IV. HASIL DAN PEMBAHASAN
4.1. Karakteristik Habitat
Untuk mendapatkan gambaran yang menyeluruh tentang karakter habitat belida melalui pengamatan fisika-biologi dan kimia air pada 14 parameter, kami menganalisa sample dari 116 lokasi baik pada lokasi yang sama di waktu atau musim yang berbeda maupun lokasi yang berbeda di Sumatera dan Kalimantan, yang merupakan tempat hidup (habitat) ikan belida.
Data yang kami peroleh selanjutnya dianalisis dengan menggunakan Analisa Komponen Utama (Principal Component Analysis/PCA). PCA adalah metode statistic yang diaplikasikan pada suatu variable data tunggal untuk mengungkap variable yang ada dalam data set membentuk turunan data set yang secara relative independent satu dengan yang lain. Variabel yang berhubungan dengan variable yang lain yang juga sangat independent dari variable data set yang lain yang dikombinasikan kedalam factor. Faktor yang dibentuk merupakan representasi dari proses yang terjadi yang dibentuk oleh corelasi antar variable. Dalam hal ini kami mengelompokkan 116 stasiun/lokasi menjadi group-group yang terpisah yang memiliki kemiripan karakter lingkungan, selain itu juga kami mereduksi dimensi dari 14 dimensi menjadi 2 dimensi. Reduksi dimensi ini sangat penting dalam melihat trend yang ada pada baik karakter lingkungan maupun antar stasiun. Tahap selanjutnya kami menentukan karakter habitat pembeda utama dari berbagai lokasi tadi melalui canonicle analisis pada analisa diskriminan. Karakter lingkungan utama dicirikan dengan nilai partial wilk lamda yang paling mendekati nol.
4.1.1. Karakteristik Habitat Ikan Belida Dengan Analisa PCA (Mengelompokkan Stasiun dan melihat trend parameter lingkungan yang ada)
rata-Tabel 6. Tingkat korelasi antar parameter lingkungan pada habitat belida
Tabel 7, selanjutnya dan grafik yang berhubungan dengannya berkaitan dengan objek
matematika, eigenvalue. Yang mereflesikan kualitas proyeksi dari N-dimensi (karakter) table awal (N=14) menjadi jumlah dimensi yang jauh lebih kecil. Kita dapat melihat eigenvalue pertama sama dengan 3.36 dan mewakili 25% dari total variabilitas yang ada. Hal ini berarti jika
faktor yang tidak berhubungan (r=0). Eigenvalue dan faktor yang berhubungan dengannya diseleksi dengan kenyataaan yang semakin menurun tentang berapa karakter awal yang dia wakili (dinyatakan dalam %). Gambar 2, memperlihatkan degradasi representasi data karakter habitat.
Tabel 7. Nilai eigenvalue untuk parameter lingkungan merepresentasikan jumlah variasi data yang diwakili
Gambar 2. Nilai eigenvalue untuk parameter lingkungan yang disajikan dalam bentuk Scatterplot
Idealnya, dua eigenvalue pertama atau ketiga akan memberikan suatu nilai presentasi (%) yang tinggi dari variasi memastikan kepada kita bahwa peta berdasarkan factor pertama kedua atau ketiga adalah proyeksi dengan kualitas yang bagus dari table awal multidimensi. Hasil penelitian menyatakan nilai factor pertama dan kedua memperlihatkan pada kita mewakili 40.84% dari variabilitas data awal. Memang hasilnya kurang baik dan kita juga harus berhati-hati mengintrepretasikan beberapa informasi yang ada di peta yang mungkin tersimpan dalam factor selanjutnya. Kita lihat disini dari awal memiliki 30 karakter.
Peta pertama disebut sebagai lingkaran korelasi (dibawah aksis F1 dan F2), Gambar 3. Itu memperlihatkan suatu poyeksi dari karakter awal di dalam ruang factor. Ketika kedua karakter jauh dari pusat, kemudian, jika mereka : dekat satu dengan yang lain, mereka secara nyata berkorelasi/berhubungan (r mendekati 1); jika mereka orthogonal, mereka tidak berhubungan (r mendekati 0); jika mereka berada pada sisi yang berhadapan/berkebalikan dari pusat. Kemudian
ortogonal, mekipun ada, kenyataannya tidak ada. Hal ini bisa dikonfirmasikan baik dengan melihat korelasi matrik maupun lingkaran korelasi antara F1 dan F2, F1 dan F3 (Gambar 4). Dan beberapa contoh yang lain.
