Model Campuran Linear Terampat untuk stok ikan … Data...Model Campuran Linear Terampat untuk stok...
Transcript of Model Campuran Linear Terampat untuk stok ikan … Data...Model Campuran Linear Terampat untuk stok...
Model Campuran Linear Terampat untuk stok ikan di Sungai Na Thap - Thailand Selatan
Yenni Angraini—G161150051
1
25
79 27
25
25
97
19
38
23
09
40
80
46
50 4
86
4
49
63
S I T E 1 S I T E 2 S I T E 3 S I T E 4 S I T E 5 S I T E 6 S I T E 7 S I T E 8 S I T E 9
F R E S H W A T E R B R A C K I S H S A L I N E
freshwater
brackish
Saline
Eksplorasi Data --- Spesies Ikan
0
5
10
15
20
25
30
35
40
45
site1 site2 site3 site4 site5 site6 site7 site9 site8 site10
freshwater brackish saline
0
5
10
15
20
25
30
35
40
45
50
site1 site2 site3 site4 site5 site6 site7 site8 site9 site10
freshwater brackish saline
2010
Januari Februari Maret April Mei Juni
Juli Agustus September Oktober Nopember Desember
0
5
10
15
20
25
30
35
40
45
50
site1 site2 site3 site4 site5 site6 site7 site8 site9 site10
freshwater brackish saline
2011
Januari Februari Maret April Mei Juni
Juli Agustus September Oktober Nopember Desember
0
5
10
15
20
25
30
35
40
45
50
site1 site2 site3 site4 site5 site6 site7 site8 site9 site10
freshwater brackish saline
2012
Januari Februari Maret April Mei Juni
Juli Agustus September Oktober Nopember Desember
0
5
10
15
20
25
30
35
40
45
50
site1 site2 site3 site4 site5 site6 site7 site8 site9 site10
freshwater brackish saline
2013
Januari Februari Maret April Mei Juni
Juli Agustus September Oktober Nopember Desember
Karakteristik data
• Karena data respon adalah jumlah banyaknya spesies ikan pada site ke-i maka sebaran data respon mengikuti sebaran Poisson
• Pengaruh tetap : • Lingkungan : Zona• Ekologi : WDEPTH, WTEMP, SAL, DO dan
BOD
• Site diasumsikan menyebar acak pengaruh acak
• Link function sebaran Poisson log
• Metode pendugaan yang bisa digunakan yaitu GHQ
• Model H0 : • Pengaruh acak : Site
• Model H1 : • Pengaruh tetap :
• Lingkungan : Zona
• Pengaruh acak : Site
• Model H2 : • Pengaruh tetap :
• Lingkungan : Zona• Ekologi : WTEMP, WDEPTH, SAL, DO dan
BOD
• Pengaruh acak : Site
4
Dugaan Std.galat t hitung Pr(>|t|)Intersep 3.022 0.187 16.188 0.000*
zonefreshwater -0.231 0.124 -1.855 0.064
zonesaline 0.385 0.134 2.876 0.004*WTEMP 0.002 0.005 0.440 0.660WDEPTH -0.018 0.012 -1.461 0.144SAL 0.006 0.001 6.800 0.000*DO 0.026 0.009 2.954 0.003*BOD 0.025 0.008 3.063 0.002*
𝜎2Site 0.026
𝜎2Sisaan 0.685
WTEMP WDEPTH SAL DO BOD
WTEMP 1.000
WDEPTH 0.223 1.000
SAL -0.175 0.072 1.000
DO -0.178 -0.009 -0.154 1.000BOD -0.077 -0.033 -0.177 -0.31 1.000
Model AIC BIC logLik deviance
H0 546.8 555.4 -271.4 542.8
H1 538.7 555.8 -265.4 530.7
H2 425.8 464.3 -203.9 407.8
Ragam pengaruh acak < ragam sisaan ada keragaman dalam site
Hierarchical Generalized Linear Model (HGLM)
• Model GLMM yang mengasumsikan peubah respon menyebar poisson biasanya mengasusmsikan pengaruh acaknya menyebar normal
• Namun ada kalanya asumsi ini tidak cocok untuk digunakan, sehingga untuk data count dikembangkan suatu metode yaitu Poisson Hierarchical Generalized Linear Model (HGLM)
• Poisson HGLM tidak mensyaratkan pengaruh acak menyebar normal
• Metode ini pertama kali dikembangkan oleh Lee dan Nelder (1996)
• Lee dan Lee (1998) menggunakan HGLM untuk menganalisis data count dimana responnya diasumsikan menyebar poisson sedangkan pengaruh acaknnya menyebar Gamma Poisson-Gamma HGLM
• Package yang digunakan di R hglm
6
Hierarchical Generalized Linear Model (HGLM)
• Misalkan y adalah peubah respon yang diamati dan u adalah pengaruh acak, conditional likelihood untuk y bersyarat u diasumsikan sebagai :
• Sebaran dari u diasumsikan sembarang.
