SELEKSI SEREMPAK GENERASI AWAL UNTUK FIKSASI SEG-

PADA KACANG HIJAU

Abstrak

Indeks seleksi dapat digunakan dalam seleksi sifat berganda nilai pemuliaan BLUP dengan asumsi nilai ini merupakan nilai pemuliaan empiris. Seleksi bagi nilai pemuliaan empiris dapat memaksimumkan nilai pemuliaan sebenarnya. Penelitian ini bertujuan untuk menyusun indeks seleksi nilai pemuliaan BLUP, menduga respons seleksi harapan dan memverifikasi keberadaan segregan transgresif sifat berganda generasi awal pada generasi lanjut kacang hijau zuriat persilangan MN dan GS. Simulasi berbasis metode indeks seleksi kombinasi nilai eigen digunakan untuk menghasilkan persamaan indeks terbaik. Seleksi 20% individu terbaik dilakukan menurut skor indeks, diikuti seleksi ekstrim famili- famili terbaik dan seleksi kembali 5% skor indeks. Verifikasi segregan transgresif menggunakan informasi ragam dalam famili tersuai model linear campuran dan galat baku masing-masing famili. Hasil penelitian memperlihatkan persamaan indeks seleksi terbaik bagi generasi awal kacang hijau zuriat persilangan MN dan GS masing-masing menghasilkan respons seleksi positif, yaitu 139.62 (R2 = 97.76%) dan 141.22 (R2 = 96.74%). Respons komponen bobot biji bagi masing- masing famili pada kedua populasi adalah 12-20 g dan 13-30 g, dengan indeks panen serempak 0.50-0.80 dan 0.35-0.80. Terdapat tujuh famili pada populasi zuriat persilangan MN dan sembilan famili populasi zuriat persilangan GS yang terverifikasi sebagai segregan transgresif.

Kata kunci: seleksi, indeks seleksi, verifikasi segregan transgresif, model linear campuran, kacang hijau.

Pendahuluan

Pengembangan varietas baru kacang hijau diantaranya bertujuan untuk meningkatkan daya hasil melampaui 2 ton ha-1 dan panen serempak pada kisaran umur panen 55-65 hari, dengan ukuran biji 5-6 g (100 biji)-1 (Fernandez dan Shanmugasundaram, 1988, Chadha 2010). Seleksi memainkan peranan penting dalam menghasilkan varietas baru. Seleksi berlangsung efektif apabila berhasil memfiksasi segregan transgresif pada generasi awal (Jambormias dan Riry 2009). Populasi generasi awal, dimulai dari generasi F3, sesuai digunakan dalam analisis genetik (Bos dan Caligari 2008) dan menyediakan informasi kekerabatan dalam bentuk informasi antar famili dan dalam famili (Jambormias et al. 2011).

Nilai pemuliaan dan simpangan genetik dapat dibangkitkan dari informasi antar famili dan dalam famili. Prosedur untuk memperoleh nilai pemuliaan menggunakan prediksi tak bias linear terbaik (best linear unbiased predictions, BLUP) (Satoh 1998; Bauer et al. 2006; Viana et al. 2011). BLUP sangat baik digunakan untuk melakukan prediksi pada keadaan ragam tak homogen dan sebaran data tidak normal (Searle et al. 1992; Mc Culloh dan Searle 2001; Mattjik et al. 2011,

Gbur et al. 2012) seperti pada generasi bersegregasi, termasuk pada tanaman (Bauer et al. 2006; Piepho et al. 2008).

Suatu program seleksi bertujuan untuk meningkatkan peluang terpilihnya nilai pemuliaan. Indeks seleksi bersama merupakan suatu prosedur seleksi yang berlangsung bagi nilai fenotipe yang memaksimumkan nilai pemuliaan (Smith 1936; Hazel 1943; Kemphtorne & Nordskog 1959; Cerón-Rojas et al. 2006, Cerón-Rojas et al. 2008). Prosedur indeks seleksi juga dapat dilakukan pada nilai pemuliaan BLUP dengan asumsi nilai ini merupakan nilai pemuliaan sebenarnya (true breeding value, TBV) atau lebih umum sebagai nilai pemuliaan empiris (empirical breeding value, EBV) (Muir 2007). Seleksi EBV yang memaksimumkan TBV dapat dilakukan dengan melibatkan karakter seleksi, sifat- sifat yang berkorelasi dengan karakter seleksi, sifat-sifat dengan heritabilitas yang tinggi, dan peubah kategorik famili-famili segregan transgresif. Penggunaan indikator seleksi adalah untuk mendukung seleksi tak langsung terhadap karakter seleksi dan untuk menyusun indeks seleksi dalam seleksi langsung banyak sifat secara serempak (Wirnas et al. 2006; Jambormias et al. 2011). Di lain pihak, penggunaan peubah kategorik segregasi transgresif adalah untuk meningkatkan peluang terpilihnya famili-famili segregan transgresif.

