| dc.description.abstract | Penyakit bacterial spot (BS) dan bacterial wilt (BW) merupakan kendala utama
dalam produksi tomat karena dapat menurunkan hasil dan kualitas tanaman secara
signifikan. Penelitian ini bertujuan untuk mengidentifikasi penanda molekuler
berbasis Single Nucleotide Polymorphisms (SNP) yang berasosiasi dengan
ketahanan tomat terhadap kedua penyakit tersebut serta membandingkan kinerja
lima model Genome-Wide Association Study (GWAS) multi-lokus. Penelitian
menggunakan 100 genotipe tomat koleksi PT Ewindo dengan 15.420 penanda SNP
yang setelah proses penyaringan frekuensi alel minor diperoleh 15.120 penanda
untuk analisis. Analisis asosiasi dilakukan menggunakan lima model GWAS multi-
lokus, yaitu MLMM, BLINK, FarmCPU, MrMLM, dan ISIS EM-BLASSO.
Hasil analisis menunjukkan bahwa pada penyakit BS teridentifikasi beberapa
SNP signifikan pada berbagai kromosom, dengan konsentrasi tertinggi pada
kromosom 11 yang mengindikasikan adanya hotspot genomik terkait ketahanan
terhadap BS. Dua SNP pada kromosom tersebut, yaitu S11_31536146 dan
S11_7283270, terdeteksi pada dua isolat BS sehingga berpotensi menjadi lokus
penting yang berperan dalam ketahanan. Pada penyakit BW, SNP signifikan
terutama teridentifikasi pada kromosom 7 dan kromosom 12, yang menunjukkan
potensi peran penting wilayah genom tersebut dalam ketahanan terhadap BW.
Evaluasi kinerja model menunjukkan bahwa pada trait BS model MLMM dan
FarmCPU memiliki kalibrasi statistik paling baik, sedangkan pada trait BW model
BLINK dan MLMM menunjukkan performa paling optimal. Analisis konsistensi
multi-model mengidentifikasi beberapa SNP kandidat utama, yaitu S11_7283270,
S1_97365330, dan S5_46922578 untuk BS serta S7_61187868, S8_10611554,
S2_45492547, S_12_29_306, S_6_40_609, dan S8_50362160 untuk BW. SNP-
SNP tersebut berpotensi dimanfaatkan sebagai penanda molekuler dalam seleksi
berbantuan marker (MAS) untuk pengembangan varietas tomat tahan penyakit.
Penelitian selanjutnya disarankan menggunakan populasi yang lebih besar dan
beragam, menerapkan seleksi fitur penanda sebelum analisis, serta
mengintegrasikan pendekatan machine learning dan analisis spasial untuk
meningkatkan akurasi identifikasi SNP terkait ketahanan penyakit. | en_US |
