakan musim badai di daerah beriklim sedang posisi matahari terendah di atas cakrawala, masukan energi matahari ke dalam laut minimal, stratifikasi termal sangat lemah atau tidak ada dan terjadilah percampuran. Dengan bermulanya musim semi, siang hari makin panjang, energi matahari yang masuk ke dalam air meningkat, dan suhu air lapisan-lapisan permukaan pun meningkat. Tampak bahwa perairan sedang membentuk kembali statifikasi termal (Gambar 1).
(33)
Pada daerah kutub, zat hara tidak pernah menjadi faktor pembatas dan kolom air pun tidak pernah berstratifikasi secara nyata. Intensitas cahaya juga tidak cukup besar untuk mengakibatkan suatu ledakan populasi fitoplankton dalam musim gugur, dan selama musim dingin yang panjang, tidak ada cahaya sama sekali atau cahaya tidak dapat mencapai kolom air karena adanya lapisan salju di atas onggokan es (Gambar 1).
Gambar 1. Struktur Termal dan Taraf Percampuran dalam Laut-laut Daerah beriklim Sedang, Tropik dan Kutub selama Empat Musim dalam Setahun (Nybakken 1992)
Hangat Lautan Tropis Hangat Termoklin sangat kuat, percampuran tidak terjadi K ed al am an ( m)100 200 Termoklin sangat kuat, percampuran tidak terjadi Hangat Termoklin sangat kuat, percampuran tidak terjadi Hangat Termoklin sangat kuat, percampuran tidak terjadi Lautan SubTropis Percampuran berkurang, termoklin mulai terbentuk Hangat, kekuatan angin berkurang Termoklin pembusukan, percampuran mulai terjadi Sejuk, kekuatan angin meningkat Percampuran baik, tidak ada termoklin K ed al am an ( m)100 200 Dingin, berangin keras Percampuran tidak terjadi, termoklin sangat kuat Lebih hangat, kekuatan angin rendah
Semi Dingin
Musim
Lautan Kutub
Panas Gugur
Suhu 0C
15 30 0 Tidak ada termoklin, percampuran baik Sejuk
15 30 0 Sedikit termoklin, percampuran terjadi Lebih hangat
15 30 0 Tidak ada termoklin, percampuran baik K ed al am an ( m)100 200 Dingin, berangin keras, salju
15 30 0 Tidak ada termoklin, percampuran baik Dingin
(34)
Fotosintesis hanya dapat berlangsung bila intensitas cahaya yang sampai ke suatu sel alga lebih besar dari pada suatu intensitas tertentu. Hal ini berarti bahwa fitoplankton yang produktif hanyalah terdapat di lapisan-lapisan air teratas dimana intensitas cahaya cukup bagi berlangsungnya fotosintesis. Kedalaman penetrasi cahaya di dalam laut, yang merupakan kedalaman dimana produksi fitoplankton masih dapat berlangsung, bergantung kepada beberapa faktor, antara lain absorpsi cahaya oleh air, panjang gelombang cahaya, kecerahan air, pemantulan cahaya oleh permukaan laut, lintang geografik dan musim.
Pada tingkat-tingkat intensitas cahaya yang sedang, laju fotosintesis fitoplankton merupakan fungsi linier dari intensitas cahaya. Namun di dalam kolom air dekat permukaan air di mana intensitas cahaya tinggi, kebanyakan spesies fitoplankton menunjukkan bahwa fotosintesis dipertahankan pada suatu tingkat tertentu atau bahkan fotosintesis malah akan menurun (Gambar 2). Hal ini mungkin disebabkan oleh hambatan dari intensitas cahaya yang tinggi atau jenuhnya proses fotosintesis sehingga lajunya tidak dapat ditingkatkan lagi (Nybakken 1992).
Gambar 2. Struktur Vertikal Klorofil-a pada Lapisan Permukaan dan pada Tiap Tingkatan Kolom Air yang Berbeda (Nybakken 1992)
Inte ns it a s Ca ha y a ( % da ri nil a i int ens it a s permuk a a n) K eda la ma n ( m) Produksi Kotor 10% 20% 50% 100% 0 80 40 60 20 100 33% 1%
(35)
Pengembangan distribusi vertikal klorofil-a dari fungsi Gauss dapat digunakan untuk mengetahui dan menghitung nilai konsentrasi klorofil-a secara vertikal dengan menggunakan data klorofil-a permukaan sebagai salah satu inputnya.
Distribusi Gauss
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal memodelkan fenomena kuantitatif pada ilmu alam maupun ilmu sosial serta banyak digunakan dalam berbagai bidang statistika, misalnya distribusi sampling rata-rata akan mendekati normal, meski distribusi populasi yang diambil tidak berdistribusi normal. Distribusi normal juga banyak digunakan dalam berbagai distribusi dalam statistika, dan kebanyakan pengujian hipotesis mengasumsikan normalitas suatu data.
