IDENTIFIKASI IKAN TUNA DAN TENGGIRI BERDASARKAN SEKUENS DNA BARCODE DENGAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
MULYATI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa tesis berjudul Identifikasi Ikan Tuna dan Tenggiri Berdasarkan Sekuens DNA Barcode dengan Mengggunakan Support Vector Machine (SVM). Pada penelitian ini adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, September 2015 Mulyati NIM G651130231
RINGKASAN MULYATI. Identifikasi Ikan Tuna dan Tenggiri Berdasarkan Sekuens DNA Barcode dengan Menggunakan Support Vector Machine (SVM). Dibimbing oleh WISNU ANANTA KUSUMA dan MALA NURILMALA. Ikan tuna dan tenggiri merupakan salah satu produk perikanan yang banyak diminati masyarakat dan memiliki nilai gizi yang baik bagi kesehatan. Banyak dari produk olahan ikan tuna dan tenggiri ini telah mengalami pemalsuan, yaitu digantikannya kandungan produk yang memiliki nilai jual tinggi dengan kandungan lain yang harganya lebih rendah. Untuk menjamin keamanan pangan, pemalsuan ini harus dicegah, salah satunya dengan melakukan identifikasi kandungan produk olahan tersebut. Identifikasi ini sangat penting untuk menjaga standar kualitas pada industri makanan dan pasar. Salah satu cara yang dilakukan untuk mengidentifikasi pemalsuan yaitu dengan menggunakan metode berbasis DNA barcode. DNA barcode adalah sekuen-sekuen pendek yang diambil dari bagian genom suatu makhluk hidup. Identifikasi DNA barcode dilakukan dengan menggunakan pendekatan komposisi, yaitu melakukan perhitungan jumlah frekuensi kemunculan pasangan basa yang membentuk sekuens DNA barcode. Metode yang digunakan dalam perhitungan frekuensi kemunculan pasangan basa ini adalah ekstraksi fitur k-mers, dengan k yang digunakan adalah 3-mers (trinucleotide) dan 4-mers (tetranucletode). Hasil dari ekstraksi fitur menjadi vektor masukan untuk melakukan identifikasi menggunakan Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF). Model yang terbentuk dari hasil identifikasi dengan SVM dianalisis dengan menghitung nilai akurasi, sensitivity, specificity dan Fmeasure. Berdasarkan identifikasi dengan menggunakan SVM pada sekuens DNA barcode ikan tuna, tenggiri dan ikan lain hasil akurasi terbaik dengan menggunakan tetranucletide pada tingkat genus yaitu sebesar 99,45% dan 88% pada tingkat spesies. Kata kunci: DNA barcode, keamanan pangan, machine learning, support vector machine
SUMMARY MULYATI. Identification of Tuna and Mackerel Fish Based on DNA Barcode Sequences Using Support Vector Machine (SVM). Supervised by WISNU ANANTA KUSUMA and MALA NURILMALA Tuna and mackerel are some of the refined products that have great demand in the community and contain good nutrients for health. Many of the refined products have undergone fraudulent, by replacing the content of products that have high sales value to other lower price one. For ensuring food safety, fraudulent should be prevented by identifying the content of refined product. This identification is very important to ensure the quality standards of the food industry and markets. One of the methods to identify fraudulent is using DNA barcode. DNA barcode could be identified by using composition based approach, which calculate the frequencies of substring or k-mers occurrences from the DNA barcode sequences. The k values used in this research were k = 3 represented trinucleotide (3-mers) and k = 4 represented tetranucleotide (4-mers). The results of the feature extraction were the input vector for identification by using Support Vector Machine (SVM) with kernel Radial Basis Function (RBF). The model was evaluated by calculating accuracy, sensitivity, specificity, and Fmeasure. The evaluation results showed that the best accuracy was obtained by using tetranucleotide with the value of 99.45% and 88% for the genus level and species level, respectively. Key words: DNA barcode, food safety, machine learning, support vector machine.
© Hak Cipta Milik IPB, Tahun 2015 Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
IDENTIFIKASI IKAN TUNA DAN TENGGIRI BERDASARKAN SEKUENS DNA BARCODE DENGAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
MULYATI
Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Komputer pada Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji Luar Komisi pada Ujian Tesis : Dr Imas Sukaesih Sitanggang, SSi MKom
PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Penelitian ini sudah dikerjakan dari bulan Oktober 2013 dengan judul Identifikasi Ikan Tuna dan Tenggiri Berdasarkan Sekuens DNA Barcode dengan Menggunakan Support Vector Machine (SVM). Terima kasih penulis ucapkan kepada Bapak DrEng Wisnu Ananta Kusuma, ST MT dan Ibu Mala Nurilmala, SPi MSi selaku pembimbing yang telah banyak memberi saran. Terima kasih juga kepada Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku penguji. Ungkapan terima kasih juga disampaikan kepada ayah (Alm. Benlatief), ibu (Siti Hawa), Kakak (Nurfadhli), Abang (Anwar Sadat, Syarkawi), dan adik (Indriani, Rahmarani, Halimatussa’diah, Cut Husnul Fitri) serta seluruh anggota keluarga lainnya, atas doa dan kasih sayangnya. Selain itu ucapan terima kasih juga kepada semua dosen dan staf Departemen Ilmu Komputer yang telah membantu selama proses penelitian. Teman-teman sepembimbingan (Arini, Kana, Yampi, Oci, Pak Saif), teman-teman kost (Grup FATIMA: Yuyun, Fuzy, Melly) dan teman-teman seperjuangan angkatan 15 Ilmu Komputer IPB yang selalu bersama penulis dua tahun ini, terima kasih atas dukungannya. Semoga karya ilmiah ini bermanfaat.
Bogor, September 2015
Mulyati
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
1 PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian 2 TINJAUAN PUSTAKA DNA Barcode Support Vector Machine (SVM) 3 METODE PENELITIAN Data Penelitian Ekstraksi Fitur Normalisasi Data Pelatihan SVM Pengujian SVM Evaluasi 4 HASIL DAN PEMBAHASAN Ekstraksi Fitur Normalisasi Pelatihan dan Pengujian dengan SVM Evaluasi Pengujian dengan menggunakan BLAST Kelebihan dan Kelemahan Sistem 5 SIMPULAN DAN SARAN Simpulan Saran DAFTAR PUSTAKA LAMPIRAN RIWAYAT HIDUP
1 1 3 3 4 4 4 4 5 7 7 6 8 8 10 10 11 11 11 12 12 17 17 18 18 18 18 21 38
DAFTAR TABEL 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Data DNA barcode ikan tuna, tenggiri, dan ikan lain Model klasifikasi biner dengan 3 kelas Confusion Matrix Nilai parameter terbaik untuk gamma dan cost Confusion matrix untuk genus dengan fekuensi trinucleotide Confusion matrix untuk genus dengan fekuensi tetranucleotide Confusion matrix untuk spesies dengan fekuensi trinucleotide Confusion matrix untuk spesies dengan fekuensi tetranucleotide Nilai sensitivity pada spesies ikan tuna, tenggiri dan ikan lain Nilai sensitivity pada genus tuna, tenggiri dan ikan lain Nilai Specificity pada spesies ikan tuna, tenggiri dan ikan lain Nilai specificity pada genus ikan tuna, tenggiri dan ikan lain Nilai Precision pada spesies tuna, tenggiri dan ikan lain Nilai Precision pada genus tuna, tenggiri dan ikan lain Nilai Fmeasure pada spesies ikan tuna, tenggiri dan ikan lain Nilai Fmeasure pada genus tuna, tenggiri dan ikan lain Tingkat kesamaan spesies tenggiri dengan spesies tuna
7 10 10 12 12 13 13 13 14 15 15 15 16 16 16 17 17
DAFTAR GAMBAR 1 2 3 4 5 6 7
Garis Pemisah terbaik yang memiliki margin terbesar Flowchart kerangka pemikiran penelitian Ekstraksi ciri k-mers dengan k = 3 Contoh menggunakan 10 cross validation Pembentukan matriks komposisi menggunakan trinucloetida Hasil normalisasi dengan trinucleotida Perbandingan hasil akurasi pada tingkat genus dan spesies
5 7 8 9 11 12 14
DAFTAR LAMPIRAN 1 2
Daftar DNA barcode ikan tuna, tenggiri dan ikan lain yang digunakan sebagai data latih Daftar DNA barcode ikan tuna, tenggiri dan ikan lain yang digunakan sebagai data uji
21 35
1
1. PENDAHULUAN Latar Belakang Sektor perikanan merupakan salah satu sektor penting yang harus dikembangkan guna meningkatkan daya saing dalam persaingan global. Agar dapat bersaing secara kompetitif dan dapat memperluas pasar ekspor, diperlukan kemampuan untuk mewujudkan produk perikanan yang memiliki nilai gizi dan aman dikonsumsi. Adanya perdagangan bebas antar negara-negara ASEAN yang akan diberlakukan pada Desember 2015 mendatang akan menyebabkan banyaknya produk yang masuk dari berbagai negara, sehingga diperlukan kemampuan untuk melacak (traceability) produk agar terjamin keamanannya. Salah satu masalah dari jaminan keamanan adalah pada pemalsuan produk. Pemalsuan yang dilakukan berupa substitusi daging ikan dengan spesies yang mirip namun memiliki harga jual lebih rendah (Dudu et al. 2010; Abdullah et al. 2011). Efek negatif dari substitusi ini dapat merugikan konsumen dan juga menyebabkan resiko gangguan kesehatan manusia. Salah satu produk perikanan yang rawan pemalsuan dan sangat diminati masyarakat adalah produk olahan berbahan dasar ikan khususnya ikan tuna dan tenggiri. Ikan tuna memiliki nilai ekspor kedua tertinggi setelah udang. Menurut Ditjen Perikanan dalam Badan Riset Kelautan dan Perikanan (BRKP) pada tahun 2013, sumbangan terbesar nilai ekspor hasil perikanan Indonesia yaitu dari komoditi udang dan tuna, tongkol, cakalang (TTC) di mana masing-masing menyumbang senilai US$997 juta dan US$515 juta. Adapun ikan tenggiri merupakan ikan pelagis yang hidupnya menyebar hampir di seluruh perairan Indonesia memiliki nilai ekonomis yang tinggi, di masa mendatang diperkirakan permintaan komoditas ini baik dalam bentuk segar maupun olahan akan terus mengalami peningkatan. Indikator yang menunjukkan hal tersebut adalah semakin banyaknya diversifikasi produk olahan ikan. Hal ini diakibatkan semakin meningkatnya permintaan terhadap sumberdaya tersebut (Sobari & Febriyanto 2010). Untuk mengatasi masalah pemalsuan produk olahan dari ikan tuna dan tenggiri diperlukan adanya proses identifikasi. Identifikasi ini sangat penting untuk menjamin standar kualitas pada industri makanan dan pasar (Myers 2011). Ada beberapa cara yang dilakukan untuk mengidentifikasinya yaitu identifikasi berdasarkan ciri-ciri morfologi, yaitu spesikasinya dilihat berdasarkan persamaan bentuk, pigmentasi, jumlah meristik dan pengukuran. Karakter ini tidak cukup untuk mengidentifikasi setiap spesies, terutama spesies langka dan samar (Matarese 2011). Kekurangan lainnya adalah membutuhkan waktu yang lama, harus memiliki pengetahuan khusus tentang objek, hanya mungkin dilakukan identifikasi pada tingkat taksonomi yang relatif tinggi seperti tingkat famili (Teresita et al. 2013) serta tidak bisa mengidentifikasi pada produk olahan. Identifikasi lainnya yaitu melalui karakterisasi komponen penyusun protein. Protein yang tersusun dari 20 komposisi asam amino dapat digunakan untuk membedakan pelbagai jenis ikan. Hasil identifikasi komposisi asam amino hanya akan akurat apabila produk yang diidentifikasi masih segar. Adapun produk yang sudah mendapatkan perlakuan seperti dipanaskan atau disimpan dalam freezer
2
dalam waktu lama, komposisi kimianya dapat terdegradasi. Seiring berkembangnya pengetahuan tentang identifikasi, sekarang ini banyak digunakan identifikasi berbasis DNA barcode. Beberapa keunggulan identifikasi berbasis DNA barcode menurut Virgilio et al. (2012) adalah memerlukan spesimen yang sangat sedikit atau kecil, mampu mendokumentasikan keragamaan kelompok taksonomi yang belum dikenal atau kelompok taksonomi yang berasal dari daerah yang belum pernah teridentifikasi, dan juga mampu mengungkapkan variasi baru atau keragaman baru pada spesies-spesies yang sebelumnya digolongkan pada satu spesies saja. Metode berbasis DNA barcode dapat juga mendeteksi keaslian suatu produk bahan baku dalam bentuk segar yang akan dikemas sebagai produk olahan (Civera 2003) maupun produk yang sudah mengalami pemrosesan dan pembekuan (Filonzi et al. 2010). Metode ini dapat juga diterapkan pada kandungan makanan yang berbeda (Mafra et al. 2008). DNA barcode adalah sekuen-sekuen pendek yang diambil dari bagian genom suatu organisme (Hebert et al. 2003). Gen yang digunakan sebagai penanda barcode ikan tuna dan tenggiri adalah dari gen pengkode protein antara lain Cytrochrome Oxidase 1 (CO1) dan Cytochrome b (cyt b) yang merupakan fragmen mitokondria. Identifikasi berbasis DNA barcode dapat dilakukan melalui dua pendekatan yaitu berdasarkan homologi dan berdasarkan komposisi (Pati et al. 2011). Pendekatan homologi yaitu melakukan pencarian penjajaran sekuens yang membandingkan fragmen DNA dengan sekuens referensi yang terdapat dalam basis data yang digunakan, misalnya National Center for Biotechnology Information (NCBI) dan Barcode Of Life Database (BOLD) dan hasilnya disimpulkan pada tiap level taksonomi. Beberapa penelitian telah dilakukan dengan pendekatan homologi antara lain Lin et al. (2005). Penelitian Lin et al ini dilakukan terhadap 4 spesies tuna yaitu Thunnus albacores, Thunnus thynnus, Thunnus alalunga, dan Thunnus obesus dengan menggunakan polymerase Chain Reaction (PCR). Hasilnya didapatkan bahwa 376 bp cytochrome b dari Thunnus obesus terdapat perbedaan yang jelas yaitu 4.25% dibandingkan dengan 3 spesies lainnya yaitu Thunnus albacores, Thunnus thynnus, dan Thunnus alalunga. Lowenstein et al. (2009) juga melakukan penelitian pada identifikasi sushi tuna. Hasil penelitiannya menunjukkan bahwa dengan berbasis karakter dan BLAST metode yang diusulkan mampu mengidentifikasikan tuna sampai 100%. Pendekatan lain yang dapat dilakukan adalah berdasarkan komposisi yaitu melakukan perhitungan frekuensi ciri yang muncul dari pasangan basa yang membentuk sekuens DNA. Pendekatan komposisi ini tidak perlu melakukan penjajaran pada tiap sekuens DNA sehingga waktu yang diperlukan lebih cepat. Pengekstraksian ciri dapat dilakukan dengan menggunakan metode perhitungan frekuensi k-mers. Teknik ini telah digunakan untuk mengekstraksi fitur DNA oleh Karlin dan Burge pada tahun 1995. Sejak saat itu teknik tersebut digunakan secara luas dengan panjang k yang berbeda-beda di mana semakin besar nilai k maka hasil klasifikasi semakin akurat (McHardy 2007). Hasil dari ekstraksi fitur selanjutnya akan menjadi vektor masukan untuk melakukan klasifikasi dan identifikasi. Beberapa penelitian terkait yang telah dilakukan antara lain oleh Weitschek et al. (2014) dengan menggunakan klasifikasi supervised learning (Support Vector Machine (SVM), Naïve Bayes, RIPPER, dan C4.5). Hasil penelitiannya menunjukkan bahwa SVM memiliki rata-rata akurasi yang tinggi
3
yaitu sebesar 94.87% dibandingkan metode klasifikasi RIPPER dan C4.5. Seo (2010) juga telah melakukan penelitian tentang klasifikasi sekuens nucleotide dengan menggunakan SVM, hasil yang diperoleh bahwa SVM berhasil mengidentifikasikan lokasi pola spesifik pada spesies. Berdasarkan latar belakang dan penelitian terkait maka dalam penelitian ini identifikasi ikan tuna dan tenggiri berdasarkan sekuens DNA barcode dapat dilakukan dengan mengunakan metode SVM sebagai classifier dan ekstraksi fitur k-mers sebagai pencirinya. Perumusan Masalah Ikan tuna dan tenggiri merupakan salah satu produk perikanan yang rawan dilakukan pemalsuan baik dalam bentuk segar maupun olahan. Untuk mengidentifikasi keaslian dari produk tersebut dapat dilakukan dengan menggunakan beberapa cara yaitu berdasarkan ciri-ciri morfologi, komposisi penyusun protein, dan berdasarkan DNA barcode. Namun identifikasi berdasarkan ciri-ciri morfologi dan komponen penyusun protein hanya mampu diidentifikasi pada tingkat taksonomi yang relatif tinggi dan tidak bisa mengidentifikasi pada produk olahan maupun yang sudah mengalami pemanasan. Oleh karena itu diperlukan suatu metode yang mampu mengidentifikasi sampai tingkat relatif lebih rendah dan juga mampu mengidentifikasi pada produk yang sudah diolah yaitu dengan menggunakan metode berbasis DNA barcode. Identifikasi berbasis DNA barcode dilakukan dengan menggunakan dua pendekatan yaitu pendekatan homologi dan pendekatan komposisi. Pendekatan homologi memerlukan waktu yang lama karena melakukan perbandingan dan pensejajaran pada setiap sekuens DNA. Adapun pendekatan komposisi yaitu melakukan perhitungan frekuensi ciri yang muncul dari pasangan basa yang membentuk sekuens DNA barcode dan tidak perlu melakukan pensejajaran pada tiap sekuens DNA sehingga kompleksitas waktu yang diperlukan lebih cepat. Perhitungan frekuensi ciri dapat dilakukan dengan menggunakan metode perhitungan frekuensi k-mers, dengan k yang digunakan dalam penelitian ini adalah 3-mers dan 4-mers Hasil dari pengekstraksi fitur dengan k-mers akan menjadi vektor masukan untuk melakukan identifikasi. Menurut Weitschek et al. (2014) dan Seo (2010) identifikasi dengan menggunakan supervised learning yaitu SVM memiliki akurasi yang tinggi dan juga mampu mengidentifikasi pola spesifik pada spesies. Oleh karena itu dalam penelitian ini identifikasi terhadap ikan tuna dan tenggiri dilakukan dengan menggunakan metode klasifikasi supervised learning yaitu Support Vector Machine (SVM). Adapun yang menjadi permasalahan dalam penelitian ini adalah bagaimana melakukan identifikasi dengan menggunakan SVM sebagai classifier dan menggunakan ekstraksi fitur k-mers sebagai pencirinya pada sekuens DNA barcode ikan tuna dan tenggiri. Tujuan Penelitian Tujuan dari penelitian ini adalah melakukan identifikasi ikan tuna dan tenggiri berdasarkan sekuens DNA barcode dengan menggunakan SVM sebagai classifier dan frekuensi k-mers sebagai pencirinya.
