See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/361980167

IMPLEMENTASI PENGGUNAAN ALJABAR LINEAR DALAM BIDANG GENETIKA

PADA TANAMAN

Article · July 2022

CITATIONS READS

0 1,689

2 authors, including:

Rian Maulana Yusup

Universitas Nusa Putra Sukabumi
9 PUBLICATIONS 15 CITATIONS

SEE PROFILE

All content following this page was uploaded by Rian Maulana Yusup on 14 July 2022.

The user has requested enhancement of the downloaded file.

 IMPLEMENTASI PENGGUNAAN ALJABAR LINEAR
DALAM BIDANG GENETIKA PADA TANAMAN
Rian Maulana Yusup
Teknk Elektro
Universitas Nusa Putra
Sukabumi, Indonesia
rian.yusup_te20@nusaputra.ac.id
Abstract—Sebagai salah satu cabang
matematika, aljabar linear banyak dipakai di berbagai
bidang lainnya, baik teori maupun terapannya. Secara
umum, mahasiswa Matematika, Statistika, Ilmu Komputer,
dan Teknik di hampir semua perguruan tinggi wajib
mengetahui dan menguasai aljabar linear. Aljabar
linear yaitu bidang studi matematika yang mempelajari
sistem persamaan linear dan solusinya, vektor, serta
transformasi linear. Matriks dan operasinya juga adalah hal
yang berkaitan ketat dengan bidang aljabar linear. Pada
penelitian ini meggunakan metode Penelitian dan
Pengembangan (Research and Development). Metode
penelitian ini menggunakan tiga tahap, yaitu tahap
pendahuluan, tahap pengembangan dan tahap pengujian.
Dalam metode Penelitian dan Pengembangan (R&D)
digunakan dalam penelitian ini bertujuan untuk
menggembangkan Aljabar Linear dalam berbagai bidang,
salah satunya di bidang Genetika. Aljabar pada pewarisan
genetik ini merupakan aljabar atas suatu lapangan. Secara
umum, aljabar dengan realisasi genetik bersifat komutatif
tetapi bersifat non-assosiatif. Jika individu P kawin dengan
Q dan hasilnya dikawinkan dengan R, hasil perkawinannya
tidak akan sama dengan individu P dikawinkan dengan hasil
perkawinan individu Q dengan R, atau dengan kata
lain (non-assosiatif). Sedangkan jika individu P
dikawinkan dengan individu Q hasilnya akan sama dengan
indivdu Q dikawinkan dengan individu P atau (komutatif).
Keywords—Genetika, Aljabar Linear,
Matematika, Sistem Persamaan Linear
I. PENDAHULUAN
Pembelajaran merupakan proses interaksi antara
mahasiswa dengan pengajar dan sumber belajar pada suatu
lingkungan belajar. Proses belajar mengajar akan berjalan
dengan optimal apabila komponen-komponen yang terkait
satu sama lain saling menunjang. Dengan demikian secara
implisit dapat dikemukakan bahwa komponen-komponen
yang terkait pada pelaksanaan pembelajaran di perguruan
tinggi adalah kemampuan pengajar, kematangan berpikir
mahasiswa, sadar pada sifat atau tujuan pembelajaran yang
hendak dicapai, metode ataupun pendekatan yang
digunakan, serta kondisi pembelajaran yang harus
diciptakan.
Pembelajaran saat ini memasuki sebuah paradigma
baru. Pengembangan kurikulum diarahkan pada pencapaian
semua ranah, tidak hanya kognitif tetapi juga ranah afektif
dan psikomotorik, diantaranya mengembangkan daya
matematis mahasiswa melalui inovasi dan implementasi
berbagai pendekatan dan metode. Hal tersebut bertujuan
untuk membangun kepercayaan diri atas kemampuan
mereka melalui proses: 1. memecahkan masalah; 2.
memberikan alasan induktif maupun deduktif untuk
membuat, mempertahankan, dan mengevaluasi argumen
secara matematis; 3. berkomunikasi, menyampaikan
ide/gagasan secara matematis; 4. mengapresiasi matematika
karena keterkaitannya dengan disiplin ilmu lain, aplikasinya
pada dunia nyata (NCTM, 2000; Hyde, 2012; Abidin &
Jupri, 2017).
Mata kuliah Aljabar Linear merupakan salah satu
mata kuliah dalam kurikulum jurusan/program studi
matematika, Statistika, Ilmu Komputer, dan Teknik di
hampir semua perguruan tinggi di Indonesia. Dari aspek
substansi dan urgensinya, mata kuliah Aljabar Linear
merupakan salah satu mata kuliah dasar yang akan menjadi
prasyarat bagi mata kuliah-mata kuliah keprodian pada
tingkat selanjutnya. Dengan demikian, pemahaman
mahasiswa secara utuh terhadap konsep-konsep esensial
yang ada pada mata kuliah ini akan sangat menentukan
keberhasilan mereka dalam mempelajari mata kuliah-mata
kuliah lanjutan tersebut.
Dalam implementasi nya Aljabar Linear banyak
sekali digunakan untuk memecahkan sebuah permasalahan,
salah satunya yaitu masalah biologi. Masalah biologi yang
dapat diselesaikan dengan matriks, salah satunya adalah
masalah genetika. Genetika merupakan salah satu cabang
dari ilmu biologi yang mempelajari hereditas yaitu
penurunan sifat dari satu generasi ke generasi berikutnya.
Dalam kehidupan sehari-hari , kita sering
mendengarkan orang-orang di sekitar kita berkata, betapa
miripnya kita dengan ayah, atau dengan saudara kita.
Perkataan itu ada benarnya, karena setiap individu dari kita
merupakan hasil percampuran antara kedua sel yang
berbeda. Kedua sel ini masing-masing membawa gen dan
sifat yang berbeda pula. Sifat-sifat dalam gen inilah yang
kemudian dapat muncul dalam suatu individu, dan sifat itu
berasal dari orang tua. Gen in sudah ada di tubuh kita sejak
lahir, dan tidak dapat diubah. Seumpam kode di dalam
program, gen menentukan bagaimana bentuk tubuh kita dan
sifat-sifat fisik unik yang tidak dimiliki orang lain, bahkan
orangtua kita sendiri
Penurunan sifat ini belum tentu sama untuk tiap
anak. Anak kembar sekalipun bisa memiliki penampilan
fisik yang berbeda. Sifat dalam gen ini dapat diprediksi.
Dengan menganggap bahwa suatu gen pembawa sifat
adalah suatu variabel, maka kemungkinan munculnya suatu
sifat A dapat diperhitungkan dengan melihat gen dari kedua
orangtua. Untuk mempermudah perhitungan, kita dapat
menerapkan operasi matriks. Dari hasil perhitungan, maka
kita dapat melihat sifat-sifat mana yang akan muncul dan
berapa besar kemungkinannya dibandingkan dengan sifat
lain.
 II. TINJAUAN PUSTAKA Berikut adalah contoh jenis jenis matriks.