Kurva distribusi normal berbentuk genta atau lonceng yang simetris dan mempunyai karakteristik:
1. Kurva berbentuk genta atau lonceng dan memiliki satu puncak yang terletak di tengah. Nilai rata-rata hitung sama dengan median dan modus. 2. Distribusi probabilitas dan kurva normal berbentuk kurva simetris dengan
rata-rata hitungnya.
3. Kurva ini menurun di kedua arah yaitu ke kanan untuk nilai positif tak terhingga dan ke kiri untuk nilai negatif tak terhingga.
4. Luas daerah yang terletak di bawah kurva normal tetapi di atas sumbu mendatar sama dengan 1.
Untuk menduga distribusi vertikal klorofil-a, Platt et al. (1988) mengusulkan menggunakan model persamaan Gauss, yang merepresentasikan distribusi vertikal klorofil-a dengan 4 parameter, sebagai solusi. Persaman Gauss dapat dilihat pada persamaan 1, sedangkan gambar distribusi pergeseran Gauss untuk klorofil-a, ditampilkan pada Gambar 3.
(36)
……… (1) Keterangan:
chl(z) : Konsentrasi klorofil-a (mg.m-3) pada tiap kedalaman Z(m) B0 : Konsentrasi klorofil-a di permukaan laut (mg.m-3)
h : Total konsentrasi klorofil-adi puncak (mg.m-2)
: Standard deviasi distribusi Gauss yang mengontrol ketebalan lapisan klorofil-a (m)
Zm : Kedalaman klorofil-a maksimum (m)
Gambar 3. Distribusi Pergeseran Gauss untuk [Chl-a] (Osawa et al. 2005)
Jaringan Syaraf Tiruan (Artificial Neural Network)
Jaringan merupakan salah satu cara yang efisien untuk memetakan dan memberikan solusi atas masalah yang kompleks. Terdapat berbagai tipe jaringan yang dapat dibangun namun pada dasarnya semua jaringan terdiri atas dua komponen yaitu set node dan hubungan antara node-node tersebut (connections).
Salah satu tipe jaringan melihat node ini sebagai “sel syaraf buatan” (artificial neurons). Jaringan ini disebut dengan jaringan syaraf tiruan (Artificial Neural Network).
h/ δ√2π
chl(z) (mg Chl-a/m3)
4
B0
Z
(m
)
(37)
ANN merupakan suatu model komputasi dan representasi buatan dari jaringan syaraf biologis (otak). Jaringan ini berusaha untuk mensimulasikan proses pembelajaran pada jaringan syaraf biologis. Istilah buatan digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. ANN telah banyak digunakan secara luas di berbagai bidang seperti teknik, kedokteran dan keuangan.
Jaringan syaraf biologis terdiri atas berjuta-juta sel syaraf yang bertugas mengolah informasi. Sel syaraf akan menerima sinyal/informasi melalui synapses yang terletak di dendrit atau membran sel syaraf (neuron). Informasi yang diterima yang memenuhi batasan tertentu (threshold) akan mengaktivasi (activation) neuron dan mengirimkan respon melalui axon. Seperti halnya jaringan syaraf biologis, ANN juga terdiri dari beberapa neuron yang disebut dengan node dan terdapat hubungan antara node-node tersebut. Node-node tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron lain. Pada ANN, hubungan ini dikenal dengan nama bobot. Dengan kata lain, bobot memiliki fungsi yang sama seperti dendrit atau akson pada jaringan syaraf biologis. Informasi yang merupakan input akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot dan akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap node. Apabila input tersebut melewati threshold maka node tersebut akan diaktifkan dan akan mengirimkan output ke semua node yang berhubungan dengannya.
Pada ANN, node-node tersebut akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan node (node layers). Informasi yang diberikan pada ANN akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya yang dikenal dengan nama lapisan tersembunyi (hidden layer). Proses perambatan dapat berupa perambatan secara mundur atau maju dan proses ini tergantung pada algoritma pembelajaran yang digunakan pada jaringan.