• Asumsi sebaran normal, biasanya jika pengaruh acak berkorelasi. Namun sebaiknya asumsi sebaran pengaruh acak ditentukan berdasarkan sifat dari data atau sesuai dengan tujuan suatu penelitian
• Hirarchical likelihood :
7
Hierarchical Generalized Linear Model (HGLM)
8
Poisson-Gamma HGLM
9
glmer hglm
Dugaan Std.galat t hitung Pr(>|t|) Dugaan Std.galat t- hitung Pr(>|t|)
Intersep 3.022 0.187 16.188 0.000 3.021 0.180 16.826 0.000
zonefreshwater -0.231 0.124 -1.855 0.064 -0.242 0.156 -1.558 0.120
zonesaline 0.385 0.134 2.876 0.004 0.344 0.167 2.056 0.040
WTEMP 0.002 0.005 0.440 0.660 0.002 0.004 0.552 0.581
WDEPTH -0.018 0.012 -1.461 0.144 -0.010 0.010 -0.945 0.345
SAL 0.006 0.001 6.800 0.000 0.006 0.001 8.004 0.000
DO 0.026 0.009 2.954 0.003 0.026 0.007 3.507 0.000
BOD 0.025 0.008 3.063 0.002 0.025 0.007 3.619 0.000
𝜎2Site 0.026 0.041
𝜎2Sisaan 0.685 0.709
Intersep setiap Site
sitesite1 sitesite2 sitesite3 sitesite4 sitesite5 sitesite6 sitesite7 sitesite8 sitesite9 sitesite100.988 1.058 1.201 0.752 0.707 1.031 1.261 0.992 1.013 0.995
10
Berat Ikan--eksplorasi
11
0.00
20.00
40.00
60.00
80.00
100.00
120.00
140.00
160.00
180.00
2010 2011 2012 2013 2014
Site1 Site2 Site3 Site4 Site5 Site6 Site7 Site8 Site9 Site10
2010 2011 2012 2013 2014
Site1 48.44 73.86 75.55 79.35 78.12
Site2 37.92 45.25 58.81 62.09 65.46
Site3 42.25 84.37 72.68 83.66 87.35
Site4 45.51 61.77 72.98 87.69 106.94
Site5 36.62 49.58 71.38 86.68 117.46
Site6 33.53 62.12 76.18 85.38 110.24
Site7 43.56 89.76 94.43 104.99 127.15
Site8 54.58 101.10 101.15 114.44 137.31
Site9 57.08 100.17 100.57 116.33 143.86
Site10 55.89 100.43 108.38 124.49 154.51
25.40747685 27.16468531
205.7184451
0
50
100
150
200
250
SP1
SP2
SP3
SP4
SP5
SP6
SP7
SP8
SP9
SP1
0
SP1
1
SP1
2
SP1
3
SP1
4
SP1
5
SP1
6
SP1
7
SP1
8
SP1
9
SP2
0
SP2
1
SP2
2
SP2
3
SP2
4
SP2
5
SP2
6
SP2
7
SP2
8
SP2
9
SP3
0
SP3
1
SP3
2
SP3
3
SP3
4
SP3
5
SP3
6
SP3
7
SP3
8
SP3
9
SP4
0
SP4
1
SP4
2
SP4
3
SP4
4
SP4
5
SP4
6
SP4
7
SP4
8
SP4
9
SP5
0
SP5
1
SP5
2
SP5
3
SP5
4
SP5
5
SP5
6
SP5
7
SP5
8
Rata-rata berat Ikan per spesies
12
0.0
50.0
100.0
150.0
200.0
250.0
300.0
350.0
Site1 Site2 Site3 Site4 Site5 Site6 Site7 Site8 Site9 Site10
SP1 SP2 SP3 SP4 SP5 SP6 SP7 SP8 SP9 SP10 SP11 SP12 SP13 SP14 SP15 SP16 SP17 SP18 SP19 SP20 SP21 SP22 SP23 SP24 SP25 SP26 SP27 SP28 SP29
0.0
50.0
100.0
150.0
200.0
250.0
300.0
350.0
Site1 Site2 Site3 Site4 Site5 Site6 Site7 Site8 Site9 Site10
SP30 SP31 SP32 SP33 SP34 SP35 SP36 SP37 SP38 SP39 SP40 SP41 SP42 SP43 SP44 SP45 SP46 SP47 SP48 SP49 SP50 SP51 SP52 SP53 SP54 SP55 SP56 SP57 SP58
Rata-rata Berat Ikan spesies per site
Karakteristik data
• Karena data respon adalah jumlah stok ikan dalam gr/1000m2 pada site ke-i maka sebaran data respon mengikuti sebaran Gamma
• Pengaruh tetap : • Lingkungan : Zona• Ekologi : WTEMP , WDEPTH, SAL, DO
dan BOD
• Site diasumsikan menyebar acak pengaruh acak
• SP tersarang dalam site• Link function sebaran Gamma log• Metode pendugaan yang bisa
digunakan yaitu GHQ
