Daftar Isi

A. Pendahuluan

Camera trap merupakan kamera yang memiliki sensor panas atau gerakan sehingga dapat menghasilkan foto secara otomatis. Penggunaan camera trap untuk survei dan pemantauan satwa liar semakin meningkat dalam beberapa tahun belakangan ini. Hal ini karena camera trap dapat mendeteksi satwa elusif di habitatnya secara nonintrusif, dapat aktif selama beberapa bulan di lapangan sehingga manghasilkan survey effort yang lebih tinggi daripada pengamatan langsung oleh manusia, dan dapat menyimpan informasi spasial (berupa koordinat temuan) dan temporal (tanggal dan jam temuan) rekaman keberadaan satwa.

Penggunaan camera trap tidak hanya menghasilkan rekaman satwa target, melainkan juga satwa lain yang berbagi habitat dengan satwa target tersebut. Karena data yang dihasilkan sangat banyak, pengelolaan dan analisis hasil camera trap cukup rumit, tetapi juga berpotensi menghasilkan banyak penelitian, terutama terkait ekologi spesies yang jarang dipelajari.

Untuk mendukung peningkatan kapasitas peneliti dan praktisi konservasi mengenai pengelolaan dan analisis data camera trap, Wildlife Conservation Society-Indonesia Program menyusun modul pelatihan ini. Modul ini disusun dengan maksud sebagai pelengkap pelatihan tatap muka bagi staf UPT. Agar dapat digunakan oleh pihak lain juga, kami membuat versi untuk pengguna umum di mana data yang digunakan bukan data survei camera trap yang sebenarnya. Data praktik dapat diunduh melalui tautan berikut: https://bit.ly/modulCT.

Sekilas tentang R

Modul ini secara khusus berisi tentang penggunaan bahasa pemrograman R untuk menganalisis data camera trap. R adalah sebuah bahasa pemrograman untuk melakukan komputasi dan membuat grafik. Dibandingkan bahasa pemrograman lain, R memiliki banyak package (kumpulan fungsi tambahan) yang dibuat khusus untuk studi ekologi sehingga R sering digunakan oleh peneliti dan praktisi ekologi dan konservasi.

R memiliki jenis antarmuka pengguna yang disebut command-line interface (CLI), yaitu sistem antarmuka yang memproses perintah kepada program komputer dalam bentuk baris-baris teks. Antarmuka pengguna yang biasanya familiar dengan kita adalah graphical user interface (GUI), yaitu sistem antarmuka di mana pengguna komputer berinteraksi dengan program komputer melalui gambar ikon, misalnya kita mengklik gambar disket untuk menyimpan dokumen di Microsoft Word. Untuk pemula, program komputer GUI mungkin lebih mudah dipelajari dibandingkan CLI, tetapi untuk jangka panjang, CLI lebih praktis dan efisien. Perintah pada program yang menggunakan CLI dapat disimpan dalam bentuk script sehingga langkah-langkah pengolahan dan analisis dapat terdokumentasikan dengan baik dan dapat diulang kembali (repeatable) atau dimodifikasi untuk penggunaan data/studi lain (reproducible). Script juga dapat dibagikan (shareable) sehingga bisa digunakan oleh orang lain dengan mudah.

Script R pada modul ini ditunjukkan oleh teks dengan warna latar belakang abu-abu dan dapat langsung di-copy dan paste pada R kalian. Hasil perintah R (jika ada keluaran) akan tampak di bawah perintah, bisa berupa grafik atau teks bertipe font monospace seperti ini. R dapat diunduh dari tautan https://www.r-project.org. Selain itu, disarankan juga mengunduh RStudio https://www.rstudio.com, yaitu aplikasi tambahan yang dapat mempermudah manajemen script dan working directory; meng-highlight komponen berbeda dalam perintah sehingga mudah dimengerti; dan mengintegrasikan plot, help page, dan komponen lain dalam satu jendela RStudio. “Mesin” yang melakukan komputasi adalah R, sedangkan RStudio hanya tampilan antarmuka pengguna tambahan saja. Oleh karena itu, kita perlu mengunduh dan memasang keduanya.

Modul ini tidak memuat tutorial dasar R karena sudah banyak sumber yang tersedia secara gratis terkait hal tersebut, misalnya https://bookdown.org/aepstk/intror yang menyediakan pengantar R dalam bahasa Indonesia. Selain R, kita akan menggunakan perangkat lunak Picture Information Extractor (PIE) untuk me-rename dan menghasilkan spreadsheet metadata foto. PIE dapat diunduh dari https://pie-picture-information-extractor.en.softonic.com/.

B. Identifikasi dan Pengelolaan Data Camera Trap

Komponen Data Camera Trap

Data camera trap terdiri dari tiga komponen utama, yaitu data pemasangan kamera, foto atau video hasil survei, dan data identifikasi rekaman kamera.

  1. Data pemasangan kamera adalah data berupa spreadsheet yang memuat informasi mengenai pemasangan dan pengambilan kamera. Data ini selanjutnya akan disebut sebagai data Deployment. Informasi yang wajib ada dalam data pemasangan kamera adalah:

    • ID unik lokasi
      Setiap lokasi kamera harus memiliki ID unik. Penamaan ID dilakukan sesuai kesepakatan instansi dan dapat berupa kombinasi angka dan huruf. Contoh: BBS_IPZ2015_001, BBS_IPZ2019_005. Jika di satu lokasi dipasang dua kamera yang berhadapan (biasanya dilakukan untuk survei populasi harimau), ID lokasi hanya satu, tetapi perlu ditambahkan kolom lain yang berisi informasi nama atau ID kamera.
    • Koordinat GPS lokasi pemasangan kamera
      Jika survei dilakukan dalam skala lokal, dapat menggunakan projected coordinate reference system (CRS), misalnya UTM. Jika survei berskala regional dan mencakup lebih dari satu zona UTM, lebih baik menggunakan geographic CRS, misalnya WGS84. Jika dua kamera berhadapan dipasang di satu lokasi, koordinat yang dicantumkan hanyalah satu.
    • Tanggal dan jam pemasangan kamera
    • Tanggal dan jam pengambilan kamera
    • Tanggal dan jam foto terakhir
      Tanggal pemasangan dan pengambilan kamera digunakan untuk menghitung survey effort atau trap nights, yaitu selisih antara tanggal pengambilan dan pemasangan kamera. Namun, terkadang kamera mati sebelum diambil akibat daya baterai habis atau kerusakan sistem. Untuk kasus seperti ini, survey effort dihitung sebagai selisih antara tanggal foto terakhir dan tanggal pemasangan kamera. Perhitungan survey effort juga dapat dilakukan dengan data tanggal dan jam agar lebih akurat hingga satuan menit/detik.

  2. Foto atau video hasil survei
    Data ini merupakan kumpulan foto atau video yang dihasilkan dari pemasangan camera trap. Data disimpan dalam folder yang dinamakan sesuai dengan ID lokasi kamera. Jika dua kamera dipasang di satu lokasi, di dalam folder ID lokasi perlu ditambahkan folder ID kamera atau folder dinamakan ID kamera saja tanpa folder ID lokasi.

  3. Data identifikasi rekaman kamera
    Data ini berupa spreadsheet yang berisi informasi identifikasi temuan kamera, selanjutnya disebut sebagai data Images. Spreadsheet wajib berisi informasi berikut:

    • Nama file foto atau video
      Foto atau video disarankan di-rename terlebih dahulu dengan format: ID Lokasi, tanggal temuan, jam temuan. Penamaan ulang dapat dilakukan dengan software seperti Picture Information Extractor. Foto atau video yang di-rename dapat memudahkan pencarian foto dibandingkan jika tidak di-rename.
    • Identifikasi foto atau video
      Jenis temuan (satwa, blank, staf, pelaku tindakan ilegal, dsb) dan spesies satwa yang ditemukan
    • ID lokasi rekaman
    • Tanggal dan jam rekaman
      Dapat diisikan dalam satu kolom atau di kolom tanggal dan jam yang terpisah.