Sebagaimana telah disebutkan bahwa node-node dikelompokkan dalam lapisan-lapisan sehingga terdapat berbagai tipe-tipe arsitektur jaringan yang dapat
(38)
dibangun untuk menyelesaikan permasalahan sesuai dengan banyaknya lapisan tersebut. Ada beberapa tipe arsitektur ANN, antara lain:
a. Jaringan dengan lapisan tunggal (single layer net)
Jaringan ini hanya terdiri dari satu lapis node input dan satu lapis node output yang dihubungkan oleh pembobot tanpa ada lapis tersembunyi (hidden layer) di antaranya. Informasi yang masuk node input langsung diolah sehingga diperoleh suatu nilai output.
b. Jaringan dengan banyak lapisan (multilayer net)
Jaringan ini terdiri satu lapis node input dan satu lapis node output diantara keduanya terdapat satu atau lebih lapisan tersembunyi. Lapisan-lapisan ini dihubungkan oleh pembobot. Penggunaan jaringan dengan banyak lapisan ini lebih baik daripada dengan lapisan tunggal khususnya untuk menyelesaikan permasalahan yang lebih kompleks. Hal ini tentu memerlukan proses pembelajaran yang lebih rumit.
Sebagaimana diketahui, jaringan syaraf biologis (otak) mampu mempelajari suatu informasi yang diterima untuk kemudian diproses dan memberikan respon terhadap informasi tersebut. Hal ini dapat pula dilakukan oleh ANN. Komponen-komponen ANN yang memiliki fungsi sama dengan jaringan syaraf biologis (otak) membuat ANN mampu pula untuk melakukan proses pembelajaran. ANN akan mencoba untuk mensimulasikan kemampuan otak dalam belajar melalui suatu proses pembelajaran.
Secara umum, metode pembelajaran yang digunakan dapat diklasifikasikan kedalam dua kelompok, yaitu pembelajaran terawasi (supervised training) dan pembelajaran tak terawasi (unsupervised training). Perbedaan keduanya terletak pada ada tidaknya nilai output yang diberikan pada jaringan. Pada metode pembelajaran terawasi output yang diharapkan telah diketahui sebelumnya dan diberikan pada jaringan selama pembelajaran sementara pada pembelajaran tak terawasi output tidak diberikan.
Pada proses pembelajaran dengan metode terawasi, nilai atau informasi yang masuk lapisan input akan dirambatkan melalui jaringan sampai lapisan output. Nilai output yang diperoleh kemudian dibandingkan dengan nilai output target yang diharapkan. Jika terdapat perbedaan antara nilai output yang diperoleh
(39)
dengan nilai output yang diharapkan maka akan muncul error. Jika error yang dihasilkan cukup besar maka perlu dilakukan proses pembelajaran kembali hingga diperoleh suatu nilai output dengan nilai error tertentu yang diinginkan.
Sementara pada pembelajaran tak terawasi, output target tidak diberikan pada saat pembelajaran. Oleh karena itu pada metode ini tidak dapat dilakukan evaluasi terhadap output yang dihasilkan oleh jaringan tersebut. Pada prinsipnya selama proses pembelajaran, jaringan akan berusaha mengelompokkan unit-unit yang memiliki pola yang sama atau hampir sama sehingga metode pembelajaran ini cocok untuk penyelesaian masalah pengelompokan atau pengklasifikasian.
Beberapa metode pembelajaran yang saat ini dikenal antara lain hebb rule, perceptron, delta rule dan backpropagation. Di antara berbagai metode pembelajaran tersebut, backpropagation merupakan metode pembelajaran yang paling umum digunakan. Proses pembelajaran ini termasuk dalam metode pembelajaran terawasi.
Proses pembelajaran dengan backpropagation terdiri dari dua tahap yaitu tahap perambatan ke depan (forward propagation) dan tahap perambatan ke belakang (backward propagation). Pada tahap perambatan ke depan nilai atau informasi yang masuk lapisan input akan dirambatkan melalui jaringan sampai lapisan output. Nilai output yang dihasilkan dibandingkan degan nilai output yang diharapkan sehingga diperoleh nilai error. Nilai error ini kemudian digunakan untuk memperbaiki pembobot-pembobot yang ada pada tahap perambatan ke belakang. Proses ini akan terus berulang sampai suatu kondisi tertentu yang menjadi kondisi pemberhentian proses pembelajaran. Kondisi ini dapat berupa suatu nilai error atau jumlah iterasi tertentu yang jika telah tercapai berarti proses pembelajaran telah selesai.
Penggunaan Artifcial Neural Network di Perairan Sub Tropis
Penduga konsentrasi klorofil-a secara vertikal dengan menggunakan neural network pernah dilakukan oleh Osawa et al. (2005) di Perairan Jepang. Dalam penelitian tersebut digunakan 6 masukan sebagai data input dan 4 masukan sebagai data output. Enam masukan data input yaitu kedalaman lapisan tercampur (mixed layer depth), suhu permukaan laut, konsentrasi klorofil-a ([Chl-a]) pada permukaan laut, lintang, bujur dan Julian days. Empat masukan data outputnya
(40)
merupakan parameter-parameter Gauss yaitu konsentrasi klorofil-a di permukaan laut (B0), total konsentrasi klorofil-a di puncak (h), standard deviasi distribusi Gauss yang mengontrol ketebalan lapisan klorofil-a (), dan kedalaman konsentrasi klorofil-a maximum (Zm). Pada Gambar 4 ditampilkan konsentrasi klorofil-a di Perairan Jepang secara vertikal pada musim yang berbeda.
