Analisis Genotype + Genotype By Environment (GGE) Biplot pada Row Column Interaction Model (RCIM) dalam Mengatasi Pencilan

Abstract

Interaksi genotip dengan lingkungan merupakan hal yang perlu diperhatikan dalam pemuliaan tanaman. Oleh karena itu, dengan memanfaatkan adaptasi dan stabilitas hasil panen yang baik dan komponennya dalam genotipe, dimungkinkan untuk mengembangkan atau mengidentifikasi varietas unggul dan beradaptasi dengan baik.Hadi dan Hasan (2017) meneliti bahwa regresi Alaplace lebih tegar terhadap pencilan daripada regresi Gaussian dengan metode RCIM. Model RCIM merupakan perluasan model AMMI adalah model yang sering digunakan untuk analisis interaksi genotip lingkungan pada tabel dua arah Selain karena adanya pencilan, interaksi antara genotip × lingkungan (genotype by environment interaction, GEI) juga menyebabkan permasalahan dalam mengevaluasi hasil pertanian. GEI disebabkan oleh respons diferensial genotip-genotip terhadap peubah lingkungan (Kang et al., 2002). Dua analisis statistik yang sering digunakan adalah efek utama aditif dan model multiplikatif interaksi (AMMI) dan efek genotip utama dan model efek interaksi genotip (GGE) (Gauch, 2006). Biplot GGE dapat berguna untuk menampilkan pola data mana yang dapat dimenangkan. untuk mengidentifikasi kultivar hasil panen dan stabil yang tinggi dan lingkungan uji yang diskriminatif dan representatif (Yan et al., 2001). Penambahan pencilan pada data juga akan dilakukan untuk penelitian, sehingga didapatkan grafik biplot yang lebih beragam. Data yang digunakan adalah data simulasi dan data riil yang berbentuk data tabel dua arah yaitu data interaksi baris/genotype dan kolom/lingkungan. Data dibangkitkan dengan variabel respon menyebar secara normal yang masing-masing berisi 16 genotype dan 10 lingkungan. Nilai MSE pada Regresi Alaplace lebih kecil daripada Regresi Gaussian baik pada data tanpa penambahan outlier maupun pada data yang mengalami penambahan outlier, ini dapat diartikan bahwa Regresi Alaplace adalah model yang dapat menangani data yang mengandung outlier. Nilai MSE model regresi Alaplace membentuk pola yang konstan meski ditambahkan outlier. Semakin banyak komposisi outlier dengan cara penempatan secara Single Environment maka data yang terbentuk bukan lagi data awal yang mengandung pencilan, tetapi data baru dengan nilai varian serta mean yang berbeda. Hasil analisis biplot Regresi Alaplace dan Regresi Gaussian pada data dengan penambahan outlier menunjukkan bahwa Regresi Alaplace dapat memberikan informasi yang lebih jelas visualisasinya dibandingkan Regresi Gaussian. Nilai keragaman pada biplot regresi Gaussian yang lebih besar daripada regresi Alaplace diakibatkan karena adanya outlier. Tiga analisis interaksi dengan visualisasi GGE biplot yang dilakukan adalah Which-won-where/what, visualisasi kinerja rata-rata dan stabilitas dari genotip dan hubungan antara setiap lingkungan. Analisis tersebut dilakukan untuk mengetahui nilai-nilai genotip bagi setiap lingkungan ataupun sebaliknya.