Penelitian ini bertujuan untuk (1) menyusun indeks seleksi nilai pemuliaan BLUP berbasis informasi kekerabatan yang memaksimumkan hasil biji dan keserempakan panen, dan memfiksasi segregan transgresif sifat berganda pada generasi awal kacang hijau; (2) menentukan respons seleksi harapan indeks seleksi dan komponen bobot biji dan indeks panen serempak pada generasi awal kacang hijau; (3) menentukan perolehan respons seleksi bobot biji dan indeks panen serempak pada generasi lanjut kacang hijau; dan (4) memverifikasi keberadaan segregan transgresif sifat berganda generasi awal pada generasi lanjut kacang hijau zuriat persilangan MN dan GS.

Bahan dan Metode Tempat dan Waktu Penelitian

Penelitian ini meliputi dua kali percobaan lapang, dilakukan di Kebun Percobaan Leuwikopo, Departemen Agronomi dan Hortikultura, Fakultas Pertanian, Institut Pertanian Bogor. Kedua percobaan berlangsung dari bulan Juni - Oktober 2010 dan Juli-November 2013.

Bahan Genetik

Bahan genetik yang digunakan pada percobaan pertama adalah 143 famili generasi awal zuriat persilangan MN (zuriat persilangan galur lokal Mamasa Lere Butnem × Lasafu Lere Butnem) dan 217 famili generasi awal zuriat persilangan GS (zuriat persilangan varietas Gelatik × Lasafu Lere Butsiw), serta empat varietas, terdiri atas tiga varietas unggul, yaitu Gelatik, Perkutut dan Kutilang, dan satu galur lokal, yaitu Mamasa Lere Butnem sebagai pembanding. Bahan genetik pada percobaan kedua adalah famili-famili segregan transgresif dan beberapa

famili non segregan transgresif yang terpilih pada percobaan pertama. Selain itu, juga terdapat empat varietas pada percobaan pertama, ditambah varietas unggul Vima 1, serta dua galur lokal, yaitu Lasafu Lere Butsiw 1 dan Lasafu Lere Butsiw 2. Gelatik dan Vima 1 merupakan varietas unggul berdaya hasil tinggi, dimana Vima 1 juga berumur genjah dan panen serempak.

Rancangan Percobaan

Kedua percobaan menggunakan metode seleksi silsilah, dimana setiap famili ditanam sebagai barisan-barisan tanaman. Pada percobaan pertama, setiap barisan famili merupakan satu satuan percobaan yang tidak diulang, kecuali keempat varietas yang diacak secara lengkap dalam setiap blok. Rancangan yang digunakan adalah rancangan acak tak lengkap berblok bersekat-tersarang 1-tahap (1-

stage nested-augmented incomplete block design). Famili-famili zuriat persilangan dan empat varietas ditanam sebagai barisan-barisan famili berukuran 20 tanaman pada delapan blok percobaan. Selain itu, disiapkan pula satu petak pembanding (check plot) yang berukuran sama dengan satu blok untuk menanam keempat varietas dalam bentuk plot-plot. Varietas-varietas yang ditanam pada masing- masing blok disebut sebagai genotipe pengendali (controlling genotypes), sedangkan varietas-varietas dalam petak pembanding disebut sebagai genotipe pembanding (check genotypes). Genotipe pembanding digunakan untuk menduga ragam acak, sedangkan genotipe pengendali untuk mengevaluasi ada tidaknya keterbauran dan memulihkan informasi nilai genetik.