4
Manfaat Penelitian Manfaat dari penelitian ini adalah memudahkan pengidentifikasian terhadap ikan tuna dan tenggiri dalam menghindari pemalsuan dengan ikan lainnya pada produk segar maupun olahan. Ruang Lingkup Ruang lingkup dari penelitian ini adalah: 1. Sekuens DNA barcode ikan yang digunakan adalah ikan tuna (Thunnus), tenggiri (Scomberomorus) dan ikan lain seperti hiu (Carcharhinus), eskolar (Lepidocybium), kakap (Lutjanus), ikan sapu (Gadus), dan ikan cod (Hypostomus) yang diambil dari Barcode Of Life Database (BOLD). 2. Panjang fragmen DNA barcode yang digunakan bervariasi (556-974 bp). 3. Gen yang digunakan sebagai penanda barcode dari gen pengkode protein yaitu cytochrome oxidase 1 (CO1) dan cytochrome b (cyt b).
2. TINJAUAN PUSTAKA DNA Barcode DNA barcode sendiri pertama kali menarik perhatian komunitas ilmuwan pada tahun 2003 ketika kelompok penelitian Paul Hebert di Universitas Guelph menerbitkan sebuah makalah berjudul “identifikasi biologis melalui DNA barcode”. Di dalamnya, mereka mengusulkan sistem baru identifikasi spesies dan penemuan menggunakan bagian pendek DNA dari daerah standar genom. Menurut Mitchel (2008) DNA barcode adalah urutan DNA pendek (± 500 pasangan basa) yang dapat digunakan untuk mengidentifikasi spesies. Tujuan dari DNA barcode menurut Hollingsworth (2011) secara konseptual adalah sederhana yaitu mencari satu atau beberapa daerah DNA yang akan membedakan antara mayoritas spesies di dunia ini, dan melakukan pengurutan DNA dari beragam sampel untuk menghasilkan referensi perpustakaan DNA skala besar di dunia. DNA barcode yang digunakan berasal dari DNA mitokondria. DNA mitokondria mengandung sejumlah gen penting untuk respirasi dan fungsi lainnya. Secara fisik mtDNA ini terpisah dari DNA lainnya, sehingga relatif lebih mudah untuk mengisolasinya (berukuran relatif kecil yaitu hanya 16.000-20.000 pasang basa) dibandingkan jika harus mengisolasi milyaran nukleotida dari genom inti (Wallace 1982). Gen yang banyak digunakan sebagai penanda barcode adalah Cytochrome c oxidase 1 (CO1) dan Cytochrome b (cyt b) yang merupakan enzim mitokondria. CO1 merupakan gen kandidat sebagai DNA barcode karena memiliki konsentrasi sekuens asam amino yang tinggi dan besar kemampuan pada primer yang digunakan. Menurut Hebert et al. (2003) CO1 merupakan resolasi dalam mengetahui keanekaragaman pada semua jenis hewan. Hal ini menunjukkan bahwa gen COI cukup bervariasi di antara spesies yang dapat digunakan sebagai marker dalam melakukan identifikasi. Selain itu gen CO1 mutasinya lebih besar di bandingkan dengan 12S dan 16S.
5
Support Vector Machine (SVM) SVM merupakan salah satu metode klasifikasi supervised learning dengan konsep dasarnya adalah menemukan hyperplane (bidang pemisah) terbaik yang dapat memisahkan data ke dalam 2 kelas dengan margin yang maksimal. Margin adalah jarak antara garis hyperplane dengan anggota-anggota terdekat dari 2 kelas (Gambar 1). SVM dapat melakukan klasifikasi data yang terpisah secara linier (linearly separable) dan secara non-linier (nonlinear separable) (Burges 1998). Menurut Osuna et al. (2007) suatu data yang dapat dipisahkan secara linear adalah dataset dan disebut linearly separable. Misalkan himpunan yi∈{+1, -1} adalah label kelas dari data xi. Kondisi linearly separable terpenuhi jika dapat dicari pasangan (w, b) sedemikian sehingga:
Gambar 1 Garis pemisah terbaik yang memiliki margin terbesar. (1) (2) dengan xi adalah dataset, w adalah vektor bobot yang tegak lurus terhadap hyperplane (bidang normal) dan b adalah posisi fungsi pemisah relatif terhadap pusat koordinat (titik asal). Bidang pemisah (hyperplane) terbaik adalah hyperplane yang terletak di tengah-tengah antara dua bidang pembatas kelas. Untuk mendapatkan hyperplane terbaik dilakukan dengan memaksimalkan margin atau jarak antara dua set objek dari kelas yang berbeda . Memaksimalkan nilai margin ekuivalen dengan meminimumkan nilai w. Margin dapat dimaksimalkan dengan menggunakan fungsi optimisasi lagrangian seperti berikut: (3) dengan xi adalah support vector, data yang akan diklasifikasikan.
adalah jumlah support vector dan xd adalah
Banyak kasus di lapangan yang penerapannya tidak dapat dipecahkan secara linear, salah satu cara yang digunakan adalah dengan SVM non linear. Ide dasar dari SVM non linear adalah memetakan data dari suatu bidang ke bidang yang lebih tinggi dimensinya dengan menggunakan fungsi kernel (Φ(x)). Data akan dipetakan oleh fungsi Φ(x) ke ruang baru dengan dimensi lebih tinggi. Kemudian SVM mencari hyperplane yang memisahkan kedua kelas secara linear di ruang vektor yang baru tersebut. Pencarian hyperplane ini hanya bergantung pada dot
6
product dari data yang sudah dipetakan pada ruang baru yang berdimensi lebih tinggi, Φ(xi).Φ(xd). Perhitungan dot product diganti dengan fungsi kernel. sehingga fungsi keputusan adalah
(4) (5)
Fungsi kernel yang umum digunakan adalah sebagai berikut: 1. Gaussian radial basis function (RBF) K (xi,xd) = exp (γ||xi-xd||2) (6) dengan γ adalah parameter RBF 2. Polinomial kernel, p (7) K(xi,yd) = γ merupakan parameter slope, c merupakan konstanta dan p merupakan degree polynomial. 3. Sigmoid Kernel K(xi,xd) = tanh (8) γ merupakan parameter slope sigmoid, c merupakan konstanta. Menurut Hsu et al. (2003) fungsi kernel yang direkomendasikan untuk diuji pertama kali ialah fungsi kernel RBF karena memiliki performa yang sama dengan SVM linear pada parameter tertentu dan memiliki perilaku seperti fungsi kernel sigmoid dengan parameter tertentu dan rentang nilainya kecil [0,1]. Pada awalnya, SVM didesain untuk melakukan klasifikasi biner, yaitu hanya dapat menangani data untuk dua kelas. Saat ini banyak riset yang menggunakan lebih dari dua kelas, untuk mengembangkan SVM agar dapat menangani kelas banyak, metode yang umum digunakan adalah one-versus all atau metode one-againt-all. Metode ini, dibangun k buah model SVM biner (k adalah jumlah kelas). Setiap model klasifikasi ke-i dilatih dengan menggunakan keseluruhan data, dengan label positif (kelas 1), sedangkan kelas lain sebagai label negatif (kelas -1). Setelah dilakukan pelatihan, maka didapatkan k fungsi keputusan dari k model tersebut. Misalkan ada data baru x yang diuji dengan model ini maka x akan masuk ke dalam kelas yang memiliki nilai keputusan terbesar. Metode multi class lainnya yang digunakan adalah one-versus one atau metode one-againt-one. Dengan menggunakan metode ini, dibangun k(k-1)/2 buah model klasifikasi biner (k adalah jumlah kelas). Setelah model klasifikasi selesai dibangun, selanjutnya suatu data uji akan diklasifikasikan ke dalam kelas yang paling banyak menang (Hsu & Lin 2002).
7
3. METODE PENELITIAN Metode pada penelitian ini terdiri atas beberapa tahapan proses, yaitu pengumpulan data dari BOLD, melakukan ekstraksi fitur dengan perhitungan frekuensi k-mers, normalisasi, pengklasifikasian dengan menggunakan SVM, dan evaluasi. Proses penelitian digambarkan dalam bagan kerangka pemikiran yang ditampilkan pada Gambar 2.
Gambar 2 Flowchart kerangka pemikiran penelitian Data Penelitian Data penelitian yang digunakan adalah DNA barcode ikan tuna, tenggiri dan ikan lain (Tabel 1). DNA barcode ini diambil dari gen pengkode protein yaitu Cytochrome Oxidase 1 (CO1) dan Cytochrome b (cyt b) yang merupakan fragmen dari mitokondria. Data DNA barcode tersebut diperoleh dari BOLD (http:boldsystems.org). BOLD adalah sebuah workbench informatika yang membantu perolehan, penyimpanan, analisis dan publikasi record DNA barcode (Sujeevan 2007). Data DNA barcode ini direpresentasikan sebagai string dengan formatnya berbentuk FASTA. Tabel 1 Data Sekuens DNA barcode ikan tuna, tenggiri dan ikan lain Kelas
A
Genus
Thunnus
Spesies T. albacares T. atlanticus T. thynnus T. alalunga T. tonggol T. orientalis
Banyaknya DNA barcode 91 28 75 70 27 14
Rata-rata panjang DNA barcode (bp) 695 777 647 675 831 691
Keterangan
Tuna
8
Kelas
B
Genus
Scomberomorus
Carcharhinus C
Lepidocybium Lutjanus Gadus Hypostomus
Banyaknya DNA barcode
Spesies T. maccoyii T. obesus S. commerson S. niphonius S. regalis S. cavalla S. maculatus S. munroi S. brasiliensis S. semifasciatus C. limbatus C. obscures L. flavobrunneum L. analis L. campechanus G. macrocephalus H. plecostomus
16 88 44 39 18 16 14 7 18 6 45 38 24 29 10 45 3
Rata-rata panjang DNA barcode (bp) 752 679 621 704 681 745 929 746 682 770 673 669 699 651 653 706 658
Keterangan
Tenggiri
Ikan Lain
Ekstraksi Fitur Data latih dan data uji yang akan digunakan terlebih dahulu dilakukan ekstraksi fitur. Metode ekstraksi fitur yang digunakan adalah perhitungan frekuensi k-mers. Ekstraksi dengan frekuensi k-mers akan membentuk komposisi sesuai dengan banyaknya data yang digunakan. Pola kemunculan k dalam sekuens dihitung menggunakan empat basa utama (A,C,G, dan T) dipangkatkan dengan rangkaian pasangan basa yang ingin digunakan (Pola kemunculan: 4^k, dengan k ≥1) (Kusuma 2012). Pada penelitian ini k yang digunakan adalah trinucleotide (3mers) dan tetranucleotide (4-mers). Ilustrasi perhitungan frekuensi pola kemunculan dengan ekstraksi fitur k-mers dapat dilihat pada Gambar 3.
A A A G A A C dengan k = 3 3-mers Matrik Komposisi
Frekuensi 3-mers
Gambar 3 Ekstraksi fitur k-mers dengan menggunakan 3-mers Normalisasi Data Data yang digunakan memiliki panjang sekuens yang bervariasi sehingga perlu dilakukan normalisasi. Normalisasi ini bertujuan untuk mendapatkan data dengan nilai yang lebih kecil yang mewakili data asli tanpa kehilangan karakteristik sendirinya (Han et al. 2012), di mana rentang nilai data yang digunakan berkisar antara 0 dan 1. Rumus dari normalisasi yang digunakan yaitu:
9
Normalisasi= (nilai x) / (panjang sekuens)
(9)
dengan x adalah banyaknya frekuensi kemunculan k-mers. Pelatihan SVM Data latih yang sudah diekstraksi dan normalisasi selanjutnya dilakukan pelatihan dengan SVM. SVM akan mencari model terbaik yang dapat memisahkan kelas. SVM yang digunakan untuk bahasa pemrograman R tersedia pada library e1071 (Meyer et al. 2014). Pelatihan ini menggunakan fungsi kernel yaitu Gaussian radial basis function (RBF). Menurut Hsu et al. (2003) fungsi kernel yang direkomendasikan untuk diuji pertama kali ialah fungsi kernel RBF karena memiliki performa yang sama dengan SVM linear pada parameter tertentu dan memiliki perilaku seperti fungsi kernel sigmoid pada parameter tertentu dengan rentang nilainya kecil yaitu [0,1]. Optimasi parameter dan pada kernel RBF menggunakan grid search dengan 10 fold cross validation (Gambar 4) pada rentang 10-6-10-1 untuk parameter dan 10-1 -102 untuk parameter . Fold 1
Fold 2
Fold 3
Fold 4
Fold 5 Fold 6
Fold 8
Fold 9
Test Train Train Train Train Train Train Train Train
Train Test Train Train Train Train Train Train Train
Train Train Test Train Train Train Train Train Train
Train Train Train Test Train Train Train Train Train
Train Train Train Train Test Train Train Train Train
Train Train Train Train Train Test Train Train Train
Train Train Train Train Train Train Test Train Train
Train Train Train Train Train Train Train Test Train
Train Train Train Train Train Train Train Train Test
Train Train Train Train Train Train Train Train Train
Train
Train
Train
Train
Train
Train
Train
Train
Train
Test
Fold 7
Fold 10
Gambar 4 Contoh menggunakan 10 fold cross validation Pada Gambar 4 di atas adalah contoh menggunakan 10 fold cross validation, dataset dibagi sebanyak 10 fold dengan melakukan iterasi sejumlah 10 kali untuk data latih dan data uji. Pada iterasi pertama, subset satu menjadi data penguji sedangkan subset lainnya menjadi data pelatih. Pada iterasi kedua, subset kedua digunakan sebagai data penguji dan subset lainnya menjadi data pelatih, dan seterusnya hingga seluruh subset digunakan sebagai data penguji. Untuk mendapatkan nilai akurasi ataupun ukuran penilaian lainnya dari hasil eksperimen yang dilakukan, dapat diperoleh dari nilai rataan dari keseluruhan eksperimen tersebut. Keuntungan k-fold cross validation adalah semua data digunakan baik untuk data uji maupun data latih. Hal ini dilakukan untuk mendapatkan nilai akurasi ataupun ukuran penilaian lainnya dari hasil eksperimen yang dilakukan (Han et al. 2012). Pada pelatihan ini menggunakan metode multi class SVM yaitu one against one karena menggunakan 3 kelas yaitu kelas tuna, tenggiri, dan ikan lain. Dengan menggunakan metode tersebut, terbentuk 3 buah model klasifikasi biner (Tabel 2) Setiap model klasifikasi dilatih pada data dari dua kelas.