Hubungan tiap komponen diperlihatkan dalam bagan berikut. Variabel yang menjadi penghubung antarkomponen ini penting. Kesalahan pengetikan (typo) atau data yang tidak lengkap akan membuat analisis lebih rumit.

Komponen data camera trap

Metode Pengarsipan Data Camera Trap

  1. Cara Manual
    Data identifikasi temuan kamera diidentifikasi dan dientri ke dalam spreadsheet secara manual. Perangkat lunak yang dapat digunakan adalah Microsoft Excel (paling umum) atau Microsoft Access.

  2. Cara Otomatis
    Otomatis merujuk pada “cara menghasilkan spreadsheet”, bukan proses identifikasi spesies dari foto/video. Saat ini, sudah mulai dikembangkan machine learning software untuk mengidentifikasi satwa dari foto camera trap (misalnya di Afrika Selatan http://www.wildid.app/), tetapi belum ada yang dapat mengidentifikasi satwa di hutan hujan tropis karena sebagian besar foto buram dan latar belakang hutan menyulitkan identifikasi. Berikut ini dipaparkan secara singkat beberapa perangkat lunak yang dapat menghasilkan spreadsheet identifikasi secara otomatis.

    1. CameraSweet (https://smallcats.org/resources/#camerasweet) oleh Jim Sanderson
      Foto rekaman satwa diidentifikasi dengan memindahkan foto ke dalam folder dengan hierarki: Site >> ID Lokasi >> Nama spesies >> Jumlah individu. Menggunakan aplikasi Renamer, foto dalam hierarki folder tersebut di-rename dengan format tanggal dan jam. Kemudian, spreadsheet rekaman dalam format .txt dibuat secara otomatis dengan aplikasi DataOrganize. Aplikasi-aplikasi tersebut terdapat dalam satu paket sistem Camera Sweet.

    Hierarki folder. (Sumber: Presentasi Jim Sanderson)

    1. Wild.ID (http://35.188.216.67:8080/Wild.ID/index.jsp)
      Wild.ID merupakan perangkat lunak yang dikembangkan oleh Tropical Ecology Assessment and Monitoring Network (https://www.teamnetwork.org). Wild.ID menyediakan interface yang ramah pengguna. Foto satwa dimasukkan ke dalam perangkat lunak, kemudian diindentifikasi satu per satu atau per kelompok foto (foto yang jeda waktu rekamannya hanya beberapa detik). Informasi yang dapat diatributkan pada foto adalah nama spesies, jumlah individu, dan keterangan tambahan yang dapat diisi dengan jenis kelamin, kelas usia, atau perilaku. Spreadsheet dihasilkan dengan mengekspor data foto yang sudah di-assign. Data keluaran dapat dibuat dalam format .csv atau .xlsx.

    Interface Wild.ID

    1. camtrapR (https://www.rdocumentation.org/packages/camtrapR/versions/0.99.9)
      camtrapR merupakan sebuah package R untuk memproses dan menganalisis data camera trap. Proses identifikasi satwa dari foto dilakukan sebelum memproses data menggunakan R melalui dua cara yaitu (1) meng-assign identifikasi spesies sebagai metadata tagging foto atau (2) seperti Camera Sweet, spesies difolderkan dalam subdirektori folder lokasi. camtrapR kemudian akan membaca metadata tagging atau subdirektori nama spesies dan menghasilkan spreadsheet rekaman foto.
      Catatan: Walaupun spreadsheet foto tidak dihasilkan oleh camtrapR, misalnya dientri secara manual atau menggunakan sistem otomatisasi lain, fungsi-fungsi untuk menganalisis data pada camtrapR tetap dapat dipakai, misalnya fungsi membuat matriks deteksi untuk pemodelan okupansi atau membuat peta temuan spesies.

Hingga pada waktu modul ini ditulis, WCS-IP lanskap Sumatera bagian Selatan masih menggunakan sistem entri data camera trap secara manual menggunakan Microsoft Excel. Hal ini dilakukan karena sistem otomatisasi hanya memungkinkan identifikasi nama spesies dan jumlah individu dan belum bisa menambahkan informasi lain, misalnya jenis kelamin dan kelas usia satwa.

Dengan menggunakan sistem metadata tagging seperti camtrapR, sebenarnya kita bisa menambahkan informasi tersebut sebagai tag, tetapi tag foto dalam metadata akan dimasukkan dalam satu kolom di dalam spreadsheet yang dihasilkan camtrapR. Hal ini akan menyulitkan perapihan data jika urutan tag tidak sama (species|age|sex vs. species|sex|age) atau ada data yang kosong (species|age|sex dan species|sex).

Metode mana pun yang dipakai tidak menjadi masalah asalkan kita dapat meminimalisasi kemungkinan terjadinya kesalahan entri data serta dapat menghasilkan spreadsheet berisi data Deployment dan data Images.

Tahap Pengelolaan Data

Berikut adalah tahap-tahap pengelolaan data camera trap secara manual setelah dilakukan survei di lapangan.

  1. Mempersiapkan data Deployment (pemasangan dan pengambilan kamera)
    Data ini dipersiapkan oleh tim yang melakukan survei lapangan. Format tanggal perlu disamakan dalam satu dataset. Misalnya, menggunakan yyyy/mm/dd atau dd-mm-yyyy asalkan konsisten untuk seluruh survei. Tanggal rekaman terakhir dapat diperoleh setelah kita menyelesaikan data Images. Contoh data Deployment yang akan kita pakai untuk tutorial ini.
Location ID Camera X Y Camera Deployment Begin Date Camera Deployment End Date Camera last picture date
IDN-108-L0001 A 103341 9867882 2019-06-28 2019-11-15 2019-11-15
IDN-108-L0001 B 103341 9867882 2019-06-28 2019-11-15 NA
IDN-108-L0002 A 199767 9844289 2019-06-28 2019-11-15 2019-11-15
IDN-108-L0002 B 199767 9844289 2019-06-28 2019-11-15 2019-11-15
IDN-108-L0003 A 225412 9864805 2019-06-29 2019-11-16 NA
IDN-108-L0003 B 225412 9864805 2019-06-29 2019-11-16 2019-11-16

  1. Memfolderkan foto/video hasil rekaman kamera
    Setelah kamera diambil dari lapangan, foto-foto (atau video) hasil survei segera disimpan dalam folder yang dinamakan sesuai dengan ID lokasi di data Deployment.