• Model H0 : • Pengaruh acak : Site
• Model H1 : • Pengaruh acak : SP tersarang dalam site
• Model H2 : • Pengaruh tetap :
• Lingkungan : Zona• Pengaruh acak : SP tersarang dalam site
• Model H4 : • Pengaruh tetap :
• Lingkungan : Zona• Ekologi : WTEMP, WDEPTH, SAL, DO dan
BOD• Pengaruh acak : SP tersarang dalam site
14
Berat Ikan--GLMM
15
WTEMP WDEPTH SAL DOWDEPTH 0.184
SAL -0.186 0.081
DO -0.177 0.006 -0.17
BOD -0.047 -0.021 -0.155 -0.27
Dugaan Std.galat t hitung Pr(>|t|)
Intersep 4.807 0.097 49.450 0.000
Zone2 -0.164 0.076 -2.170 0.030
Zone3 0.127 0.077 1.650 0.099
WTEMP -0.033 0.003 -12.550 0.000
WDEPTH -0.052 0.006 -8.890 0.000
SAL 0.020 0.000 40.610 0.000
DO 0.015 0.005 3.120 0.002
BOD 0.045 0.005 9.510 0.000
𝜎2site: SP 0.122 0.348
𝜎2sisaan 0.293 0.541
Ragam pengaruh acak < ragam sisaan ada
keragaman dalam Spesies dan site
Model AIC delta AIC
H0pengaruh acak : site
166821.4 12584.4
H1pengaruh acak : Spesies tersarang dalam site
156944.0 2707.0
H2
pengaruh tetap : Lingkungan, pegaruh acak : Spesies tersarang dalam site
156926.8 2689.8
H3
pengaruh tetap : Lingkungan dan ekologi, pegaruh acak : site, Spesies tersarang dalam site
154235.1 0.0
Berat Ikan--GLMM
16
Berat Ikan--HGLM
17
Pengaruh acak
Gam(log),Gaus(iden) RE=Site : Spesies
Gam(log),Gam(log) RE=Site : Spesies
𝜎2Sisaan 𝜎2p. a 𝜎2Sisaan 𝜎2p. a
Spesies tersarang dalam site 0.286 0.313 0.327 0.272
Gam(log),Gaus(iden) RE=Site : Spesies
Gam(log),Gam(log) RE=Site : Spesies
Dugaan Std.galat t hitung Pr(>|t|) Dugaan Std.galat t hitung Pr(>|t|)
Intersep 4.778 0.100 47.935 0.000 4.877 0.100 48.865 0.000
Zone2 -0.175 0.072 -2.447 0.014 -0.116 0.072 -1.608 0.108
Zone3 0.096 0.072 1.329 0.184 0.200 0.073 2.761 0.006
WTEMP -0.031 0.003 -11.188 0.000 -0.031 0.003 -11.181 0.000WDEPTH -0.054 0.006 -8.576 0.000 -0.055 0.006 -8.645 0.000SAL 0.020 0.000 40.829 0.000 0.020 0.000 40.827 0.000DO 0.015 0.005 3.223 0.001 0.015 0.005 3.219 0.001BOD 0.044 0.005 9.762 0.000 0.044 0.005 9.713 0.000
18
Gam(log),Gaus(iden) RE=Site : Spesies
Gam(log),Gam(log) RE=Site : Spesies
19
Gam(log),Gaus(iden) RE=Site : Spesies
Gam(log),Gam(log) RE=Site : Spesies
20
Gam(log),Gaus(iden) RE=Site : Spesies
Gam(log),Gam(log) RE=Site : Spesies
21
Gam(log),Gam(log) glmm
RE=Site : Spesies RE=Site : Spesies
Dugaan Std.galat t hitung Pr(>|t|) Dugaan Std.galat t hitung Pr(>|t|)
Intersep 4.877 0.100 48.865 0.000 4.807 0.097 49.450 0.000
Zone2 -0.116 0.072 -1.608 0.108 -0.164 0.076 -2.170 0.030
Zone3 0.200 0.073 2.761 0.006 0.127 0.077 1.650 0.099
WTEMP -0.031 0.003 -11.181 0.000 -0.033 0.003 -12.550 0.000
WDEPTH -0.055 0.006 -8.645 0.000 -0.052 0.006 -8.890 0.000
SAL 0.020 0.000 40.827 0.000 0.020 0.000 40.610 0.000
DO 0.015 0.005 3.219 0.001 0.015 0.005 3.120 0.002
BOD 0.044 0.005 9.713 0.000 0.045 0.005 9.510 0.000
𝜎2site: SP 0.272 0.122
𝜎2sisaan 0.327 0.293
Penutup• Pemodelan yang dilakukan terhadap data spesies ikan memberikan hasil yang relatif sama
antara pendekatan model menggunakan MCLT dan MLTB.