Gambar 3. Grafik Sebaran parameter lingkungan analisis komponen utama pada sumbu faktorial 1 dan 2.
Gambar 4. Grafik Sebaran parameter lingkungan analisis komponen utama pada sumbu faktorial 1 dan 3.
Lingkaran korelasi berguna untuk menjelaskan arti axis. Berdasarkan gambar, axis horisontal (f1) mewakili parameter parameter Suhu Udara, Suhu Air, oksigen dan BOD, sedangkan axis vertical F2 mewakili parameter TDS, DHL dan Klorofil. Berdasarkan nilai tabel kosinus kuadrat; semakin besar nilai kosinus kuadrat (lihat Tabel 8), semakin besar keterkaitannya dengan axis. Semakin dekat nilai kosinus kuadrat suatu karakter dekat dengan nol, semakin hati-hati ketika mengintrepretasikan hasil dalam kaitannya denga axis yang berhubungan. Trend ini sangat berguna dalam mengintrepretasikan peta selanjutnya. Selain itu dengan melihat faktor loading (Tabel 9), kita juga dapat mengetahui parameter dominant yang berpengaruh, namun kelemahannya parameter tersebut masih terpisah pada axis yang berbeda.
Tabel 9. Faktor loading untuk semua faktor lingkungan yang diamati
Tujuan utama PCA disajikan pada Gambar 5 dan Gambar 6. Gambar tersebut membuat dapat melihat data dalam peta dua dimensi dan mengidentifikasikan trend yang ada. Kita dapat melihat bahwa stasiun bisa dikelompokkan menjadi 4 kelompok yang memiliki tipe yang sama, melalui nilai kosinus kuadrat pada Tabel 10, dengan posisi koordinat pada Tabel 11. Untuk memastikan bahwa observasi berhubungan dengan suatu axis, maka lihat tabel kosinus kuadrat; semakin besar nilai kosinus kuadrat, semakin besar keterkaitannya dengan axis. Semakin dekat nilai kosinus kuadrat suatu obesrvasi dekat dengan nol, semakin hati-hati ketika mengintrepretasikan hasil dalam kaitannya denga axis yang berhubungan. Stasiun dengan kode Lubuk rawa 001, Lebak Kumpai 002 etc, termasuk kelompok 1. Kelompok 2 diwakili dengan Telo Kandis 001, Tajab 001 etc yang memiliki sifat berlawanan pada axis horizontal (F1). Kelompok 3 diwakili oleh stasiun Lubuk Valas 001, Plat Vals 001, etc. Sedangkan Kelompok 4 Hutan Rasau 004, Dalam Pagar 002, etc. Berdasasarkan Grafik kita dapat simpulkan bahwa stasiun yang termasuk kelompok 2 berlawanan dengan stasiun dalam kelompok 1, begitu juga kelompok 3 dan 4. Artinya Kelompok 1 cenderung memiliki nilai Suhu Udara, Suhu Air, oksigen dan BOD yang tinggi dan hasil sebaliknya pada kelompok 2. Sedangkan untuk kelompok 3,memiliki nilai yang tinggi pada parameter TDS, DHL dan Klorofil, sebaliknya pada kelompok 4. Namun demikian untuk mereduksi berbagai factor lingkungan yang ada menjadi satu dimensi
Lubuk Valas karakter yang unik. Kembali ke table individu PB 006 dan PU OGN 006 memiliki Head depth yang panjang berkebalikan dengan OG 002. Sedangka individu RK 019 memiliki lebar mulut yang lebih besar.
Gambar 5. Grafik Sebaran stasiun pengamatan analisis komponen utama pada sumbu faktorial 1 dan 2.
Gambar 6. Grafik Sebaran stasiun pengamatan analisis komponen utama pada sumbu faktorial 1 dan 3.
