sebaran spasial kelimpahan ikan cakalang …biofarmaka.ipb.ac.id/biofarmaka/2013/pirs 2012 -...

0917: T.A. Wibawa PG-149

SEBARAN SPASIAL KELIMPAHAN IKAN CAKALANG (KATSUWONUSPELAMIS) BERDASARKAN ANALISIS DATA SATELIT OSEANOGRAFI

Teja Arief Wibawa1,∗, Dian Novianto2, dan Budi Nugraha2

Balai Penelitian dan Observasi Laut, Badan Penelitian dan PengembanganKelautan dan Perikanan, Kementrian Kelautan dan Perikanan.

Jl. Baru Prancak Negara , Jembrana, Bali 82251Loka Penelitian Perikanan Tuna, Badan Penelitian dan Pengembangan Kelautan

dan Perikanan, Kementrian Kelautan dan PerikananJl. Raya Pelabuhan Benoa, Denpasar-Bali

∗e-Mail: [email protected]

Disajikan 29-30 Nop 2012

ABSTRAK

Penelitian ini bertujuan untuk mengetahui pola sebaran spasial kelimpahan ikan cakalang berdasarkan analisis datasatelit oseanografi di Samudra Hindia Selatan Jawa-Nusa Tenggara. Wilayah tersebut merupakan salah satu daerah poten-sial penangkapan ikan cakalang yang ada di Perairan Indonesia. Data harian tangkapan ikan cakalang selama periode Januari-Oktober 2012, diperoleh dari perusahaan penangkapan ikan cakalang yang berbasis di Pelabuhan Benoa, Bali. Data satelitoseanografi yang digunakan dalam penelitian ini meliputi data sea surface chlorophyll-a concentration (SSC), sea surface tem-perature (SST), sea surface height anomaly (SSHA) dan eddy kinetic energy (EKE). Data harian penangkapan ikan cakalangdioverlay dengan setiap data SSC, SST, SSHA dan EKE pada periode hari yang sama, untuk mendapatkan nilai SSC, SST,SSHA dan EKE pada setiap koordinat penangkapan. Hasil overlay yang berupa nilai SSC, SST, SSHA dan EKE di analisislebih lanjut dengan metode generalized additive model (GAM). Pemilihan model GAM yang digunakan untuk memperkirakansebaran kelimpahan ikan cakalang didasarkan pada nilai Akaike’s Information Criteria (AIC) dan deviance setiap model, sertatingkat signifikansi setiap variabel penyusun model GAM. Model GAM yang terpilih berdasarkan ketiga kriteria tersebut, di-gunakan untuk memperkirakan sebaran spasial kelimpahan ikan cakalang setiap bulan di wilayah penelitian. Model GAM yangdigunakan untuk memperkirakan sebaran spasial kelimpahan ikan cakalang, adalah model GAM dengan kombinasi antara vari-abel SST dan SSHA. Model GAM tersebut mempunyai deviance sebesar 85.54%, dengan variabel SST sebagai variabel utama(p<0.001), dilanjutkan dengan variabel SSHA (p<0.05). Perkiraan sebaran spasial kelimpahan ikan cakalang menunjukkanadanya keterkaitan antara SST hangat (29-31 ◦C) dengan kelimpahan ikan cakalang.

Kata Kunci: Ikan cakalang, data satelit oseanografi, generalized additive model

I. PENDAHULUANPerairan Indonesia dikenal mempunyai dinamika os-

eanografi yang komplek, unik dan dinamis. Kondisitersebut disebabkan karena letak geografis Perairan In-donesia yang terbentang diantara dua benua dan duasamudra, yaitu Benua Asia dan Benua Australia sertaSamudra Pasifik dan Samudra Hindia. Pola pergerakanangin monsun dari Benua Asia menuju Benua Aus-tralia dan sebaliknya, merupakan faktor dominan yangberpengaruh terhadap dinamika osenografi perairanIndonesia.[1, 12, 13] Pada musim barat, pergerakan anginmonsun dari Benua Asia menuju Benua Australiamelewati Perairan Indonesia, membawa massa udarayang lembab, sehingga menyebabkan terjadinya pe-ningkatan presipitasi ketika melewati Perairan Indone-sia.[1, 13] Proses sebaliknya terjadi ketika memasuki

musim timur. Pergerakan angin muson timur akanmemicu terjadinya Ekman Transport di sepanjang pe-sisir selatan Jawa-Bali, sehingga mengakibatkan ter-jadinya proses upwelling.[1, 12, 13] Coastal upwellingtersebut akan menyebabkan perairan pesisir selatanJawa-Bali akan mengalami peningkatan produktivitasprimer pada lapisan permukaannya.

