DOI: http://dx.doi.org/10.15578/jkpt.v6i1.

11159 Jurnal Kelautan dan Perikanan Terapan, 6(1), 2023, 1-7

Tersedia online di: http://ejournal-balitbang.kkp.go.id/index.php/jkpt

Estimating PPopulation
opulation Abundance of Seahorse in Sebong Bay
Bay,, Bintan Island

P endugaan K elimpahan PPopulasi

Kelimpahan opulasi K uda LLaut
Kuda aut di PPerairan
erairan Teluk Sebong,
Teluk
Pulau Bintan

Supradianto Nugr oho 1#, Nur FFadhilah

Nugroho adhilah 2, dan Tri Nur Sujatmik
Tri Sujatmikoo2
1
Loka Pengelolaan Sumberdaya Pesisir dan Laut (LPSPL) Serang
Jl. Raya Carita Km 4.5, Caringin, Labuan, Pandeglang
2
Balai Pengelolaan Sumberdaya Pesisir dan Laut (BPSPL) Padang
Jl. Raya Pertanian, Sei Duo-Sungai Lareh, Lubuk Minturun, Koto Tangah, Padang
E-mail: [email protected]
(Diterima: 20 Oktober 2022; Diterima setelah perbaikan: 10 Januari 2023; Disetujui: 24 Agustus 2023)

ABSTRACT

The decline in seahorse populations in the wild due to high fishing activity and habitat degradation
prompted the inclusion of all seahorse species in Appendix II of CITES (Convention on International Trade
in Endangered Species of Wild Fauna and Flora) in 2002. By being included in Appendix II of CITES, data
and information on the abundance of seahorse populations become crucial as the basis for determining
the quota for fishing and trade. Estimating population abundance of seahorse requires knowledge of
habitat area, which can be modeled using the MaxEnt (maximum entropty). In this study, an estimation of
the abundance of seahorses was carried out in the waters of Sebong Bay, Bintan Island. MaxEnt modeling
was implemented with data on seahorse presence locations and environmental parameter maps consisting
of chlorophyll-a as primary productivity parameter, benthic habitat as habitat type parameter, and dissolved
oxygen, salinity, and pH as physiological parameters. From this model, the value of the area of suitable
habitat for seahorses is 54,6 ha, while the density of seahorse in this area is 60 ind/ha, so it can be
determined that the abundance of seahorses in the Sebong Bay is 3.276 individuals. Therefore, seahorse
population in Sebong Bay is critically endangered since it is below the number of individuals that required
to prevent the loss of quantitative genetic variation in a species.
KEYWORDS: Seahorse abundance; habitat suitability; MaxEnt; Sebong Bay

ABSTRAK

Penurunan populasi kuda laut di alam akibat tingginya aktivitas penangkapan dan degradasi habitat
mendorong dimasukkannya semua spesies kuda laut ke dalam Appendix II CITES (Convention on
International Trade in Endangered Species of Wild Fauna and Flora) pada tahun 2002. Masuknya kuda laut
ke dalam Appendix II CITES, data dan informasi mengenai kelimpahan populasinya dapat menjadi dasar
penentuan kuota pengambilan dan perdagangannya. Pendugaan kelimpahan populasi kuda laut memerlukan
informasi luasan habitatnya, yang dapat dimodelkan menggunakan metode MaxEnt (maximum entropty).
Pada kajian ini, dilakukan pendugaan kelimpahan kuda laut di perairan Teluk Sebong, Pulau Bintan.
Pemodelan MaxEnt dilakukan dengan data titik lokasi perjumpaan kuda laut dan peta parameter lingkungan
yang terdiri dari klorofil-a sebagai parameter produktivitas primer, habitat bentik sebagai parameter jenis
habitat, serta oksigen terlarut, salinitas, dan pH sebagai parameter fisiologi. Berdasarkan model ini,
didapatkan nilai luasan habitat yang sesuai untuk kuda laut sebesar 54,6 ha, sedangkan kepadatan kuda
laut di perairan Teluk Sebong sebesar 60 ind./ha, sehingga dapat ditentukan nilai kelimpahan kuda laut di
perairan Teluk Sebong sebesar 3.276 individu. Oleh karena itu, populasi kuda laut di perairan Teluk

#
Korespondensi: Loka Pengelolaan Sumberdaya Pesisir dan Laut
(LPSPL) Serang
E-mail: [email protected]

Copyright @ 2023, Jurnal Kelautan dan Perikanan Terapan 1

Pendugaan kelimpahan populasi kuda laut di perairan Teluk Sebong... (Nugroho et al.)