Tabel 11. Posisi kuadrat masing-masing stasiun pengamatan pada sumbu faktor F1 dan F2
4.2. Diskriminan Analisis Sebagai Penentu Parameter Utama Pembeda
Diskriminan analisa adalah suatu proses membedakan dua atau lebih dari group yang terlebih dahulu telah ditentukan dengan kombinasi linear dari dua atau lebih variable, dalam hal ini kami menggunakan PCA. Diskriminan analisis menggunakan pengukuran variable berkelanjutan pada group yang berbeda untuk melihat aspek yang membedakan group. Tahap pertama analisa ini adalah dengan melihat rata-rata, Tabel 12. Syarat analisa diskriminan adalah distribusi yang normal, data karakter lingkungan sebagai contoh DHL, lihat Gambar . Dapat kita lihat bahwa variable ini secara normal terdistribusi di dalam setiap group (individu).
Gambar 7. Distribusi normal pada DHL
Selanjutnya kita melihat nilai secara keseluruhan diskriminasi antara karakter individu sangat significan (wilks’ Lamda = 0.0008458; F= 55.78514 (p<0.0001). Sekarang mari kita lihat kontribusi independent untuk memprediksi setiap variable (karakter) dalam model. Stepwise Analysis - Step11(Final Step)
Number of variables in the model:11
Last variable entered:pH F (3,62) =.9151852p < .4389
Wilks' Lambda:.0008458 approx. F (33,183) =55.78514p <0.0000
Secara umum wilks’ Lamda adalah statistic standard yang digunakan untuk menyatakan keberbedaan statisik (Statistical significance dari kekuatan diskriminan untuk model yang digunakan. Nilainya akan berkisar dari 1.0 (tidak ada kekuatan diskriminasi) sampai 0.0 (kekuatan diskriminasi sempurna). Setiap nilai di dalam kolom pertama di spreadsheet menunjukkan nilai wilks’ Lamda. Sementara partial wilks’ lambda. Ini adalah wilks’ Lamda untuk kontribusi yang unik dari tingkatan variable yang berurutan pada diskriminasi diantara
semakin besar kekuatan diskriminasi yang unik pada variable yang diamati. Nilai Partial Lambda pada Tabel 13, memperlihat parameter lingkungan yang dominan, karakteristik utama pada satu dimensi.
Tabel 13. Nilai partial lambda untuk setiap parameter lingkungan
Nilai partial lambda mengindikasikan bahwa nilai parameter TDS yang paling besar, selanjutnya berturut-turut sampai yang tekecil; DHL, suhu udara, klorofil, kecepatan arus, BOD, Oksigen, pH, alkalinitas dan Co2 menyumbang paling sedikit dari keseluruhan diskriminasi (ingat semakin rendah nilai partial lambda, maka semakin besar kontribusinya dalam keseluruhan diskriminasi. Untuk itu bisa disimpulkan pada point ini bahwa pengukuran karakter TDS adalah karakter pembeda utama yang bisa membedakan antar kelompok stasiun berdasarkan parameter fisika dan kimia yang dimiliki. Untuk mempelajari lebih jauh tentang diskriminasi yang terjadi, kita harus melakukan canonicle analisis. Tampilan utamanya adalah ChI-square, Tabel 14.
Secara umum, pada table melaporkan langkah awal akar canonical. Lajur pertama selalu mengandung test berbeda nyata untuk keseluruhan akar; yang kedua (lajur) melaporkan significan dari root yang tersisisa, setelah memindahkan akar pertama dan seterusnya. Kemudian table ini mengatakan berapa banyak akar canonical (fungsi diskriminan) yang harus diintrepretasikan. Hasil penelitian kedua fungsi diskriminan (atau canonical) secara statistic berbeda nyata. Selanjutnya kita dapat menyimpulkan dengan dua kesimpulan yang terpisah bagaimana pengukuran TDS dan DHL membuat kita dapat membedakan antar kelompok stasiun berdasarkan parameter fisika dan kimia yang dimiliki.
Juga terlihat ditabel nilai eigenvalue (root) untuk setiap fungsi diskriminasi dan kumulatif proporsinya, menjelakan variasi yang dihitung untuk setiap fungsi. Seperti yang terlihat untuk penggunaan akar FI dan F2 maka bernilai 97.6% dari variasi dijelaskan, bahwa 97.6% semua kekuatan diskriminasi dijelaskan dalam funsi ini. Selanjutnya fungsi pertama jelas merupakan yang paling penting.