A. Gen 0 0 0
A=[ ] → Matriks Nol
0 0 0
Genetika adalah bidang yang mempelajari tentang
gen. Gen adalah bagian dari DNA, yang membawa suatu B = [1 2 1] → Matriks Baris
informasi. Informasi itu menentukan fungsi tertentu dari
tubuh kita. Dalam bidang teknik informatika, suatu kode 1
merupakan informasi, kode itu kemudian diterjemahkan, C = [ ] → Matriks Kolom
2
dan kemudian program atau mesin akan menjalankan
fungsinya sesuai informasi yang terdapat di kode tersebut. 1 3
Demikian juga gen, merupakan faktor yang penting untuk D=[ ] → Matriks Persegi
−2 5
menentukan sifat suatu individu. Di dalam genetika ada
yang disebut dengan genotip dan fenotip. Genotip adalah 2 0 0
susunan gen yang terdapat pada individu. Sedangkan fenotif E = [0 7 0] → Matriks Diagonal
adalah sifat tampak. Fenotip dipengaruhi oleh genotip dan 0 0 3
faktor lingkungan. individu yang mempunyai genotip yang
sama belum tentu memiliki fenotip yang sama.
1 7 5
F = [0 2 4] → Matriks Segitiga Atas
B. Hereditas
0 0 1
Hereditas adalah penurunan fenotip dari orangtua
2 0 0
ke anaknya. Dengan adanyahereditas, maka akan G=[4 3 0] → Matriks Segitiga Bawah
meningkatkan variasi dalam suatu spesies. Contohnya
11 8 5
adalahwarna mata pada manusia. Tidak semua sifat berasal
dari keturunan. Ada fenotipyang muncul karena pengaruh
1 0 0
lingkungan, misalnya kulit terbakar. Ada juga dengan sifat
H = [0 1 0] → Matriks Identitas
yang muncul karena adanya perubahan gen. Perubahan ini
0 0 1
disebut denganmutasi.