Sebong tergolong kritis karena jumlahnya di bawah jumlah minimal individu yang diperlukan untuk
mencegah hilangnya variasi genetik.
KATA KUNCI: Kelimpahan kuda laut; kesesuaian habitat; MaxEnt; Teluk Sebong

PENDAHULUAN data. Salah satu model sebaran spesies yang dapat

digunakan dengan data yang terbatas yaitu MaxEnt
Kuda laut banyak diperdagangkan, lokal maupun
(maximum entropy) di mana hanya membu-tuhkan
internasional, untuk bahan obat tradisional dan ikan
input berupa beberapa set data lingkungan dan titik
hias akuarium (Giles et al., 2006). Kebanyakan kuda
perjumpaan yang terbatas untuk memodelkan
laut merupakan hasil tangkapan sampingan dari alat
probabilitas distribusi spesies spesifik sesuai dengan
tangkap non-selective yang umumnya dilakukan oleh
kondisi lingkungannya (Phillips et al., 2017).
nelayan tradisional. Selain adanya ancaman oleh
penangkapan berlebih, populasi kuda laut juga Kajian ini bertujuan untuk memprediksi kepadatan
terancam oleh hilangnya habitat karena kerusakan populasi dan memetakan habitat kuda laut di perairan
karang, habitat lamun, dan makroalga (Vincent et al., untuk kemudian dihitung estimasi kelimpahannya.
2011). Degradasi habitat dan tekanan yang timbul dari Informasi mengenai kelimpahan populasi ini
penangkapan kuda laut di seluruh dunia mendorong diharapkan dapat digunakan sebagai dasar penentuan
dimasukkannya semua spesies kuda laut, yaitu 41 kuota pengambilan dan perdagangan kuda laut, serta
spesies dalam genus tunggal Hippocampus (Lourie et untuk mengetahui status kelestariannya.
al., 2016), ke dalam Appendix II CITES (Convention
on International Trade in Endangered Species of Wild BAHAN DAN METODE
Fauna and Flora ) sejak tahun 2002. Kuda laut Kajian dilaksanakan di perairan Teluk Sebong, Pulau
merupakan jenis ikan pertama yang diusulkan ke dalam Bintan, di mana terdapat nelayan yang menangkap
kategori Appendix II CITES. Dengan masuknya kuda kuda laut di alam untuk dijual dalam bentuk kering
laut ke dalam Appendix II CITES, data dan informasi sebagai bahan obat tradisional. Aktivitas perikanan
mengenai populasi kuda laut menjadi sangat penting kuda laut di sini dilakukan dengan cara tradisional,
untuk penentuan kuota pengambilan dan per- yaitu menangkap langsung dengan tangan, kuda laut
dagangannya. yang menempel di rumput laut dan lamun ketika
Kajian mengenai populasi kuda laut telah dilakukan kondisi perairan surut. Kuda laut yang ditemukan yaitu
menggunakan metode survey, seperti ikan demersal dari jenis kuda laut ekor macan (Hippocampus comes).
pada umumnya, yaitu Underwater Visual Census (UVC) Pemetaan habitat kuda laut dengan pemodelan
yang menghasilkan informasi berupa kepadatan kuda sebaran spesies dilakukan menggunakan software
laut dalam satuan individu per luas area (Saraswati & MaxEnt versi 3.4.3 (Phillips, 2017), dengan input data
Pebriani, 2016; Putri et al., 2019). Informasi ini sulit berupa titik lokasi perjumpaan kuda laut dan peta
diimplementasikan dalam penentuan kuota pengam- parameter lingkungan. Survey pendataan lokasi
bilan karena sulit menentukan luasan habitat kuda laut perjumpaan kuda laut dilakukan pada tanggal 29 – 30
sebenarnya, di mana kuda laut dikenal sebagai jenis November 2020 (musim hujan) dan 11 Februari 2021
ikan yang memiliki mobilitas rendah dan wilayah jelajah (musim kering). Parameter lingkungan yang digunakan
kecil (Foster & Vincent, 2004) yang membuat kuda yaitu: klorofil-a sebagai parameter produktivitas
laut terdistribusi tidak merata di perairan (Perera et primer, habitat bentik sebagai parameter jenis habi-
al., 2017). Untuk itu, diperlukan peta sebaran habitat tat, serta oksigen terlarut, salinitas dan pH sebagai
yang akurat sehingga dapat dihitung nilai luasan habi- parameter fisiologi (Zhang, 2019). Peta klorofil-a
tat kuda laut yang jika dikalikan dengan nilai didapat dari pengolahan citra Sentinel-2 menggunakan
kepadatannya akan didapatkan estimasi kelimpahan algoritma normalized difference chlorophyll index
populasinya (Zeng et al., 2015). (NDCI) yang dijelaskan oleh Buma & Lee (2020) sebagai
Peta sebaran suatu spesies dapat dibuat menggu- berikut:
nakan model sebaran spesies (Species Distribution NDCI = (band5) - (band4)/(band5) + (band4)
Model). Model ini dibangun berdasarkan berbagai
algoritma yang menghubungkan kemunculan spesies Untuk membuat peta parameter lingkungan lainnya,
dan kovariat ekologi (sebagai model prediktor) dilakukan pengambilan data habitat bentik, oksigen
berdasarkan konsep relung ekologi (ecological niche), terlarut, salinitas, dan pH di beberapa titik pengamatan
yaitu spesies memilih habitatnya berdasarkan (Gambar 1) pada tanggal 29 November 2020.
kesesuaiannya dengan berbagai faktor lingkungan Penentuan titik pengamatan secara acak berdasarkan
sekitarnya (Zhang & Vincent, 2018). Tantangan dalam keter wakilan kedalaman perairan serta rona
membuat peta sebaran kuda laut yaitu keterbatasan penampakan citra satelit. Pengambilan data oksigen