Hal yang terpenting dalam canonicle analisa adalah nilai Koefisient standarisasi (Tabel
15) adalah salah satu yang umum digunakan untuk interpretasi, karena mereka mengandung
variable standarisasi dan untuk itu menjadi referensi skala pembanding. Fungsi diskriminan pertama (Root 1), karakter yang berpengaruh (nilainya paling besar) terutama oleh oleh klorofil, TDS, Oksigen, pH, DHL, alkalinitas, suhu udara dan C02. Sedangkan Fungsi kedua (root2) didominasi oleh BOD.
Saat ini kita sudah tahu bagaimana setiap variable berpartipasi di diskriminasi diantara karakter individu melalui mean canonical, Tabel 16. Pertanyaan selanjutnya adalah
menggambarkan sifat diskriminasi setiap akar canonical, Gambar 8. Tahap pertama untuk menjawab pertanyaan ini adalah melihat rata-rata canonical,. Fungsi diskriminan pertama sebagian besar antara group 4 dan group yang lain. Canonical mean group 4 sangat berbeda dengan group yang lain. Faktor kedua pada fungsi diskriminan sepertinya sebagian besar hanya membedakan group 2 dan beberapa group yang lain. Untuk melihat secara cepat hasil ini adalah memproduksi scatterplot untuk dua fungsi diskriminan .
Tabel 15. Koefisien standarisasi parameter lingkungan pada canonical analisis
Root 1 vs. Root 2 GROUP 3 GROUP 4 GROUP 1 GROUP 2 -15 -10 -5 0 5 10 15 Root 1 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 Root 2
Gambar 8. Sifat diskriminasi semua variabel lingkungan pada akar 1 dan 2
Plot ini mengkonfirmasi interpretasi sejauh ini. Jelas, bahwa group 4 terplotkan jauh kearah kiri di scaterplott, begitu juga dengan group 2 yang terplotkan ke dibagian atas. Fungsi diskriminan pertama terutama membedakan antara group 3 dan 1 dengan group 2 dan 4. Fungsi kedua sepertinya menyediakan diskriminasi pada group 2. Bagaimanapun sepertinya group 1 dan 3 tidak bisa didiskriminasi seperti group 4 dan 2.
Kesimpulan hasil penelitian sejauh ini, sepertinya significan utama dan diskriminasi yang jelas untuk group, baik dengan fungsi pertama maupun funsi kedua dari fungsi diskriminasi. Fungsi pertama untuk group 2, 4 dan 3/1 terutama ditandai oleh koefisien negative dari Klorofil, TDS dan oksigen. Hal ini berarti semakin besar nilai Klorofil, TDS dan oksigen semakin jauh group tersebut dengan Group 2,4 dan 3/1.
Fungsi diskriminan kedua untuk group 2 terutama ditandai dengan koefisien korelasi positive untuk BOD. Maka semakin kecil nilai BOD semakin jauh dengan Group
Berdasarkan analisa Komponen Utama (PCA) dan pembeda (Disscriminant Analysis) maka jelas habitat belida bisa dibedakan menjadi 3 tipe habitat. Sebagai pembeda utama sekaligus karakter lingkungan utama adalah parameter TDS yang paling besar, selanjutnya berturut-turut sampai yang tekecil; DHL, suhu udara, klorofil, kecepatan arus, BOD, Oksigen, pH, alkalinitas dan Co2 menyumbang paling sedikit. Untuk kisaran habitatnya akan ditampilkan dalam bentuk tabel 17.