Letak geografis Perairan Indonesia diantara Samu-dra Pasifik dan Samudra Hindia menyebabkan di-namika oseanografi Perairan Indonesia dipengaruhioleh fenomena interaksi atmosfer dan laut yang terjadidiantara kedua samudra tersebut. Sistem pergerakanmassa air laut hangat dari Samudra Pasifik menujuSamudra Hindia melalui Perairan Indonesia, yang dike-nal sebagai arus lintas Indonesia (Arlindo),[14] menam-bah kompleksitas dinamika oseanografi Perairan In-

Prosiding InSINas 2012

PG-150 0917: T.A. Wibawa

donesia. Arlindo berpengaruh terhadap sirkulasi re-gional di Perairan Indonesia dan struktur suhu lautPerairan Indonesia secara vertikal dan horisontal.[7]

Fenomena El Nino Southern Oscillation (ENSO) diSamudra Pasifik mempengaruhi intensitas dan kondisisuhu air laut dalam Arlindo.[1, 11, 13] Pengaruh ENSOyang terbawa oleh melalui mekanisme Arlindo menye-babkan perubahan pola intensitas proses oseanografiyang terjadi di beberapa bagian Perairan Indonesia.Salah satunya adalah perubahan pola intensitas up-welling di Samudra Hindia selatan Jawa-Nusa Teng-gara1.[1, 13]

Fenomena Indian Ocean Dipole (IOD) dan WyrtkiJet,[5, 6, 11, 15] melengkapi keunikan dan kompleksitas di-namika oseanografi Perairan Indonesia. Kedua fenom-ena tersebut bersumber dari Samudra Hindia. In-tensitas upwelling di Samudra Hindia Selatan Jawa-Nusa Tenggara, selain dipengaruhi sistem AsiaAus-tralia monsoon dan ENSO, juga dipengaruhi olehIOD.[10, 13] Sedangkan Wyrtki Jet yang terjadi setahundua kali pada musim peralihan, mengakibatkan pe-rubahan kedalaman lapisan termoklin dan perubahantinggi rendah permukaan laut di Samudra Hindia.[6, 11]

Komplek, unik dan dinamisnya Perairan Indone-sia menjadikan data kondisi oseanografi hasil obser-vasi dari satelit oseanografi merupakan salah satu pili-han teknologi yang dapat digunakan untuk melakukanobservasi Perairan Indonesia secara near real timedan terus menerus. Data-data dari satelit oseanografitelah digunakan untuk mengidentifikasi fenomena-fenomena oseanografi yang terjadi di Perairan In-donesia.[1, 3, 12, 13] Dalam bidang oseanografi perikanan,terutama di negara-negara maju, data-data satelit os-eanografi telah dikembangkan untuk memperkirakandaerah potensial penangkapan jenis ikan yang memi-liki nilai ekonomis tinggi. Prakiraan daerah poten-sial penangkapan ikan berdasarkan hasil analisis daridata-data satelit oseanografi, pemodelan statistika dansistem informasi geografis (SIG) telah dikembangkanuntuk meningkatkan efisiensi penangkapan ikan tunaalbakora[19] dan ikan cakalang[4] di Perairan Jepang.Sedangkan untuk Perairan Indonesia, sistem praki-raan tersebut telah diadopsi untuk penangkapan tunamata besar di Samudra Hindia Selatan Jawa-Bali[16] danpenangkapan ikan lemuru di Selat Bali.[17]

Penelitian ini bertujuan untuk mengetahui pola se-baran spasial kelimpahan ikan cakalang berdasarkananalisis data satelit oseanografi di Samudra Hindia Se-latan Jawa-Nusa Tenggara. Wilayah tersebut meru-pakan salah satu daerah potensial penangkapan ikancakalang yang ada di Perairan Indonesia. Diperkirakanpola pergerakan sumberdaya ikan di wilayah terse-but, dipengaruhi oleh dinamika oseanografi yang ter-jadi di wilayah tersebut. Sejauh ini, pengelolaan sum-berdaya perikanan di wilayah tersebut belum memper-

timbangkan pengaruh dinamika faktor oseanografi ter-hadap kelimpahan sumberdaya ikannya. Diketahuinyapola sebaran satu habitat yang potensial bagi penangka-pan ikan dalam skala ruang dan waktu, merupakansalah satu pendekatan untuk meningkatkan efektivitaspengelolaan sumberdaya perikanan dan dapat mengu-rangi efek pemanasan global. Dengan diketahuinya se-baran habitat potensial penangkapan ikan, maka kon-sumsi bahan bakar yang digunakan untuk operasionalpenangkapan ikan akan semakin sedikit. Dampak lain-nya, karena semakin efektifnya operasional penangka-pan ikan, maka gas-gas beracun yang dilepaskan keatmosfer sebagai dampak yang tidak terpisahkan darioperasional penangkapan ikan, akan semakin berku-rang, sehingga dapat mengurangi efek rumah kaca danpemanasan global.