C. Hukum Mendel E. Operasi – Operasi Matriks

a) Penjumlahan
Operasi penjumlahan dapat dilakukan
Mendel melakukan eksperimen dengan tanaman
untuk melihat pengaruh dari gen. Mendel menyilangkan pada buah matriks yang memiliki ukuran
tanaman berwarna ungu dengan berwarna putih. Ia yang sama. Aturan jumlah dengan
berspekulasi bahwa suatu keturunannnya adalah menjumlahkan elemen-elemen yang
percampuran dari kedua warna itu, namun ternyata bersesuaian pada kedua matriks.
hasilknya adalah tanaman berwarna ungu. Pada saat
keturunan tanaman itu disilangkan lagi, ia akan
b) Perkalian matriks dengan matriks
mendapatkan suatu perbandingan tanaman berwarna ungu
dengan tanaman berwarna putih adalah 3 :1. Dari hasil Operasi perkalian matriks dapat
eksperimen tersebut, dia menemukan bahwa yang dilakukan pada dua buah matriks ( A dan
menentukan penurunan sifat bukanlah fenotip, tetapi suatu B) jika jumlah kolom matriks A = jumlah
faktor lain yang ada di dalam tumbuhan tersebut. Faktor lain baris matriks B. Aturan perkalian
yang dimaksud adalah gen. misalkan Apq dan Bqr maka Apq Bqr = Cpr
dimana elemen-elemen dari C (Cij) yang
D. Matriks merupakan penjumlahan dari perkalian
elemen-elemen A baris i dengan elemen-
Matriks adalah susunan segi empat siku-siku dari elemen B kolom j.
sebuah bilangan yang dibatasidengan suatu tanda kurung ().
Suatu matriks dapat terusun atas baris dan kolom, jikasuatu c) Perkalian matriks dengan skalar
matriks tersusun atas p baris dan q kolom maka dapat Suatu matriks dapat dikalikan suatu
dikatakan matrikstersebut berukuran (berordo) p x q. Pada skalar k dengan aturan tiap-tiap elemen
penulisan matriks biasanya denganmenggunakan huruf pada A dikalikan dengan k.
besar A, B, C dan seterusny, dan sedangkan penulisan
matriks berserta ukurran (matriks dengan p baris dan q d) Transpose Matriks
kolom) adalah Apxq dan Bpxq dan seterusnya. Transpose matriks A (dinotasikan At)
Matriks tersusun atas baris dan kolom. Untuk didefinisikan sebagai matriks yang baris
setiap elemen baris dinamakan dengan i dan kolom – barisnya merupakan kolom dari A
ditandakan dengan j, sehingga untuk membentuk elemen
baris I dengan kolom j pada matriks M, biasa disebut III. HASIL DAN PEMBAHASAN
dengan elemen Mij. Ukuran matriks adalah baris kali
kolom. Matriks dapat memudahkan kita dalam
mempresiksikan hasil dari suatu persilangan dan sifat
 yang akan muncul. Dengan metode perhitungan matriks,
perhitungan akan menjadi lebih mudah dimengerti.
Misalkan pada suatu populasi ada tanaman yang
mempunyai genotip AA, Aa dan aa. Alel A dominan
terhadap alel a. Alel A menggambarkan tanaman yang
tinggi, sementara alel a adalah tanaman yang kerdil. Jika
diketahui pada suatu populasi, perbandingan tanaman
dengan genotip AA, Aa dan aa adalah 1:1:1, maka kita
dapat menentukan kemungkinan dari genotip keturunan
yang dihasilkan.
Kasus pertama apabila semua tanaman
disilangkan dengan tanaman genotip AA homozigot.
Pertama kita melihat hasil persilangan tiap genotip.
Genotip AA dengan AA akan dihasilkan AA lagi, genotip
AA dengan aa akan menghasilkan Aa. Dari hasil
persilangan keturunan pertama ternyata didapati tidak ada
tanaman yang kerdil, karena hasil persilangan hanya
genotip AA dan Aa, dengan perbandingan1:1:0.
𝐴𝐴 𝐴𝑎 𝑎𝑎
1 1/2 0 𝐴𝐴
A = [0 1/2 1] 𝐴𝑎
0 0 0 𝑎𝑎
Kemudian untuk keturunan kedua didapat lagi hasil yang
sama, yaitu genotip AA dan Aa, hanya saja jumlah Aa lebih
sedikit. Semakin lama jumlah Aa akan semakin mengecil
dan akhirnya semua tanaman akan menghasilkan genotip
AA. Jika digambarkan X1 = AX0 dimana Xn adalah
keturunan ke-n. Dan A adalah matriks hasil persilangan.
1 3 7 15
2 4 8 16
X1 = [ 1 ], X2 = [ 1 ], X3 = [ 1 ], X4 = [ 1 ],
2 4 8 16
0 0 0 0
Kasus kedua adalah jika semua tanamam disilangkan
dengan genotip Aa, untuk genotip Aa adalah AA, Aa dan
aa, dan untuk genotip aa adalah Aa dan aa. Dari keturunan