Tabel 17. Kisaran habitat ikan belida hasil analisa diskriminan Tipe Habitat I
(merefleksikan kelompok 3 dan 1)
Tipe Habitat II (merefleksikan kelompok 2)
Tipe Habitat III (merefleksikan kelompok 4) TDS(mL)3.7 - 57.7 TDS(mL)13.6 - 19.2 TDS(mL)42.3 - 47.2
DHL (us)8.64 - 113.2 DHL (us)27.6 - 73.1 DHL (us) 97.1 - 125.0 Suhu Udara (0C) 24.5 – 30 Suhu Udara (0C) 34 Suhu Udara (0C) 24 - 32.5 Klorofil (nm) 0.000678 - 0.148 Klorofil (nm) 0.1535 Klorofil (nm) 0.000678 - 0.148 Kecepatan Arus (m/dt) 0 - 0.75 Kecepatan Arus (m/dt) 0.11 - 1.25 Kecepatan Arus (m/dt)0 - 3.166 BOD(mg/l) 0 - 5.65 BOD(mg/l) 2.27 BOD(mg/l) 0 - 9.53
Oksigen (mg/l) 2.0 - 17.5 Oksigen (mg/l) 5.17 - 9.54 Oksigen (mg/l) 2.99 - 12.44
pH 4.5 - 8 pH 6.1 - 7.4 pH 4.5 - 7
Alkalinitas(mg/l) 3.5 - 91.2 Alkalinitas(mg/l) 4 - 13.0 Alkalinitas(mg/l) 8.5 - 61.6 CO2(mg/l) 2.64 - 39.42 CO2(mg/l) 8.27 -24.64 CO2(mg/l) 1.76 - 25.08 Kedalaman (m) 0.5 -14.025 Kedalaman (m) 1 - 15.0 Kedalaman (m)0.42 - 5.4 Suhu air (0C) 25.1 - 31.9 Suhu air (0C) 27 Suhu air (0C)26 - 31 Kecerahan (m)0.13 - 2.62 Kecerahan (m) 0.3 - 0.87 Kecerahan (m)0.15 - 0.75
4.3. Kehadiran Plakton Sebagai Penciri Habitat Belida
Pengamatan biologi yang dilakukan adalah kelimpahan plakton, di sini kami berusaha melihat korelasi antara kelimpahan jenis plakton dengan karakteristik lingkungan (kualitas air) habitat belida. Diharapkan pada habitat spesifik belida bisa ditandai oleh keberadaan plakton tertentu. Untuk itu kami melakukan analisa regresi berganda, dengan deletion tipe metode backward. Metode backward adalah salah satu metode yang digunakan dalam analisis regresi berganda yang dimulai dengan memasukkan variabel bebas (dalam hal ini parameter lingkungan) yang mempunyai korelasi paling kuat dengan dengan variabel tergantung (kelimpahan plakton). Kemudian setiap kali dimasukkan variabel yang bebas yang lain, dilakukan pengujian dengan tetap memasukkan atau mengeluarkan variabel bebas sebelumnya (Santosa, 2000).
Berdasarkan analisis maka kelimpahan plakton yang erat hubungannya dengan karakter habitat belida (sebelumnya habitat belida telah ditentukan dengan menggunakan PCA dan diskriminant analysis) adalah dalam genus Ulothrix, Mytilina, Microcystis, Micrasterias, Cymbella, Arthodesmus dan Coscinodiscus. Untuk lebih jelas mari kita bahas satu persatu.
- Ulothrix
Berdasarkan Tabel 18, ada 4 tahapan analisa, dimana pada setiap tahapan ada variabel yang harus dikeluarkan dari model regresi, terlihat Adjusted R Square (R2 yang disesuaikan) adalah 0.537. Perhatikan bahwa untuk regresi dengan lebih dari dua variabel bebas digunakan Adjusted R Square sebagai koefisien pendetermasi. Semakin tinggi R2 yang disesuaikan akan semakin baik bagi model regresi, karena variabel bebas bisa menjelaskan variabel tergantung.
Tabel 19, selanjutnya memperlihatkan bahwa analisis berganda memasukkan alkalinitas, TDS, kecepatan arus, suhu udara dan DHL (yang merupakan karakteristik habitat belida) sebagai variabel yang significan dalam membentuk model. Ini berarti pada habitat belida spesifik dengan parameter lingkungan utama kehadiran plakton dalam genus ini ada di sana.
Tabel 19. Coefisient sebagai model regresi Ulothrix
- Mytilina
Berdasarkan tabel 20, terlihat bahwa kehadiran plankton genus Mytilina sangat dipengaruhi oleh Alkalinitas, Kecepatan arus dan DHL. Ketiga parameter ini adalah parameter habitat spesifik belida, Tabel 21.