2 Copyright @ 2023, Jurnal Kelautan dan Perikanan Terapan

DOI: http://dx.doi.org/10.15578/jkpt.v6i1.11159 Jurnal Kelautan dan Perikanan Terapan, 6(1), 2023, 1-7

Gambar 1. Peta titik pengambilan sampel

Figure 1. Sampling points map
terlarut, salinitas, dan pH menggunakan alat tepat akan mengakibatkan tidak maksimalnya nilai
multitester AquaCombo HM3070. Analisis interpolasi akurasi. Pengolahan citra Sentinel-2 dan analisis spasial
dengan metode kriging dilakukan untuk membuat peta dilakukan menggunakan software QGIS 3.8.
oksigen terlarut, salinitas, dan pH. Metode kriging
Pemodelan sebaran spesies dengan software
merupakan metode analisis geostatistika untuk
MaxEnt memerlukan input berupa data titik lokasi
menduga suatu titik yang tidak tersampel berdasarkan
perjumpaan dalam format comma separated file (*.csv)
titik sampel yang berada di sekitarnya. Model yang
dan peta parameter lingkungan dalam format ASCII
digunakan adalah model structural semivariogram.
raster (*.asc). Peta parameter lingkungan ini harus
Metode kriging merupakan metode untuk menginter-
dalam resolusi dan dimensi yang seragam. MaxEnt
polasi suatu kandungan atau nilai berdasarkan titik
menggunakan pendekatan machine learning di mana
sampel yang diambil secara acak pada titik-titik yang
dalam membangun model data dibagi secara acak
tidak beraturan (al Aswant, 2016).
menjadi 2 kategori, training data (75%) dan test data
Untuk membuat peta habitat bentik, dilakukan (25%). Training data digunakan untuk membangun
pengamatan habitat bentik secara visual, dengan model, sedangkan test data digunakan untuk menguji
mengelompokkan dasar perairan menjadi empat yaitu tingkat keakuratan model yang diperoleh. Kesesuaian
makroalga (Sargassum sp) dan terumbu karang, lamun, model ditentukan dari nilai area under the curve
pasir, dan perairan sebagai input dalam pengolahan (AUC), yaitu model sesuai jika nilai AUC mendekati
citra dengan metode klasifikasi tertimbang. Klasifikasi 1. Model dibangun dengan menggunakan default value
tertimbang (supervised classification) merupakan cara untuk regulation parameters (1), maximum iteration
yang dilakukan untuk mengkelaskan setiap piksel- (5.000), dan automatic feature class selection (Phillips,
piksel yang memiliki karakteristik yang sama untuk 2017). Cross-validation procedure digunakan untuk
diidentifikasi dan ditetapkan dalam satu warna mengevaluasi kinerja model, serta jackknife proce-
(Sampurno & Thoriq, 2016). Klasifikasi tertimbang dure dilakukan untuk mengetahui paramater
(supervised classification) memiliki beberapa metode, lingkungan apa yang paling berpengaruh dalam sebaran