pertama ternyata sudah muncul fenotip tanaman kerdil.
𝐴𝐴 𝐴𝑎 𝑎𝑎
1/2 1/3 0 𝐴𝐴
A = [1/2 1/3 1/2] 𝐴𝑎
0 1/3 1/2 𝑎𝑎
IV. KESIMPULAN
Sebagai salah satu cabang matematika, aljabar
linear banyak dipakai di berbagai bidang lainnya, baik teori
maupun terapannya. Aljabar linier sangat luas aplikasinya,
bahkan bisa diaplikasikan dalam bidang genetika.
Pemodelan persoalan menggunakan sistem persamaan
linier dan matriks dapat memudahkan persoalan, sehingga
solusi yang didapatkan lebih baik dan mudah dimengerti.
Dalam kasus pertama ketika semua tanaman
disilangkan dengan tanaman genotip AA Homozigot
ternyata didapati tidak ada tanaman yang kerdil, karena
hasil persilangan hanya genotip AA dan Aa, dengan
perbandingan1:1:0. Sedangkan pada kasus kedua semua
tanamam disilangkan dengan genotip Aa, untuk genotip Aa
adalah AA, Aa dan aa, dan untuk genotip aa adalah Aa dan
aa. Dari keturunan pertama ternyata sudah muncul fenotip
tanaman kerdil.
References
[1] S. Sholahudin, “Backpropagation and Radial Basis
Function Methods for Predicting Rainfall in Sukabumi City
Using Artificial Neural Networks: A Comparative
Analysis”, Fidelity, vol. 4, no. 2, pp. 25-28, May 2022.
[2] M. A. S. Yudono, “Bitcoin USD Closing Price (BTC-
USD) Comparison Using Simple Moving Average And
Radial Basis Function Neural Network Methods”, Fidelity,
vol. 4, no. 2, pp. 29-34, May 2022.
[3] A. Suryana, Paikun, and M. Ali Setyo Yudono, “Fluid
Volume Detector on a Horizontal Tube Using an
Ultrasonic-based Water Level Sensor”, Fidelity, vol. 4, no.
1, pp. 6-9, Jan. 2022.
[4] A. D. W. M. Sidik and Z. Akbar, “Analyzing the
Potential for Utilization of New Renewable Energy to
Support the Electricity System in the Cianjur Regency
Region”, Fidelity, vol. 3, no. 3, pp. 46-51, Sep. 2021.
[5] M. A. S. Yudono, R. Maulana Yusup, F. M.Syam, and
E. Siti Anisa Nurhasanah, “Rancang Bangun Sistem
Deteksi Harga Perkakas Dengan Menggunakan Augmented
Reality”, Fidelity, vol. 3, no. 3, pp. 52-55, Sep. 2021.
[6] A. D. W. M. Sidik, “Desain Wireless Sensor Network
(WSN) yang Efisien dengan Mobilitas Node Terkendali
Berbasis Energi”, Fidelity, vol. 3, no. 2, pp. 23-26, May
2021.
[7] I. Syah Riadi, F. Fauzi, A. Adriana Yusuf, and M. Ali
Setyo Yudono, “Decision-Making Employee Performance
Evaluation at XYZ University Using the Mamdani Fuzzy
Logic Method”, Fidelity, vol. 3, no. 2, pp. 27-31, May 2021.
[8] A. D. W. M. Sidik, “Pengenalan Ekspresi Wajah
Menggunakan Teknik Filter Wavelet Gabor”, Fidelity, vol.
3, no. 1, pp. 1-4, Jan. 2021.
[9] I. Kumaran, “Pengenalan Wajah Menggunakan
Pendekatan Berbasis Pengukuran dan Metode Segmentasi
dalam Berbagai Posisi dan Pencahayaan”, Fidelity, vol. 3,
no. 1, pp. 5-8, Jan. 2021.
[10] Anang Suryana, “Automatic Gas Control System In
The Motorcycle Braking Process With The Concept Of
Non-Uniform Slowing Down Motion”, Fidelity, vol. 2, no.
3, pp. 51-56, Sep. 2020.
[11] A. D. W. M. Sidik, “Menerapkan K-Means Clustering
untuk Segmentasi Gambar Database Berwarna”, Fidelity,
vol. 2, no. 3, pp. 57-61, Sep. 2020.
[12] A. D. W. M. Sidik, I. Himawan Kusumah, A. Suryana,
Edwinanto, M. Artiyasa, and A. Pradiftha Junfithrana,
“Design and Implementation of an IoT-Based Electric
Motor Vibration and Temperature Disruption Handling
System”, Fidelity, vol. 2, no. 2, pp. 30-33, May 2020.
[13] A. D. W. M. Sidik, I. Himawan Kusumah, A. Suryana,
Edwinanto, M. Artiyasa, and A. Pradiftha Junfithrana,
“Gambaran Umum Metode Klasifikasi Data Mining”,
Fidelity, vol. 2, no. 2, pp. 34-38, May 2020.
[14] M. Artiyasa, I. Himawan Kusumah, A. Suryana,
Edwinanto, A. D. W. Muhammad Sidik, and A. Pradiftha
Junfithrana, “Comparative Study of Internet of Things (IoT)
Platform for Smart Home Lighting Control Using
NodeMCU with Thingspeak and Blynk Web Applications”,
Fidelity, vol. 2, no. 1, pp. 1-6, Jan. 2020.