10
Tabel 2 Model klasifikasi biner dengan 3 kelas y1=1 Kelas 1 Kelas 1 Kelas 2
y2 = -1 Kelas 2 Kelas 3 Kelas 3
Hipotesis f 12 (x) = (w12)x + b12 f 13 (x) = (w13)x + b13 f 23 (x) = (w23)x + b23
Jika data x dimasukkan ke dalam fungsi hasil pelatihan f ij (x)= (wij)x + bij (i j adalah indeks kelas) dan hasilnya menyatakan x adalah kelas i, maka suara untuk kelas i ditambah satu. Kelas dari data x akan ditentukan dari jumlah suara terbanyak. Jika terdapat dua buah kelas yang jumlah suaranya sama, maka kelas yang indeksnya lebih kecil dinyatakan sebagai kelas dari data tersebut (Shu & Lin 2002) . Pengujian SVM Model yang didapatkan dari hasil pelatihan sudah diuji dengan menggunakan data uji yang diunduh dari BOLD dan juga dari Laboratorium Fakultas Perikanan dan Ilmu Kelautan (FPIK) Institut Pertanian Bogor (IPB). Pengujian dilakukan untuk mengidentifikasikan data uji ke dalam kelas ikan tuna, tenggiri ataupun ikan lain. Evaluasi Berdasarkan hasil pelatihan dan pengujian SVM, didapatkan hasil yang selanjutnya digunakan untuk mengevaluasi kinerja SVM. Pada tahap evaluasi akan dihitung akurasi, sensitivity, specificity, dan Fmeasure berdasarkan tabel confusion matrix (Tabel 3). Tabel confusion matrix diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Tabel 3 Confusion matrix
Kelas Sebenarnya
Posittive Negative
Prediksi Kelas Posittive A: True Positive C: False positive
Negative B: False negative D: True negative
keterangan: True positive (TP) : jumlah data positif yang benar diklasifikasi oleh classifier. True negative (TN) : jumlah data negatif yang benar diklasifikasi oleh classifier. False positive (FP) : jumlah data negatif yang salah diklasifikasi sebagai data positif. False negative (FN): jumlah data positif yang salah diklasifikasi sebagai data negatif.
Berdasarkan tabel confusion matrix di atas maka akurasi, sensitivity, specificity, dan Fmeasure dapat dihitung dengan persamaan berikut: (10)
(13)
(11)
(14)
(12)
(15)
11
4. HASIL DAN PEMBAHASAN Penelitian ini menggunakan data sebanyak 765 sekuens DNA barcode yang terbagi dalam 3 kelas, masing-masing kelas memiliki data yang tidak seimbang yaitu 409 sekuens DNA tuna, 162 sekuens DNA tenggiri dan 194 sekuens DNA ikan lain. Untuk data pengujian, data yang digunakan sebanyak 145 sekuens DNA tuna yang terdiri dari 4 spesies yaitu Thunnus alalunga, Thunnus albacores, Thunnus obesus, dan Thunnus thynnus. 4 sekuens DNA tenggiri dari spesies Scomberomorus commerson, dan 32 sekuens DNA ikan lain yang terdiri dari spesies Carcharhinus limbatus, Gadus macrocephalus, dan Hypostomus plecostomus. Ekstraksi Fitur Data sekuens DNA barcode ikan tuna, tenggiri dan ikan lainnya terlebih dahulu dilakukan ekstraksi fitur dengan frekuensi k-mers untuk membentuk matriks komposisi yang akan menjadi vektor masukan dalam proses identifikasi. Frekuensi k-mers yang digunakan dalam penelitian ini adalah trinucleotide (3mers) dan tetranucleotide (4-mers). Banyaknya data yang diekstraksi adalah 765 sekuens DNA barcode untuk data latih dan 145 sekuens DNA barcode untuk data uji. Matriks komposisi yang terbentuk dari data latih adalah 175 x 64 untuk trinucleotide dan 175 x 256 untuk tetranucleotide, Adapun untuk data uji matrik komposisi yang terbentuk adalah 145 x 64 untuk trinucletide dan 145 x 256 untuk tetranucleotide. Gambar 5 adalah contoh hasil ekstraksi fitur dengan menggunakan trinucloetide.
Data sekuens DNA
AAA AAC AAT … GGG 5
13
7
…
9
5
15
8
…
11
…
…
…
…
…
22
13
… 19
12
Matrik Komposisi
Gambar 5 Pembentukan matriks komposisi menggunakan trinucleotide Normalisasi Data sekuens DNA barcode ikan yang digunakan memiliki panjang yang bervariasi sehingga perlu dinormalisasi. Normalisasi dilakukan dengan cara membagi banyaknya frekuensi yang muncul dari hasil ekstraksi k-mers dengan
12
panjang data masing-masing sekuens. Contoh hasil dari normalisasi dengan trinucleotide ditunjukkan pada Gambar 6. AAA AAC AAT … GGG
AAC
AAT
… GGG
7
…
9
0.0075
0.0026
0.0136
… 0.0196
15
8
…
11
0.0111
0.0172
0.0157
… 0.0141
…
…
…
…
…
…
22
13
… 19
5
13
5 … 12
AAA
0.061
Data hasil ekstraksi fitur
0.0101
… 0.081
…
…
… 0.0212
Data hasil Normalisasi
Gambar 6 Hasil normalisasi dengan trinucleotide Pelatihan dan Pengujian dengan SVM Data latih (Lampiran 1) yang digunakan dalam penelitian ini adalah sebanyak 765 sekuens DNA barcode ikan. Data latih ini selanjutnya dilakukan pelatihan dengan SVM. SVM yang digunakan berupa library e1071 pada bahasa Pemrograman R dengan fungsi kernel radial basis function (RBF) dan Cclassification. Optimasi parameter dan pada kernel RBF menggunakan grid search dengan 10 fold cross validation pada rentang 10-6 – 10-1 untuk parameter dan 10-1 – 102 untuk parameter menghasilkan parameter terbaik seperti yang terlihat pada Tabel 4: Tabel 4 Nilai parameter terbaik untuk gamma dan cost Parameter
Trinucleotide (3-mers) Data 1 Data 2 100 100 0.0001 0.01
Tetranucleotide (4-mers) Data 1 Data 2 10 100 0.001 0.001
Cost Gamma Keterangan: Data 1: Data sekuens DNA yang diambil dari BOLD (http:boldsystems.org) berdasarkan tingkat genus. Data 2: Data sekuens DNA yang diambil dari BOLD (http:boldsystems.org) berdasarkan tingkat spesies.
Parameter terbaik yang diperoleh akan menjadi masukan pada pembentukan model SVM. Selanjutnya model dilakukan pengujian dengan menggunakan data uji (Lampiran 2) sebanyak 145 sekuens DNA barcode ikan. Evaluasi Penggunaan confusion matrix digunakan untuk mengevaluasi hasil identifikasi pada data dengan menggunakan frekuensi trinucleotide dan tetranucleotide pada tingkat genus (Tabel 5 dan Tabel 6) maupun pada tingkat spesies (Tabel 7 dan Tabel 8). Tabel 5 Confusion matrix untuk genus dengan frekuensi trinucleotide Kelas prediksi Tuna Tenggiri ikan lain
Tuna 144 1 0
Kelas Sebenarnya Tenggiri 4 0 0
Ikan lain 0 10 22
13
Tabel 6 Confusion matrix untuk genus dengan frekuensi tetranucleotide Kelas prediksi
Kelas Sebenarnya Tenggiri 1 3 0
Tuna 145 0 0
Tuna Tenggiri ikan lain
Ikan lain 0 0 32
Tabel 7 Confusion matrix untukspesies dengan frekuensi trinucleotide Kelas sebenarnya G. macrocephalus
H. plecostomus
S. commerson
T. alalunga
T. albacares
T. obesus
T. thynnus
C. limbatus G. macrocephalus H. plecostomus S. commerson T. alalunga T. albacares T. obesus T. thynnus
C. limbatus
Kelas prediksi
5 0 0 0 0 0 0 0
0 15 0 0 0 0 0 0
0 0 1 0 1 0 0 0
0 0 0 2 0 0 0 2
0 0 0 11 1 0 0 0
0 0 0 0 0 37 0 0
0 0 0 0 1 0 9 5
0 0 0 0 0 1 0 61
Tabel 8 Confusion matrix untuk spesies dengan frekuensi tetranucleotide Kelas sebenarnya
Kelas prediksi
C. limbatus
G. macrocephalus
H. plecostomus
S. commerson
T. alalunga
T. albacares
T. obesus
T. thynnus
C. limbatus G. macrocephalus H. plecostomus S. commerson T. alalunga T. albacares T. obesus T. thynnus
5 0 0 0 0 0 0 0
0 15 0 0 0 0 0 0
0 0 1 0 1 0 0 0
0 0 0 0 1 0 0 2
0 0 0 0 11 0 0 0
0 0 0 0 0 47 0 0
0 0 0 0 1 0 9 2
0 0 0 0 0 0 0 63
Berdasarkan confusion matrix pada Tabel 5, 6, 7 dan 8 maka akurasi yang diperoleh untuk data dengan menggunakan frekuensi tetranucleotide lebih tinggi dibandingkan frekuensi trinucleotide (Gambar 7). Hal ini menunjukkan bahwa pola kemunculan k pada ektraksi fitur mempengaruhi akurasi, karena semakin besar nilai k maka semakin banyak fitur atau ciri yang terbentuk, informasi yang diperoleh pun semakin banyak sehingga menyebabkan akurasi tinggi. Begitu juga untuk data yang diidentifikasi berdasarkan tingkat genus juga lebih tinggi akurasinya dibandingkan dengan data yang diidentifikasi berdasarkan tingkat spesies.
14
100 90 80
Persentase
70 60 50
Trinucleotide (3-mers)
40
Tetranucleotide (4-mers)
30 20 10 0 Genus
Spesies
Gambar 7 Perbandingan hasil akurasi pada tingkat genus dan spesies Matriks yang digunakan untuk mengukur kemampuan SVM dalam mengidentifikasi sekuens DNA barcode pada tiga kelas secara terpisah yaitu sensitivity dan specificity. Sensitivity adalah perbandingan ikan yang benar yang berhasil diidentifikasi terhadap jumlah total ikan yang sebenarnya. Specificity menyatakan perbandingan ikan yang salah yang berhasil diidentifikasi terhadap jumlah total ikan yang salah. Sementara nilai precision dan recall digunakan untuk mengukur kemampuan SVM dalam mengidentifikasikan satu kelas saja, dalam hal ini kelas ikan tuna, kelas tenggiri, atau kelas ikan lainnya saja. Fmeasure adalah matriks yang mengintegrasikan precision dan recall (Yen & Lee 2009). Tabel 9, 10, 11, 12, 13, 14, 15 dan 16 menunjukkan performance SVM dalam mengidentifikasi data sekuens DNA untuk data ikan tuna, tenggiri dan ikan lainnya. Tabel 9 Nilai sensitivity pada spesies ikan tuna, tenggiri dan ikan lain Data Uji Carcharhinus limbatus Gadus macrocephalus Hypostomus plecostomus Scomberomorus commerson Thunnus alalunga Thunnus albacares Thunnus obesus Thunnus thynnus
Sensitivity Trinucleotide (3-mers) Tetranucleotide (4-mers) 1.00 1.00 1.00 1.00 0.50 0.50 0.00 0.00 0.92 1.00 0.80 1.00 0.60 0.75 0.98 1.00
Pada Tabel 9, nilai sensitivity untuk tiap spesies dengan ekstraksi fitur menggunakan trinucleotide dan tetranucleotide. Nilai rata-rata sensitivity yang diperoleh untuk trinucleotide adalah 0.828, yang berarti bahwa setidaknya 82.8% spesies ikan berhasil diidentifikasi ke kelas sebenarnya. Adapun dengan menggunakan tetranucleotide rata-rata nilai sensitivity adalah 0.89, yaitu sebanyak 89% spesies ikan dapat diidentifikasi ke kelas sebenarnya. Namun untuk
15
spesies Scomberomorus commerson memiliki nilai sensitivity yang paling rendah yaitu 0, yang berarti tidak ada satupun spesies tersebut teridentifikasi ke dalam kelas sebenarnya, hal ini disebabkan oleh ketidakseimbangan jumlah spesies tersebut dengan spesies lainnya. Tabel 10 Nilai sensitivity pada genus tuna, tenggiri dan ikan lain Data Uji Tuna Tenggiri Ikan Lain
Sensitivity Trinucleotide (3-mers) Tetranucleotide (4-mers) 0.99 1.00 0.00 0.75 0.69 1.00
Tabel 10 menunjukkan nilai sensitivity untuk genus tuna, tenggiri, dan ikan lain. Nilai rata-rata sensitivity yang diperoleh pada ikan tuna dan ikan lain untuk frekuensi trinucleotide adalah 0.84 yaitu sebanyak 84% ikan dapat diidentifikasi ke kelas sebenarnya. Adapun pada pada tenggiri nilai sensitivity adalah 0, yang berarti ikan tenggiri tidak bisa diidentifikasi ke kelas sebenarnya. Pada frekuensi tetranucleotide nilai rata-rata sensitivity yang diperoleh pada genus ikan tuna, tenggiri dan ikan lain adalah 0.916, yang berarti 91.6% genus ikan tersebut teridentifikasi ke dalam kelas sebenarnya. Tabel 11 Nilai Specificity pada spesies ikan tuna, tenggiri dan ikan lain Data Uji Carcharhinus limbatus Gadus macrocephalus Hypostomus plecostomus Scomberomorus commerson Thunnus alalunga Thunnus albacores Thunnus obesus Thunnus thynnus
Specificity Trinucleotide (3-mers) Tetranucleotide (4-mers) 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.96 0.98 0.98 1.00 0.96 1.00 0.92 0.96
Pada Tabel 11, nilai specificity untuk tiap spesies dengan ekstraksi fitur menggunakan trinucleotide dan tetranucleotide. Nilai rata-rata specificity yang diperoleh untuk trinucleotide adalah 0.977, yang berarti bahwa setidaknya 2.3% spesies ikan teridentifikasi ke kelas yang bukan sebenarnya. Adapun dengan menggunakan tetranucleotide rata-rata nilai specificity adalah 0.99, yaitu sebanyak 1% spesies ikan yang teridentifikasi ke kelas yang bukan sebenarnya. Tabel 12 Nilai specificity pada genus ikan tuna, tenggiri dan ikan lain Data Uji Tuna Tenggiri Ikan Lain