  2. Mengubah nama foto (rename)
    Tahap ini tidak wajib dilakukan, tetapi penamaan ulang foto akan mempermudah pencarian foto. Cara untuk mengubah nama foto menggunakan Picture Information Extractor (PIE):

    • Buka aplikasi PIE, lalu pilih folder ID lokasi tempat menyimpan foto-foto yang akan diubah namanya.
    • Pilih semua foto (Ctrl+A) dalam folder tersebut.
    • Klik Metadata >> Auto Rename >> Settings..
    • Pada bagian Renaming Scheme, masukkan format nama foto. Contoh yang disarankan: LocationID_%Y-%M-%D_%H-%N-%S
    • Klik OK

  3. Memindahkan metadata foto ke dalam spreadsheet Image
    Untuk membuat data Images, kita membutuhkan kolom nama foto dan tanggal-jam. Tentu akan memakan banyak waktu jika kita mengentri data tersebut satu per satu sehingga kita membutuhkan bantuan aplikasi untuk mengekstrak data yang kita butuhkan. Cara untuk mengekspor metadata menggunakan PIE adalah:

    • Pilih folder Location ID tempat menyimpan foto-foto camera trap yang akan diekstrak metadata-nya (ekstrak metadata hanya bisa dilakukan per satu folder dan tidak bisa mencakup subfolder).
    • Pada menu bar, pilih Metadata, kemudian Generate Report…
    • Centang pilihan Date Taken
    • Beri nama Output file
    • Pada bagian Delimiter, pilih:
      • Comma jika pemisah desimal Microsoft Excel komputer kita adalah titik, atau
      • Semicolon jika pemisah desimal adalah koma.
    • Pilih OK, lalu file .csv akan muncul di folder yang dipilih.
    • Copy dan paste:
      • Kolom Name ke kolom Image Id pada spreadsheet Image
      • Kolom Date Taken ke kolom Date_Time Captured Contoh spreadsheet Image yang sudah diisi informasi dari metadata foto:

  4. Mengidentifikasi temuan kamera
    Kolom di data Images yang diisi pada tahap identifikasi adalah:

    • Photo Type:
      • Set up: foto tim saat pemasangan kamera
      • End: foto tim saat pengambilan kamera
      • Blank: foto kosong
      • Animal: foto satwa
      • Staff: foto tim lapangan selain saat pemasangan atau pengambilan kamera
      • Unknown: foto satwa yang belum dapat diidentifikasi hingga tingkat spesies
      • Unidentifiable: foto satwa yang tidak dapat diidentifikasi, misalnya hanya telinga atau hanya ujung ekor
    • Genus Species: Kolom ini diisi dengan nama spesies yang terekam dalam foto
    • Age: Kategori usia satwa, Adult, Subadult, Juvenile, atau Infant. Jika terdapat lebih dari satu individu dalam kategori satwa yang berbeda, kategori usia dipisahkan dengan titik koma atau tanda lain asalkan konsisten untuk seluruh dataset. Contoh Adult;Juvenile. Jika tidak diketahui, diisi dengan Unknown
    • Sex: Kategori jenis kelamin: Female, Male, Unknown
    • Count: Jumlah individu yang terlihat di foto tersebut

  5. Membuat kolom Time
    Kolom Time akan digunakan untuk analisis tumpang-tindih pola aktivitas temporal. Kolom Time diisi dengan nilai yang berkisar antara 0 (pukul 00.00) hingga 1 (pukul 23.59). Microsoft Excel menyimpan data tanggal sebagai integer yang menyatakan hari ke-n dimulai dari tanggal 1 Januari 1900. Dengan kata lain, tanggal 1 Januari 1900 disimpan sebagai angka 1, tanggal 1 Januari 1901 bernilai 367, dan 3 September 2021 bernilai 44.448. Data jam disimpan sebagai angka desimal dengan kisaran 0 hingga 1 dan data tanggal-jam disimpan sebagai penjumlahan antara angka integer dan desimal tersebut. Misalnya tanggal 3 September 2021 pukul 12.00 siang memiliki value \(44.448 + 0,5 = 44.448,5\). Oleh karena itu, kita dapat memperoleh data Time dari kolom Date_Time Captured dengan cara mengurangkannya tanggal-jam dengan integer tanggal-jam. Rumus Excel untuk melakukan kalkulasi tersebut adalah \(=cell - \text{INT}(cell)\).

    Cara menghitung Time

  6. Menentukan independent event
    Berdasarkan O’Brien dkk. (2003), independent event (IE) didefinisikan sebagai foto berurutan suatu spesies yang jaraknya lebih dari 30 menit. Dalam menyajikan laporan survei camera trap, jumlah foto spesies merupakan metrik yang kurang baik dalam merepresentasikan capture rate karena satu individu spesies dapat terekam hingga ratusan kali jika ia berkeliaran terus di depan kamera (misalnya kuau raja yang berdansa mencari pasangan) atau beristirahat di depan kamera. Oleh karena itu, dibutuhkan suatu jeda waktu untuk menentukan bahwa suatu rekaman bersifat independen dengan rekaman setelahnya. Untuk menentukan IE dari spreadsheet Images lakukan hal berikut menggunakan Microsoft Excel:

    • Pilih semua data (Ctrl+A) dan klik Data >> Filter untuk memunculkan tombol filter.

    • Urutkan data dengan urutan persis seperti berikut:

      • Date_Time Captured: oldest to newest
      • Genus Species: A to Z
      • Location ID: A to Z

    • Masukkan formula berikut untuk menentukan IE
      \[=\text{IF}(lokasi_n <> lokasi_{n-1}, 1, \text{IF}(spesies_n <> spesies_{n-1}, 1, \text{IF}(waktu_n-waktu_{n-1} > 1/48, 1, 0)))\]
      Keterangan:

      • \(lokasi_n\) : sel nama lokasi Location ID di baris tempat formula diletakkan
      • \(lokasi_{n-1}\) : sel ID lokasi di baris sebelum baris formula
      • \(spesies\) : sel spesies Genus Species
      • \(waktu\) : sel waktu Date_Time Captured
      • 1 merupakan nilai jika rekaman adalah IE
      • 0 merupakan nilai jika rekaman bukan IE
      • 1/48 setara dengan 30 menit (1 hari dibagi 24 jam, lalu dibagi 2)

      Formula tersebut jika ditranslasi ke bahasa sehari-hari menjadi: jika nama lokasi berbeda, maka IE; jika spesies berbeda, maka IE; jika selisih waktu dengan rekaman sebelumnya > 30 menit, maka IE; selain itu, bukan IE.

      Catatan: Jika Excel menggunakan tanda koma sebagai penanda desimal, ubah koma pada formula tersebut dengan titik koma (;). Package camtrapR juga memiliki argumen untuk memilih IE pada perintah recordTable, tapi tidak dibahas di sini karena kita tidak men-generate spreadsheet menggunakan camtrapR.

Formula independent event

C. Analisis Data Camera Trap

Menentukan Working Directory R

Sebelum melakukan analisis menggunakan R, kita perlu untuk menentukan working directory terlebih dahulu, yaitu folder di komputer kita di mana kita akan menyimpan script, data input, dan data output. Pertama, buka RStudio. Klik File >> New Project. Pilih salah satu antara opsi berikut:

  • Pilih New Directory jika kita ingin membuat folder baru dan menjadikan folder tersebut sebagai working directory. Pilih New Project, lalu klik Browse… untuk memilih direktori tempat kita akan menyimpan project baru. Beri nama folder yang akan kita buat di bagian Directory name:. Klik Create Project.

Atau

  • Pilih Existing Directory jika folder yang ingin kita jadikan working directory sudah ada. Pada Project working directory, klik Browse… untuk memilih folder yang akan dijadikan working directory. Klik Create Project.

Cek working directory dengan perintah berikut:

getwd()

Cara lain untuk menentukan working directory adalah dengan menggunakan perintah setwd(...). Titik-titik diisi dengan direktori folder tersebut. Subfolder dipisahkan dengan tanda \\ atau /. Contohnya:

setwd("E:/Sumatra Program/Activities & Programs/Pelatihan Analisis Data CT")
# atau
setwd("E:\\Sumatra Program\\Activities & Programs\\Pelatihan Analisis Data CT")

Setelah menentukan working directory, pindahkan data camera trap yang akan digunakan ke dalam folder tersebut.