penelitian ini menggunakan klasifikasi supervised kuda laut (Merow et al., 2013).
maximum likelihood. Metode klasifikasi maximum
Berdasarkan hasil analisis MaxEnt, kesesuaian habi-
likelihood menggunakan nilai statistik probabilitas
tat kuda laut dibagi menjadi lima kategori seperti
pada setiap sampel kelas objek dibandingkan dengan
tertera pada Tabel 1 (Latifiana, 2018). Luasan habitat
kelas objek lainnya untuk mengurangi piksel yang tidak
terklasi-fikasi melalui pengaturan nilai batas (Hafizt Tabel 1. Kategori kesesuaian habitat kuda laut
et al., 2017). Menurut Marini et al. (2014) nilai piksel Table 1. Sea horse's habitat suitability category
yang terdapat pada citra menjadi pedoman untuk Nilai MaxEnt Kesesuaian Habitat
klasifikasi maximum likelihood selanjutnya membuat 0 – 0,25 Tidak sesuai
training sampel untuk dikategorikan menjadi beberapa 0,26 – 0,50 Kurang sesuai
0,51 – 0,75 Sesuai
kelas namun pemilihan training sampel yang kurang
0,76 – 1,00 Sangat sesuai

Copyright @ 2023, Jurnal Kelautan dan Perikanan Terapan 3

Pendugaan kelimpahan populasi kuda laut di perairan Teluk Sebong... (Nugroho et al.)

kuda laut ditetapkan sebagai area yang masuk dalam Pemodelan habitat menggunakan metode MaxEnt
kategori sesuai dan sangat sesuai. Kemudian, estimasi dinilai mampu untuk memetakan sebaran spesies di
populasi kuda laut dihitung dengan mengalikan luas mana nilai setiap piksel merepresentasikan kemung-
habitat dengan nilai kepadatan populasinya. kinan kehadiran spesies di habitat yang sesuai
(Windyoningrum, 2013). Peta sebaran kuda laut di
HASIL DAN BAHASAN perairan Teluk Sebong berdasarkan model MaxEnt
Berdasarkan survey titik perjumpaan kuda laut tersaji pada Gambar 3a, di mana terlihat bahwa kuda
didapatkan 50 ekor kuda laut dengan sebaran seperti laut tersebar mengelompok. Uji akurasi model
yang tersaji pada Gambar 2a, sedangkan hasil tersebut dapat dilihat pada Gambar 3b, dengan nilai
klasifikasi tertimbang untuk habitat bentik tersaji pada AUC yang dihasilkan yaitu 0,985 dengan standar deviasi
Gambar 2b. Pengolahan citra Sentinel-2 dengan 0,011. Hasil ini menggambarkan tingkat akurasi model
algoritma NDCI menghasilkan nilai yang berkisar antara yang sangat baik karena nilai AUC lebih dari 0,9 (Pi,
-0,02 hingga 0,38 (Gambar 2c). Pengukuran param- 2016). Garis merah menunjukkan nilai rerata AUC,
eter oksigen terlarut berkisar antara 5,6 hingga 7,5 sedangkan garis biru menunjukkan nilai rerata standar
ppm, salinitas berkisar antara 30,7 hingga 31,6 ppt, deviasi. Semakin kecil standar deviasi menunjukkan
dan pH berkisar antara 7,7 hingga 7,97 (Gambar 2d- semakin baik kinerja model.
2f).