Specificity Trinucleotide (3-mers) Tetranucleotide (4-mers) 0.85 0.97 0.94 1.00 1.00 1.00
Tabel 12 menunjukkan nilai specificity untuk genus tuna, tenggiri, dan ikan lain. Nilai rata-rata specificity yang diperoleh pada frekuensi trinucleotide adalah 0.93 yaitu sebanyak 7% ikan tidak mampu diidentifikasi ke kelas sebenarnya. Adapun pada frekuensi tetranucleotide nilai rata-rata specificity yang
16
diperoleh adalah 0.99, yang berarti hanya 1% ikan tersebut tidak mampu teridentifikasi ke dalam kelas sebenarnya. Tabel 13 Nilai Precision pada spesies tuna, tenggiri dan ikan lain Data Uji Carcharhinus limbatus Gadus macrocephalus Hypostomus plecostomus Scomberomorus commerson Thunnus alalunga Thunnus albacores Thunnus obesus Thunnus thynnus
Precision Trinucleotide (3-mers) Tetranucleotide (4-mers) 1.00 1.00 1.00 1.00 1.00 1.00 0.00 0.00 0.69 0.79 0.95 1.00 0.60 1.00 0.90 0.94
Pada Tabel 13, nilai precision untuk tiap spesies dengan ekstraksi fitur menggunakan trinucleotide dan tetranucleotide. Nilai rata-rata precision yang diperoleh untuk trinucleotide adalah 0.877, yang berarti bahwa setidaknya 87.7% model dapat mengidentifikasi dengan tepat ke kelas sebenarnya. Adapun dengan menggunakan tetranucleotide rata-rata nilai precision adalah 0.96, artinya model dapat mengidentifikasi dengan tepat ke kelas sebenarnya sebesar 96%. Nilai precision terendah dimiliki oleh spesies Scomberomorus commerson yaitu bernilai 0. Tabel 14 Nilai Precision pada genus tuna, tenggiri dan ikan lain Data Uji Tuna Tenggiri Ikan Lain
Precision Trinucleotide (3-mers) Tetranucleotide (4-mers) 0.97 1.00 0.00 0.75 1.00 1.00
Tabel 14 menunjukkan nilai precision untuk genus tuna, tenggiri, dan ikan lain. Nilai rata-rata precision yang diperoleh pada frekuensi trinucleotide adalah 0.985 yaitu sebanyak 98.5% model mampu mengidentifikasi ke kelas sebenarnya pada genus ikan tuna dan ikan lain. Adapun pada tenggiri model tidak mampu mengidentifikasi ke dalam kelas tenggiri. Pada frekuensi tetranucleotide nilai rata-rata precision yang diperoleh adalah 0.916, yang berarti sebesar 91.6% model mampu mengidentifikasi ke dalam kelas sebenarnya baik pada ikan tuna, tenggiri, maupun ikan lain. Tabel 15 Nilai Fmeasure pada spesies ikan tuna, tenggiri dan ikan lain Data Uji Carcharhinus limbatus Gadus macrocephalus Hypostomus plecostomus Scomberomorus commerson Thunnus alalunga Thunnus albacores Thunnus obesus Thunnus thynnus
Fmeasure Trinucleotide (3-mers) Tetranucleotide (4-mers) 1.00 1.00 1.00 1.00 0.67 0.67 0.00 0.00 0.79 0.88 0.87 1.00 0.60 0.86 0.94 0.97
17
Pada Tabel 15, nilai Fmeasure untuk tiap spesies dengan ekstraksi fitur menggunakan trinucleotide dan tetranucleotide. Nilai rata-rata Fmeasure yang diperoleh untuk trinucleotide adalah 0.838, yang berarti bahwa setidaknya 83.8% model dapat mengidentifikasi dengan tepat ke kelas sebenarnya. Adapun dengan menggunakan tetranucleotide rata-rata nilai Fmeasure adalah 0.91, artinya model dapat mengidentifikasi dengan tepat ke kelas sebenarnya sebesar 91%. Namun nilai Fmeasure paling rendah juga dimiliki oleh spesies Scomberomorus commerson yaitu sebesar 0. Tabel 16 Nilai Fmeasure pada genus tuna, tenggiri dan ikan lain Fmeasure Trinucleotide (3-mers) Tetranucleotide (4-mers) 0.98 0.99 0.00 0.86 0.81 1.00
Data Uji Tuna Tenggiri Ikan Lain
Tabel 16 menunjukkan nilai Fmeasure untuk genus tuna, tenggiri, dan ikan lain. Nilai rata-rata specificity yang diperoleh pada frekuensi trinucleotide adalah 0.89 yaitu sebanyak 89% model mampu mengidentifikasi dengan tepat ke kelas sebenarnya pada genus ikan tuna dan ikan lain. Adapun pada tenggiri model tidak mampu mengidentifikasi dengan tepat ke dalam kelas tenggiri. Pada frekuensi tetranucleotide nilai rata-rata Fmeasure yang diperoleh adalah 0.95, yang berarti sebesar 95% model mampu mengidentifikasi dengan tepat ke dalam kelas sebenarnya baik pada ikan tuna, tenggiri, maupun ikan lain. Pengujian dengan Menggunakan BLAST Spesies tenggiri yaitu Scomberomorus commerson memiliki nilai sensitivity dan Fmeasure yang rendah dan cenderung teridentifikasi ke dalam spesies tuna, oleh karena itu pada penelitian ini juga menggunakan aplikasi Basic Local Alignment Search Tools (BLAST) untuk melihat berapa persen tingkat similarity spesies tenggiri dengan spesies tuna. Tabel 17 Tingkat kesamaan spesies tenggiri dengan spesies tuna Data uji Scomberomorus Commerson
Spesies yang diduga Thunnus Obesus Thunnus Alalunga
Similarity 84% 84%
Hasil pengujian diperoleh berdasarkan Tabel 17 bahwa spesies dari Scomberomorus commerson memiliki kesamaan yang tinggi dengan spesies tuna yaitu sebesar 84%. Hal ini yang menyebabkan spesies ikan tenggiri cenderung teridentifikasi ke dalam spesies tuna yaitu Thunnus obesus dan Thunnus alalunga. Kelebihan dan Kelemahan Sistem Adapun kelebihan dari sistem identifikasian dengan SVM pada penelitian ini adalah tidak membutuhkan memori yang banyak dalam melakukan identifikasi karena dalam melakukan pengujian hanya menggunakan support vector (data yang berada di perbatasan antar kelas) yang mempengaruhi fungsi keputusan hasil pengujian. SVM juga memiliki kompleksitas yang linear sehingga waktu yang
18
diperlukan lebih efisien. Adapun kekurangan dari sistem SVM ini adalah pada data yang tidak seimbang tidak mampu diidentifikasi dengan baik sehingga apabila ada data uji maka akan cenderung teridentifikasi ke dalam kelas yang mayoritas.
5. SIMPULAN DAN SARAN Simpulan Berdasarkan hasil yang diperoleh dari penelitian yang telah dilakukan, metode klasifikasi dengan menggunakan model SVM berhasil mengidentifikasikan sekuens DNA barcode untuk spesies ikan tuna dan spesies ikan lain dengan baik, namun untuk spesies ikan tenggiri model tidak mampu mengidentifikasi dengan baik. Nilai akurasi yang diperoleh untuk data dengan menggunakan frekuensi tetranucleotide pada tingkat genus maupun spesies lebih tinggi dibandingkan dengan menggunakan frekuensi trinucleotide yaitu sebesar 99.45% untuk genus dan 88% untuk spesies. Hal ini menunjukkan bahwa pola kemunculan k pada ekstraksi ciri mempengaruhi akurasi, karena semakin besar nilai k semakin banyak fitur yang terbentuk sehingga nilai akurasi juga semakin tinggi. Saran Data yang digunakan pada penelitian ini tidak seimbang sehingga mempengaruhi kinerja SVM, oleh karena itu untuk penelitian selanjutnya diperlukan suatu metode untuk menyeimbangkan data misalnya dengan menggunakan undersampling ataupun oversampling sehingga dapat meningkatkan akurasi dalam proses identifikasinya.
DAFTAR PUSTAKA Abdullah A, Nurjanah, Kurnia N. 2011. Autentikasi tuna steak komersial dengan metode PCR-Sequencing. Jurnal Pengolahan Hasil Perikanan Indonesia. 16(61) : 1-7. [BRKP] Badan Riset Kelautan dan Perikanan. 2013. Potret dan Strategi Pengembangan Perikanan Tuna, Udang dan Rumput Laut. Jakarta: Badan Riset Kelautan dan Perikanan. Burges JC. 1998. A Toturial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2: 955- 974. Civera T. 2003. Species Identication and safety of fish products. Vet Research Communication. 27: 481. Dudu A, Georgescu SE, Schiotu AD, Castache M. 2010. PCR-RFLP method to identify fish species of economic importance. Archiva Zootechnica. 13: 5359.
19
Filonzi L, Stefania C, Marina V, Francesco NM. 2010. Molecular barcoding reveals mislabelling of commercial fish products in Italy. Food Research International. 43: 1383-1388. Han J, Kamber M, Pei J. 2012. Data Mining: Concepts and Techniques. 3thed. New York (US): Morgan Kaufman Elsevier Academic Pr. Hebert PDN, Cywinska A, Ball SL, Dewaard JR. 2003. Biological identification through DNA barcodes. Proc. R. Soc. Lond. B. 270: 313-321. Hollingsworth PM. 2011. Refining the DNA barcode for land plants. PNAS 108(49): 19451-19452. Hsu CW, Chang CC, Lin CJ. 2003. A practical guide to support vector classification. Department of Computer Science and Information Engineering (TW): National Taiwan University. Hsu CW, Lin CJ. 2002. A Comparison of methods for multi-class support vector machines. IEEE Transactions on Neural Networks. 13:415-425. Karlin S, Burge C. 1995. Dinucleotide relative abundance extremes: A genomic signature. Trends Genet. 11: 283–290. Kusuma WA, 2012. Combined approaches for improving the performance of denovo DNA sequence assembly and metagenomic classification of shorts fragment from next generation sequencer [disertasi]. Tokyo(JP): Tokyo Institut Of Technology. Lin WF, Shiau CY, Hwang DF. 2005. Identification of four thunnus tuna speciesc using mitochondrial cytochrome b gene sequence and PCR-RFLP Analysis. Journal of food and drug analysis. 13(4): 382-387. Lowenstein JH, Amato G, Kolokotronis SO. 2009. The real maccoyii: identifying tuna sushi with DNA barcodes-contrasting characteristic attributes and genetic distances. PloS ONE 4(11): e7866. Mafra I, Ferreira IMPVO, Oliveira MBPPO. 2008. Food authentication by PCRbased methods. European Food Research and Technology. 227: 649–665. Matarese AC, Spies IB, Busby MS, dan Orr JW. 2011. Early larvae of Zesticelus Profundorum (Family Cottidae) Identified Using DNA Barcoding. Ichthyol Res 58:170–174. McHardy AC, Martín HG, Tsirigos A, Hugenholtz P, Rigoutsos I. 2007. Accurate phylogonetic classification of variabel-length DNA fragments. Nature Methods. 4(1):63-72. doi: 10.1038/nmeth976. Meyer D. 2014. e1071: Misc functions of the department of statistics, TU Wien. R package version 1.6-3. Tersedia pada http://CRAN.Rproject.org/package=e1071. Mitchell A. 2008. DNA barcoding demystified. Australia Journal Entomol. 47: 169-173. Myers MJ. 2011. Molecular identification of animal speciesin food: transition from research laboratories to the regulatory laboratories. Veterinary Journal. 190: 7-8. Osuna EE, Freund R, Girosi F. 1997. Support vector machines: training and applications. AI Memo. 1602. Pati A, Heath LS, Kyrpides NC, Ivanova N. 2011. ClaMS: A classifier for metagenomic sequences. Standards in Genomic Sciences.5:248-253. doi:10.4056/sigs.2075298.
20
Seo TK. 2010. Classification of nucleotide sequences using support vector machines. Journal of molecular evolution. 71(4): 250-67. Sobari MP, Febriyanto A. 2010. Kajian Bio-teknik pemanfaatan sumberdaya ikan tenggiri dan distribusi pemasarannya di kabupaten Bangka. Meritex. 1(10):15-29. Sujeevan R, Hebert PD. 2007. Bold: the barcode of life data system. Mol Ecol 7(3): 355-364. doi: 10.1111/j.1471-8286.2007.01678.x. Teresita MP, Joel FG, Shadi S, Donald JB, Brian G, Mehrdad H. 2013. Rapid and Accurate Taxonomic Classification of insect (class insect) Cytochrome c Oxidase Sub Unit 1 (CO1) DNA Barcode Sequences Using a Naïve Bayes Classifier. Departement of Biology, 1280, Main street Hamilton, on Canada. Doi: 10.1111/1755-0998.12240. Virgilio M, Jordaens K, Breman F, et al. 2012. Turning DNA barcodes into an alternative tool for identification: African fruit flies as a model (Poster). Consortium for the Barcode of Life (CBOL). Wallace. 1982. Structure and evolution of organelle genomes. J Mikrobiologi. 46(2):208-240 . Weitschek E, Fiscon G, Felici G. 2014. Supervised DNA barcodes species classification: analysis, comparison, and results. BMC Bio Data Mining. 7: 4.doi: 10.1186/1756-0381-7-4. Yen SJ, Lee YS. 2009. Cluster-based under-sampling approaches for imbalanced data distributions. Elsevier.36(3): 5718–5727.