II. METODOLOGIData harian tangkapan ikan cakalang selama peri-

ode Januari-Oktober 2012, diperoleh dari perusahaanpenangkapan ikan cakalang yang berbasis di PelabuhanBenoa, Bali. Data tangkapan ikan cakalang yang di-gunakan meliputi data koordinat lokasi penangkapanikan cakalang dan jumlah ikan cakalang yang ter-tangkap di setiap koordinat penangkapan.

Data satelit oseanografi yang digunakan dalampenelitian ini meliputi data sea surface chlorophyll-aconcentration (SSC), sea surface temperature (SST), seasurface height anomaly (SSHA) dan eddy kinetic en-ergy (EKE). Data SSC, SST, SSHA dan EKE yang di-gunakan pada tahap ini merupakan data harian de-ngan periode yang sama dengan periode data tangka-pan ikan cakalang. Data SSC dan SST merupakan hasilobservasi dari sensor MODIS Aqua. Data-data tersebutdiperoleh dari webserver oceancolor dengan resolusispasial 9km dan resolusi temporal harian. Data SSHAdan EKE merupakan hasil pengolahan dari gabungansatelit-satelit altimetri. Data-data tersebut diperolehdari Archive Validation and Interpretation of Satel-lite Oceanography (AVISO), dengan resolusi spasial 1

3

◦

dan resolusi spasial harian. Pengolahan data tangka-pan ikan cakalang dan data satelit oseanografi dilaku-kan untuk menyamakan resolusi spasial, temporal danproyeksi geometris dari seluruh dataset. Data harianpenangkapan ikan cakalang dioverlay dengan setiapdata SSC, SST, SSHA dan EKE pada periode hari yangsama, untuk mendapatkan nilai SSC, SST, SSHA danEKE pada setiap koordinat penangkapan. Contoh over-lay data tangkapan ikan cakalang tanggal 6 Agustus2012 dengan data SSC, SST, SSHA dan EKE dapat di-lihat pada GAMBAR 1.

Hasil overlay yang berupa nilai SSC, SST, SSHAdan EKE di analisis lebih lanjut dengan metode gen-eralized additive model (GAM). Sebelum dilakukananalisis GAM, terlebih dahulu dilakukan eksplorasi



GAMBAR 1: Overlay data tangkapan ikan cakalang tanggal 6 Agustus 2012 dengan data SSC, SST, SSHA dan EKE

terhadap seluruh dataset. Tujuannya adalah untukmengindentifikasi adanya data pencilan dan kolinear-itas antar setiap variabel penjelas.[22, 23] Pembentukanmodel GAM dilakukan dengan menggunakan pustakamgcv[18] yang terdapat dalam program R.[8] Sebagaivariabel Y adalah hasil tangkapan ikan cakalang, se-dangkan sebagai variabel X adalah variabel-variabel os-eanografi yang telah terseleksi dalam proses eksplorasidata. Model GAM disusun berdasarkan kombinasi an-tara variabel-variabel X. Pemilihan model GAM yangdigunakan untuk memperkirakan sebaran kelimpahanikan cakalang didasarkan pada nilai Akaike’s Informa-tion Criteria (AIC) dan deviance setiap model, sertatingkat signifikansi setiap variabel penyusun modelGAM.[21, 22] Model GAM yang terpilih berdasarkanketiga kriteria tersebut, digunakan untuk memperki-rakan sebaran spasial kelimpahan ikan cakalang se-tiap bulan di wilayah penelitian. Sebagai data in-put untuk memperkirakan sebaran spasial kelimpahanikan cakalang tersebut, digunakan data komposit kli-matologi bulanan SSC, SST, SSHA dan EKE.