Gambar 4. Profile [Chl-a] secara Vertikal pada Musim (a) Dingin, (b) Semi, (c) Panas dan (d) Gugur (Osawa et al. 2005)
Penelitian tersebut menggunakan banyak sekali set data sehingga bisa mencakup hampir seluruh Perairan Jepang. Total set data yang digunakan yaitu sebanyak 8694 data yang kemudian dibagi menjadi 2 set data. Dua set data digunakan dalam proses pengolahan dengan menggunakan ANN. yaitu 6983 untuk data training dan 729 untuk data validasi.
b
c d
(41)
Setiap set data kemudian diaplikasikan dengan menggunakan Stuttgart Neural Network Simulator (SNNS versi 4.2) yang telah dikembangkan di Jerman. Spesifikasi SNNS yang digunakan yaitu:
ANN Model : Back Propagation; Learning rate : 0.2;
Weigth initialization : -1.0 to 1.0; Input layer size : 6;
Hidden layer 1 size : 50; Output layer size : 4
Penelitian lain yang menggunakan ANN dalam menduga [Chl-a] juga pernah dilakukan oleh Musavi et al. (2002). Penelitian tersebut menggunakan 919 data dengan konsentrasi klorofil-a berkisar antara 0.019 dan 32.79 g/l. Model feed-forward dengan 10 nodes pada hidden layer telah dibangun untuk memperkirakan konsentrasi klorofil-a. Bentuk reflektansi remote sensing dari lima panjang gelombang SeaWiFS digunakan sebagai data input. ANN telah ditraining dengan menggunakan algoritma Levenberg-Marquardt. ANN memberikan peluang dalam memilih data input dan toleran terhadap noise. Hal ini membuat ANN menjadi alat yang ideal untuk menduga konsentrasi klorofil-a di perairan pantai, dimana dengan adanya endapan, detritus, dan za-zat organik terlarut membuat keadaan yang optically complex. Dengan menggunakan model ANN dan memasukkan beberapa parameter optik sebagai data input tambahan untuk perhitungan fenomena scattering dan absorbsi, model dapat diperluas penggunaannya untuk menduga [Chl-a] di perairan pantai.
Keiner (1999) juga melakukan penelitian dengan menggunakan ANN untuk menduga [Chl-a] di laut lepas. Penelitian tersebut menunjukkan bahwa algoritma ANN telah dibangun untuk menduga [Chl-a] di laut lepas dengan menggunakan data SeaWiFS. Algoritma tersebut ditraining dan divalidasi dengan menggunakan sampel data yang ada di The SeaWiFS Bio-optical Algorithm Mini-Workshop. Dengan menggunakan 5 visible band SeaWiFS sebagai data input dan 10 nodes pada hiden layer untuk dapat menduga [Chl-a] secara efisien dan akurat, fungsi non-linear antara [Chl-a] permukaan dan data reflektansi dari remote sensing diperoleh hasil yang lebih akurat dari pada menggunakan metode regresi.
(42)
BAHAN DAN METODE
Waktu dan Tempat
Perolehan dan pengolahan data dilaksanakan pada bulan Februari 2009 – Mei 2009. Pengolahan dan analisa data dilakukan di Departemen Ilmu dan Teknologi Kelautan, Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor, Jawa Barat. Daerah yang menjadi obyek penelitian adalah Perairan Laut Banda pada 40LS – 80LS dan 1260BT – 1330BT.
Gambar 5. Lokasi Penelitian Alat dan Bahan
Bahan yang digunakan dalam penelitian ini adalah data sekunder konsentrasi klorofil-a, kedalaman, dan suhu air laut, posisi lintang dan bujur untuk tahun 1962, 1963, 1972, 1973, 1984 dan 1985 yang diperoleh dari World Ocean Database 2005 (WOD05), National Oceanographic Data Center (NODC). Alat yang digunakan dalam penelitian ini adalah seperangkat komputer beserta perlengkapannya seperti printer, dengan perangkat lunak seperti program Artificial Neural Network (ANN), ArcView GIS 3.3, dan Ms. Office 2007.
( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ((( ((( ((( ((( (((( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( ( Laut Banda Maluku Tengah Fak Fak Maluku Tenggara Kdy. Ambon 7 ° 5 0 ' 6 ° 4 0 ' 5 ° 3 0 ' 4 ° 2 0 ' 3 ° 1 0 ' 7 ° 5 0 ' 6 ° 4 0 ' 5 ° 3 0 ' 4 ° 2 0 ' 3 ° 1 0 '
128°10' 129°20' 130°30' 131°40' 132°50'
128°10' 129°20' 130°30' 131°40' 132°50' Peta Lokasi Penelitian
N
E W
S
30 0 30 60 Km Skala 1 : 3000.000
Laut Daratan
( Posisi Pengambilan
Sampel Keterangan :
Peta Indeks :
Sistem Grid : Geografi Proyeksi : WGS84
Achmad Fachruddin Syah C552070061
Mayor Teknologi Kelautan Sekolah Pascasarjana IPB
(43)
Penentuan Data Input-Output
Dalam menentukan data input, terlebih dahulu dilakukan pra observasi analisis terhadap data yang ada. Hal ini dimaksudkan agar bisa ditentukan data yang tepat untuk dijadikan sebagai data input.
Wyrtki (1961) membagi kondisi iklim Indonesia menjadi 4 golongan, yaitu:
Musim Barat (Desember – Februari)
Musim Peralihan 1 (Maret – Mei)
Musim Timur (Juni – Agustus)
Musim Peralihan 2 (September – November)
Data klorofil-a dan kedalaman in situ digunakan untuk mengetahui profil secara vertikal klorofil-a di Laut Banda selama musim yang berbeda. Gambar 6 memperlihatkan nilai konsentrasi klorofil-a di Laut Banda secara vertikal pada musim yang berbeda.
Gambar 6. Konsentrasi Klorofil-a di Laut Banda pada Musim yang Berbeda
Pada Gambar 6 terlihat pengaruh Julian days tidak memberikan pengaruh yang terlalu signifikan antara waktu yang satu dengan waktu yang lainnya. Hanya saja ketika pada musim timur, konsentrasi klorofil-a maksimum terdapat pada kedalaman yang lebih rendah dengan konsentrasi yang lebih tinggi dibandingkan dengan musim lainnya. Hal ini disebabkan karena pada Musim Timur, Laut Banda mengalami peristiwa upwelling (Wyrtki 1961). Berbeda dengan kondisi distribusi vertikal klorofil-a pada daerah sub tropis seperti tertera pada Gambar 4, konsentrasi klorofil-a secara vertikal di Perairan Jepang memiliki profil yang
(1)
Lampiran 4. Data
training
(lanjutan)
No B0
h (dalam
log) Zm Bujur Lintang
[Chl-a]
in situ
Suhu ⁰C
Mixed layer depth
Musim
31 0.0051 2.2459 49.3544 54.1111 132.083 -5.750 0.20 27.7 54 233
32 0.1638 2.2118 48.9421 43.8889 130.903 -4.515 0.49 27.5 44 233
33 -0.0335 2.2069 49.3077 53.3333 130.000 -5.500 0.17 27.3 53 233
34 0.0272 2.0391 49.3257 53.4444 129.610 -5.320 0.18 27.9 53 233
35 0.0504 1.8798 49.7195 53.4444 131.668 -6.178 0.17 27.7 53 233
36 0.0034 2.2286 49.2801 53.5556 130.300 -6.397 0.20 27.4 54 233
37 0.0328 2.0889 49.3077 53.3333 131.083 -6.500 0.20 27.7 53 233
38 0.0421 1.6323 53.7520 58.5714 128.800 -5.470 0.08 27.5 58 275
39 0.0966 1.7901 38.5837 48.8000 130.670 -4.920 0.16 27.5 49 275
40 0.1183 1.6927 37.6324 47.8000 129.350 -6.575 0.20 27.8 48 275
41 0.1257 2.0325 38.2649 48.8000 131.767 -6.317 0.40 27.5 49 275
42 0.1144 1.8025 38.1091 48.4000 130.017 -5.750 0.20 27.2 48 275
43 0.1384 1.6942 38.1091 48.4000 131.417 -6.704 0.20 27.4 48 275
44 0.1207 1.8582 39.2148 49.6000 129.683 -6.167 0.22 27.4 50 275
45 0.1361 1.9573 38.2649 48.8000 131.050 -4.483 0.35 27.4 49 275