21
Lampiran 1 Daftar DNA barcode ikan tuna, tenggiri dan ikan lain yang digunakan sebagai data latih Genus Thunnus
Jenis DNA Barcode ANGBF7098-12|Thunnus albacares|COI-5P|HM007768 GBGC3261-07|Thunnus albacares|COI-5P|DQ835954 GBGC3263-07|Thunnus albacares|COI-5P|DQ835952 GBGC3265-07|Thunnus albacares|COI-5P|DQ835949 GBGC3267-07|Thunnus albacares|COI-5P|DQ835946 GBGC4264-08|Thunnus albacares|COI-5P|EU392206 GBGC7871-09|Thunnus albacares|COI-5P|DQ835956 GBGCA1334-13|Thunnus albacares|COI-5P|GU451793 GBGCA1346-13|Thunnus albacares|COI-5P|GU451781 GBGCA1348-13|Thunnus albacares|COI-5P|GU451779 GBGCA1366-13|Thunnus albacares|COI-5P|GU451761 GBGCA2127-13|Thunnus albacares|COI-5P|HM007771 GBGCA540-10|Thunnus albacares|COI-5P|GU324199 GBGCA541-10|Thunnus albacares|COI-5P|GU324198 GBGCA545-10|Thunnus albacares|COI-5P|GU324194 GBGCA682-10|Thunnus albacares|COI-5P|FJ605791 GBGCA685-10|Thunnus albacares|COI-5P|FJ605788 GBGCA688-10|Thunnus albacares|COI-5P|FJ605785 HIDNA034-14|Thunnus albacares|COI-5P RFE248-05|Thunnus albacares|COI-5P|EU752224 SCFAC184-05|Thunnus albacares|COI-5P|KC015954 SCFAC280-06|Thunnus albacares|COI-5P|KC015956 SCFAC292-06|Thunnus albacares|COI-5P|KC015958 WLIND460-07|Thunnus albacares|COI-5P ANGBF6823-12|Thunnus albacares|COI-5P|JN644293 ANGBF6833-12|Thunnus albacares|COI-5P|JN644300 ANGBF9217-12|Thunnus albacares|COI-5P|HM452166 ANGBF9228-12|Thunnus albacares|COI-5P|HM452165 CYTC1219-12|Thunnus albacares|COI-5P|JN086153 CYTC1219-12|Thunnus albacares|CYTB FOA872-04|Thunnus albacares|COI-5P|DQ107651 FOA873-04|Thunnus albacares|COI-5P|DQ107652 GBGC3254-07|Thunnus albacares|COI-5P|DQ835947 GBGC3260-07|Thunnus albacares|COI-5P|DQ835955 GBGC7870-09|Thunnus albacares|COI-5P|DQ835957 GBGCA1345-13|Thunnus albacares|COI-5P|GU451782 GBGCA1361-13|Thunnus albacares|COI-5P|GU451766 GBGCA1367-13|Thunnus albacares|COI-5P|GU451760 GBGCA177-10|Thunnus albacares|COI-5P|NC_014061 GBGCA546-10|Thunnus albacares|COI-5P|GU324193 SAFC039-11|Thunnus albacares|COI-5P SAFC040-11|Thunnus albacares|COI-5P ANGBF6829-12|Thunnus albacares|COI-5P|JN644308 GBGC3262-07|Thunnus albacares|COI-5P|DQ835953 GBGC3264-07|Thunnus albacares|COI-5P|DQ835951 GBGC4261-08|Thunnus albacares|COI-5P|EU418252 GBGCA1337-13|Thunnus albacares|COI-5P|GU451790 GBGCA1343-13|Thunnus albacares|COI-5P|GU451784 GBGCA1354-13|Thunnus albacares|COI-5P|GU451773 GBGCA180-10|Thunnus albacares|COI-5P|GU256528 GBGCA2129-13|Thunnus albacares|COI-5P|HM007769 GBGCA710-10|Thunnus albacares|COI-5P|FJ605763 GBGCA719-10|Thunnus albacares|COI-5P|FJ605754 MFC185-08|Thunnus albacares|COI-5P|GU440556
22
Genus Thunnus
Jenis DNA Barcode SAFC037-11|Thunnus albacares|COI-5P SCFAC003-05|Thunnus albacares|COI-5P|KC015955 TUNA004-09|Thunnus albacares|COI-5P|GQ199630 WLIND459-07|Thunnus albacares|COI-5P|EF609628 BLOM114-14|Thunnus albacares|COI-5P FOA869-04|Thunnus albacares|COI-5P|DQ107648 FOA870-04|Thunnus albacares|COI-5P|DQ107649 FOA871-04|Thunnus albacares|COI-5P|DQ107650 RFE250-05|Thunnus albacares|COI-5P|EU752225 TZMSB245-04|Thunnus albacares|COI-5P|DQ885060 TZMSB246-04|Thunnus albacares|COI-5P|DQ885058 TZMSB247-04|Thunnus albacares|COI-5P|DQ885059 TZMSC141-05|Thunnus albacares|COI-5P|DQ885062 TZMSC142-05|Thunnus albacares|COI-5P|DQ885061 BCIMS046-13|Thunnus albacares|COI-5P BCIMS047-13|Thunnus albacares|COI-5P BCIMS048-13|Thunnus albacares|COI-5P GBGC3253-07|Thunnus albacares|COI-5P|DQ835950 GBGC3266-07|Thunnus albacares|COI-5P|DQ835948 GBGC3268-07|Thunnus albacares|COI-5P|DQ835945 GBGCA1338-13|Thunnus albacares|COI-5P|GU451789 GBGCA1341-13|Thunnus albacares|COI-5P|GU451786 GBGCA1370-13|Thunnus albacares|COI-5P|GU451757 GBGCA1371-13|Thunnus albacares|COI-5P|GU451756 GBGCA695-10|Thunnus albacares|COI-5P|FJ605778 GBGCA705-10|Thunnus albacares|COI-5P|FJ605768 SAFC038-11|Thunnus albacares|COI-5P SCFAC246-06|Thunnus albacares|COI-5P|KC015957 WLIND457-07|Thunnus albacares|COI-5P|EF609629 WLIND461-07|Thunnus albacares|COI-5P|EF609627 BCIMS045-13|Thunnus albacares|COI-5P GBGCA1342-13|Thunnus albacares|COI-5P|GU451785 GBGCA1347-13|Thunnus albacares|COI-5P|GU451780 GBGCA1351-13|Thunnus albacares|COI-5P|GU451776 GBGCA1352-13|Thunnus albacares|COI-5P|GU451775 GBGCA1372-13|Thunnus albacares|COI-5P|GU451755 GBGCA2128-13|Thunnus albacares|COI-5P|HM007770 ANGBF1319-12|Thunnus alalunga|COI-5P|HQ167713 ANGBF7188-12|Thunnus alalunga|COI-5P|HM007773 CYTC1217-12|Thunnus alalunga|CYTB CYTC1217-12|Thunnus alalunga|COI-5P|JN086151 DNATR103-12|Thunnus alalunga|COI-5P|JQ624006 DNATR1700-13|Thunnus alalunga|COI-5P|KC501690 DNATR1702-13|Thunnus alalunga|COI-5P|KC501691 DNATR1703-13|Thunnus alalunga|COI-5P|KC501673 DNATR1707-13|Thunnus alalunga|COI-5P|KC501677 DNATR1708-13|Thunnus alalunga|COI-5P|KC501678 DNATR1709-13|Thunnus alalunga|COI-5P|KC501679 DNATR1712-13|Thunnus alalunga|COI-5P|KC501682 DNATR1713-13|Thunnus alalunga|COI-5P|KC501683 DNATR1714-13|Thunnus alalunga|COI-5P|KC501684 DNATR1715-13|Thunnus alalunga|COI-5P|KC501685 DNATR1716-13|Thunnus alalunga|COI-5P|KC501686 DNATR1717-13|Thunnus alalunga|COI-5P|KC501687 DNATR1718-13|Thunnus alalunga|COI-5P|KC501688 DNATR1719-13|Thunnus alalunga|COI-5P|KC501689 FOA864-04|Thunnus alalunga|COI-5P|DQ107658
23
Genus Thunnus
Jenis DNA Barcode GBGC3386-07|Thunnus alalunga|COI-5P|DQ835824 GBGC3388-07|Thunnus alalunga|COI-5P|DQ835822 GBGC3390-07|Thunnus alalunga|COI-5P|DQ835820 GBGC3391-07|Thunnus alalunga|COI-5P|DQ835819 RFE233-05|Thunnus alalunga|COI-5P|EU752221 SAFC033-11|Thunnus alalunga|COI-5P| ANGBF7873-12|Thunnus alalunga|COI-5P|JN007752 ANGBF7915-12|Thunnus alalunga|COI-5P|JN007761 ANGBF7916-12|Thunnus alalunga|COI-5P|JN007759 ANGBF7917-12|Thunnus alalunga|COI-5P|JN007757 ANGBF7918-12|Thunnus alalunga|COI-5P|JN007755 ANGBF7919-12|Thunnus alalunga|COI-5P|JN007753 BCIMS043-13|Thunnus alalunga|COI-5P| BCIMS044-13|Thunnus alalunga|COI-5P| DNATR1704-13|Thunnus alalunga|COI-5P| FOA866-04|Thunnus alalunga|COI-5P| FOA867-04|Thunnus alalunga|COI-5P|DQ107646 FOA868-04|Thunnus alalunga|COI-5P|DQ107647 GBGC0052-06|Thunnus alalunga|COI-5P|AB101291 GBGC1668-06|Thunnus alalunga|COI-5P|NC_005317 GBGC3387-07|Thunnus alalunga|COI-5P|DQ835823 GBGC3389-07|Thunnus alalunga|COI-5P|DQ835821 GBGC3392-07|Thunnus alalunga|COI-5P|DQ835818 GBGCA2125-13|Thunnus alalunga|COI-5P|HM007774 GBGCA444-10|Thunnus alalunga|COI-5P|GQ414571 GBGCA450-10|Thunnus alalunga|COI-5P|GQ414565 GBGCA665-10|Thunnus alalunga|COI-5P|FJ605808 RFE231-05|Thunnus alalunga|COI-5P|EU752222 SAFC032-11|Thunnus alalunga|COI-5P| UCFMS009-14|Thunnus alalunga|COI-5P| UCFMS013-14|Thunnus alalunga|COI-5P ANGBF7869-12|Thunnus alalunga|COI-5P|JN007760 ANGBF7870-12|Thunnus alalunga|COI-5P|JN007758 ANGBF7871-12|Thunnus alalunga|COI-5P|JN007756 ANGBF7872-12|Thunnus alalunga|COI-5P|JN007754 BCIMS042-13|Thunnus alalunga|COI-5P DNATR1701-13|Thunnus alalunga|COI-5P|KC501692 DNATR1705-13|Thunnus alalunga|COI-5P|KC501675 DNATR1706-13|Thunnus alalunga|COI-5P|KC501676 DNATR1710-13|Thunnus alalunga|COI-5P|KC501680 DNATR1711-13|Thunnus alalunga|COI-5P|KC501681 FOA865-04|Thunnus alalunga|COI-5P|DQ107659 GBGCA2126-13|Thunnus alalunga|COI-5P|HM007772 GBGCA669-10|Thunnus alalunga|COI-5P|FJ605804 GBGCA675-10|Thunnus alalunga|COI-5P|FJ605798 GBGCA706-10|Thunnus alalunga|COI-5P|FJ605767 RFE404-05|Thunnus alalunga|COI-5P|EU752223 SAFC034-11|Thunnus alalunga|COI-5P SCFAC151-05|Thunnus alalunga|COI-5P|KC015952 SCFAC221-06|Thunnus alalunga|COI-5P|KC015953 FOA950-05|Thunnus atlanticus|COI-5P|DQ107588 FOA952-05|Thunnus atlanticus|COI-5P|DQ107582 FOA953-05|Thunnus atlanticus|COI-5P|DQ107583 FOA954-05|Thunnus atlanticus|COI-5P|DQ107584 GBGC7867-09|Thunnus atlanticus|COI-5P|DQ835882 GBGC7868-09|Thunnus atlanticus|COI-5P|DQ835881 GBGC7887-09|Thunnus atlanticus|COI-5P|DQ835886
24
Genus Thunnus
Jenis DNA Barcode GBGC7888-09|Thunnus atlanticus|COI-5P|DQ835885 GBGC7889-09|Thunnus atlanticus|COI-5P|DQ835884 GBGC7890-09|Thunnus atlanticus|COI-5P|DQ835883 MEFM1002-06|Thunnus atlanticus|COI-5P|GU224632 MEFM1003-06|Thunnus atlanticus|COI-5P|GU224631 MEFM1004-06|Thunnus atlanticus|COI-5P|GU224634 MEFM1030-06|Thunnus atlanticus|COI-5P|GU224633 MEFM1031-06|Thunnus atlanticus|COI-5P|GU224635 MEFM967-06|Thunnus atlanticus|COI-5P|GU224626 MEFM968-06|Thunnus atlanticus|COI-5P|GU224627 MEFM969-06|Thunnus atlanticus|COI-5P|GU224630 MFSP1883-11|Thunnus atlanticus|COI-5P|JQ365592 MFSP1884-11|Thunnus atlanticus|COI-5P|JQ365595 MFSP1885-11|Thunnus atlanticus|COI-5P|JQ365593 MFSP1886-11|Thunnus atlanticus|COI-5P|JQ365596 MFSP1887-11|Thunnus atlanticus|COI-5P|JQ365594 MXII115-07|Thunnus atlanticus|COI-5P|GU225688 TOBA079-09|Thunnus atlanticus|COI-5P|JQ843089 MEFM970-06|Thunnus atlanticus|COI-5P|GU224629 MEFM971-06|Thunnus atlanticus|COI-5P|GU224628 MXII119-07|Thunnus atlanticus|COI-5P|GU225687 CYTC1216-12|Thunnus maccoyii|CYTB CYTC1216-12|Thunnus maccoyii|COI-5P|JN086150 FOA874-04|Thunnus maccoyii|COI-5P|DQ107637 FOA875-04|Thunnus maccoyii|COI-5P|DQ107638 FOA876-04|Thunnus maccoyii|COI-5P|DQ107639 FOA877-04|Thunnus maccoyii|COI-5P|DQ107640 FOA878-04|Thunnus maccoyii|COI-5P|DQ107641 GBGCA176-10|Thunnus maccoyii|COI-5P|NC_014101 GBGCA182-10|Thunnus maccoyii|COI-5P|GU256523 GBGCA678-10|Thunnus maccoyii|COI-5P|FJ605795 GBGCA679-10|Thunnus maccoyii|COI-5P|FJ605794 GBGCA696-10|Thunnus maccoyii|COI-5P|FJ605777 GBGCA718-10|Thunnus maccoyii|COI-5P|FJ605755 GBGCA720-10|Thunnus maccoyii|COI-5P|FJ605753 GBGCA731-10|Thunnus maccoyii|COI-5P|FJ605742 GBGCA732-10|Thunnus maccoyii|COI-5P|FJ605741 ANGBF6817-12|Thunnus obesus|COI-5P|JN644305 BCIMS017-11|Thunnus obesus|COI-5P|JN653488 CYTC1218-12|Thunnus obesus|COI-5P|JN086152 CYTC1218-12|Thunnus obesus|CYTB FOA882-04|Thunnus obesus|COI-5P|DQ107629 GBGC3340-07|Thunnus obesus|COI-5P|DQ835871 GBGC3341-07|Thunnus obesus|COI-5P|DQ835870 GBGC7869-09|Thunnus obesus|COI-5P|DQ835866 GBGCA1344-13|Thunnus obesus|COI-5P|GU451783 GBGCA1350-13|Thunnus obesus|COI-5P|GU451777 GBGCA1353-13|Thunnus obesus|COI-5P|GU451774 GBGCA1364-13|Thunnus obesus|COI-5P|GU451763 GBGCA1374-13|Thunnus obesus|COI-5P|GU451753 GBGCA179-10|Thunnus obesus|COI-5P|NC_014059 GBGCA2123-13|Thunnus obesus|COI-5P|HQ611139 GBGCA2124-13|Thunnus obesus|COI-5P|HQ611138 GBGCA671-10|Thunnus obesus|COI-5P|FJ605802 GBGCA684-10|Thunnus obesus|COI-5P|FJ605789 GBGCA686-10|Thunnus obesus|COI-5P|FJ605787 GBGCA687-10|Thunnus obesus|COI-5P|FJ605786
25
Genus Thunnus