Gambar 2. Data input untuk analisis MaxEnt: a) Titik perjumpaan kuda laut; b) Habitat bentik; c) Klorofil (NDCI);
d) Oksigen terlarut; e) Salinitas; dan f) pH
Figure 2. Data input for MaxEnt analysis: a) presence points of sea horse; b) Benthic habitat; c) Chlorophyll
(NDCI); d) Dissolved oxygen; e) Salinity; f) pH

Gambar 3. Hasil pemodelan MaxEnt: a) Peta potensi sebaran kuda laut; b) Hasil uji akurasi model
Figure 3. MaxEnt modelling result: a) Sea horse distribution map; b) Model accuracy test

4 Copyright @ 2023, Jurnal Kelautan dan Perikanan Terapan

DOI: http://dx.doi.org/10.15578/jkpt.v6i1.11159 Jurnal Kelautan dan Perikanan Terapan, 6(1), 2023, 1-7

Tabel 2. Persentase kontribusi dan parameter penting Peta kesesuaian habitat kuda laut berdasarkan
dalam membangun model model MaxEnt (Gambar 3a) yang telah dikategorikan
Table 2. Variable contribution and variable importance berdasarkan Tabel 1 dapat dilihat pada Gambar 5. Luasan
of model habitat yang sesuai dan sangat sesuai yaitu sebesar
Parameter Persentase Parameter 54,6 ha. Berdasarkan hasil monitoring BPSPL Padang
Kontribusi (%) Penting (2020), kepadatan populasi kuda laut di perairan Teluk
Oksigen terlarut 38,8 46,1 Sebong yaitu 60 ind/ha. Oleh karena itu, populasi kuda
pH 21,5 41,3 laut di perairan Teluk Sebong diestimasi sebesar 3.276
Salinitas 18,1 8,1 individu. Studi menunjukkan bahwa 500 individu
Habitat bentik 14,7 1,3 diperlukan untuk mempertahankan potensi evolusi
Klorofil-a 6,8 3,2 spesies (Jamieson & Allendorf, 2012) dan populasi
Dalam membangun model habitat, terdapat para- keseluruhan 5.000 individu akan diperlukan untuk
meter yang dianggap penting dan memberikan mencegah hilangnya variasi genetik dalam suatu
kontribusi terhadap model yang dihasilkan (Tabel 2). spesies (Frankham, 1995). Oleh karena itu, populasi
Terdapat empat parameter yang berkontribusi kuda laut di perairan Teluk Sebong tergolong kritis
menghasilkan persentase di atas 10% yaitu oksigen karena jumlahnya di bawah jumlah minimal individu
terlarut, pH, salinitas, dan habitat bentik. Parameter yang diperlukan untuk mencegah hilangnya variasi
oksigen terlarut memiliki nilai penting tertinggi genetik. Informasi terkait populasi kuda laut ini
daripada parameter lainnya yaitu sebesar 46,1%, diharapkan dapat menjadi bahan pertimbangan dalam
sedangkan parameter habitat bentik memiliki nilai penentuan kuota pengambilan kuda laut.
penting terendah yaitu hanya 1,3%. Hal ini menunjuk- KESIMP UL AN
kan bahwa faktor fisiologis lebih berpengaruh terhadap
sebaran kuda laut dibandingkan faktor jenis habitat Hasil kajian ini menyoroti penggunaan model
dan produktivitas primer perairan. Hubungan antara sebaran spesies untuk menduga kelimpahan populasi-
probabilitas kehadiran kuda laut dengan parameter nya. Berdasarkan model ini, didapatkan nilai luasan
lingkungan ditunjukkan dengan grafik respon tiap habitat yang sesuai untuk kuda laut di perairan Teluk
parameter. Pada Gambar 4 dapat dilihat variasi para- Sebong yaitu 54,6 ha, sedangkan kepadatannya
meter lingkungan untuk mempengaruhi prediksi sebesar 60 ind./ha, sehingga dapat diestimasi nilai
kehadiran kuda laut di perairan Teluk Sebong, di mana kelimpahan kuda laut di perairan Teluk Sebong sebesar
daerah yang berpotensi sebagai habitat kuda laut di 3.276 individu. Oleh karena itu, populasi kuda laut di
perairan Teluk Sebong memiliki karakteristik yaitu perairan Teluk Sebong tergolong kritis karena
oksigen terlarut sebesar 6,57 ppm, pH sebesar 7,97, jumlahnya di bawah jumlah minimal individu yang
salinitas sebesar 31,25 g/l, dan habitat bentik berupa diperlukan untuk mencegah hilangnya variasi genetik.
padang lamun.