Tabel 20. Hasil analisa regresi Mytila
Tabel 22. Hasil analisa regresi Microcystis
Tabel 24 dan Tabel 25 memperlihatkan kehadiran Micrasterias sangat berkorelasi dengan alkalinitas dengan DHL, ini berarti genus ini ada dihabitat belida sekaligus bisa digunakan sebagai penciri.
Tabel 24. Hasil analisa regresi Micrasterias
Berdasarkan Tabel 26 dan Tabel 27 juga kita dapat melihat bahwa dihabitat belida kita dapat menjumpai plakton dalam genus ini.
Tabel 26. Hasil analisa regresi Coscinodiscus
Berdasarkan Tabel 28 dan Tabel 29, walaupun ada korelasi kehadiran palkton genus ini namun dapat kita lihat korelasi tidak terlalu besar. Hanya sedikit organisme ini dijumpai dihabitat belida.
Tabel 28. Hasil analisa regresi Cymbella
Berdasarkan Tabel 30 dan Tabel 31, hasil yang sama diperlihatkan oleh plakton dari genus ini, genus ini tidak banyak dijumpai dihabitat belida, namun masih ada.
Tabel 30. Hasil analisa regresi Arthrodesmus
Untuk mencapai tujuan yang diharapkan dalam mereidentifikasi spesies ikan belida kami melakukan pengukuran morfometrik dan meristik pada 35 karakter ikan belida dan ikan putak sebagai pembanding. Data yang diperoleh kemudian di Analisa dengan menggunakan Principal Component Analysis (PCA) untuk membuat group berdasarkan trend/kecendrungan baik terhadap karakter maupun observasi kemudian membedakan group tersebut berdasarkan karakter utama pembeda dengan Discriminant Analysis. Discriminant Analysis juga nantinya akan melakukan validasi clasifikasi yang dibuat dengan Malahoby square (clasifikasi dengan metode ini sangat valid). Analisa di bagi menjadi dua tahap, tahap pertama adalah karakter morfometrik (bentuk) dan tahap kedua adalah karakter meristik (ukuran) melalui diskriminant analysis untuk memberikan pemahaman yang komprehensif sekaligus paling tidak memvalidasi hasil karaktek morfometrik.
4.4.1 Karakter Morfometrik Ikan Belida
A. Analisa Komponen Utama (Principal Component Analysis/PCA)
Analisa Komponen Utama (Principal Component Analysis/PCA) adalah metode statistic yang diaplikasikan pada suatu variable data tunggal untuk mengungkap variable yang ada dalam data set membentuk turunan data set yang secara relative independent satu dengan yang lain. Variabel yang berhubungan dengan variable yang lain yang juga sangat independent dari variable data set yang lain yang dikombinasikan kedalam factor. Faktor yang dibentuk merupakan representasi dari proses yang terjadi yang dibentuk oleh corelasi antar variable.
Kegunaan PCA antara lain :
1. Identifikasi group yang memiliki variable yang berhubungan sekaligus secar langsung dapat menvisualisasi data
2. Mengurangi jumlah variable tanpa kehilangan validitas data
3. Suatu metode untuk transformasi data. Transformasi data melalui penulisan ulang data dengan data asli yang tidak kita miliki.
Pectoral Fin Length (PFL), Anal Fin Width (AFW), Ishmus Length (ISL) dan Distance Lineal Laneralis to Lower body (DLB) secara umum memperlihatkan tingkat korelasi yang rendah dengan karakter yang lain. Paling tidak berarti karakter pembeda sifat dari individu/observasi yang diamati bukan karakter ini.
dengan 7.402 dan mewakili 25% dari total variabilitas yang ada. Hal ini berarti jika kita mewakili data hanya dari satu axis, kita masih dapat melihat % dari total variabilitas data.
Setiap nilai egenvalue berhubungan dengan suatu faktor, dan setiap faktor menjadi sebuah satu dimensi. Suatu faktor adalah suatu kombinasi linear dari karakter awal dan semua faktor yang tidak berhubungan (r=0). Eigenvalue dan faktor yang berhubungan dengannya diseleksi dengan kenyataaan yang semakin menurun tentang berapa karakter awal yang dia wakili (dinyatakan dalam %). Untuk melihat degradasi representasi data kami tampilkan
Gambar 9, nilai ini merupakan nilai variasi data yang diwakili dinyatakan dalam persen.