Jika telah selesai analisis data atau sudah muak menggunakan R, aplikasi R bisa kita tutup. Saat menutup R, akan ada pilihan untuk menyimpan workspace image atau tidak. Workspace image adalah objek-objek yang kita buat di R. Jika tidak disimpan, kita perlu mengulang proses memanggil dan membuat data kembali. Namun, jika data yang disimpan besar (misalnya data raster berukuran hingga beberapa gigabytes), R akan menjadi lambat saat kita membuka data. Jika data disimpan, setelah kita menutup program R dan membukanya kembali, objek-objek yang kita buat masih ada.

Untuk membuka kembali R project setelah menutupnya, kita bisa membuka R dengan cara membuka folder yang dijadikan working directory melalui windows explorer, kemudian klik dua kali file dengan tipe R Project. Setelah diklik, RStudio akan terbuka dengan tampilan sesuai dengan terakhir kali kita gunakan.

Memanggil Data

Secara default, R hanya dapat membaca data dalam format comma separated value (.csv) dan tab-separated value (.txt). Oleh karena itu, spreadsheet Excel perlu disimpan dalam format .csv terlebih dahulu dengan cara:
- Pilih Save As
- Pilih format CSV (Comma delimited)

Setelah file disimpan, kita dapat memanggil data ke dalam R menggunakan perintah read.csv(....).

# Jika data tidak di working directory
ct2019 <- read.csv('E:\directory file\Camera trap mock data.csv')

# Jika data berada di working directory:
ct2019 <- read.csv('Camera trap mock data.csv')

View(ct2019) # menampilkan data yang dipanggil
names(ct2019) # melihat nama kolom

# Run ?read.csv untuk melihat cara lengkap penggunaan perintah tersebut

Selain, .csv dan .txt, kita bisa memanggil data dalam format Microsoft Excel Workbook (.xls dan .xlsx), tetapi kita membutuhkan package tambahan, yaitu readxl. Pertama, install terlebih dahulu package tersebut dengan cara:
- Pada jendela kanan bawah RStudio, pilih Packages >> Install >> ketik readxl >> Install.
atau
- Ketik dan jalankan perintah install.packages("readxl").

Untuk memanggil data dalam format Excel:

library(readxl) # mengaktifkan package 

ct2019_t <- read_excel("Camera trap mock data.xlsx", # nama file
                       sheet="Image")

Jika terdapat warnings, artinya di data kita terdapat satu atau lebih kolom 1000 baris pertamanya kosong. Hal ini terjadi karena read_excel tidak membaca seluruh kolom untuk menebak tipe data kolom tersebut, melainkan hanya 1000 baris pertama. Jika 1000 baris pertama pada suatu kolom kosong, read_excel akan menerka tipe data kolom tersebut sebagai logical sehingga data nonbiner yang ada di > baris ke-1000 akan dianggap error. Untuk mengatasinya, tambahkan argumen guess_max=3000 di perintah read_excel. Angka 3000 bisa diganti angka berapapun yang lebih tinggi dari nomor baris data pertama pada kolom yang dianggap error.

ct2019_t <- read_excel("Camera trap mock data.xlsx", # nama file
                       sheet="Image", # nama sheet
                       guess_max=3000) 

class(ct2019_t) # tipe data: tibble
[1] "tbl_df"     "tbl"        "data.frame"
ct2019_t 
# A tibble: 53,797 x 14
   `Location ID`  Grid Camera `Image Id` Location `Photo Type` `Genus Species`
   <chr>         <dbl> <chr>  <chr>      <chr>    <chr>        <chr>          
 1 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
 2 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
 3 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
 4 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
 5 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
 6 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
 7 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
 8 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
 9 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
10 IDN-108-L0001     1 A      GRID1A-19~ PHOTOS_~ Animal       Argusianus arg~
# ... with 53,787 more rows, and 7 more variables: `Date_Time Captured` <dttm>,
#   Time <dbl>, Age <chr>, Sex <chr>, Count <dbl>, `Independent Event` <dbl>,
#   Keterangan <lgl>

Jika kita memanggil data dengan tipe data frame, seluruh data akan ditampikan. Namun khusus tibble, R hanya menampilkan 10 baris pertama data dan jumlah kolom sebanyak yang muat di jendela RStudio. Oleh karena itu, kita akan menggunakan data tibble untuk analisis data selanjutnya agar data yang ditampilkan lebih praktis.

Statistika Deskriptif

Beberapa pertanyaan sederhana yang biasanya muncul terkait hasil camera trap adalah:

  1. Spesies apa saja yang ditemukan?
  2. Berapa jumlah foto dan independent event tiap spesies?
  3. Spesies apa yang paling sering dan paling sedikit terekam?
  4. Berapa jumlah foto dan independent event spesies X?
  5. Di mana saja spesies X ditemukan?

Untuk menjawab pertanyaan tersebut, kita dapat menggunakan data camera trap dengan penghitungan yang sederhana. Penghitungan ini dapat dilakukan menggunakan base R, tetapi kita akan menggunakan package tidyverse karena dapat mempermudah langkah-langkah yang cukup rumit jika dilakukan dengan perintah dasar R.

Package tidyverse sebenarnya merupakan kumpulan dari beberapa package R. Beberapa perintah yang akan sering kita gunakan adalah group_by, summarise, filter, dan subset. Perintah group_by berfungsi untuk mengelompokkan data berdasarkan variabel (kolom) tertentu. Contoh dalam konteks data camera trap adalah mengelompokkan jumlah independent event berdasarkan lokasi, berdasarkan lokasi dan spesies, dan berdasarkan jenis kelamin satwa. Perintah summarise digunakan bersama dengan perintah group_by dan berfungsi untuk meringkaskan observasi berdasarkan kategori yang kita masukkan dalam group_by. Hasil dari perintah ini adalah data frame baru yang terdiri dari kolom kategori dan kolom-kolom yang berisi ringkasan. Ringkasan yang dimaksud dapat berupa rata-rata, median, simpangan baku, jumlah observasi (count), dan sebagainya (lihat ?group_by dan ?summarise).

Fungsi filter dan subset hampir sama, yaitu untuk memilih data berdasarkan kriteria tertentu, misalnya rekaman spesies tertentu atau data dari suatu ID lokasi. Perintah subset merupakan perintah dasar R, sedangkan filter merupakan perintah dari package tidyverse. Cara penggunaannya hampir sama. Perbedaannya adalah subset memiliki argumen select untuk memilih kolom tertentu dari data utama, sedangkan filter tidak. Jika ingin memilih suatu kolom, kita harus menggunakan perintah terpisah, yaitu select.

subset(ct2019_t, `Genus Species` == "Paguma larvata", select=`Date_Time Captured`)
# A tibble: 184 x 1
   `Date_Time Captured`
   <dttm>              
 1 2019-09-03 04:18:34 
 2 2019-09-03 04:18:34 
 3 2019-09-03 04:18:34 
 4 2019-09-03 04:20:35 
 5 2019-09-03 04:20:35 
 6 2019-09-03 04:20:36 
 7 2019-09-03 04:20:42 
 8 2019-09-03 04:20:42 
 9 2019-08-03 03:10:19 
10 2019-08-03 03:10:19 
# ... with 174 more rows
filter(ct2019_t, `Genus Species` == "Paguma larvata") %>% 
  select(`Date_Time Captured`)
# A tibble: 184 x 1
   `Date_Time Captured`
   <dttm>              
 1 2019-09-03 04:18:34 
 2 2019-09-03 04:18:34 
 3 2019-09-03 04:18:34 
 4 2019-09-03 04:20:35 
 5 2019-09-03 04:20:35 
 6 2019-09-03 04:20:36 
 7 2019-09-03 04:20:42 
 8 2019-09-03 04:20:42 
 9 2019-08-03 03:10:19 
10 2019-08-03 03:10:19 
# ... with 174 more rows