Jenis DNA Barcode GBGCA703-10|Thunnus obesus|COI-5P|FJ605770 GBGCA711-10|Thunnus obesus|COI-5P|FJ605762 GBGCA730-10|Thunnus obesus|COI-5P|FJ605743 SAFC027-11|Thunnus obesus|COI-5P SCFAC697-06|Thunnus obesus|COI-5P|KC015959 BCIMS014-11|Thunnus obesus|COI-5P|JN653491 FOA880-04|Thunnus obesus|COI-5P|DQ107643 FOA881-04|Thunnus obesus|COI-5P|DQ107644 GBGC3343-07|Thunnus obesus|COI-5P|DQ835868 GBGC7892-09|Thunnus obesus|COI-5P|DQ835865 GBGC7894-09|Thunnus obesus|COI-5P|DQ835863 GBGC7895-09|Thunnus obesus|COI-5P|DQ835862 GBGC7896-09|Thunnus obesus|COI-5P|DQ835861 GBGCA1335-13|Thunnus obesus|COI-5P|GU451792 GBGCA1362-13|Thunnus obesus|COI-5P|GU451765 GBGCA1368-13|Thunnus obesus|COI-5P|GU451759 GBGCA181-10|Thunnus obesus|COI-5P|GU256525 GBGCA670-10|Thunnus obesus|COI-5P|FJ605803 GBGCA693-10|Thunnus obesus|COI-5P|FJ605780 GBGCA697-10|Thunnus obesus|COI-5P|FJ605776 GBGCA698-10|Thunnus obesus|COI-5P|FJ605775 GBGCA699-10|Thunnus obesus|COI-5P|FJ605774 GBGCA701-10|Thunnus obesus|COI-5P|FJ605772 GBGCA707-10|Thunnus obesus|COI-5P|FJ605766 GBGCA717-10|Thunnus obesus|COI-5P|FJ605756 GBGCA722-10|Thunnus obesus|COI-5P|FJ605751 GBGCA724-10|Thunnus obesus|COI-5P|FJ605749 GBGCA726-10|Thunnus obesus|COI-5P|FJ605747 GBGCA729-10|Thunnus obesus|COI-5P|FJ605744 BCIMS015-11|Thunnus obesus|COI-5P|JN653490 BCIMS016-11|Thunnus obesus|COI-5P|JN653489 BCIMS018-11|Thunnus obesus|COI-5P|JN653487 FCHIL181-06|Thunnus obesus|COI-5P FCHIL183-06|Thunnus obesus|COI-5P FCHIL184-06|Thunnus obesus|COI-5P FCHIL185-06|Thunnus obesus|COI-5P FCHIL186-06|Thunnus obesus|COI-5P FOA879-04|Thunnus obesus|COI-5P|DQ107642 FOA883-04|Thunnus obesus|COI-5P|DQ107630 GBGC3342-07|Thunnus obesus|COI-5P|DQ835869 GBGC3344-07|Thunnus obesus|COI-5P|DQ835867 GBGC7893-09|Thunnus obesus|COI-5P|DQ835864 GBGCA1339-13|Thunnus obesus|COI-5P|GU451788 GBGCA677-10|Thunnus obesus|COI-5P|FJ605796 GBGCA681-10|Thunnus obesus|COI-5P|FJ605792 GBGCA683-10|Thunnus obesus|COI-5P|FJ605790 GBGCA690-10|Thunnus obesus|COI-5P|FJ605783 GBGCA692-10|Thunnus obesus|COI-5P|FJ605781 GBGCA700-10|Thunnus obesus|COI-5P|FJ605773 GBGCA708-10|Thunnus obesus|COI-5P|FJ605765 SAFC028-11|Thunnus obesus|COI-5P SCFAC173-05|Thunnus obesus|COI-5P|KC015960 ANGBF6820-12|Thunnus obesus|COI-5P|JN644299 ANGBF6821-12|Thunnus obesus|COI-5P|JN644297 ANGBF6831-12|Thunnus obesus|COI-5P|JN644304 FCHIL182-06|Thunnus obesus|COI-5P GBGCA1336-13|Thunnus obesus|COI-5P|GU451791
26
Genus Thunnus
Jenis DNA Barcode GBGCA1340-13|Thunnus obesus|COI-5P|GU451787 GBGCA1349-13|Thunnus obesus|COI-5P|GU451778 GBGCA1363-13|Thunnus obesus|COI-5P|GU451764 GBGCA1365-13|Thunnus obesus|COI-5P|GU451762 GBGCA1373-13|Thunnus obesus|COI-5P|GU451754 GBGCA2122-13|Thunnus obesus|COI-5P|HQ611140 GBGCA666-10|Thunnus obesus|COI-5P|FJ605807 GBGCA689-10|Thunnus obesus|COI-5P|FJ605784 GBGCA691-10|Thunnus obesus|COI-5P|FJ605782 GBGCA702-10|Thunnus obesus|COI-5P|FJ605771 SAFC026-11|Thunnus obesus|COI-5P FOA884-04|Thunnus orientalis|COI-5P|DQ107631 FOA941-05|Thunnus orientalis|COI-5P|DQ107581 FOA942-05|Thunnus orientalis|COI-5P|DQ107591 FOA943-05|Thunnus orientalis|COI-5P|DQ107592 FOA944-05|Thunnus orientalis|COI-5P|DQ107590 GBGC0087-06|Thunnus orientalis|COI-5P|AB185022 GBGC1815-06|Thunnus orientalis|COI-5P|NC_008455 GBGCA1358-13|Thunnus orientalis|COI-5P|GU451769 GBGCA1390-13|Thunnus orientalis|COI-5P|JN097817 GBGCA445-10|Thunnus orientalis|COI-5P|GQ414570 GBGCA451-10|Thunnus orientalis|COI-5P|GQ414564 GBGCA672-10|Thunnus orientalis|COI-5P|FJ605801 GBGCA673-10|Thunnus orientalis|COI-5P|FJ605800 GBGCA674-10|Thunnus orientalis|COI-5P|FJ605799 ANGBF1320-12|Thunnus thynnus|COI-5P|HQ167714 CYTC1215-12|Thunnus thynnus|CYTB CYTC1215-12|Thunnus thynnus|COI-5P|JN086149 DNATR104-12|Thunnus thynnus|COI-5P|JQ624007 DNATR1720-13|Thunnus thynnus|COI-5P|KC501694 DNATR1721-13|Thunnus thynnus|COI-5P|KC501695 DNATR1727-13|Thunnus thynnus|COI-5P|KC501711 DNATR1728-13|Thunnus thynnus|COI-5P|KC501710 DNATR1729-13|Thunnus thynnus|COI-5P|KC501709 DNATR1734-13|Thunnus thynnus|COI-5P|KC501693 DNATR1735-13|Thunnus thynnus|COI-5P|KC501704 DNATR1736-13|Thunnus thynnus|COI-5P|KC501703 FOA945-05|Thunnus thynnus|COI-5P|DQ107589 GBGC3334-07|Thunnus thynnus|COI-5P|DQ835877 GBGC3335-07|Thunnus thynnus|COI-5P|DQ835876 GBGC3336-07|Thunnus thynnus|COI-5P|DQ835875 GBGC3337-07|Thunnus thynnus|COI-5P|DQ835874 GBGCA1359-13|Thunnus thynnus|COI-5P|GU451768 GBGCA1369-13|Thunnus thynnus|COI-5P|GU451758 GBGCA446-10|Thunnus thynnus|COI-5P|GQ414569 GBGCA667-10|Thunnus thynnus|COI-5P|FJ605806 GBGCA715-10|Thunnus thynnus|COI-5P|FJ605758 GBGCA721-10|Thunnus thynnus|COI-5P|FJ605752 SCFAC606-06|Thunnus thynnus|COI-5P|KC015968 SCFAC658-06|Thunnus thynnus|COI-5P|KC015964 SCFAC659-06|Thunnus thynnus|COI-5P|KC015963 CYTC4779-12|Thunnus thynnus|CYTB CYTC4779-12|Thunnus thynnus|COI-5P|GU256522 DNATR1722-13|Thunnus thynnus|COI-5P|KC501696 DNATR1723-13|Thunnus thynnus|COI-5P|KC501697 DNATR1724-13|Thunnus thynnus|COI-5P|KC501698 DNATR1725-13|Thunnus thynnus|COI-5P|KC501699
27
Genus Thunnus
Jenis DNA Barcode DNATR1726-13|Thunnus thynnus|COI-5P|KC501712 DNATR1730-13|Thunnus thynnus|COI-5P|KC501708 DNATR1733-13|Thunnus thynnus|COI-5P|KC501705 DNATR1737-13|Thunnus thynnus|COI-5P|KC501702 FOA946-05|Thunnus thynnus|COI-5P|DQ107585 FOA948-05|Thunnus thynnus|COI-5P|DQ107587 GBGC0049-06|Thunnus thynnus|COI-5P|AB097669 GBGC0803-06|Thunnus thynnus|COI-5P|AY302574 GBGC3332-07|Thunnus thynnus|COI-5P|DQ835879 GBGC3339-07|Thunnus thynnus|COI-5P|DQ835872 GBGCA1357-13|Thunnus thynnus|COI-5P|GU451770 GBGCA1360-13|Thunnus thynnus|COI-5P|GU451767 GBGCA442-10|Thunnus thynnus|COI-5P|GQ414573 GBGCA709-10|Thunnus thynnus|COI-5P|FJ605764 GBGCA713-10|Thunnus thynnus|COI-5P|FJ605760 GBGCA723-10|Thunnus thynnus|COI-5P|FJ605750 GBGCA727-10|Thunnus thynnus|COI-5P|FJ605746 SCFAC604-06|Thunnus thynnus|COI-5P|KC015966 SCFAC605-06|Thunnus thynnus|COI-5P|KC015961 SCFAC607-06|Thunnus thynnus|COI-5P|KC015962 CYTC3509-12|Thunnus thynnus|COI-5P|NC_014052 CYTC3509-12|Thunnus thynnus|CYTB DNATR1731-13|Thunnus thynnus|COI-5P|KC501707 DNATR1732-13|Thunnus thynnus|COI-5P|KC501706 DNATR1738-13|Thunnus thynnus|COI-5P|KC501701 DNATR1739-13|Thunnus thynnus|COI-5P|KC501700 FOA947-05|Thunnus thynnus|COI-5P|DQ107586 GBGC3333-07|Thunnus thynnus|COI-5P|DQ835878 GBGC3338-07|Thunnus thynnus|COI-5P|DQ835873 GBGC7891-09|Thunnus thynnus|COI-5P|DQ835880 GBGCA1355-13|Thunnus thynnus|COI-5P|GU451772 GBGCA1356-13|Thunnus thynnus|COI-5P|GU451771 GBGCA443-10|Thunnus thynnus|COI-5P|GQ414572 GBGCA447-10|Thunnus thynnus|COI-5P|GQ414568 GBGCA448-10|Thunnus thynnus|COI-5P|GQ414567 GBGCA449-10|Thunnus thynnus|COI-5P|GQ414566 GBGCA680-10|Thunnus thynnus|COI-5P|FJ605793 GBGCA704-10|Thunnus thynnus|COI-5P|FJ605769 GBGCA712-10|Thunnus thynnus|COI-5P|FJ605761 GBGCA714-10|Thunnus thynnus|COI-5P|FJ605759 GBGCA716-10|Thunnus thynnus|COI-5P|FJ605757 SCFAC660-06|Thunnus thynnus|COI-5P|KC015965 SCFAC661-06|Thunnus thynnus|COI-5P|KC015967 ANGBF5650-12|Thunnus tonggol|COI-3P|JN635368 ANGBF5687-12|Thunnus tonggol|COI-3P|JN635369 ANGBF6816-12|Thunnus tonggol|COI-5P|JN644307 ANGBF6824-12|Thunnus tonggol|COI-5P|JN644291 ANGBF6830-12|Thunnus tonggol|COI-5P|JN644306 ANGBF6836-12|Thunnus tonggol|COI-5P|JN644294 ANGBF6839-12|Thunnus tonggol|COI-5P|JN644288 ANGBF6840-12|Thunnus tonggol|COI-5P|JN644286 CFCS005-08|Thunnus tonggol|COI-5P|FJ237960 CFCS134-08|Thunnus tonggol|COI-5P|FJ237959 CFCS135-08|Thunnus tonggol|COI-5P|FJ237958 CFCS136-08|Thunnus tonggol|COI-5P|FJ237957 CYTC1220-12|Thunnus tonggol|COI-5P|JN086154 CYTC1220-12|Thunnus tonggol|CYTB
28
Genus Thunnus
Scomberomorus
Jenis DNA Barcode CYTC525-12|Thunnus tonggol|COI-5P|HQ425780 CYTC525-12|Thunnus tonggol|CYTB FOA885-04|Thunnus tonggol|COI-5P|DQ107632 FOA886-04|Thunnus tonggol|COI-5P|DQ107633 FOA887-04|Thunnus tonggol|COI-5P|DQ107634 FOA888-04|Thunnus tonggol|COI-5P|DQ107635 FOA889-04|Thunnus tonggol|COI-5P|DQ107636 GBGC7418-09|Thunnus tonggol|COI-5P|FJ226524 GBGC7419-09|Thunnus tonggol|COI-5P|FJ226523 GBGC7420-09|Thunnus tonggol|COI-5P|FJ226522 GBGC7421-09|Thunnus tonggol|COI-5P|FJ226521 GBGCA2878-13|Thunnus tonggol|COI-5P|NC_020673 TUNA007-09|Thunnus tonggol|COI-5P|GU190378 ANGBF2269-12|Scomberomorus niphonius|COI-5P|JQ738521 ANGBF2277-12|Scomberomorus niphonius|COI-5P|JQ738537 ANGBF4524-12|Scomberomorus niphonius|COI-5P|JQ738520 ANGBF5505-12|Scomberomorus niphonius|COI-5P|JN242690 ANGBF5506-12|Scomberomorus niphonius|COI-5P|JN242688 ANGBF5507-12|Scomberomorus niphonius|COI-5P|JN242686 ANGBF727-12|Scomberomorus niphonius|COI-5P|HM068266 ANGBF728-12|Scomberomorus niphonius|COI-5P|HM068267 ANGBF729-12|Scomberomorus niphonius|COI-5P|HM068268 ANGBF730-12|Scomberomorus niphonius|COI-5P|HM068269 ANGBF731-12|Scomberomorus niphonius|COI-5P|HM06827 ANGBF732-12|Scomberomorus niphonius|COI-5P|HM068271 ANGBF733-12|Scomberomorus niphonius|COI-5P|HM068272 ANGBF733-12|Scomberomorus niphonius|COI-5P|HM068272 ANGBF734-12|Scomberomorus niphonius|COI-5P|HM068273 ANGBF735-12|Scomberomorus niphonius|COI-5P|HM068274 ANGBF737-12|Scomberomorus niphonius|COI-5P|HM068276 ANGBF739-12|Scomberomorus niphonius|COI-5P|HM068278 ANGBF948-12|Scomberomorus niphonius|COI-5P|HM180840 FSCS1099-11|Scomberomorus niphonius|COI-5P FSCS1100-11|Scomberomorus niphonius|COI-5P FSCS1102-11|Scomberomorus niphonius|COI-5P FSCS1103-11|Scomberomorus niphonius|COI-5P FSCS503-07|Scomberomorus niphonius|COI-5P|EU595289 FSCS812-08|Scomberomorus niphonius|COI-5P|FJ238036 LXG003-13|Scomberomorus niphonius|COI-5P ANGBF5369-12|Scomberomorus niphonius|COI-5P|JN242691 ANGBF5370-12|Scomberomorus niphonius|COI-5P|JN242689 ANGBF5371-12|Scomberomorus niphonius|COI-5P|JN242687 ANGBF726-12|Scomberomorus niphonius|COI-5P|HM068265 ANGBF736-12|Scomberomorus niphonius|COI-5P|HM068275 ANGBF738-12|Scomberomorus niphonius|COI-5P|HM068277 ANGBF949-12|Scomberomorus niphonius|COI-5P|HM180841 CYTC3762-12|Scomberomorus niphonius|COI-5P|NC_016420 CYTC3762-12|Scomberomorus niphonius|CYTB CYTC4754-12|Scomberomorus niphonius|COI-5P|GU109281 FSCS1098-11|Scomberomorus niphonius|COI-5P FSCS1101-11|Scomberomorus niphonius|COI-5P FSCS504-07|Scomberomorus niphonius|COI-5P|EU595288 LXG004-13|Scomberomorus niphonius|COI-5P GBGC7880-09|Scomberomorus brasiliensis|COI-5P|DQ835919 MFSP334-09|Scomberomorus brasiliensis|COI-5P|GU702363 MFSP335-09|Scomberomorus brasiliensis|COI-5P|GU702366 MFSP337-09|Scomberomorus brasiliensis|COI-5P|GU702365
29
Genus Scomberomorus