III. HASIL DAN PEMBAHASANProses eksplorasi data terhadap dataset hasil over-

lay data tangkapan ikan cakalang terhadap data SSC,SST, SSHA dan EKE dilakukan dengan mengguna-kan grafik boxplot dan grafik scatter matrix. Grafikboxplot memberikan informasi tentang sebaran kenor-

malan dataset, sedangkan grafik scatter matrix mengi-dentifikasi kolinearitas yang mungkin terjadi di antaravariabel-variabel X. Hasil grafik boxplot pada seluruhvariabel X ditampilkan pada GAMBAR 2. Berdasarkangrafik boxplot pada GAMBAR 2, terlihat nilai SSC dilokasi penangkapan ikan cakalang berada pada kisaran0.03-0.32 mg/m3 (GAMBAR 2a), sedangkan nilai SST be-rada pada kisaran 25.87-31.1 ◦C (GAMBAR 2b). NilaiSSHA berada pada kisaran 3.29-23.18 cm (GAMBAR 2c),dan nilai EKE berada pada kisaran 0.5-564.02 cm2/sec2

(GAMBAR 2d).Hasil analisis dengan grafik scatter matrix pada selu-

ruh variabel X ditampilkan pada GAMBAR 3. Pada grafikscatter matrix tersebut teridentifikasi adanya kolineari-tas antara variabel SSC dan SST. Nilai R2 yang diperolehantara variabel SSC dan SST adalah 0.78 (GAMBAR 3a).Nilai R2 yang tinggi tersebut dapat menyebabkan ter-jadinya kolinearitas dalam pembentukan model GAM.Untuk itu, variabel SSC tidak digunakan dalam prosespenyusunan model GAM. Setelah variabel SSC tidak di-gunakan, terlihat tidak adanya kolinearitas antar vari-abel SST, SSHA dan EKE (GAMBAR 3b).

Proses pembentukan model GAM dilakukan denganmengkombinasikan variabel SST, SSHA dan EKE se-bagai variabel-variabel X. Hasilnya diperoleh kombi-nasi antara SST dan SSHA merupakan model GAM de-ngan nilai deviance tertinggi, yaitu sebesar 85.54%, ni-lai AIC terendah, yaitu 433.573. Pada pembentukan



(a) (b)

(c) (d)GAMBAR 2: Grafik boxplot variabel SSC di lokasi penangka-pan ikan cakalang (a); Grafik boxplot SST di lokasi penangka-pan ikan cakalang (b); Grafik boxplot SHA di lokasi penangkapanikan cakalang (c); Grafik boxplot EKEdi lokasi penangkapan ikancakalang (d).

model GAM tersebut, variabel SST mempunyai kon-tribusi terbesar dalam pembentukan model (p<0.001)dibandingkan dengan variabel SSHA (p<0.05). ModelGAM yang terbentuk tersebut mempunyai persamaansebagai berikut:

cakalang = s(SST) + s(SSHA) (6)

di mana, cakalang adalah jumlah ikan cakalang yang ter-tangkap (kg), SST adalah sea surface temperature ( ◦C),dan SSHA adalah sea surface height anomaly (cm).

Persamaan GAM yang telah terbentuk, digu-nakan untuk memperkirakan sebaran kelimpahan ikancakalang bulanan. Sebagai input SST dan SSHA adalahdata komposit klimatologi bulanan SST dan SSHA peri-ode tahun 2003-2011. Hasil perkiraan sebaran bulanankelimpahan ikan cakalang ditampilkan pada GAMBAR 4∼GAMBAR 7.

Hasil perkiraan sebaran spasial kelimpahan ikancakalang bulanan menunjukkan adanya peningkatankelimpahan ikan cakalang pada periode musim barat(November, Desember, Januari, Februari dan Maret)dan musim peralihan. (April dan Oktober). Penu-runan kelimpahan ikan cakalang teridentifikasi padamusim timur (Mei, Juni, Juli, Agustus dan Septem-ber). Kondisi tersebut disebabkan karena SST seba-gai faktor utama pembentuk model GAM. Sebaran SSTpada wilayah penangkapan ikan cakalang tersebut cen-derung meningkat pada periode musim barat dan per-alihan akibat pergerakan angin muson yang bertiupdari Benua Asia menuju Benua Australia dan fenomena