Salah satu fitur tidyverse yang membuat coding lebih menyenangkan adalah tanda pipe %>% (shortcut: Ctrl+Shift+M) yang berfungsi untuk menyatakan rangkaian pemrosesan data. Misalnya, kita ingin menampilkan jumlah IE tapir dan beruk. Tanpa pipe, perintahnya adalah:

a <- group_by(ct2019_t,`Genus Species`)
b <- summarise(a, n_IE=sum(`Independent Event`))
subset(b, `Genus Species`%in% c("Tapirus indicus","Macaca nemestrina"))
# A tibble: 2 x 2
  `Genus Species`    n_IE
  <chr>             <dbl>
1 Macaca nemestrina   287
2 Tapirus indicus     101

Tahapan tersebut banyak membutuhkan objek transisi (a, b) sehingga kurang efisien. Jika menggunakan pipe, perintahnya menjadi:

ct2019_t %>% group_by(`Genus Species`) %>% 
  summarise(n_IE=sum(`Independent Event`)) %>% 
  subset(`Genus Species`%in% c("Tapirus indicus","Macaca nemestrina"))
# A tibble: 2 x 2
  `Genus Species`    n_IE
  <chr>             <dbl>
1 Macaca nemestrina   287
2 Tapirus indicus     101

Hasil dari perintah tersebut hanya ditampilkan, tetapi belum disimpan sebagai objek. Jika ingin menyimpannya sebagai objek agar dapat digunakan untuk proses lain, nama objek tinggal ditambahkan di awal perintah:

jumlah_IE <- ct2019_t %>% group_by(`Genus Species`) %>% 
  summarise(n_IE=sum(`Independent Event`)) %>% 
  subset(`Genus Species`%in% c("Tapirus indicus","Macaca nemestrina"))

Kembali ke laptop.

1. Spesies apa saja yang ditemukan?

library(tidyverse)

unique(ct2019_t$`Genus Species`[ct2019_t$`Photo Type`=="Animal"]) 
 [1] "Argusianus argus"         "Catopuma temminckii"     
 [3] "Eupetes macrocerus"       "Hystrix brachyura"       
 [5] "Muntiacus muntjak"        "Mydaus javanensis"       
 [7] "Nesolagus netscheri"      "Pardofelis marmorata"    
 [9] "Rusa unicolor"            "Sus scrofa"              
[11] "Tapirus indicus"          "Tragulus sp."            
[13] "Helarctos malayanus"      "Lariscus insignis"       
[15] "Macaca nemestrina"        "Neofelis diardi"         
[17] "Paguma larvata"           "Panthera tigris"         
[19] "Prionodon linsang"        "Sundasciurus hippurus"   
[21] "Arctictis binturong"      "Echinosorex gymnura"     
[23] "Tragulus napu"            "Martes flavigula"        
[25] "Presbytis melalophos"     "Hemigalus derbyanus"     
[27] "Trachypithecus cristatus" "Tragulus kanchil"        
[29] "Tupaia tana"              "Prionailurus bengalensis"
[31] "Rollulus rouloul"         "Chalcophaps indica"      
[33] "Leopoldamys sabanus"      "Hydrornis irena"         
[35] "Meiglyptes tukki"         "Arctonyx hoevenii"       
[37] "Spilornis cheela"         "Elephas maximus"         
[39] "Capricornis sumatraensis" "Sundasciurus tenuis"     
# atau
ct2019_t %>% 
  subset(`Photo Type`=="Animal", select=`Genus Species`) %>% 
  unique() 
# A tibble: 40 x 1
   `Genus Species`     
   <chr>               
 1 Argusianus argus    
 2 Catopuma temminckii 
 3 Eupetes macrocerus  
 4 Hystrix brachyura   
 5 Muntiacus muntjak   
 6 Mydaus javanensis   
 7 Nesolagus netscheri 
 8 Pardofelis marmorata
 9 Rusa unicolor       
10 Sus scrofa          
# ... with 30 more rows

Tambahkan perintah %>% print(n=Inf) di bagian akhir untuk menampilkan semua spesies.

2. Berapa jumlah foto dan IE tiap spesies?

ct2019_t %>% 
  subset(`Photo Type`=="Animal") %>% 
  group_by(`Genus Species`) %>% 
  summarise(n_foto = n(),
            n_IE = sum(`Independent Event`))
# A tibble: 40 x 3
   `Genus Species`          n_foto  n_IE
   <chr>                     <int> <dbl>
 1 Arctictis binturong          54    11
 2 Arctonyx hoevenii             6     3
 3 Argusianus argus           1428   300
 4 Capricornis sumatraensis      5     1
 5 Catopuma temminckii         500   101
 6 Chalcophaps indica           15     6
 7 Echinosorex gymnura         297   105
 8 Elephas maximus             238     2
 9 Eupetes macrocerus            2     2
10 Helarctos malayanus        1101   102
# ... with 30 more rows

Perintah di atas hanya menampilkan summary secara sementara dan tidak menyimpan tabel. Untuk menyimpan tabel, tambahkan nama objek di depan perintah:

tabel_spesies <- ct2019_t %>% 
  subset(`Photo Type`=="Animal") %>% 
  group_by(`Genus Species`) %>% 
  summarise(n_foto = n(),
            n_IE = sum(`Independent Event`))

Objek yang sudah disimpan dapat digunakan untuk penghitungan selanjutnya dan diekspor ke dalam format .csv.

write.csv(tabel_spesies, "tabel_spesies_IPZ_2019.csv",
          row.names=FALSE)

3. Spesies apa yang paling sering dan paling sedikit terekam?

# Paling sering:
tabel_spesies %>% filter(n_IE==max(n_IE))
# A tibble: 1 x 3
  `Genus Species`   n_foto  n_IE
  <chr>              <int> <dbl>
1 Muntiacus muntjak  10791   628
# Paling sedikit
tabel_spesies %>% filter(n_IE==min(n_IE))
# A tibble: 5 x 3
  `Genus Species`          n_foto  n_IE
  <chr>                     <int> <dbl>
1 Capricornis sumatraensis      5     1
2 Meiglyptes tukki              3     1
3 Nesolagus netscheri          10     1
4 Spilornis cheela              3     1
5 Sundasciurus tenuis           3     1
# Untuk mengurutkan tabel dari jumlah IE terendah ke tertinggi
tabel_spesies %>% arrange(n_IE)
# A tibble: 40 x 3
   `Genus Species`          n_foto  n_IE
   <chr>                     <int> <dbl>
 1 Capricornis sumatraensis      5     1
 2 Meiglyptes tukki              3     1
 3 Nesolagus netscheri          10     1
 4 Spilornis cheela              3     1
 5 Sundasciurus tenuis           3     1
 6 Elephas maximus             238     2
 7 Eupetes macrocerus            2     2
 8 Trachypithecus cristatus      9     2
 9 Arctonyx hoevenii             6     3
10 Rollulus rouloul              7     3
# ... with 30 more rows
# dan sebaliknya:
tabel_spesies %>% arrange(desc(n_IE))
# A tibble: 40 x 3
   `Genus Species`     n_foto  n_IE
   <chr>                <int> <dbl>
 1 Muntiacus muntjak    10791   628
 2 Sus scrofa           10053   547
 3 Argusianus argus      1428   300
 4 Macaca nemestrina     9205   287
 5 Hystrix brachyura     1956   213
 6 Echinosorex gymnura    297   105
 7 Helarctos malayanus   1101   102
 8 Catopuma temminckii    500   101
 9 Tapirus indicus       1783   101
10 Rusa unicolor         1797    63
# ... with 30 more rows
# Untuk membuat grafik jumlah foto:
ggplot(data = tabel_spesies) + 
  geom_col(mapping=aes(x= `Genus Species`,
                       y= n_foto))

Iya, grafiknya jelek. Nama-nama spesies pada grafik yang dihasilkan bertumpuk karena nama spesiesnya terlalu banyak. Solusinya, kita perlu merotasi nama spesies agar dapat dibaca. Selain itu, kita juga akan mengubah label sumbu X dan Y agar lebih intuitif. Perintah untuk melakukan hal-hal tersebut ada di bawah ini.