Jenis DNA Barcode MFSP431-10|Scomberomorus brasiliensis|COI-5P|JQ365546 MFSP611-10|Scomberomorus brasiliensis|COI-5P|JX124893 MFSP612-10|Scomberomorus brasiliensis|COI-5P|JX124890 MFSP614-10|Scomberomorus brasiliensis|COI-5P|JX124891 MFSP615-10|Scomberomorus brasiliensis|COI-5P|JX124892 MFSP844-11|Scomberomorus brasiliensis|COI-5P|JQ365547 MFSP877-11|Scomberomorus brasiliensis|COI-5P|JQ365541 MFSP890-11|Scomberomorus brasiliensis|COI-5P|JQ365549 MFSP892-11|Scomberomorus brasiliensis|COI-5P|JQ365542 MFSP893-11|Scomberomorus brasiliensis|COI-5P|JQ365550 MFSP894-11|Scomberomorus brasiliensis|COI-5P|JQ365551 MFSP896-11|Scomberomorus brasiliensis|COI-5P|JQ365544 MFSP897-11|Scomberomorus brasiliensis|COI-5P|JQ365545 MFSP898-11|Scomberomorus brasiliensis|COI-5P|JQ365543 CFSAN094-11|Scomberomorus cavalla|COI-5P|KF461231 GBGC1461-06|Scomberomorus cavalla|COI-5P|DQ536428 GBGC1787-06|Scomberomorus cavalla|COI-5P|NC_008109 GBGC3297-07|Scomberomorus cavalla|COI-5P|DQ835916 GBGC3298-07|Scomberomorus cavalla|COI-5P|DQ835915 GBGC3299-07|Scomberomorus cavalla|COI-5P|DQ835914 GBGC3300-07|Scomberomorus cavalla|COI-5P|DQ835913 GBGC3301-07|Scomberomorus cavalla|COI-5P|DQ835912 GBGC3302-07|Scomberomorus cavalla|COI-5P|DQ835911 GBGC3303-07|Scomberomorus cavalla|COI-5P|DQ835910 GBGC3304-07|Scomberomorus cavalla|COI-5P|DQ835909 MXII124-07|Scomberomorus cavalla|COI-5P|GU225658 MXII148-07|Scomberomorus cavalla|COI-5P|GU225659 MXII159-07|Scomberomorus cavalla|COI-5P|GU225660 MXII166-07|Scomberomorus cavalla|COI-5P|GU225661 MXII170-07|Scomberomorus cavalla|COI-5P|GU225662 ANGBF1318-12|Scomberomorus commerson|COI-5P|HQ167712 ANGBF7089-12|Scomberomorus commerson|COI-5P|HM007792 ANGBF7090-12|Scomberomorus commerson|COI-5P|HM007790 ANGBF7179-12|Scomberomorus commerson|COI-5P|HM007791 BCIMS065-13|Scomberomorus commerson|COI-5P BCIMS067-13|Scomberomorus commerson|COI-5P DNATR1381-13|Scomberomorus commerson|COI-5P|KC501338 DNATR1383-13|Scomberomorus commerson|COI-5P|KC501336 DNATR1385-13|Scomberomorus commerson|COI-5P|KC501334 DNATR1386-13|Scomberomorus commerson|COI-5P|KC501333 DNATR1387-13|Scomberomorus commerson|COI-5P|KC501352 DNATR1389-13|Scomberomorus commerson|COI-5P|KC50135 DNATR1390-13|Scomberomorus commerson|COI-5P|KC501349 DNATR1393-13|Scomberomorus commerson|COI-5P|KC501346 DNATR1395-13|Scomberomorus commerson|COI-5P|KC501344 DNATR1396-13|Scomberomorus commerson|COI-5P|KC501343 DNATR1397-13|Scomberomorus commerson|COI-5P|KC501342 DNATR1398-13|Scomberomorus commerson|COI-5P|KC501341 DNATR1399-13|Scomberomorus commerson|COI-5P|KC501340 FOA844-04|Scomberomorus commerson|COI-5P|DQ107670 FOA845-04|Scomberomorus commerson|COI-5P|DQ107671 FOA846-04|Scomberomorus commerson|COI-5P|DQ107672 FOA847-04|Scomberomorus commerson|COI-5P|DQ107673 FOA848-04|Scomberomorus commerson|COI-5P|DQ107674 TZMSC145-05|Scomberomorus commerson|COI-5P|JF494453 BCIMS066-13|Scomberomorus commerson|COI-5P BCIMS068-13|Scomberomorus commerson|COI-5P
30
Genus Scomberomorus
Jenis DNA Barcode BCIMS069-13|Scomberomorus commerson|COI-5P BCIMS070-13|Scomberomorus commerson|COI-5P DNATR083-12|Scomberomorus commerson|COI-5P|JQ623986 DNATR1380-13|Scomberomorus commerson|COI-5P|KC501339 DNATR1382-13|Scomberomorus commerson|COI-5P|KC501337 DNATR1384-13|Scomberomorus commerson|COI-5P|KC501335 DNATR1388-13|Scomberomorus commerson|COI-5P|KC501351 DNATR1391-13|Scomberomorus commerson|COI-5P|KC501348 DNATR1392-13|Scomberomorus commerson|COI-5P|KC501347 DNATR1394-13|Scomberomorus commerson|COI-5P|KC501345 DSFSE752-08|Scomberomorus commerson|COI-5P|JF494456 FSCS248-06|Scomberomorus commerson|COI-5P|EF607532 NNPF018-10|Scomberomorus commerson|COI-5P|HQ149943 TZMSB248-04|Scomberomorus commerson|COI-5P|DQ885055 TZMSC254-05|Scomberomorus commerson|COI-5P|DQ885054 TZMSC578-06|Scomberomorus commerson|COI-5P|JF494454 TZMSC579-06|Scomberomorus commerson|COI-5P|JF494455 CFSAN101-11|Scomberomorus maculatus|COI-5P|KF461233 GBGC3269-07|Scomberomorus maculatus|COI-5P|DQ835944 GBGC3270-07|Scomberomorus maculatus|COI-5P|DQ835943 GBGC3271-07|Scomberomorus maculatus|COI-5P|DQ835942 GBGC3272-07|Scomberomorus maculatus|COI-5P|DQ835941 GBGC3278-07|Scomberomorus maculatus|COI-5P|DQ835935 GBGC3279-07|Scomberomorus maculatus|COI-5P|DQ835934 GBGC3280-07|Scomberomorus maculatus|COI-5P|DQ835933 GBGC7872-09|Scomberomorus maculatus|COI-5P|DQ835940 GBGC7873-09|Scomberomorus maculatus|COI-5P|DQ835939 GBGC7874-09|Scomberomorus maculatus|COI-5P|DQ835938 GBGC7875-09|Scomberomorus maculatus|COI-5P|DQ835937 GBGC7876-09|Scomberomorus maculatus|COI-5P|DQ835936 RODEO010-13|Scomberomorus maculatus|COI-5P|KF461232 FOA849-04|Scomberomorus munroi|COI-5P|DQ107675 FOA850-04|Scomberomorus munroi|COI-5P|DQ107660 FOA851-04|Scomberomorus munroi|COI-5P|DQ107661 FOA852-04|Scomberomorus munroi|COI-5P|DQ107662 FOA853-04|Scomberomorus munroi|COI-5P|DQ107663 GBGCA3784-13|Scomberomorus munroi|COI-5P|JX559739 GBGCA5104-13|Scomberomorus munroi|COI-5P|NC_021390 BAHA007-08|Scomberomorus regalis|COI-5P|JQ839886 BZLWB459-06|Scomberomorus regalis|COI-5P|JQ840682 BZLWC118-06|Scomberomorus regalis|COI-5P|JQ840989 BZLWC322-06|Scomberomorus regalis|COI-5P|JQ840988 GBGC3325-07|Scomberomorus regalis|COI-5P|DQ835888 GBGC3326-07|Scomberomorus regalis|COI-5P|DQ835887 GBGC7854-09|Scomberomorus regalis|COI-3P|DQ874759 MFSP2106-12|Scomberomorus regalis|COI-5P|JX297374 MFSP336-09|Scomberomorus regalis|COI-5P|GU702368 MFSP891-11|Scomberomorus regalis|COI-5P|JQ365548 MXII151-07|Scomberomorus regalis|COI-5P|GU225663 SLV017-10|Scomberomorus regalis|COI-5P|HQ025016 SLV073-10|Scomberomorus regalis|COI-5P|HQ025015 SLV074-10|Scomberomorus regalis|COI-5P|HQ025014 SLV075-10|Scomberomorus regalis|COI-5P|HQ025013 TOBA209-09|Scomberomorus regalis|COI-5P|JQ843042 TOBA210-09|Scomberomorus regalis|COI-5P|JQ843041 TOBA211-09|Scomberomorus regalis|COI-5P|JQ843043 FOA859-04|Scomberomorus semifasciatus|COI-5P|DQ107654
31
Genus Scomberomorus
Carcharhinus
Jenis DNA Barcode FOA860-04|Scomberomorus semifasciatus|COI-5P|DQ107655 FOA861-04|Scomberomorus semifasciatus|COI-5P|DQ107656 FOA862-04|Scomberomorus semifasciatus|COI-5P|DQ107657 GBGCA3778-13|Scomberomorus semifasciatus|COI-5P|JX559745 GBGCA5103-13|Scomberomorus semifasciatus|COI-5P|NC021391 DSFSE859-08|Carcharhinus limbatus|COI-5P|JF493064 DSFSE870-08|Carcharhinus limbatus|COI-5P|JF493065 EMADA055-07|Carcharhinus limbatus|COI-5P|HQ171642 ESHKC007-07|Carcharhinus limbatus|COI-5P|FJ519113 ESHKC009-07|Carcharhinus limbatus|COI-5P|FJ519111 FOAE123-06|Carcharhinus limbatus|COI-5P|EU398625 FOAE125-06|Carcharhinus limbatus|COI-5P|EU398623 FOAE126-06|Carcharhinus limbatus|COI-5P|EU398622 FOAE316-06|Carcharhinus limbatus|COI-5P|EU398620 FOAI160-08|Carcharhinus limbatus|COI-5P|JN989310 GBGC10322-10|Carcharhinus limbatus|COI-5P|GQ227282 GBGC10323-10|Carcharhinus limbatus|COI-5P|GQ227281 GBGC10324-10|Carcharhinus limbatus|COI-5P|GQ227280 GBGC10379-11|Carcharhinus limbatus|COI-5P|DQ885080 GBGC10380-11|Carcharhinus limbatus|COI-5P|DQ885079 GBGC7740-09|Carcharhinus limbatus|COI-5P|EU541307 GBGC8379-09|Carcharhinus limbatus|COI-5P|FJ237542 KERRI255-08|Carcharhinus limbatus|COI-5P|JN082187 MFSP1924-11|Carcharhinus limbatus|COI-5P|JQ365260 MFSP1925-11|Carcharhinus limbatus|COI-5P|JQ365263 MFSP1928-11|Carcharhinus limbatus|COI-5P|JQ365261 NOSMF039-08|Carcharhinus limbatus|COI-5P|FJ519616 NOSMF040-08|Carcharhinus limbatus|COI-5P|FJ519615 NOSMF042-08|Carcharhinus limbatus|COI-5P|FJ519613 TZMSB003-04|Carcharhinus limbatus|COI-5P|DQ884981 ANGBF1032-12|Carcharhinus limbatus|COI-5P|HM231107 CFSAN201-11|Carcharhinus limbatus|COI-5P|KF461152 ESHKC004-07|Carcharhinus limbatus|COI-5P|FJ519116 ESHKC005-07|Carcharhinus limbatus|COI-5P|FJ519115 ESHKC006-07|Carcharhinus limbatus|COI-5P|FJ519114 ESHKC008-07|Carcharhinus limbatus|COI-5P|FJ519112 ESHKC010-07|Carcharhinus limbatus|COI-5P|FJ519110 FOAE124-06|Carcharhinus limbatus|COI-5P|EU398624 FOAE127-06|Carcharhinus limbatus|COI-5P|EU398621 GBGC10377-11|Carcharhinus limbatus|COI-5P|DQ885082 GBGC10378-11|Carcharhinus limbatus|COI-5P|DQ885081 GBGC10381-11|Carcharhinus limbatus|COI-5P|DQ885078 GBGC8378-09|Carcharhinus limbatus|COI-5P|FJ237543 KERRI247-08|Carcharhinus limbatus|COI-5P|JN082188 MFSP1926-11|Carcharhinus limbatus|COI-5P|JQ365259 MFSP1927-11|Carcharhinus limbatus|COI-5P|JQ365262 NOSMF041-08|Carcharhinus limbatus|COI-5P|FJ519614 PHANT538-08|Carcharhinus limbatus|COI-5P|JN082186 TZMSB004-04|Carcharhinus limbatus|COI-5P|DQ884980 TZMSB005-04|Carcharhinus limbatus|COI-5P|DQ884979 DSFSE866-08|Carcharhinus obscurus|COI-5P|JF493066 EMADA013-07|Carcharhinus obscurus|COI-5P|HQ171646 EMADA072-07|Carcharhinus obscurus|COI-5P|HQ171645 EMADA087-07|Carcharhinus obscurus|COI-5P|HQ171647 EMADA179-09|Carcharhinus obscurus|COI-5P|HQ171644 EMADA180-09|Carcharhinus obscurus|COI-5P|HQ171643 ESHKA001-07|Carcharhinus obscurus|COI-5P|FJ518938
32
Genus Carcharhinus
Gadus
Jenis DNA Barcode ESHKA002-07|Carcharhinus obscurus|COI-5P|FJ518937 ESHKA003-07|Carcharhinus obscurus|COI-5P|FJ518936 ESHKA005-07|Carcharhinus obscurus|COI-5P|FJ518934 ESHKA008-07|Carcharhinus obscurus|COI-5P|FJ518931 ESHKA009-07|Carcharhinus obscurus|COI-5P|FJ518930 ESHKC157-07|Carcharhinus obscurus|COI-5P|FJ519136 ESHKC160-07|Carcharhinus obscurus|COI-5P|FJ519133 ESHKC161-07|Carcharhinus obscurus|COI-5P|FJ519132 ESHKC162-07|Carcharhinus obscurus|COI-5P|FJ519131 ESHKC163-07|Carcharhinus obscurus|COI-5P|FJ519130 ESHKC164-07|Carcharhinus obscurus|COI-5P|FJ519129 ESHKC165-07|Carcharhinus obscurus|COI-5P|FJ519128 FOA062-04|Carcharhinus obscurus|COI-5P|DQ108306 FOA063-04|Carcharhinus obscurus|COI-5P|DQ108291 FOAE328-06|Carcharhinus obscurus|COI-5P|EU398636 FOAE331-06|Carcharhinus obscurus|COI-5P|EU398634 GMSHK070-11|Carcharhinus obscurus|COI-5P TZMSC449-05|Carcharhinus obscurus|COI-5P|DQ884984 EMADA081-07|Carcharhinus obscurus|COI-5P|HQ171648 ESHKA004-07|Carcharhinus obscurus|COI-5P|FJ518935 ESHKA006-07|Carcharhinus obscurus|COI-5P|FJ518933 ESHKA007-07|Carcharhinus obscurus|COI-5P|FJ518932 ESHKA010-07|Carcharhinus obscurus|COI-5P|FJ518929 ESHKC158-07|Carcharhinus obscurus|COI-5P|FJ519135 ESHKC159-07|Carcharhinus obscurus|COI-5P|FJ519134 FOAE330-06|Carcharhinus obscurus|COI-5P|EU398635 FOAF187-07|Carcharhinus obscurus|COI-5P|EU398637 GBGC11429-13|Carcharhinus obscurus|COI-5P|NC_020611 GBGC11432-13|Carcharhinus obscurus|COI-5P|KC470543 TZMSB007-04|Carcharhinus obscurus|COI-5P|DQ884982 TZMSB009-04|Carcharhinus obscurus|COI-5P|DQ884983 ABFJ131-06|Gadus macrocephalus|COI-5P|JF952738 DSFAL116-07|Gadus macrocephalus|COI-5P|HQ712376 DSFAL458-08|Gadus macrocephalus|COI-5P|HQ712378 DSFAL459-08|Gadus macrocephalus|COI-5P|HQ712379 DSFAL461-08|Gadus macrocephalus|COI-5P|HQ712381 DSFAL462-08|Gadus macrocephalus|COI-5P|HQ712382 DSFAL463-08|Gadus macrocephalus|COI-5P|HQ712383 DSFIB165-12|Gadus macrocephalus|COI-5P DSFIB166-12|Gadus macrocephalus|COI-5P DSFIB173-12|Gadus macrocephalus|COI-5P FMV097-08|Gadus macrocephalus|COI-5P|JQ354101 FMV098-08|Gadus macrocephalus|COI-5P|JQ354099 FMV253-08|Gadus macrocephalus|COI-5P|JQ354097 GBGC1353-06|Gadus macrocephalus|COI-5P|DQ356937 GBGC1355-06|Gadus macrocephalus|COI-5P|DQ356940 GBGC8882-09|Gadus macrocephalus|COI-5P|NC_012323 GBGCA550-10|Gadus macrocephalus|COI-5P|GU324188 RFE234-05|Gadus macrocephalus|COI-5P|EU752084 RFE360-05|Gadus macrocephalus|COI-5P|EU752087 RFE361-05|Gadus macrocephalus|COI-5P|EU752086 TZFP031-04|Gadus macrocephalus|COI-5P|FJ164616 TZFP032-04|Gadus macrocephalus|COI-5P|FJ164617 TZFP161-04|Gadus macrocephalus|COI-5P|FJ164619 TZFPB162-05|Gadus macrocephalus|COI-5P|FJ164608 TZFPB754-06|Gadus macrocephalus|COI-5P|FJ164615 ABFJ157-06|Gadus macrocephalus|COI-5P|JF952739