Wyrtki Jet yang berasal dari Samudra Hindia bagiantengah menuju Samudra Hindia sebelah timur. Sedang-kan penurunan SST pada musim timur terjadi karenapergerakan angin muson yang bertiup dari Benua Aus-tralia menuju Benua Asia. Sebaran spasial kelimpa-han ikan cakalang di wilayah penelitian cenderungmengikuti pola sebaran SST di wilayah tersebut. SSTsebagai faktor dominan dalam menentukan sebaranhabitat ikan cakalang juga ditemukan oleh pada ap-likasi data satelit oseanografi untik penangkapan ikancakalang di Jepang[4] dan di Teluk Bone.[20] Pola se-baran SST di wilayah penelitian cenderung meningkatmelebihi 28 ◦C ketika memasuki musim barat danmusim peralihan. Diduga pola peningkatan kelimpa-han ikan cakalang di wilayah penelitian mengikuti polapeningkatan sebaran SST di wilayah tersebut. Padapenelitian ini diperoleh kisaran SST di lokasi penangka-pan ikan cakalang, antara 29-31 ◦C. Kisaran SST yanghampir sama, yaitu antara 29-31.5 ◦C, diperoleh dalampenelitian karakteristik lokasi penangkapan ikan diTeluk Bone.[20] Dengan demikian dapat diduga, sebaranSST yang hangat merupakan salah satu indikasi lokasipotensial penangkapan ikan cakalang.

Persamaan GAM yang digunakan untuk memperki-rakan daerah potensial penangkapan cakalang, da-pat menjelaskan variasi kelimpahan cakalang sebesar85.54%. Mengingat keterbatasan jumlah dataset yangdigunakan dalam pembentukan model GAM, diper-lukan kehati-hatian dan validasi insitu lebih lanjutuntuk menguji validitas model GAM tersebut padakondisi sebenarnya. Selain itu, lapisan renang ikancakalang yang cenderung berada pada lapisan up-per mixed layer[2] dapat menjadi salah satu kelema-han dalam penerapan model GAM yang telah terben-tuk di kondisi sebenarnya. Secara teori, SST yangdiperoleh dari hasil Sensor MODIS Aqua hanya dapatmengukur beberapa milimeter lapisan paling atas darisuatu permukaan laut.[9] Sedangkan lapisan renangikan cakalang cenderung berada pada kedalaman 30 mdi bawah permukaan laut. Untuk itu diperlukan ka-jian yang lebih mendalam, terutama untuk mengetahuiketerkaitan kondisi variabel oseanografi pada kedala-man lapisan renang ikan cakalang dengan kelimpahanikan cakalang.

IV. KESIMPULANBerdasarkan analisis data-data satelit oseanografi

dan data penangkapan ikan cakalang yang dilakukandalam penelitian ini, dapat disimpulkan bahwa per-samaaan GAM yang dibentuk dari variabel SST danSSHA dapat menjelaskan kelimpahan ikan cakalangsebesar 85.54 Pada penelitian ini, variabel SST meru-pakan variabel oseanografi yang paling dominandalam memperkirakan sebaran spasial kelimpahanikan cakalang.



(a) (b)GAMBAR 3: Grafik scatter matrix untuk seluruh variabel X (a); Grafik scatter matrix untuk variabel SST, SSHA dan EKE (b).

GAMBAR 4: Hasil prakiraan sebaran kelimpahan ikan cakalang bulanan pada bulan Januari, Februari dan Maret.

DAFTAR PUSTAKA[1] Hendiarti, N., H. Siegel, dan and T. Ohde. 2004.

Investigation of Different Coastal Processes in In-donesian Waters using SeaWiFS Data. Deep SeaResearch Part II: Tropical Studies in Oceanography,51:85-97

[2] Lehodey, P., I. Senina, dan R. Murtugudde. 2008.A Spatial Ecosystem and Population Dynamics

Model (SEAPODYM)-Modelling of Tuna and LikeTuna Populations. Progress in Oceanography 78:304-318.

[3] Moore II, T.S., J. Marra, dan A. Alkatiri. 2006. Re-sponse of the Banda Sea to the Southeast Monsoon.Marine Ecology Progress Series 261:41-49.

[4] Mugo, R., S. Saitoh, A. Nihira, dan T. Kuroyama.2010. Habitat Characteristisc of Skipjack Tuna (Kat-suwonus pelamis) in The Western North Pacific: A



GAMBAR 5: Hasil prakiraan sebaran kelimpahan ikan cakalang bulanan pada bulan April, Mei dan Juni.

GAMBAR 6: Hasil prakiraan sebaran kelimpahan ikan cakalang bulanan pada bulan Juli, Agustus dan September.

Remote Sensing Perspective. Fisheries Oceanogra-phy 19(5): 382-396.

