Jumlah dan Tipe Data Mempengaruhi Akurasi Pendugaan Parameter Surplus Produksi
DOI:
https://doi.org/10.31629/akuatiklestari.v6i.5037Keywords:
Surplus Produksi, Model Dinamis Biomassa, Tipe Data Menurun, Tipe Data dengan Kontras yang Baik, Pendugaan ParameterAbstract
Surplus produksi dengan metode non-ekuilibrium yang dilengkapi dengan kesalahan pengamatan banyak direkomendasikan penggunaannya untuk pendugaan stok ikan. Metode ini memiliki akurasi yang lebih baik karena memperhitungkan adanya kesalahan pengamatan yang terjadi antara indeks kelimpahan dan biomassa sehingga menghasilkan nilai dugaan parameter surplus produksi yang lebih akurat. Penggunaan metode ini mensyaratkan ketersediaan data runtun waktu yang cukup dan kontras yang baik untuk dapat menghasilkan analisa yang akurat. Dua hal penting tersebut tidak selalu tersedia pada banyak perikanan di dunia, termasuk juga perangkat lunak yang membantu untuk melakukan analisis dengan mempertimbangkan data yang tidak sesuai dengan syarat tersebut. Kekurangan ini berpotensi menghasilkan analisis yang jauh dari akurasi yang diharapkan dan berdampak pada keberlanjutan sumberdaya maupun pendapatan ekonomi dari pihak yang menggantungkan hidupnya dari perikanan. Paper ini bertujuan untuk mengkaji penggunaan metode surplus produksi pada jumlah dan tipe data yang berbeda untuk kemudian melihat akurasi hasilnya, menggunakan perangkat lunak montiR untuk pendugaan parameter surplus produksi. Analisis dilakukan dengan membuat replikasi data yang kemudian dianalisa untuk tipe data dengan kontras yang baik, data bertipe menurun (one-way-trip) yang diestimasi dengan cara biasa, data bertipe menurun yang diestimasi dengan penalized likelihood berbasis informasi deplesi dan data bertipe menurun yang diestimasi dengan penalized likelihood menggunakan data populasi. Secara umum simulasi ini menghasilkan informasi mengenai pentingnya jumlah data yang cukup sebagai input untuk analisa surplus produksi, serta pentingnya analisa yang disesuaikan dengan tipe datanya. Lebih lanjut kajian ini memberikan rekomendasi pentingnya pengumpulan data yang konsisten dan jangka panjang untuk meningkatkan akurasi pendugaan stok ikan.
Downloads
References
Cousido-Rocha, M., Pennino, M. G., Izquierdo, F., Paz, A., Lojo, D., Tifoura, A., Zanni, M.Y., & Cerviño, S. (2022). Surplus production models: a practical review of recent approaches. In Reviews in Fish Biology and Fisheries. Springer Science and Business Media Deutschland GmbH. https://doi.org/10.1007/s11160-022-09731-w
Dharmendra, D., & Sólmundsson, J. (2005). Stock assessment of the offshore Mauritian banks using dynamic biomass models and analysis of length frequency of the Sky emperor (Lethrinus mahsena). In Fisheries Training Program.
Haddon, M. (2011). Modelling and Quantitative Methods in Fisheries, Second Edition. In International Statistical Review. CRC Press. https://doi.org/10.1111/j.1751-5823.2012.00179_26.x
Hilborn, R., & Walters, C.J. (1992). Quantitative Fisheries Stock Assessment. Springer US. https://doi.org/10.1007/978-1-4615-3598-0
Hoggarth, D., Abeyasekera, S., Arthur, R., Beddington, J.R., Burn, R.W., Halls, A.S., Kirkwood, G.P., McAllister, M., Medley, P., Mees, C.C., Parkes, G.B., Pilling, G.M., Wakeford, R.C., & Welcomme, R.L. (2006). Stock assessment for fishery management. In FAO Fisheries Tecnical Paper (Vol. 487, Issue May 2014).
Leslie, P.H., & Davis, D.H.S. (1939). An Attempt to Determine the Absolute Number of Rats on a Given Area. The Journal of Animal Ecology, 8(1), 94. https://doi.org/10.2307/1255
Magnusson, A., & Hilborn, R. (2007). What makes fisheries data informative? Fish and Fisheries, 8(4), 337–358. https://doi.org/10.1111/j.1467-2979.2007.00258.x
Methot, R.D., & Taylor, I.G. (2011). Adjusting for bias due to variability of estimated recruitments in fishery assessment models. Canadian Journal of Fisheries and Aquatic Sciences, 68(10), 1744–1760. https://doi.org/10.1139/f2011-092
Pedersen, M.W., & Berg, C.W. (2017). A stochastic surplus production model in continuous time. Fish and Fisheries, 18(2), 226–243. https://doi.org/10.1111/faf.12174
Polacheck, T., Hilborn, R., & Punt, A.E. (1993). Fitting surplus production models: Comparing methods and measuring uncertainty. Canadian Journal of Fisheries and Aquatic Sciences, 50(12), 2597–2607. https://doi.org/10.1139/f93-284
Prager, Michael H. (1994). A suite of extension to a nonequilibrium surplus-production model. Fishery Bulletin of the Fish and Wildlife Service, 92(2), 374–389.
Prager, Michael H., Goodyear, C.P., & Scott, G.P. (1996). Application of a Surplus Production Model to a Swordfish-Like Simulated Stock with Time-Changing Gear Selectivity. Transactions of the American Fisheries Society, 125(5), 729–740. https://doi.org/10.1577/1548-8659(1996)125<0729:aoaspm>2.3.co;2
Prager, Michael H, & Vaughan, D.S. (2011). Surplus production models of Gulf Menhaden, Brevoortia patronus. Sedar 27, working document (No. 27).
Prager, Mike H., Goodyear, C.P., & Scott, G.P. (1995). Application of tests of stock-production model on age-structured simulated data: a swordfish-like stock. Col. Vol. Sci. Pap. ICCAT, 44(3), 156–160.
Punt, A.E., & Hilborn, R. (1996). Biomass dynamic models. User’s manual. FAO Computerized Information Series (Fisheries). (Vol. 10). FAO.
Quinn, T.J.I., & Deriso, R.B. (1999). Quantitative Fish Dynamics. In Journal of the American Statistical Association (Vol. 96, Issue 454). Oxford University Press.
Sant’Ana, R., Mourato, B., Kimoto, A., Walter, J., & Winker, H. (2020). Atlantic Yellowfin tuna stock assessment: An Implementation of a Bayesian State-Space Surplus Production Model using JABBA. Col. Vol. Sci. Pap. ICCAT, 76(6), 699–724.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Abdullah Habibi, Suradi Wijaya Saputra
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
.png)