46 0.1215 1.9304 36.5554 47.6000 131.708 -5.022 0.36 27.8 48 275
47 0.1513 1.7699 36.7042 46.8000 131.067 -5.833 0.30 27.5 47 275
48 0.1094 1.8415 36.3909 46.6000 131.317 -5.397 0.27 27.2 47 275
49 0.1163 1.7922 39.0935 48.4000 131.767 -6.317 0.20 27.9 48 275
50 0.0812 1.7629 37.7981 48.2000 130.417 -6.617 0.20 27.6 48 275
51 0.1123 1.8715 37.1591 47.4000 130.000 -4.419 0.18 27.6 47 275
52 0.1108 1.9050 38.4226 48.6000 129.592 -4.797 0.18 27.9 49 275
53 0.1096 1.7930 39.2212 49.4000 131.067 -5.833 0.15 27.5 49 275
54 0.1130 1.9713 33.5753 44.4000 130.700 -6.217 0.34 27.9 44 275
55 0.1544 2.0195 38.4279 48.2000 130.292 -5.314 0.36 27.9 48 275
56 0.1323 1.7187 39.0935 48.4000 132.150 -5.900 0.20 27.3 48 275
57 0.0434 1.8044 37.9513 48.6000 130.350 -5.320 0.14 27.4 49 275
58 0.0974 1.9766 33.5753 44.4000 130.675 -4.908 0.30 27.5 44 275
59 0.0957 1.8668 39.0935 48.4000 130.467 -4.358 0.20 27.4 48 275
60 0.0051 2.2459 49.3544 54.1111 132.083 -5.750 0.20 27.7 54 233
Keterangan Musim:
42 = Musim Barat
63 = Musim Peralihan 1
233 = Musim Timur
275 = Musim Peralihan 2
(2)
Lampiran 5. Data validasi
No B0
h (dalam
log) Zm Bujur Lintang
[Chl-a] in situ
Suhu ⁰C
Mixed layer depth
Musim
1 0.0012 1.9711 48.9464 53.0000 131.693 -6.112 0.13 28.7 53 42
2 -0.0183 1.8898 49.6387 53.6667 128.757 -5.330 0.07 28.5 54 42
3 -0.0199 2.0007 49.3634 53.6667 130.505 -4.653 0.06 28.6 54 42
4 -0.0033 1.9096 49.5126 53.6667 129.503 -6.232 0.09 28.6 54 42
5 0.0304 1.9258 49.3654 53.7778 129.752 -4.617 0.10 28.3 54 42
6 0.0021 1.8224 35.9642 42.0000 131.172 -5.665 0.10 28.4 42 42
7 0.0163 1.9551 49.3077 53.3333 130.000 -5.500 0.13 28.7 53 63
8 0.0373 1.9900 49.6387 53.6667 131.917 -5.522 0.15 27.4 54 233
9 0.0201 1.9361 49.7455 54.1111 128.765 -5.332 0.12 27.4 54 233
10 -0.0044 2.2003 49.3077 53.3333 131.758 -6.875 0.20 27.8 53 233
11 0.0337 1.9944 49.3077 53.3333 131.083 -6.500 0.15 27.4 53 233
12 0.0041 2.2536 49.3077 53.3333 130.000 -5.500 0.19 27.8 53 233
13 0.0315 2.0900 49.6365 52.5556 129.917 -4.467 0.15 27.8 53 233
14 0.1593 1.7739 36.0902 46.0000 132.120 -5.919 0.25 27.5 46 275
15 0.1157 1.8912 37.1591 47.4000 131.380 -5.420 0.18 27.3 47 275
16 0.0934 1.9466 38.2649 48.8000 129.233 -5.042 0.22 27.5 49 275
17 0.0482 1.8956 39.2212 49.4000 129.656 -4.708 0.15 27.9 49 275
18 0.1015 1.9393 37.4793 48.2000 131.070 -4.450 0.20 27.8 48 275
19 0.1015 1.8511 39.2212 49.4000 131.770 -4.920 0.18 27.6 49 275
Keterangan Musim:
42 = Musim Barat
63 = Musim Peralihan 1
233 = Musim Timur
275 = Musim Peralihan 2
(3)
Lampiran 6. Hasil
Training
Model Pendugaan [Chl-a]
No B0 h Zm
ANN LSM Selisih ANN LSM Selisih ANN LSM Selisih ANN LSM Selisih