Percobaan kedua menggunakan prosedur yang sama seperti pada percobaan pertama, tetapi plot genotipe pembanding diulang pada setiap blok. Varietas yang digunakan sebagai pembanding dan pengendali adalah Gelatik, Perkutut, Kutilang, Vima 1, Mamasa Lere Butnem, Lasafu Lere Butsiw 1 dan Lasafu Lere Butsiw 2. Penanaman dilakukan pada tiga blok.

Model Linear

Model linear umum bagi percobaan pertama dan kedua adalah:

yijk = µ + βk+ φi’(k) + χi’’ + ηi’’’ +(φi’(k)χi’’) + ωj(i’(k)) + ϖj(i’’) + γj(i’’’) + εijk

untuk i’ = 1, 2, ..., f famili, i’’ = i’’’ = 1, 2, 3, ..., c varietas; j = 1, 2, …, si contoh

dan k = 1, 2, ..., r; dimana: µ = nilai tengah umum, βk= pengaruh blok ke-k, φi’(k) = pengaruh antar famili ke-i’, χi’’ = pengaruh antar pengendali ke-i’’, ηi’’’ =

pengaruh antar pembanding ke-i’’’, ωj(i’(k)) = pengaruh dalam famili ke-j(i’(k)), ϖj(i’’) = pengaruh dalam pengendali ke-j(i’’),γj(i’’’) = pengaruh dalam pembanding ke-j(i’’’), dan εijk = galat percobaan.

Sifat-sifat kuantitatif Teramati

Sifat-sifat yang diamati dalam penelitian ini adalah tinggi tanaman saat panen, jumlah cabang, umur berbunga, umur panen, lama hari panen, jumlah polong bernas, jumlah biji bernas, bobot 100 biji, bobot biji per tanaman, dan indeks panen serempak. Data yang digunakan adalah nilai BLUP antar famili (BLUPFT)

sebagai EBV famili, BLUP Dalam Famili (BLUPFT) sebagai EBV dalam famili, dan famili-famili segregan transgresif (1 dan -0 masing-masing untuk famili segregan transgresif dan non transgresif). BLUP diperoleh dari pemulihan informasi menggunakan model linear campuran terampat (generalized linear mixed model, GLMM) dengan sebaran peluang log normal (populasi zuriat persilangan MN) atau model linear campuran tertransformasi (transformed linear mixed model, TLMM) dengan transformasi logaritma natural (populasi zuriat persilangan GS).

Analisis Data

Pelaksanaan seleksi sifat berganda menggunakan metode indeks seleksi kombinasi analisis eigen (combined-eigenanalysis index selection methods, CESIM) dengan persentase seleksi 20%, dilanjutkan dengan seleksi ekstrim (extreme selection) famili-famili terbaik menurut Walsh (2010) dengan bobot biji dan indeks panen serempak generasi F3 sebagai batas seleksi (selection threshold), dan seleksi kembali individu terbaik dengan persentase seleksi 5% dari skor CESIM. CESIM diperluas dari metode indeks seleksi kombinasi (combined selection index, CISM) antar famili dan dalam famili menurut Falconer dan Mackay (1996) dan metode indeks seleksi eigen (eigenanalysis index selection methods, ESIM) menurut Cerón-Rojas et al. (2006), tetapi dengan penggabungan beberapa komponen utama menurut Mattjik et al. (2011). Prosedur analisis eigen dapat menggunakan analisis komponen utama (pada kedua populasi, Lampiran 27 dan Lampiran 28).

Indeks CESIM dan pembobot b yang memaksimumkan nilai pemuliaan BLUP adalah: I = bfzf + bwzw dan b = CE1 CE − G A a dimana b’ =

(

b_f b_w

)

dan a’ =

(

a_f a_w

)

, GCE = f w       G 0 0 G dan ACE = f w       A 0 0 A

sebagai peragam genotipe dan fenotipe dalam CESIM, untuk bf = vektor

pembobot EBV antar famili, bw = vektor pembobot EBV dalam famili, Gf = tG ⌢

= peragam EBV famili, Gw = (1- )t G

⌢

= peragam EBV dalam famili, Af = rA

⌢

= peragam TBV antar famili, Aw = (1−r)A

⌢

= peragam TBV dalam famili, masing- masing berdimensi (p×p); dengan r = kemiripan antar kerabat (resemblance between relatives) dua individu dari induk yang sama = 2 / (1f +FF₃)2 , dalam hal f = kekerabatan koansestor (coancestries of relatives) = 0.5 dan FF3 = koefisien inbreeding (Falconer dan Mackay 1996) yaitu pada generasi bersegregasi F3 tanaman menyerbuk sendiri (dengan asumsi frekuensi alel p = q = 0.5 pada setiap lokus) sebesar 0.5 (Bos dan Caligari, 2008; Hallauer et al., 2010); dan t = koefisien korelasi intra klas terampat = terasA/terasG