Tabel 34. Nilai eigenvalue untuk karakter morfometrik merepresentasikan jumlah variasi data yang diwakili
Gambar 9. Nilai eigenvalue untuk karakter morfometrik yang disajikan dalam bentuk Scatterplot
Hasil penelitian menyatakan nilai factor pertama dan kedua memperlihatkan pada kita mewakili 40.84% dari variabilitas data awal. Memang hasilnya kurang baik dan kita juga harus berhati-hati mengintrepretasikan beberapa informasi yang ada di peta yang mungkin tersimpan dalam factor selanjutnya. Kita lihat disini dari awal memiliki 30 karakter.
Peta pertama (Gambar 10) disebut sebagai lingkaran korelasi (dibawah aksis F1 dan F2). Itu memperlihatkan suatu poyeksi dari karakter awal di dalam ruang factor. Ketika kedua karakter jauh dari pusat, kemudian, jika mereka : dekat satu dengan yang lain, mereka secara nyata berkorelasi/berhubungan (r mendekati 1); jika mereka orthogonal, mereka tidak berhubungan (r mendekati 0); jika mereka berada pada sisi yang berhadapan/berkebalikan dari pusat. Kemudian mereka nyata berhubungan negative (r mendekati -1). Ketika karakter berdekatan dengan pusat hal tersebut berarti membawa informasi yang sama. Sebagai contoh Ketika berusaha menjelaskan hubungan antara karakter Snouth length (SNL) dengan Upper Jaw Mouth (UJM) secara ortogonal, mekipun ada, kenyataannya tidak ada. Hal ini bisa dikonfirmasikan baik dengan melihat korelasi matrik maupun lingkaran korelasi antara F1 dan F2, , F1 dan F3 (Gambar 11). Dan beberapa contoh yang lain. Selain itu dengan melihat faktor loading (Tabel 35), kita juga dapat mengetahui parameter dominant yang berpengaruh,
Gambar 10. Grafik Sebaran karakter morfometrik analisis komponen utama pada sumbu faktorial 1 dan 2.
Tabel 35. Faktor loading untuk semua Sebaran karakter morfometrik yang diamati
Lingkaran korelasi berguna untuk menjelaskan arti axis. Berdasarkan gambar, axis horisontal berhubungan dengan Snouth Length (SNL), etc dan axis vertikal berhubungan dengan upper jaw length (UJM) , etc. Trend ini sangat berguna dalam mengintrepretasikan peta selanjutnya. Untuk memastikan bahwa karakter sangat berhubungan dengan suatu axis, maka lihat tabel kosinus kuadrat; semakin besar nilai kosinus kuadrat, semakin besar keterkaitannya dengan axis. Semakin dekat nilai kosinus kuadrat suatu karakter dekat dengan nol, semakin hati-hati ketika mengintrepretasikan hasil dalam kaitannya denga axis yang berhubungan.
Tujuan utama PCA terlihat pada Tujuan utama PCA disajikan pada Gambar 12 dan
Sedangka individu RK 019 memiliki lebar mulut yang lebih besar. Untuk memastikan bahwa observasi berhubungan dengan suatu axis, maka lihat tabel kosinus kuadrat, Tabel 36; semakin besar nilai kosinus kuadrat, semakin besar keterkaitannya dengan axis. Sementara untuk letak kita bisa melihat nilai faktor score, Tabel 37. Semakin dekat nilai kosinus kuadrat suatu obesrvasi dekat dengan nol, semakin hati-hati ketika mengintrepretasikan hasil dalam kaitannya denga axis yang berhubungan.
Gambar 12. Grafik Sebaran stasiun pengamatan analisis komponen utama berdasarkan karakter morfometrik pada sumbu faktorial 1 dan 2.
Gambar 13. Grafik Sebaran stasiun pengamatan analisis komponen utama berdasarkan karakter morfometrik pada sumbu faktorial 1 dan 3. Kesimpulan kami berdasarkan korelasi sederhana terdapat 6 natural group diantara