Gambar 4. Kurva respon untuk parameter yang berkontribusi tinggi dalam membangun model
Figure 4. Response curve of each environmental variable affects the Maxent prediction

Copyright @ 2023, Jurnal Kelautan dan Perikanan Terapan 5

Pendugaan kelimpahan populasi kuda laut di perairan Teluk Sebong... (Nugroho et al.)

Gambar 5. Peta kesesuaian habitat kuda laut berdasarkan model MaxEnt

Figure 5. Sea horse’s habitat suitability map

UC AP AN TERIMA K ASIH
APAN Giles, B. G., Ky, T. S., Hoang, D. H., & Vincent, A. C.
J. (2006). The catch and trade of seahorses in Viet-
Makalah ini merupakan bagian dari kegiatan “Moni- nam. Biodiversity and Conservation, 15(8), 2497–
toring Biota Laut Dilindungi (kuda laut)” yang dibiayai 2513. https://doi.org/10.1007/s10531-005-2432-6
dari DIPA Balai Pengelolaan Sumberdaya Pesisir dan
Hafizt, M., Iswari, M. Y., & Prayudha, B. (2017). Kajian
Laut (BPSPL) Padang tahun anggaran 2020. Ucapan
Metode Klasifikasi Citra Landsat-8 untuk Pemetaan
terima kasih kami sampaikan kepada nelayan
Habitat Bentik di Kepulauan Padaido, Papua.
pendamping yang terlibat dalam pengumpulan data.
Oseanologi Dan Limnologi Di Indonesia, 2(1), 1–
D AF TAR P UST AK A
USTAK 13.
Jamieson, I. G., & Allendorf, F. W. (2012). How does
al Aswant, I. (2016). Analisis Perbandingan Metode the 50/500 rule apply to MVPs? Trends in Ecology
Interpolasi untuk Pemetaan pH Air pada Sumur and Evolution, 27(10), 578–584. https://doi.org/
Bor di Kabupaten Aceh Besar Berbasis SIG [Skripsi]. 10.1016/j.tree.2012.07.001
Universitas Syiah Kuala. Latifiana, K. (2018). Pemetaan Habitat Potensial
BPSPL Padang. (2020). Laporan Monitoring Kuda Laut Herpetofauna pada Daerah Terdampak Erupsi
di Pulau Bintan. Gunung Merapi 2010. Seminar Nasional
Buma, W. G., & Lee, S. il. (2020). Evaluation of Senti- Geomatika, 497–510.
nel-2 and Landsat 8 images for estimating Chlo- Lourie, S. A., Pollom, R. A., & Foster, S. J. (2016). A
rophyll-a concentrations in Lake Chad, Africa. Re- global revision of the Seahorses Hippocampus
mote Sensing, 12(15). https://doi.org/10.3390/ Rafinesque 1810 (Actinopter ygii:
RS12152437 Syngnathiformes): Taxonomy and biogeography
Foster A N, S. J., & Vincent, D. A. C. J. (2004). Life with recommendations for further research.
history and ecology of seahorses: implications for Zootaxa, 4146(1), 1–66. https://doi.org/10.11646/
conservation and management. Journal of Fish Bi- zootaxa.4146.1.1
ology, 65, 1–61. https://doi.org/10.1111/j.1095- Marini, Y., Emiyati, Hawariyah, S., & Hartuti, M.
8649.2004.00429.x (2014). Perbandingan Metode Klasifikasi Super-
Frankham, R. (1995). Effective population size/adult vised Maximum Likelihood dengan Klasifikasi
population size ratios in wildlife: A review. Ge- Berbasis Objek untuk Inventarisasi Lahan Tambak
netical Research, 66(2), 95–107. https://doi.org/ di Kabupaten Maros. Seminar Nasional
10.1017/S0016672300034455 Penginderaan Jauh, 505–516.