⌢ ⌢

dalam hal G ⌢

⌢

berpangkat penuh; dan af = vektor pembobot ekonomis nilai TBV antar famili

dan aw = vektor pembobot ekonomis nilai TBV dalam famili.

Pada CESIM, G ⌢

merupakan matriks peragam EBV dan A

⌢

= merupakan peragam TBV yang diperoleh dari analisis eigen dengan persamaan ciri (Cerón- Rojas et al., 2008):

Gk = λk = (G – λ_I₎_k_{= 0}

dimana G = matriks peragam nilai pemuliaan BLUP (dalam hal ini matriks korelasi karena satuan pengamatan nilai pemuliaan berbeda), serta λ = (λ1 λ2 ...

λj ... λp)’ akar ciri, k = vektor ciri, terdiri atas vektor ciri-vektor ciri k1 k2 ... kj ...

kp, dan I = matriks identitas. Analisis dilakukan untuk memilih q komponen

utama (PC) dari p PC dengan keragaman optimum. Banyaknya q PC yang terpilih sebaiknya dapat menjelaskan 70-90% dari batas (cut off) keragaman total Jolliffe (2002). Matriks peragam aditif EBV dan TBV diperoleh dari akar ciri sesuai persamaan: A ⌢ = 2 ' q p σ I dan G ⌢ = 2 ' p p σ I dimana 2 q

σ = (σ σ_{( )1}2a _{( )2}2a ...σ_{( )}2a i...σ_{( )}2a p) ' = vektor ragam sifat-sifat kuantitatif TBV hingga q PC dan 2

σ =(σ_{( )1}2g σ_{( )2}2g ...σ_{( )}2g i...σ_{( )}2g p) ' = vektor ragam sifat-sifat kuantitatif EBV hingga p PC, untuk σ_{( )}2_{a i} = 2 2

1 1 1 q q p ij ij j j j i k k λ = = =      

∑

∑∑

dan σ_{( )}2_{g i} = 2 2 1 1 1 p p p ij ij j j j i k k λ = = =      

∑

∑∑

yaitu elemen sifat kuantitatif zi dalam vektor σr2dan 2 p

σ .

Karena G = matriks korelasi EBV, maka G ⌢

= Ip.

Simulasi Indeks Seleksi Terbaik. Indeks seleksi kombinasi terbaik diperoleh dari simulasi nilai ekonomis yang menghasilkan koefisien determinasi indeks terbaik (Moeljopawiro 2002). Koefisien determinasi indeks dihitung menurut persamaan (Walsh 2010):

(

)

100%

HI CE CE

ρ = b'G b a'A a

Prosedur simulasi indeks seleksi terbaik adalah sebagai berikut:

1. Tetapkan pembobot ekonomis basis untuk masing-masing sifat. Sifat dengan seleksi positif diberi nilai pembobot ekonomis positif, dan dengan seleksi negatif diberi nilai negatif. Seleksi negatif dilakukan bagi tinggi tanaman, umur berbunga, umur panen dan lama hari panen dengan pembobot ekonomis bernilai -2; sedangkan seleksi positif bagi jumlah cabang, jumlah polong, jumlah biji bernas dan bobot 100 biji dengan pembobot ekonomis 2; dan peubah segregasi transgresif serta karakter seleksi bobot biji dan indeks panen serempak dengan pembobot ekonomis bernilai 5.

2. Lakukan simulasi pembobot ekonomis secara parsial bagi masing-masing sifat pada kisaran nilai tertentu. Pada penelitian ini, simulasi dilakukan pada kisaran pembobot ekonomis bernilai 0-100. Kisaran ini menggantikan nilai pembobot ekonomis basis awal suatu sifat yang dianalisis, sedangkan sifat- sifat lainnya tetap menggunakan pembobot basis awal.