# Grafik jumlah independent event (IE)
tabel_spesies %>% 
  ggplot() + 
  geom_col(mapping=aes(x= `Genus Species`,
                       y= n_IE))+
  ylab("Jumlah Independent Event") +
  xlab("Spesies") +
  theme(axis.text.x = element_text(angle = 90, #rotasi 90 derajat
                                   vjust = 0.5, 
                                   hjust = 1))

## Mengurutkan grafik batang dari spesies dengan jumlah IE tertinggi ke terendah
spesies_arr <- tabel_spesies %>% arrange(desc(n_IE)) 
str(spesies_arr) # tipe data `Genus Species` adalah character
tibble [40 x 3] (S3: tbl_df/tbl/data.frame)
 $ Genus Species: chr [1:40] "Muntiacus muntjak" "Sus scrofa" "Argusianus argus" "Macaca nemestrina" ...
 $ n_foto       : int [1:40] 10791 10053 1428 9205 1956 297 1101 500 1783 1797 ...
 $ n_IE         : num [1:40] 628 547 300 287 213 105 102 101 101 63 ...
spesies_arr$`Genus Species`<- factor(spesies_arr$`Genus Species`,
                                     levels=spesies_arr$`Genus Species`)
str(spesies_arr)
tibble [40 x 3] (S3: tbl_df/tbl/data.frame)
 $ Genus Species: Factor w/ 40 levels "Muntiacus muntjak",..: 1 2 3 4 5 6 7 8 9 10 ...
 $ n_foto       : int [1:40] 10791 10053 1428 9205 1956 297 1101 500 1783 1797 ...
 $ n_IE         : num [1:40] 628 547 300 287 213 105 102 101 101 63 ...

Perhatikan bahwa tipe data Genus Species berubah menjadi Factor dengan urutan dari spesies dengan jumlah IE tertinggi ke terendah.

# Membuat plot
spesies_arr %>% 
  ggplot() + 
  geom_col(mapping = aes(x = `Genus Species`,
                         y = n_IE))+
  ylab("Jumlah Independent Event") +
  xlab("Spesies") +
  theme(axis.text.x = element_text(angle = 90, 
                                   vjust = 0.5, 
                                   hjust = 1))

# Memplotkan beberapa spesies saja
tabel_spesies %>% 
  subset(`Genus Species`%in%c("Panthera tigris",
                              "Muntiacus muntjak",
                              "Rusa unicolor",
                              "Sus scrofa",
                              "Macaca nemestrina",
                              "Argusianus argus",
                              "Tapirus indicus")) %>% 
  ggplot() + 
  geom_col(mapping=aes(x= `Genus Species`,
                       y= n_IE))+
  ylab("Jumlah Independent Event") +
  xlab("Spesies") +
  theme(axis.text.x = element_text(angle = 90, 
                                   vjust = 0.5, 
                                   hjust = 1))

4. Berapa jumlah foto dan IE spesies X?

# Misalnya, kita ingin men-subset Argusianus argus
tabel_spesies %>% 
  subset(`Genus Species` == "Argusianus argus") # atau pakai perintah filter(...)
# A tibble: 1 x 3
  `Genus Species`  n_foto  n_IE
  <chr>             <int> <dbl>
1 Argusianus argus   1428   300

5. Di mana saja spesies X ditemukan?

Untuk mendapatkan daftar nama lokasi tempat spesies X ditemukan:

lokasispesiesX <- ct2019_t %>% 
  subset(`Genus Species` == "Argusianus argus", select = `Location ID`) %>% 
  distinct()
lokasispesiesX
# A tibble: 35 x 1
   `Location ID`
   <chr>        
 1 IDN-108-L0001
 2 IDN-108-L0002
 3 IDN-108-L0003
 4 IDN-108-L0006
 5 IDN-108-L0007
 6 IDN-108-L0009
 7 IDN-108-L0010
 8 IDN-108-L0011
 9 IDN-108-L0012
10 IDN-108-L0013
# ... with 25 more rows

a. Membuat peta sederhana keberadaan spesies X menggunakan scatter plot 

# Panggil data yang berisi koordinat kamera
koord <- read_excel("Camera trap mock data.xlsx",
                     sheet="Deployment") %>% 
  #dplyr::select(`Location ID`, X=X, Y=Y) %>% 
  distinct()

lokasispesiesX <- lokasispesiesX %>% left_join(koord) 

# data frame ini bisa diekspor ke .csv untuk dipetakan menggunakan software GIS
write.csv(lokasispesiesX, "lokasispesiesX.csv")

lokasispesiesX %>% 
  ggplot(aes(x = X, y = Y)) +
  geom_point()

b. Membuat peta keberadaan spesies X menggunakan shapefile

Untuk menambahkan batas area studi, kita perlu memanggil data shapefile area studi menggunakan package rgdal dan sp. Package rgdal berfungsi untuk membaca data spasial, sedangkan package sp berfungsi untuk mendefinisikan tipe objek (class) data spasial yang dibuka di R serta metode pengolahannya. Install package tersebut lebih dahulu dengan klik Packages >> Install >> ketik rgdal, sp >> Install atau dengan perintah install.packages(c("rgdal","sp")).

library(rgdal)
sumatra <- readOGR("E:/Spatial Data/IDN_adm/Sumatra_main-island_utm.shp")
lokasispesies_shp <- SpatialPoints(coords=lokasispesiesX[,c("X","Y")], 
      proj4string = CRS("+proj=utm +zone=48 +south +datum=WGS84 +units=m +no_defs"))
par(mar=c(1,1,1,1)) #mengatur margin peta agar tidak terlalu lebar
plot(lokasispesies_shp, pch=16);plot(sumatra, add=TRUE)

c. Memetakan jumlah independent event spesies X

spesies_ie <- ct2019_t %>% 
  filter(`Genus Species` == "Argusianus argus", `Independent Event` == 1) %>% 
  # hanya pilih IE-nya saja
  left_join(koord) 

spesies_ie %>% 
  ggplot(aes(X, Y)) +
  geom_count(show.legend=TRUE) +
  labs(title="Argusianus argus",
       size="Jumlah IE")

Relative Abundance Index (RAI)

Walaupun menghitung independent event dapat mengurangi bias akibat deteksi satwa yang sama lebih dari satu kali, independent event belum memperhitungkan upaya survei (survey effort). Misalnya, terdapat dua lokasi pemasangan kamera, lokasi A dan lokasi M. Kamera aktif selama 20 hari di lokasi A, sedangkan hanya dua hari di lokasi M karena kabel kamera digigit tikus. Di kedua lokasi, terdapat dua independent event (IE) tikus bulan. Jika kita hanya membandingkan jumlah IE, kita akan mendapatkan kesimpulan yang salah tentang tikus bulan. Di lokasi A, dibutuhkan waktu 20 hari untuk mendapatkan 2 IE. Di lokasi M, hanya dibutuhkan 2 hari untuk mendapatkan 2 IE. Jika kamera tidak dirusak tikus, mungkin saja dapat terekam > 2 IE di lokasi M jika kamera aktif selama 20 hari. Oleh karena itu, jika kita ingin membandingkan temuan antarlokasi, lebih baik menggunakan metrik laju temuan (capture rate), yaitu jumlah temuan per satuan upaya survei.