6 Copyright @ 2023, Jurnal Kelautan dan Perikanan Terapan

DOI: http://dx.doi.org/10.15578/jkpt.v6i1.11159 Jurnal Kelautan dan Perikanan Terapan, 6(1), 2023, 1-7

Merow, C., Smith, M. J., & Silander, J. A. (2013). A Saraswati, S. A., & Pebriani, D. A. A. (2016). Monitor-
practical guide to MaxEnt for modeling species’ ing Populasi Kuda Laut di Perairan Pantai Padang
distributions: What it does, and why inputs and Bai, Karangasem Bali. Samakia, 7(2), 100–105.
settings matter. Ecography, 36(10), 1058–1069. Vincent, A. C. J., Foster, S. J., & Koldewey, H. J. (2011).
https://doi.org/10.1111/j.1600-0587.2013.07872.x Conservation and management of seahorses and
Perera, N., Dahanayaka, D. D. G. L., & Udagedara, S. other Syngnathidae. Journal of Fish Biology, 78(6),
(2017). Habitat Preference and Population Struc- 1681–1724. https://doi.org/10.1111/j.1095-
ture of Two Data Deficient Seahorse 8649.2011.03003.x
(Syngnathidae) Species. OUSL Journal, 12(2), 75. Windyoningrum, A. (2013). Estimating Habitat Loss
https://doi.org/10.4038/ouslj.v12i2.7408 and Identifying Refugee Area for Javan Langur
Phillips, S. J. (2017). A Brief Tutorial on Maxent (3.2.0). (Tracyphitecus auratus) as Impact of Merapi Erup-
AT&T Labs-Research. http:// tion 2010 [Master Thesis]. Universitas Gadjah
biodiversityinformatics.amnh.org/open_source/ Mada.
maxent/. Zeng, Q., Zhang, Y., Sun, G., Duo, H., Wen, L., & Lei,
Phillips, S. J., Anderson, R. P., Dudík, M., Schapire, R. G. (2015). Using species distribution model to
E., & Blair, M. E. (2017). Opening the black box: an estimate the wintering population size of the en-
open-source release of Maxent. Ecography, 40(7), dangered scaly-sided merganser in China. PLoS
887–893. https://doi.org/10.1111/ecog.03049 ONE , 10 (2). https://doi.org/10.1371/
Pi, D. V. (2016). Applying species distribution models journal.pone.0117307
in conservation biology [Programa de Doctorat Zhang, X. (2019). Conservation Prioritization and
en Biodiversitat]. Universitat de Barcelona. Ecology of Data-poor Marine Species under Hu-
Putri, M. R. A., Suryandari, A., & Haryadi, J. (2019). man Pressures [Doctoral Thesis]. The University
Sumberdaya Kuda Laut (Hippocampus spp.) di of British Columbia.
Perairan Pulau Bintan, Teluk Lampung dan Pulau Zhang, X., & Vincent, A. C. J. (2018). Predicting dis-
Tanakeke. Oseanologi Dan Limnologi Di Indone- tributions, habitat preferences and associated con-
sia , 4 (1), 27. https://doi.org/10.14203/ servation implications for a genus of rare fishes,
oldi.2019.v4i1.194 seahorses (Hippocampus spp.). Diversity and Dis-
Sampurno, R. M., & Thoriq, A. (2016). Klasifikasi tributions, 24 (7), 1005–1017. https://doi.org/
Tutupan Lahan Menggunakan Citra Landsat 8 Op- 10.1111/ddi.12741
erational Land Imager (OLI) di Kabupaten
Sumedang. Teknotan, 10(2), 61–70.

Copyright @ 2023, Jurnal Kelautan dan Perikanan Terapan 7