3. Catat koefisien determinasi persamaan indeks yang dihasilkan dari kisaran pembobot ekonomis simulasi setiap peubah, dan buat grafik garis koefisien determinasi vs pembobot ekonomis simulasi untuk membandingkan keakuratan masing-masing sifat.

4. Pilih sifat pertama dengan akurasi terbaik pada kecenderungan koefisien determinasi yang optimum dalam grafik dan tetapkan nilai pembobot ekonomis yang menghasilkan koefisien determinasi tersebut sebagai indeks basis yang baru menggantikan indeks basis awal sifat itu di dalam simulasi banyak sifat (dengan prosedur langkah maju, forward procedures).

5. Lakukan simulasi banyak sifat dengan sifat kedua terbaik berikutnya, menggunakan prosedur yang sama pada sifat pertama hingga diperolehnya pembobot ekonomis dengan koefisien determinasi mendekati atau sama dengan koefisien determinasi sifat pertama. Pembobot ekonomis ini merupakan pembobot ekonomis basis yang baru bagi sifat kedua dalam simulasi banyak sifat.

6. Lakukan simulasi banyak sifat dengan sifat ketiga, keempat dan seterusnya, menggunakan prosedur yang sama seperti pada sifat kedua, dimana pembobot ekonomis yang baru pada sifat sebelumnya merupakan pembobot ekonomis basis bagi sifat itu dalam simulasi banyak sifat berikutnya. Simulasi berakhir ketika pembobot ekonomis yang baru pada sifat terakhir menghasilkan koefisien determinasi yang berbeda jauh dari sifat pertama.

7. Bila terdapat salah satu atau lebih sifat-sifat yang menjadi karakter seleksi gagal menghasilkan pembobot ekonomis yang baru dalam simulasi banyak sifat, maka nilai pembobot ekonomis sifat pertama atau sifat dari karakter seleksi lainnya yang tidak negatif dalam kisaran 0-100 dapat ditingkatkan, dan simulasi hanya dilakukan untuk meningkatkan pembobot ekonomis dari beberapa karakter seleksi tersebut.

Respons seleksi harapan. Respons seleksi harapan merupakan ukuran keberhasilan pencapaian seleksi yang mungkin terjadi pada generasi lanjut. Respons seleksi harapan indeks (RHI) dan vektor respons komponen indeks (Rc)

masing-masing dihitung menurut persamaan:

RHI =i b'G bCE .

(

)

(

)

(

)

(

)

R =i A b b'P b =i A b a'A b

Respons seleksi harapan merupakan kemajuan genetik yang diharapkan pada generasi berikutnya, sedangkan respons komponen indeks adalah kemajuan genetik dari masing-masing sifat kuantitatif yang merupakan komponen dari indeks seleksi (Walsh 2010). Rata-rata (rerata) generasi F4 terprediksi (x_F_{4( )}_P ) dan rerata F3 terpilih (x_F₃) dari masing-masing sifat merupakan hasil transformasi balik sesuai persamaan:

4( ) F Pi x [Rci][sBLUP ( )F i] BLUP 0( )i e + β = [BLUP ( ) BLUP 0( )] 3( ) 1 1 f f F i i F i f f i i x s s e + β = =   =    

∑

dimana Rci = elemen vektor respons komponen sifat ke-i, sBLUPF(i) = simpangan baku EBV sifat ke-i, BLUPF(i) = EBV sifat ke-i suatu famili, BLUPβ0(i) = rerata umum sifat ke-i, f = frekuensi famili terpilih, s_f = frekuensi individu terpilih dalam famili.

Prosedur CESIM dan perhitungan parameter genetik indeks seleksi hingga respons komponen menggunakan Program Minitab 16 (Lampiran 29).