1 0.029 0.054 0.025 1.799 1.774 -0.025 49.377 49.212 -0.165 53.221 53.444 0.025 2 0.022 0.034 0.012 1.746 1.819 0.073 50.049 49.799 -0.250 54.496 53.778 0.012 3 0.030 0.078 0.048 1.949 1.678 -0.271 49.422 49.326 -0.096 53.444 53.444 0.048 4 0.024 -0.002 -0.026 1.825 2.022 0.197 49.973 49.308 -0.665 53.300 53.333 -0.026 5 0.027 0.021 -0.006 1.939 1.871 -0.068 50.041 49.331 -0.710 54.237 53.556 -0.006 6 0.089 0.084 -0.005 2.152 2.249 0.097 50.325 49.621 -0.704 54.132 54.333 -0.005 7 0.050 0.047 -0.003 1.865 1.818 -0.047 50.152 49.677 -0.475 54.036 53.556 -0.003 8 0.039 0.045 0.006 1.909 1.981 0.072 49.554 49.462 -0.092 53.561 53.333 0.006 9 0.033 0.036 0.003 1.898 1.792 -0.106 49.665 49.308 -0.357 53.561 53.333 0.003 10 0.022 0.020 -0.002 1.827 1.887 0.060 50.114 49.450 -0.664 53.909 53.667 -0.002 11 0.030 0.026 -0.004 1.777 1.852 0.075 49.223 49.785 0.562 52.931 53.333 -0.004 12 0.025 0.011 -0.014 1.817 1.902 0.085 48.889 49.171 0.282 53.296 53.333 -0.014 13 0.020 0.013 -0.007 1.782 1.753 -0.029 48.993 49.075 0.082 53.191 53.111 -0.007 14 0.058 0.043 -0.015 1.489 1.474 -0.015 35.643 35.732 0.089 40.460 41.250 -0.015 15 0.005 0.003 -0.002 1.815 1.857 0.042 50.179 49.308 -0.871 53.303 53.333 -0.002 16 0.029 0.038 0.009 1.868 1.711 -0.157 51.697 53.027 1.330 57.486 59.286 0.009 17 0.010 0.029 0.019 1.813 1.677 -0.136 49.435 51.617 2.182 50.413 50.000 0.019 18 0.026 -0.015 -0.041 1.914 2.081 0.167 51.395 51.474 0.079 56.461 56.875 -0.041 19 0.027 0.017 -0.010 2.193 2.192 -0.001 49.152 49.308 0.156 53.050 53.333 -0.010 20 0.028 0.028 0.000 2.162 2.268 0.106 49.171 49.176 0.005 53.223 53.444 0.000 21 0.018 0.024 0.006 1.960 1.914 -0.046 49.753 49.308 -0.445 53.735 53.333 0.006 22 0.027 0.007 -0.020 2.048 2.010 -0.038 49.198 49.308 0.110 53.328 53.333 -0.020 23 0.018 0.047 0.029 2.029 1.916 -0.113 50.471 49.636 -0.835 54.359 53.556 0.029 24 0.055 0.081 0.026 2.203 2.105 -0.098 48.283 49.308 1.025 52.986 53.333 0.026 25 0.035 0.047 0.012 2.122 2.123 0.001 48.916 49.563 0.647 53.253 53.444 0.012 26 0.065 0.078 0.013 2.165 2.094 -0.071 49.162 49.760 0.598 53.201 54.444 0.013 27 0.026 0.039 0.013 2.028 1.990 -0.038 49.568 48.908 -0.660 53.544 53.000 0.013 28 0.022 0.009 -0.013 2.173 2.339 0.166 49.353 49.308 -0.045 53.187 53.333 -0.013 29 0.044 0.057 0.013 2.041 2.019 -0.022 50.008 49.649 -0.359 53.884 53.556 0.013 30 0.045 0.053 0.008 2.054 2.075 0.021 48.572 49.450 0.878 53.292 53.333 0.008
(4)
Lampiran 6. Hasil
Training
Model Pendugaan [Chl-a] (Lanjutan)
No B0 h Zm
ANN LSM Selisih ANN LSM Selisih ANN LSM Selisih ANN LSM Selisih
31 0.031 0.005 -0.026 2.139 2.246 0.107 50.706 49.354 -1.352 54.249 54.111 0.005 32 0.139 0.164 0.025 2.246 2.212 -0.034 46.322 48.942 2.620 43.983 43.889 0.164 33 0.027 -0.034 -0.061 2.048 2.207 0.159 49.198 49.308 0.110 53.328 53.333 -0.034 34 0.031 0.027 -0.004 2.102 2.039 -0.063 49.112 49.326 0.214 53.164 53.444 0.027 35 0.030 0.050 0.020 2.074 1.880 -0.194 49.750 49.719 -0.031 53.478 53.444 0.050 36 0.035 0.003 -0.032 2.084 2.229 0.145 49.889 49.280 -0.609 54.057 53.556 0.003 37 0.042 0.033 -0.009 2.085 2.089 0.004 48.885 49.308 0.423 53.310 53.333 0.033 38 0.029 0.042 0.013 1.671 1.632 -0.039 52.832 53.752 0.920 57.740 58.571 0.042 39 0.083 0.097 0.014 1.840 1.790 -0.050 39.382 38.584 -0.798 49.254 48.800 0.097 40 0.119 0.118 -0.001 1.716 1.693 -0.023 36.610 37.632 1.022 47.962 47.800 0.118 41 0.151 0.126 -0.025 1.980 2.033 0.053 38.377 38.265 -0.112 48.966 48.800 0.126 42 0.108 0.114 0.006 