• Peubah tetap yang berpengaruh terhadap jumlah spesies ikan pada taraf nyata 5% yaitu Zona Air asin, kadar garam yang terlarut, DO dan BOD.
• Peubah kedalaman air dan temperatur air tidak memberikan pengaruh terhadap spesies ikan.
• Pengaruh acak pada kedua model menunjukkan bahwa, adanya keberagaman spesies dalam site, namun keberagaman antar site belum bisa ditunjukkan oleh data.
• Sementara itu, untuk data jumlah stok ikan, hasil yang diperoleh antara pendekatan model menggunakan MCLT dan MLTB berbeda. Khususnya hasil dari pengaruh acak. Pada model MCLT, adanya keberagaman spesies dalam site, sementara dengan pendekatan MLTB diperoleh bahwa ada keberagaman antar site.
• Diagnostik model MCLT, belum dapat mengatakan bahwa modeltersebut yang terbaik, karena plot antara sisaan dan nilai dugaan mengindikasikan adanya pola tertentu.
• Perlu dilakukan kajian lebih lanjut terhadap diagnostik model. Indikasi awal hal ini terjadi karena adanya pencilan dalam data. Sehingga merupakan suatu kajian yang menarik untuk penulisan berikutnya untuk menangani data pencilan dalam pemodelan spesies ikan dan jumlah stok ikan.
22
Literatur1. McCulloch, C.E., (1997). An Introduction to Generalized Linear Mixed Models.
2. McCulloch, CE and Searle, SR (2001). Generalized, linear, and mixed models.
3. Venables. W.N. , Dichmont. C.M. (2004). GLMs, GAMs and GLMMs: an overview of theory for applications in
fisheries research. Fish Research. 70, 319–337
4. Brand˜ao, A., Butterworth, D.S., Johnston, S.J., Glazer, J.P., (2004). Using a GLMM to estimate the somatic
growth rate for male South African west coast rock lobster Jasus lalandi. Fish Research. 70, 335–345
5. Venables. W.N. , Dichmont. C.M. (2004). A generalised linear model for catch allocation: an example from
Australia’s Northern Prawn Fishery. Fish Research. 70, 405-422.
6. Bejamin et. al (2009). Generalized linear mixed models: a practical guide for ecology and evolution. Trend
in ecology and evolution. Volume 24, Issue 3, March 2009, Pages 127–135
7. Baum, J.K, Blanchard, W. (2010). Inferring shark population trends from generalized inear mixed models of
pelagic longline catch and effort data. Fish Research. 102, 229-239
23
Literatur8. Saheem, N., A. Lim and S. Chesoh. (2014). Predicting standing crop using lagged fingerling density of
freshwater fish in the Na Thap River of Southern Thailand. Songklanakarin J. Sci.Technol. 36: 13–19
9. Saheem, N., A. Lim and S. Chesoh. (2015). Factor Analysis for Clustering and Estimating Fish Distribution
Pattern in a Tropical Estuary in Southern Thailand. Kasetsart J. (Nat. Sci.) 49 : 188 – 199
10. Saheem, N. (2015). Statistical Modeling of Aquatic Animal Abundance in the Na Thap River. A Thesis
Submitted in Fulfillment of the Requirements for the Degree of Doctor of Philosophy in Research
Methodology. Prince of Songkla University.
11. Lee, Y., Nelder.J.A (1996). Hierarchical Generalized Linear Models. Journal of the Royal Statistical Society. Series B (Methodological), Vol. 58, No. 4(1996), pp. 619-678
12. Rönnegård, L., Shen, X., Alam, M. (2010). hglm: A Package for Fitting Hierarchical Generalized Linear
Models. The R Journal Vol. 2/2
13. Lee, C., Lee, Y. (1997). Sire Evaluation of Count Traits with a Poisson-Gamma HGLM. AJAS Vol 11 (N0.6) 642-
647
24
25