Perolehan Respons Seleksi. Analisis perolehan respons seleksi (realized selection response) atau kemajuan genetik (genetic gain) yang berhasil dicapai mengukur keberhasilan seleksi sebenarnya. Nilai BLUP dari model linear campuran tertransformasi rancangan acak tak lengkap berblok tersarang-disekat 1- tahap dari data percobaan generasi F4 atau generasi seleksi S1:3 digunakan untuk memperoleh rerata generasi seleksi S1:3 (xF4) dan nilai pemuliaan masing-masing

famili (x_{F i}_{( )}). Perolehan respons seleksi dihitung menurut persamaan:

Rrealized =xF4−xF3(adj)

dimanax_F₃₍_adj₎ =x_F₄−[x_{GP F}_{( 4)}−x_{GP F}_{( 3)}]= rerata F3 tersuai untukx_{GP F}_{( 4)}dan x_{GP F}_{( 3)}

masing-masing adalah rerata genotipe pembanding pada generasi F3 dan F4.

Verifikasi Famili Seragam. Verifikasi famili seragam ganda dilakukan dengan memperhatikan hasil analisis ragam PROC MIXED SAS dari data percobaan generasi F4 dengan transformasi logaritma natural. Famili-famili seragam apabila ragam dalam famili tersuai (adjusted) bernilai nol. Ragam ini dihitung menurut persamaan:

σ_WF(suai)2 = σ_WF2 −σ_(Baur)2

dimana σ_WF2 = ragam dalam famili dan σ_(Baur)2 = σ_WC2 −σ_WH2 , untuk σ_WC2 = ragam dalam pengendali dan σ_WH2 = ragam dalam pembanding.

Verifikasi segregan transgresif. Bila ragam dalam famili karakter seleksi tidak sama dengan nol, maka famili-famili yang memiliki perolehan respons seleksi positif dan tinggi dapat direkomendasikan sebagai galur harapan baru. Namun bila ragam dalam famili lebih besar dari nol, maka dilakukan analisis segregasi transgresif sifat berganda menggunakan analisis BLUPWFT biplot seperti pada generasi F3 (BAB III). Bila terdapat satu atau dua karakter seleksi masih mengandung ragam dalam famili, maka galat baku masing-masing sifat itu dari analisis model campuran masing-masing famili digunakan untuk mendeteksi famili beragam. Famili-famili seragam ganda pada generasi ini dapat direkomendasikan sebagai galur harapan baru apabila heritabilitas arti sempit (h2) tergolong tinggi (mendekati atau lebih dari 0.50). Heritabilitas arti sempit dihitung menurut persamaan:

h2 = ⁄

dimana = ragam aditif = 2σ_BF2 dan = σ_A2 + σ2_̅ + + ₍_Baur₎ s̅_f, untuk σ_BF2

= ragam antar famili, σ2_̅ = ragam non aditif = _WF = ragam dalam famili, = ragam acak model, dan s̅_f = rerata ukuran contoh dalam famili (koefisien komponen ragam antar famili dalam analisis komponen ragam tipe 3 model linear).

Hasil dan Pembahasan

Seleksi untuk Fiksasi Segregan Transgresif Sifat Berganda pada Kacang Hijau Zuriat Persilangan Mamasa Lere Butnem × Lasafu Lere Butnem Pemilihan Indeks Seleksi Kombinasi Terbaik

Pemilihan pembobot ekonomis dalam penyusunan indeks seleksi kombinasi antar famili dan dalam famili menentukan besarnya keakuratan indeks seleksi. Indeks seleksi parsial masing-masing sifat pada kacang hijau zuriat persilangan MN memperlihatkan peningkatan pembobot ekonomis juga meningkatkan koefisien determinasi indeks sifat-sifat jumlah biji bernas, bobot biji, jumlah polong bernas, bobot 100 biji, dan tinggi tanaman. Sebaliknya, terjadi penurunan koefisien determinasi ketika terjadi peningkatan pembobot ekonomis pada peubah segregasi transgresif, serta sifat jumlah cabang, indeks panen serempak dan umur berbunga (Gambar 4.1). Jumlah biji bernas merupakan sifat yang memberikan kontribusi terbesar bagi koefisien determinasi indeks, yaitu mencapai 100% ketika pembobot ekonomis ≥ 30. Hanya bobot biji yang cenderung sama dengan indeks panen serempak, kecuali ketika pembobot ekonomis ≤ 30. Oleh sebab itu, pembobot ekonomis dan koefisien determinasi jumlah biji bernas dijadikan sebagai pembobot ekonomis baru untuk menentukan pembobot ekonomis dan koefisien determinasi sifat-sifat yang lain dalam simulasi banyak sifat.