1.778 1.802 0.024 37.711 38.109 0.398 47.997 48.400 0.114 43 0.114 0.138 0.024 1.744 1.694 -0.050 37.019 38.109 1.090 48.117 48.400 0.138 44 0.111 0.121 0.010 1.830 1.858 0.028 39.787 39.215 -0.572 50.044 49.600 0.121 45 0.136 0.136 0.000 2.031 1.957 -0.074 39.426 38.265 -1.161 48.965 48.800 0.136 46 0.145 0.121 -0.024 1.926 1.930 0.004 37.519 36.555 -0.964 48.314 47.600 0.121 47 0.131 0.151 0.020 1.891 1.770 -0.121 36.897 36.704 -0.193 47.006 46.800 0.151 48 0.122 0.109 -0.013 1.879 1.841 -0.038 37.226 36.391 -0.835 47.011 46.600 0.109 49 0.117 0.116 -0.001 1.736 1.792 0.056 37.567 39.093 1.526 48.242 48.400 0.116 50 0.115 0.081 -0.034 1.743 1.763 0.020 36.756 37.798 1.042 48.039 48.200 0.081 51 0.099 0.112 0.013 1.804 1.871 0.067 36.484 37.159 0.675 46.967 47.400 0.112 52 0.095 0.111 0.016 1.855 1.905 0.050 38.761 38.423 -0.338 49.091 48.600 0.111 53 0.086 0.110 0.024 1.783 1.793 0.010 39.348 39.221 -0.127 49.299 49.400 0.110 54 0.127 0.113 -0.014 1.909 1.971 0.062 35.941 33.575 -2.366 43.986 44.400 0.113 55 0.145 0.154 0.009 2.007 2.020 0.013 37.983 38.428 0.445 47.872 48.200 0.154 56 0.111 0.132 0.021 1.769 1.719 -0.050 37.586 39.093 1.507 48.218 48.400 0.132 57 0.079 0.043 -0.036 1.778 1.804 0.026 39.356 37.951 -1.405 49.305 48.600 0.043 58 0.112 0.097 -0.015 1.931 1.977 0.046 36.927 33.575 -3.352 43.953 44.400 0.097 59 0.100 0.096 -0.004 1.869 1.867 -0.002 37.888 39.093 1.205 48.075 48.400 0.096
(5)
Lampiran 7. Hasil Validasi Model Pendugaan [Chl-a]
No B0 h Zm
ANN LSM Selisih ANN LSM Selisih ANN LSM Selisih ANN LSM Selisih
1 0.037 0.001 0.036 1.840 1.971 0.131 49.767 48.946 0.821 53.103 53.000 0.103 2 0.017 -0.018 0.035 1.825 1.890 0.065 50.141 49.639 0.502 54.320 53.667 0.653 3 0.016 -0.020 0.036 1.814 2.001 0.187 49.830 49.363 0.467 54.199 53.667 0.532 4 0.023 -0.003 0.026 1.855 1.910 0.055 50.183 49.513 0.670 54.098 53.667 0.431 5 0.021 0.030 -0.009 1.913 1.926 0.013 49.763 49.365 0.398 54.366 53.778 0.588 6 0.029 0.002 0.027 1.499 1.822 0.323 38.302 35.964 2.338 41.440 42.000 -0.560 7 0.024 0.016 0.008 1.970 1.955 -0.015 50.625 49.308 1.317 53.360 53.333 0.027 8 0.016 0.037 -0.021 2.108 1.990 -0.118 50.925 49.639 1.286 54.348 53.667 0.681 9 0.020 0.020 0.000 1.827 1.936 0.109 50.814 49.745 1.069 54.737 54.111 0.626 10 0.044 -0.004 0.048 2.068 2.200 0.132 49.257 49.308 -0.051 53.399 53.333 0.066 11 0.026 0.034 -0.008 2.017 1.994 -0.023 49.441 49.308 0.133 53.560 53.333 0.227 12 0.034 0.004 0.030 2.112 2.254 0.142 48.972 49.308 -0.336 53.165 53.333 -0.168 13 0.014 0.032 -0.018 2.115 2.090 -0.025 49.660 49.636 0.024 53.313 52.556 0.757 14 0.124 0.159 -0.035 1.748 1.774 0.026 35.673 36.090 -0.417 46.121 46.000 0.121 15 0.103 0.116 -0.013 1.750 1.891 0.141 36.418 37.159 -0.741 47.042 47.400 -0.358 16 0.110 0.093 0.017 1.872 1.947 0.075 39.010 38.265 0.745 48.888 48.800 0.088 17 0.081 0.048 0.033 1.829 1.896 0.067 39.223 39.221 0.002 49.192 49.400 -0.208 18 0.106 0.102 0.004 1.830 1.939 0.109 37.724 37.479 0.245 48.265 48.200 0.065 19 0.093 0.102 -0.009 1.842 1.851 0.009 39.753 39.221 0.532 49.381 49.400 -0.019
(6)