Dalam studi camera trap, upaya survei seringkali disebut sebagai trap nights atau jumlah hari aktif kamera. Trap nights dapat dihitung dengan mengurangi tanggal kamera terakhir aktif dan tanggal kamera mulai aktif. Tanggal kamera terakhir aktif idealnya adalah tanggal kamera diambil, tetapi seringkali kamera sudah tidak aktif (daya baterai habis atau error) sebelum diambil sehingga lebih baik menggunakan tanggal terakhir kali kamera merekam foto/video. Untuk menghitung trap nights, kita akan menggunakan sheet Deployment.

# Memanggil data
deploy <- read_excel("Camera trap mock data.xlsx",
                     sheet="Deployment") %>% 
  subset(`Camera Failure Details`=="Functioning") %>% #kamera yang berfungsi saja
  mutate(tnight=as.vector(difftime(`Camera last picture date`,
                      `Camera Deployment Begin Date`,
                      units="days"))) 

# difftime: untuk menghitung perbedaan waktu. Tipe output: 'difftime'
# as.vector: untuk mengubah tipe objek 'difftime' jadi 'numeric'
# Hal ini perlu dilakukan karena keluaran difftime memiliki satuan 'days' 
# yang akan mengganggu perhitungan RAI.

Survei camera trap untuk memantau populasi harimau biasanya menggunakan dua kamera yang saling berhadapan sehingga di data frame sebelumnya, terdapat dua nilai trap nights untuk satu lokasi kamera. Satu lokasi dianggap masih “aktif” jika terdapat setidaknya satu kamera yang aktif. Contoh: kamera A dan kamera B merupakan kamera yang berhadapan di lokasi yang sama. Kamera A aktif selama 30 hari, sedangkan kamera B mati di tengah survei sehingga hanya aktif selama 10 hari. Jumlah trap nights pada lokasi tersebut adalah 30 hari, yaitu nilai maksimal antara kamera A dan kamera B. Oleh karena itu, untuk menghitung trap nights per lokasi:

tn_loc <- deploy %>% 
  group_by(`Location ID`) %>% 
  summarise(tn_grid = max(tnight))

# Untuk menghitung total trap nights seluruh survei: 
totaltn <- sum(tn_loc$tn_grid)

Indeks laju temuan yang sering digunakan untuk studi camera trap adalah Relative Abundance Index (RAI) yang dipopulerkan oleh O’Brien et al. (2003). RAI terdiri dari dua macam, yaitu:

  • RAI1: jumlah hari yang dibutuhkan untuk mendapat satu temuan, dihitung dengan rumus \[\frac{\sum trap \text{ }nights}{\sum IE}\]

  • RAI2: kebalikan dari RAI1, yaitu jumlah temuan yang didapatkan per hari, dihitung dengan rumus \[\frac{\sum IE}{\sum trap \text{ }nights}\] Biasanya RAI2 dihitung dalam satuan jumlah temuan per 100 trap nights karena sebagian besar satwa jarang terekam sehingga rumusnya menjadi jumlah \[\frac{\sum IE}{\sum trap \text{ }nights/100}\]
    Walaupun indeks ini dinamakan kepadatan relatif, sebenarnya indeks ini lebih merepresentasikan capture rate dibandingkan kepadatan relatif. Asumsi awalnya adalah RAI2 akan meningkat jika kepadatan spesies meningkat (semakin banyak satwa, semakin besar kemungkinan satwa tersebut terdeteksi). Namun, asumsi ini masih diragukan. Misalnya, suatu kamera dapat merekam ratusan independent events kuau raja jika berada dekat dengan dancing ground. Hal ini bukan berarti RAI tidak berguna, melainkan lebih baik memperlakukan RAI sebagai indeks capture rate daripada menganggapnya sebagai representasi kepadatan relatif.

Untuk selanjutnya, kita akan menyebut RAI2 sebagai RAI saja. Untuk menghitung RAI per spesies untuk keseluruhan survei, jumlah independent event setiap spesies dibagi dengan total trap nights per 100.

# Menghitung RAI
tabel_spesies <- tabel_spesies %>%
  mutate(RAI = n_IE/(totaltn/100)) #rumus RAI

tabel_spesies
# A tibble: 40 x 4
   `Genus Species`          n_foto  n_IE    RAI
   <chr>                     <int> <dbl>  <dbl>
 1 Arctictis binturong          54    11 0.120 
 2 Arctonyx hoevenii             6     3 0.0329
 3 Argusianus argus           1428   300 3.29  
 4 Capricornis sumatraensis      5     1 0.0110
 5 Catopuma temminckii         500   101 1.11  
 6 Chalcophaps indica           15     6 0.0657
 7 Echinosorex gymnura         297   105 1.15  
 8 Elephas maximus             238     2 0.0219
 9 Eupetes macrocerus            2     2 0.0219
10 Helarctos malayanus        1101   102 1.12  
# ... with 30 more rows

Untuk menghitung RAI per spesies per lokasi, kita perlu melakukan beberapa langkah, yaitu:

  • membuat data frame species_loc yang terdiri dari kolom spesies, ID lokasi, dan jumlah IE
  • menggabungkan species_loc dengan tn_loc
  • menghitung RAI
species_RAI <- ct2019_t %>% 
  subset(`Photo Type` == "Animal") %>% 
  group_by(`Genus Species`, `Location ID`) %>% 
  summarise(n_IE = sum(`Independent Event`, na.rm=T)) %>% 
  left_join(tn_loc) %>% 
  mutate(RAI = n_IE/(tn_grid/100))

Karena RAI dihitung untuk setiap lokasi, kita dapat menghitung ukuran keterpusatan (rata-rata atau median) dan ukuran keragaman (simpangan baku atau kuartil) RAI setiap spesies. Kita juga dapat menggunakan uji statistik untuk melihat apakah ada perbedaan signifikan RAI antara dua atau lebih spesies.

Membuat box plot RAI spesies

ggplot(species_RAI, aes(`Genus Species`, RAI)) +
  geom_boxplot() +
  labs(x="Spesies", y="RAI")+
  theme(axis.text.x = element_text(angle = 90, 
                                   vjust = 0.5, 
                                   hjust = 1))

# Boxplotnya padat karena spesiesnya kebanyakan.

# Pilih beberapa spesies saja:
species_RAI %>% 
  subset(`Genus Species` %in% c("Helarctos malayanus","Tapirus indicus",
                                "Muntiacus muntjak","Rusa unicolor")) %>% 
  ggplot(aes(`Genus Species`, RAI)) +
  geom_boxplot() +
  labs(x="Spesies", y="RAI")

Menghitung ukuran keterpusatan (central tendency) dan keragaman (spread) RAI

species_RAI %>% 
  group_by(`Genus Species`) %>% 
  summarise(n = n(),
            rerata = mean(RAI),
            simpanganbaku = sd(RAI),
            median = median(RAI),
            kuartil_bawah = quantile(RAI, probs=0.25),
            kuartil_atas = quantile(RAI, probs=0.75),
            hamparan = IQR(RAI)) # hamparan = interquartile range = Q3 - Q1
# A tibble: 40 x 8
   `Genus Species`     n rerata simpanganbaku median kuartil_bawah kuartil_atas
   <chr>           <int>  <dbl>         <dbl>  <dbl>         <dbl>        <dbl>
 1 Arctictis bint~     9  0.867        0.319   0.714         0.709        0.719
 2 Arctonyx hoeve~     1  2.05        NA       2.05          2.05         2.05 
 3 Argusianus arg~    35  6.08        13.5     1.43          0.719        4.91 
 4 Capricornis su~     1  0.685       NA       0.685         0.685        0.685
 5 Catopuma temmi~    33  2.13         1.96    1.37          0.709        2.78 
 6 Chalcophaps in~     5  0.853        0.316   0.709         0.709        0.719
 7 Echinosorex gy~    18  4.08         6.19    1.74          0.716        3.57 
 8 Elephas maximus     2  0.674        0.0160  0.674         0.668        0.679
 9 Eupetes macroc~     1  1.43        NA       1.43          1.43         1.43 
10 Helarctos mala~    42  1.70         1.42    1.35          0.714        2.11 
# ... with 30 more rows, and 1 more variable: hamparan <dbl>

Memetakan nilai RAI spesies

Ada dua cara memetakan nilai RAI, yaitu menggunakan scatter plot (tetapi tidak bisa menambahkan batas kawasan) dan menggunakan package pengolahan data spasial.