100 80 60 40 20 0 100 90 80 70 60 50 40 30 20 Pembobot Ekonomis K o e fi s ie n D te rm in a s i (% ) Bobot Biji (BB)

Indeks Panen Serempak (IPS) Umur Berbunga (UB) Tinggi Tanaman (TT) Jumlah Cabang (JC) Umur Panen (UP) Jumlah Polong Bernas (JPB) Jumlah biji Bernas (JBB) Lama Hari Panen (dHP) Bobot 100 Biji (B100) Segregasi Transgresif (ST)

Ket.:

Seleksi Negatif (x -1): UB, TT, UP, dHP BB, IPS

Seleksi Positif : JC, JPB, JBB, B100, ST,

= 5, dHP = 5, ST = 5.

= 2, JBB = 2, dHP = -2, B100 = 2, BB UB = -2, TT = -2, JC = 2, UP = -2, JPB Bobot A wal simulasi parsial:

Gambar 4.1 Pembobot ekonomis indeks seleksi parsial sifat-sifat kuantitatif pada generasi awal kacang hijau zuriat persilangan MN

Simulasi banyak sifat dengan basis pembobot ekonomis jumlah biji bernas sebesar 30 dan koefisien determinasi 100% menghasilkan indeks seleksi kombi-

nasi dengan koefisien determinasi mencapai 98.64% dan respons seleksi indeks 70.54. Walaupun tergolong akurat dengan respons seleksi yang cukup tinggi, tetapi karakter seleksi indeks panen serempak dan sifat penting lainnya yaitu peubah segregasi transgresif menghasilkan pembobot indeks dan respons komponen yang relatif kecil (Tabel 4.1). Oleh sebab itu diperlukan peningkatan pembobot ekonomis indeks panen serempak dan peubah segregasi transgresif untuk memperbesar peluang terpilihnya kacang hijau panen serempak dan segregan transgresif terfiksasi.

Tabel 4.1 Beberapa parameter genetik dugaan indeks parsial terbaik dari hasil simulasi pembobot ekonomis masing-masing sifat pada kacang hijau zuriat persilangan MN

Sifat Pembobot Pembobot Indeks Respons Komponen

Kuantitatif Ekonomis Antar Famili Dalam Famili Antar Famili Dalam Famili

Umur Berbunga -2 -1.09 -1.79 -0.023 -0.012

Tinggi Tanaman -10 -7.20 -11.85 -0.153 -0.077

Jumlah Cabang 2 0.85 1.41 0.018 0.009

Umur Panen -10 -6.33 -10.42 -0.135 -0.067

Jumlah Polong Bernas 25 19.72 32.46 0.420 0.210

Jumlah Biji Bernas*) 30 25.10 41.31 0.535 0.267

Lama Hari Panen -2 -1.28 -2.11 -0.027 -0.014

Bobot 100 Biji 10 7.59 12.50 0.162 0.081

Bobot Biji 30 25.27 41.59 0.539 0.269

Indeks Panen Serempak 5 2.10 3.46 0.045 0.022

Segregasi Transgresif 5 0.99 1.63 0.021 0.011

Ket.: 2 I

R = 98.64% dan RHI= 70.54;

Sifat dengan indeks parsial terbaik Ket.: 2

R = koefisien determinasi indeks; RHI= respons seleksi harapan indeks bersama

Peningkatan pembobot ekonomis indeks panen serempak dan peubah segregasi transgresif dengan nilai yang sama dengan pembobot ekonomis jumlah biji bernas berhasil meningkatkan respons komponen bobot biji dan peubah segregasi transgresif, tetapi hanya sedikit meningkatkan respons seleksi indeks menjadi 74.13 dan menurunkan koefisien determinasi menjadi 87.70% (Tabel 4.2). Di lain pihak indeks seleksi bobot biji secara parsial dengan pembobot ekonomis

≥ 30 juga menghasilkan koefisien determinasi 100% (Gambar 4.1). Simulasi banyak sifat lebih lanjut melalui peningkatan pembobot ekonomis bobot biji ≥ 30, yaitu sebesar 90, dapat meningkatkan koefisien determinasi mencapai 97.76% dan respons seleksi 139.62 (Tabel 4.3). Persamaan indeks seleksi kombinasi ini, karena memiliki koefisien determinasi yang relatif mendekati koefisien determinasi jumlah biji bernas dalam indeks parsial, maka pembobot ekonomis indeks ini telah dapat memaksimumkan indeks bersama. Artinya bahwa seleksi terhadap EBV telah dapat memaksimumkan TBV.