[15] A. Pradiftha, “Rancang Bangun Program Aplikasi

Virtual Reality Pada Pembelajaran Praktikum Secara
Online Berbasis Oculus”, Fidelity, vol. 2, no. 1, pp. 7-10,
Jan. 2020.

[16] C. D. Rosita, T. Nopriana, I. L. K. Dewi, "Bahan Ajar

Aljabar Linear Berbasis Kemampuan Pemahaman
Matematis", UJMER 6 (2) (2017) 266 - 272, Fakultas
Keguruan dan Ilmu Pendidikan, Universitas Swadaya
Gunung Jati, Indonesia.

[17] D. Fitriawan, "Pengembangan Bahan Ajar Aljabar

Linear Elementer Berdasarkan Kemampuan Koneksi
Matematis", Vol. 11, No.2 (2020) h. 217-229, FKIP
Universitas Tanjungpura.

[18] C. D. Rosita, Laelasari, M. S. Noto, "Analisis

Kemampuan Pemahaman Matematis Mahasiswa Pada Mata
Kuliah Aljabar Linear", Jurnal Euclid, Vol.1, No.2, FKIP
Universitas Swadaya Gunung Jati, Indonesia.

[19] R. Gusri, (2017) "Aplikasi Diagonalisasi Matriks

Dalam Menentukan Pewarisan Genotip Pada Teori
Genetika", Fakultas Matematika dan Ilmu Pengetahuan
Alam, Universitas Sriwijaya.

[20] F. R. Kurniawati, Dr. A. Lukito, "Struktur Aljabar Pada

Pewarisan Genetik", MATHunesa Vol.3, No.3, 2014.

[21] S. Z. Faridah, A. Misri, Y. Maryuningsih, "Penggunaan

Diagonalisasi Matriks Dalam Pewarisan Genetik", NJMMS
Vol.1, No.2, 2021.

View publication stats