# Data koordinat
ct_coordinates <- deploy %>% 
  select(`Location ID`, X, Y) %>% 
  distinct()

# Menggabungkan data spesies dan koordinat
species_xy <- species_RAI %>% left_join(ct_coordinates)

a. Menggunakan scatter plot 

# Membuat plot RAI beruang madu
species_xy %>% 
  filter(`Genus Species`=="Helarctos malayanus") %>% 
  ggplot(aes(x=X, y=Y, size=RAI)) +
  geom_point()

b. Menggunakan data spasial

library(rgdal);library(sp)
beruang <- species_xy %>% filter(`Genus Species`=="Helarctos malayanus")
beruang_shp <- SpatialPoints(coords=beruang[,c("X","Y")], 
    proj4string = CRS("+proj=utm +zone=48 +south +datum=WGS84 +units=m +no_defs"))

# Batas kawasan
sumatra <- readOGR("E:/Spatial Data/IDN_adm/Sumatra_main-island_utm.shp")
# Membuat plot RAI beruang madu
par(mar=c(1,1,1,1))
plot(beruang_shp, pch=16, cex=sqrt(beruang$RAI))
plot(sumatra, add=TRUE)

Uji statistik

Misalnya, kita ingin mengetahui apakah ada perbedaan signifikan antara RAI kijang (Muntiacus muntjak) dan rusa sambar (Rusa unicolor). Pada box plot sebelumnya, secara visual RAI spesies tampak memiliki distribusi nonnormal. Hal ini akan kita uji menggunakan uji normalitas Shapiro-Wilk. Jika distribusi data normal, kita akan menggunakan uji parametrik t-test dengan perintah t.test(...). Jika distribusi data nonnormal, uji yang digunakan adalah uji nonparametrik Wilcoxon rank sum test dengan perintah wilcox.test(...).

# Subset data
kijang <- species_RAI$RAI[species_RAI$`Genus Species`=="Muntiacus muntjak"]
rusa <- species_RAI$RAI[species_RAI$`Genus Species`=="Rusa unicolor"]

# Uji normalitas
shapiro.test(kijang) # p-value < 0.05, distribusi data tidak normal

    Shapiro-Wilk normality test

data:  kijang
W = 0.86553, p-value = 9.035e-06
shapiro.test(rusa) # p-value < 0.05, distribusi data tidak normal

    Shapiro-Wilk normality test

data:  rusa
W = 0.81845, p-value = 0.0001156
# Uji Wilcoxon (karena distribusi data tidak normal)
wilcox.test(kijang, rusa)

    Wilcoxon rank sum test with continuity correction

data:  kijang and rusa
W = 1699, p-value = 1.215e-10
alternative hypothesis: true location shift is not equal to 0

Karena p-value < 0.05, H0 ditolak sehingga kesimpulannya adalah terdapat perbedaan signifikan RAI kijang dan rusa.

Tumpang-tindih Pola Aktivitas Temporal

Untuk menghitung tumpang-tindih pola aktivitas antara dua spesies, kita menggunakan package overlap. Tutorial lengkap mengenai package ini dapat dilihat di tautan berikut. Indeks tumpang-tindih temporal berkisar antara 0 (tidak ada tumpang-tindih) hingga 1 (tumpang-tindih sempurna). Biasanya, indeks ini digunakan untuk membandingkan pola aktivitas temporal antara predator-mangsa atau sesama kompetitor.

Pasang terlebih dahulu package overlap dengan perintah install.packages("overlap"). Data yang digunakan untuk menghitung tumpang-tindih temporal adalah jam rekaman spesies dalam skala 0 (pukul 00.00) hingga 1 (pukul 23.59), yaitu kolom “Time” pada spreadsheet Image, tetapi hanya rekaman independen yang akan digunakan. Variabel waktu ini kemudian akan kita konversi ke dalam skala radian dengan cara = \(waktu \times 2 \times\pi\). Perintah overlapEst akan mengestimasi indeks tumpang-tindih. Confidence interval estimasi dihitung dengan metode bootstraping menggunakan perintah bootEst.

library(overlap)

## 1. Memfilter independent events
IE <- subset(ct2019_t, `Independent Event`==1 & `Photo Type`=="Animal")

## 2. Konversi Time ke radian
timerad <- IE$Time*2*pi

## 3. Subset Time spesies yang akan dihitung tumpang-tindihnya
# Misalnya, harimau dan kijang
sp_a <- timerad[IE$`Genus Species`=="Panthera tigris"]
sp_b <- timerad[IE$`Genus Species`=="Muntiacus muntjak"]

## 4. Mengestimasi indeks tumpang-tindih
(ovrlp <- overlapEst(sp_a, sp_b) )
    Dhat1     Dhat4     Dhat5 
0.7679167 0.7661066 0.7707006 
## 5. Kalkulasi confidence interval
# Untuk latihan ini, gunakan 1000 resample supaya hasil keluar cepat.
# Untuk analisis sesungguhnya, gunakan setidaknya 10.000.
bs_a <- resample(sp_a, 1000)
bs_b <- resample(sp_b, 1000)

length(sp_a);length(sp_b)
[1] 30
[1] 628
# Jika jumlah IE setiap spesies > 75, gunakan "Dhat4". Jika tidak, "Dhat1"
bsOut <- bootEst(bs_a, bs_b, type="Dhat1")  
bsMean <- mean(bsOut)
# Confidence interval:
bootCI(ovrlp["Dhat1"], bsOut)['basic0', ] 
    lower     upper 
0.6373422 0.8723872 
## 6. Membuat plot tumpang-tindih
overlapPlot(sp_a, sp_b, main="Tumpang-Tindih Pola Aktivitas")
legend('topright', c("Harimau", "Kijang"), lty=c(1,2), col=c(1,4), bty='n')

# Untuk mengubah label sumbu x dan y, tampilan garis, dan menambah rug
overlapPlot(sp_a, sp_b, main="Tumpang-Tindih Pola Aktivitas",
            xlab="Waktu", # label sumbu x
            ylab="Densitas Kernel", # label sumbu y
            linetype = c(1,1), # jenis garis
            linewidth = c(2,2), # tebal garis
            linecol=c("#619CFF","#F8766D"), # warna garis
            olapcol = "lavenderblush", # warna area tumpang-tindih
            rug = TRUE) # menambah rug
legend('topright', c("Harimau", "Kijang"), 
       lty=c(1,1), # jenis garis
       col=c("#619CFF","#F8766D"), # warna garis
       lwd=c(2,2), # tebal garis
       bty='n')