Persamaan indeks seleksi pada Tabel 4.1 memperlihatkan pembobot indeks antar famili dan dalam famili bagi sifat bobot biji tergolong sangat tinggi, diikuti jumlah biji bernas, jumlah polong bernas dan indeks panen serempak. Respons komponen sifat-sifat ini, khususnya bobot biji juga tergolong tinggi, baik berbasis informasi antar famili maupun dalam famili. Terlihat jelas bahwa persamaan

indeks seleksi yang diperoleh memaksimumkan peningkatan respons komponen TBV bobot biji. Selain itu indeks ini juga masih dapat memaksimumkan respons komponen jumlah biji bernas, jumlah polong bernas, indeks panen serempak, peubah segregasi transgresif dan jumlah cabang, walaupun relatif sangat kecil bagi dua sifat terakhir. Demikian pula indeks ini dapat memaksimumkan penurunan tinggi tanaman, umur panen, lama hari panen dan umur berbunga.

Tabel 4.2 Beberapa parameter genetik dugaan indeks kombinasi terbaik dari hasil simulasi pembobot ekonomis masing-masing sifat dengan pembesaran pembobot ekonomis indeks panen serempak dan peubah segregasi transgresif pada kacang hijau zuriat persilangan MN

Sifat Pembobot Pembobot Indeks Respons Komponen

Kuantitatif Ekonomis Antar Famili Dalam Famili Antar Famili Dalam Famili

Umur Berbunga -2 -1.09 -1.79 -0.022 -0.011

Tinggi Tanaman -10 -7.20 -11.85 -0.146 -0.073

Jumlah Cabang 2 0.85 1.41 0.017 0.009

Umur Panen -10 -6.33 -10.42 -0.128 -0.064

Jumlah Polong Bernas 25 19.72 32.46 0.400 0.200

Jumlah Biji Bernas*) 30 25.10 41.31 0.509 0.255

Lama Hari Panen -2 -1.28 -2.11 -0.026 -0.013

Bobot 100 Biji 10 7.59 12.50 0.154 0.077

Bobot Biji 30 25.27 41.59 0.513 0.256

Indeks Panen Serempak 30 12.62 20.78 0.256 0.128

Segregasi Transgresif 30 5.93 9.76 0.120 0.060

2 I

R = 87.70% dan R_HI= 74.13; *)Sifat dengan indeks parsial terbaik Ket.: 2

R = koefisien determinasi indeks; RHI= respons seleksi harapan indeks bersama

Tabel 4.3 Beberapa parameter genetik dugaan indeks seleksi kombinasi terbaik dengan pembesaran pembobot ekonomis bobot biji untuk meningkatkan keakuratan indeks seleksi akibat pembesaran pembobot ekonomis indeks panen serempak dan peubah segregasi transgresif pada kacang hijau zuriat persilangan MN

Sifat Pembobot Pembobot Indeks Respons Komponen

Kuantitatif Ekonomis Antar Famili Dalam Famili Antar Famili Dalam Famili

Umur Berbunga -2 -1.09 -1.79 -0.012 -0.006

Tinggi Tanaman -10 -7.20 -11.85 -0.078 -0.039

Jumlah Cabang 2 0.85 1.41 0.009 0.005

Umur Panen -10 -6.33 -10.42 -0.068 -0.034

Jumlah Polong Bernas 25 19.72 32.46 0.212 0.106

Jumlah Biji Bernas 30 25.10 41.31 0.270 0.135

Lama Hari Panen -2 -1.28 -2.11 -0.014 -0.007

Bobot 100 Biji 10 7.59 12.50 0.082 0.041

Bobot Biji 90 75.81 124.78 0.816 0.408

Indeks Panen Serempak 30 12.62 20.78 0.136 0.068

Segregasi Transgresif 30 5.93 9.77 0.064 0.032

Dalam dokumen Analisis Genetik dan Segregasi Transgresif Berbasis Informasi Kekerabatan untuk Potensi Hasil dan Panen Serempak Kacang Hijau (Halaman 73-103)