[5] Qiu, Y., L. Li., dan W. Yu. 2009. Behaviour of the

Wyrtki Jet observed with surface drifting buoysand satellite altimeter. Geophysical Research Let-ter 36 (L18607). doi:10.1029/2009GL039120.



GAMBAR 7: Hasil prakiraan sebaran kelimpahan ikan cakalang bulanan pada bulan Oktober, November dan Desember.

[6] Qu, T., Y. Du, J. Strachan, G. Meyers dan J. Slingo.2005. Sea Surface Temperature and its Variability inThe Indonesian Region. Oceanography 18: 50-61.

[7] Qu, T dan G. Meyers. 2005. Seasonal caharcteris-tics of circulation in the southern tropical IndianOcean. Journal of Physical Oceanography 35: 255-267.

[8] R Development Core Team. 2008. R: A Lan-guage and environment for statistical computing.R Foundation for Statistical Computing, Vienna,Austria. available from: URL:http://www.R-project.org.

[9] Robinson, I. 2004. Measuring Ocean from theSpace, The Principles and Methods of SatelliteOceanography. Springer-Praxis.

[10] Sartimbul, A. H. Nakata, E. Rohadi, B. Yusuf, danH.P. Kadarisman. 2010. Variations in Chlorophyll-a Concentration and The Impact on Sardinellalemuru Catches in Bali Strait, Indonesia. Progressin Oceanography 87: 168-174

[11] Susanto, R.D., A.L. Gordon, dan Q. Zheng. 2001.Upwelling along the coast of Java and Sumatra andits relation to ENSO. Geophysical Research Letters29: 1599-1602.

[12] Susanto, R.D., dan J. Marra. 2005. Effect of the1997/98 El Nino on Cholorophyll a VaraibilityAlong the Southern Coast of Java and Sumatra.Oceanography, 18:124-127.

[13] Susanto, R.D, T.S. Moore II, dan J. Marra 2006.

Ocean Color Variabilty in The Indonesia Seas dur-ing SeaWiFS Era. Geochemistry, Geophysics andGeosystems 7 (5). doi: 10.029/2005GC001009.

[14] Susanto, R.D., A. Ffield., A.L. Gordon dan T.R.Adi, 2012. Variability of Indonesian Through-flow within Makassar Strait, 2004-2009. Jour-nal of Geophysical Research 117, C09013.doi:10.1029/2012JC008096.

[15] Sprintall, J., A.L. Gordon, R. Murtugudde, danR.D. Susanto. 2000. A semiannual Indian Oceanforced Kelvin wave observed in the Indonesianseas in May 1997. Journal of Geophysical Research105(C7): 17.217-17.230.

[16] Wibawa, T.A. 2011. Pemanfaatan Data SatelitOseanografi untuk Prediksi Daerah PotensialPenangkapan Tuna Mata Besar (Thunnus obe-sus) di Samudra Hindia Selatan Jawa-Bali. JurnalSegara Vol 7 (1): 29-41.

[17] Wibawa, T.A. 2012. Pemanfaatan data harian Sen-sor MODIS Aqua/Terra untuk memperkirakan se-baran kelimpahan diatom di Selat Bali. Jurnal Ke-lautan Nasional 7(2): 120-133.

[18] Wood, S.N. 2006. Generalized Additive Model,An Introduction with R. Chapman and Hall/CRCPress

[19] Zainuddin, M., K. Saitoh dan S. Saitoh. 2008. Alba-core (Thunnus alalunga) fishing ground in relationto oceanographic conditions in the western NorthPacific Ocean using remotely sensed satellite data.



Fisheries Oceanography, 17:61-73.[20] Zainuddin, M. 2011. Skipjack tuna in relation to

sea surface temperature and chlorophyll-a concen-tration of bone bay using remotely sensed satellitedata. Jurnal Ilmu dan Teknologi Kelautan Tropis3(1): 82-90.

[21] Zuur, A.F., E.N. Ieno, dan G.M. Smith. 2007.Analysing Ecological Data. Springer.

[22] Zuur, A.F., E.N. Ieno, N.J. Walker, A.A. Saveliev,dan G.M. Smith. 2009. Mixed Effect Models andExtension in Ecology with R. Springer.

[23] Zuur, A.F., E.N. Ieno, dan C.S. Elphick. 2010. A Pro-tocol for Data Exploration to Avoid Common Sta-tistical Problems. Methods in Ecology and Evolu-tion 2010(1): 3-14.


sebaran spasial kelimpahan ikan cakalang …biofarmaka.ipb.ac.id/biofarmaka/2013/pirs 2012 -...

Documents