33
Genus Gadus
Hypostomus
Lepidocybium
Lutjanus
Jenis DNA Barcode DSFAL050-07|Gadus macrocephalus|COI-5P|HQ712374 DSFAL051-07|Gadus macrocephalus|COI-5P|HQ712375 DSFAL276-07|Gadus macrocephalus|COI-5P|HQ712377 DSFAL460-08|Gadus macrocephalus|COI-5P|HQ712380 FMV221-08|Gadus macrocephalus|COI-5P|JQ354100 FMV254-08|Gadus macrocephalus|COI-5P|JQ354098 GBGC1354-06|Gadus macrocephalus|COI-5P|DQ356938 GBGC1356-06|Gadus macrocephalus|COI-5P|DQ356941 GLF065-14|Gadus macrocephalus|COI-5P RFE232-05|Gadus macrocephalus|COI-5P|EU752083 RFE312-05|Gadus macrocephalus|COI-5P|EU752085 SCAFB565-07|Gadus macrocephalus|COI-5P|KC015369 TZFP033-04|Gadus macrocephalus|COI-5P|FJ164618 TZFPB645-06|Gadus macrocephalus|COI-5P|FJ164609 TZFPB653-06|Gadus macrocephalus|COI-5P|FJ164610 TZFPB693-06|Gadus macrocephalus|COI-5P|FJ164611 TZFPB743-06|Gadus macrocephalus|COI-5P|FJ164612 TZFPB750-06|Gadus macrocephalus|COI-5P|FJ164613 TZFPB752-06|Gadus macrocephalus|COI-5P|FJ164614 BNAF165-09|Hypostomus plecostomus|COI-5P|JN026851 BNAF166-09|Hypostomus plecostomus|COI-5P|JN026850 BNAF167-09|Hypostomus plecostomus|COI-5P|JN026849 ANGBF7119-12|Lepidocybium flavobrunneum|COI-5P|HM007726 ANGBF7120-12|Lepidocybium flavobrunneum|COI-5P|HM007724 ANGBF7210-12|Lepidocybium flavobrunneum|COI-5P|HM007725 CFSAN194-11|Lepidocybium flavobrunneum|COI-5P|KF461192 GBGC4195-08|Lepidocybium flavobrunneum|COI-5P|EU003561 GBGC4196-08|Lepidocybium flavobrunneum|COI-5P|EU003560 GBGC4197-08|Lepidocybium flavobrunneum|COI-5P|EU003559 GBGC6990-09|Lepidocybium flavobrunneum|COI-5P|EU263795 GBGC6991-09|Lepidocybium flavobrunneum|COI-5P|EU263794 GBGC6992-09|Lepidocybium flavobrunneum|COI-5P|EU263793 GBGC6993-09|Lepidocybium flavobrunneum|COI-5P|EU263792 GBGCA668-10|Lepidocybium flavobrunneum|COI-5P|FJ605805 GBGCA676-10|Lepidocybium flavobrunneum|COI-5P|FJ605797 GBGCA694-10|Lepidocybium flavobrunneum|COI-5P|FJ605779 GBGCA725-10|Lepidocybium flavobrunneum|COI-5P|FJ605748 GBGCA728-10|Lepidocybium flavobrunneum|COI-5P|FJ605745 MFSP1857-11|Lepidocybium flavobrunneum|COI-5P|JQ365406 MFSP1858-11|Lepidocybium flavobrunneum|COI-5P|JX124801 MFSP1859-11|Lepidocybium flavobrunneum|COI-5P|JQ365405 MFSP1861-11|Lepidocybium flavobrunneum|COI-5P|JQ365404 RFE370-05|Lepidocybium flavobrunneum|COI-5P|EU752106 RFE372-05|Lepidocybium flavobrunneum|COI-5P|EU752107 RFE398-05|Lepidocybium flavobrunneum|COI-5P|EU752105 RFE401-05|Lepidocybium flavobrunneum|COI-5P|EU752108 ANGBF7620-12|Lutjanus analis|COI-5P|HQ162376 ANGBF7621-12|Lutjanus analis|COI-5P|HQ162374 ANGBF7686-12|Lutjanus analis|COI-5P|HQ162375 BZLWD027-07|Lutjanus analis|COI-5P|JQ841253 BZLWD646-09|Lutjanus analis|COI-5P|JQ841252 BZLWD647-09|Lutjanus analis|COI-5P|JQ841254 BZLWE088-08|Lutjanus analis|COI-5P|JQ841660 BZLWE212-08|Lutjanus analis|COI-5P|JQ841659 CURA397-09|Lutjanus analis|COI-5P|JQ842199 CURA398-09|Lutjanus analis|COI-5P|JQ842200 CURA399-09|Lutjanus analis|COI-5P|JQ842198
34
Genus Lutjanus
Jenis DNA Barcode LIDM157-07|Lutjanus analis|COI-5P|FJ998456 LIDM361-07|Lutjanus analis|COI-5P|FJ998457 LIDM581-07|Lutjanus analis|COI-5P LIDM582-07|Lutjanus analis|COI-5P LIDM583-07|Lutjanus analis|COI-5P LIDM584-07|Lutjanus analis|COI-5P LIDM585-07|Lutjanus analis|COI-5P|FJ998455 LIDM621-07|Lutjanus analis|COI-5P LIDM623-07|Lutjanus analis|COI-5P LIDM625-07|Lutjanus analis|COI-5P LIDM629-07|Lutjanus analis|COI-5P LIDM630-07|Lutjanus analis|COI-5P LIDM631-07|Lutjanus analis|COI-5P LIDMA339-10|Lutjanus analis|COI-5P MEFM310-06|Lutjanus analis|COI-5P| MEFM311-06|Lutjanus analis|COI-5P| MEFM312-06|Lutjanus analis|COI-5P| MEFM313-06|Lutjanus analis|COI-5P| ANGBF7622-12|Lutjanus campechanus|COI-5P|HQ162372 ANGBF7687-12|Lutjanus campechanus|COI-5P|HQ162373 ANGBF7688-12|Lutjanus campechanus|COI-5P|HQ162371 CFSAN067-11|Lutjanus campechanus|COI-5P|KF461194 DOACS015-08|Lutjanus campechanus|COI-5P|JN021303 LIDM579-07|Lutjanus campechanus|COI-5P|FJ998466 RFE294-05|Lutjanus campechanus|COI-5P|EU752113 RFE296-05|Lutjanus campechanus|COI-5P|EU752114 RFE298-05|Lutjanus campechanus|COI-5P|EU752115 RODEO025-13|Lutjanus campechanus|COI-5P|KF461195
35
Lampiran 2 Daftar DNA Barcode ikan Tuna, tenggiri, dan ikan lain yang digunakan sebagai data uji Genus Thunnus
Jenis DNA Barcode FCSF024-14|Thunnus albacares|COI-5P|KP975866 FCSF026-14|Thunnus albacares|COI-5P|KP975852 FCSF033-14|Thunnus albacares|COI-5P|KP975880 FCSF036-14|Thunnus albacares|COI-5P|KP975889 FCSF038-14|Thunnus albacares|COI-5P|KP975849 FCSF049-14|Thunnus albacares|COI-5P|KP975892 FCSF074-14|Thunnus albacares|COI-5P|KP975900 FCSF080-14|Thunnus albacares|COI-5P|KP975896 FCSF084-14|Thunnus albacares|COI-5P|KP975861 FCSF105-14|Thunnus albacares|COI-5P|KP975881 FCSF117-14|Thunnus albacares|COI-5P|KP975870 FCSF130-14|Thunnus albacares|COI-5P|KP975874 FCSF155-14|Thunnus albacares|COI-5P|KP975890 FCSF167-14|Thunnus albacares|COI-5P|KP975868 FCSF192-14|Thunnus albacares|COI-5P|KP975895 FCSF214-14|Thunnus albacares|COI-5P|KP975864 FCSF224-14|Thunnus albacares|COI-5P|KP975899 FCSF247-14|Thunnus albacares|COI-5P|KP975854 FCSF256-14|Thunnus albacares|COI-5P|KP975883 FCSF262-14|Thunnus albacares|COI-5P|KP975872 FCSF288-14|Thunnus albacares|COI-5P|KP975891 FCSF292-14|Thunnus albacares|COI-5P|KP975865 FCSF295-14|Thunnus albacares|COI-5P|KP975860 FCSF296-14|Thunnus albacares|COI-5P|KP975859 FCSF297-14|Thunnus albacares|COI-5P|KP975858 FCSF302-14|Thunnus albacares|COI-5P|KP975850 FCSF311-14|Thunnus albacares|COI-5P|KP975903 FCSF313-14|Thunnus albacares|COI-5P|KP975857 FCSF314-14|Thunnus albacares|COI-5P|KP975869 FCSF315-14|Thunnus albacares|COI-5P|KP975873 FCSF316-14|Thunnus albacares|COI-5P|KP975875 FCSF318-14|Thunnus albacares|COI-5P|KP975877 FCSF322-14|Thunnus albacares|COI-5P|KP975882 FCSF324-14|Thunnus albacares|COI-5P|KP975886 FCSF329-14|Thunnus albacares|COI-5P|KP975862 FCSF330-14|Thunnus albacares|COI-5P|KP975863 FCSF333-14|Thunnus albacares|COI-5P|KP975867 FCSF352-14|Thunnus albacares|COI-5P|KP975855 FCSF354-14|Thunnus albacares|COI-5P|KP975893 FCSF356-14|Thunnus albacares|COI-5P|KP975853 FCSF367-14|Thunnus albacares|COI-5P|KP975878 FCSF381-14|Thunnus albacares|COI-5P|KP975851 FCSF382-14|Thunnus albacares|COI-5P|KP975856 FCSF385-14|Thunnus albacares|COI-5P|KP975888 FCSF389-14|Thunnus albacares|COI-5P|KP975879 FCSF390-14|Thunnus albacares|COI-5P|KP975885 FCSF392-14|Thunnus albacares|COI-5P|KP975901 FCSF395-14|Thunnus albacares|COI-5P|KP975904 FCSF399-14|Thunnus albacares|COI-5P|KP975902 FCSF400-14|Thunnus albacares|COI-5P|KP975897 FCSF401-14|Thunnus albacares|COI-5P|KP975884 07-K.Tu_IPB_RevTun_G01_003 albacares (614bp) 08-Tu.2.27_IPB_RevTun_H01_001 albacares (272bp) 11-Tu.2_IPB_RevTun_C02_012(2) Albacares (606bp)
36
Genus Thunnus
Jenis DNA Barcode 06-St.Tu_IPB_RevTun_F01_005 albacares (604bp) CYTC8851-15|Thunnus obesus|COI-5P|NC_025519 CYTC8851-15|Thunnus obesus|COI-5P|NC_025519 FCSF273-14|Thunnus obesus|COI-5P|KP975911 FCSF305-14|Thunnus obesus|COI-5P|KP975907 FCSF310-14|Thunnus obesus|COI-5P|KP975905 FCSF325-14|Thunnus obesus|COI-5P|KP975906 FCSF337-14|Thunnus obesus|COI-5P|KP975908 FCSF350-14|Thunnus obesus|COI-5P|KP975909 FCSF359-14|Thunnus obesus|COI-5P|KP975910 CYTC8851-15|Thunnus obesus|COI-5P|NC_025519 GBGCA681-10|Thunnus obesus|COI-5P|FJ605792 GBGCA1353-13|Thunnus obesus|COI-5P|GU451774 GBGCA7712-15|Thunnus obesus|COI-5P|KM055415 09-Tu.2.25_IPB_RevTun_A02_016 Obesus (548bp) 10-Tu.1.8_IPB_RevTun_B02_014 Obesus (604bp) 12-Tu.1_IPB_RevTun_D02_010 Obesus (597bp) FCSF387-14|Thunnus thynnus|COI-5P|KP975912 MLRV021-15|Thunnus thynnus|COI-5P MLRV022-15|Thunnus thynnus|COI-5P MLRV023-15|Thunnus thynnus|COI-5P MLRV024-15|Thunnus thynnus|COI-5P MLRV025-15|Thunnus thynnus|COI-5P MLRV026-15|Thunnus thynnus|COI-5P MLRV027-15|Thunnus thynnus|COI-5P MLRV028-15|Thunnus thynnus|COI-5P MLRV029-15|Thunnus thynnus|COI-5P MLRV030-15|Thunnus thynnus|COI-5P MLRV031-15|Thunnus thynnus|COI-5P MLRV033-15|Thunnus thynnus|COI-5P MLRV035-15|Thunnus thynnus|COI-5P MLRV036-15|Thunnus thynnus|COI-5P MLRV037-15|Thunnus thynnus|COI-5P MLRV038-15|Thunnus thynnus|COI-5P MLRV039-15|Thunnus thynnus|COI-5P MLRV040-15|Thunnus thynnus|COI-5P MLRV041-15|Thunnus thynnus|COI-5P MLRV042-15|Thunnus thynnus|COI-5P MLRV043-15|Thunnus thynnus|COI-5P MLRV044-15|Thunnus thynnus|COI-5P MLRV045-15|Thunnus thynnus|COI-5P MLRV046-15|Thunnus thynnus|COI-5P MLRV047-15|Thunnus thynnus|COI-5P MLRV048-15|Thunnus thynnus|COI-5P MLRV049-15|Thunnus thynnus|COI-5P MLRV050-15|Thunnus thynnus|COI-5P MLRV051-15|Thunnus thynnus|COI-5P MLRV052-15|Thunnus thynnus|COI-5P MLRV053-15|Thunnus thynnus|COI-5P MLRV054-15|Thunnus thynnus|COI-5P MLRV055-15|Thunnus thynnus|COI-5P MLRV056-15|Thunnus thynnus|COI-5P MLRV057-15|Thunnus thynnus|COI-5P MLRV058-15|Thunnus thynnus|COI-5P MLRV059-15|Thunnus thynnus|COI-5P MLRV060-15|Thunnus thynnus|COI-5P MLRV061-15|Thunnus thynnus|COI-5P
37
Genus Thunnus
Scomberomorus
Gadus
Jenis DNA Barcode MLRV062-15|Thunnus thynnus|COI-5P MLRV063-15|Thunnus thynnus|COI-5P MLRV064-15|Thunnus thynnus|COI-5P MLRV065-15|Thunnus thynnus|COI-5P MLRV066-15|Thunnus thynnus|COI-5P MLRV067-15|Thunnus thynnus|COI-5P MLRV068-15|Thunnus thynnus|COI-5P MLRV069-15|Thunnus thynnus|COI-5P MLRV070-15|Thunnus thynnus|COI-5P MLRV071-15|Thunnus thynnus|COI-5P MLRV072-15|Thunnus thynnus|COI-5P MLRV073-15|Thunnus thynnus|COI-5P MLRV074-15|Thunnus thynnus|COI-5P MLRV075-15|Thunnus thynnus|COI-5P MLRV076-15|Thunnus thynnus|COI-5P MLRV077-15|Thunnus thynnus|COI-5P MLRV078-15|Thunnus thynnus|COI-5P MLRV079-15|Thunnus thynnus|COI-5P MLRV080-15|Thunnus thynnus|COI-5P MLRV081-15|Thunnus thynnus|COI-5P MLRV082-15|Thunnus thynnus|COI-5P MLRV083-15|Thunnus thynnus|COI-5P SCFAC604-06|Thunnus thynnus|COI-5P|KC015966 93-KRPSA_IPB_ForTeng commerson 94-KRTENG_IPB_ForTeng commerson 95-Sio-Sri_IPB_ForTeng commerson 96-PTeng_IPB_ForTeng commerson FCSF136-14|Gadus macrocephalus|COI-5P|KP975603 FCSF137-14|Gadus macrocephalus|COI-5P|KP975604 FCSF191-14|Gadus macrocephalus|COI-5P|KP975593 FCSF199-14|Gadus macrocephalus|COI-5P|KP975601 FCSF237-14|Gadus macrocephalus|COI-5P|KP975594 FCSF241-14|Gadus macrocephalus|COI-5P|KP975599 FCSF257-14|Gadus macrocephalus|COI-5P|KP975597 FCSF265-14|Gadus macrocephalus|COI-5P|KP975595 FCSF277-14|Gadus macrocephalus|COI-5P|KP975600 FCSF293-14|Gadus macrocephalus|COI-5P|KP975592 FCSF334-14|Gadus macrocephalus|COI-5P|KP975602 FCSF335-14|Gadus macrocephalus|COI-5P|KP975598 FCSF341-14|Gadus macrocephalus|COI-5P|KP975596 UCFMS007-14|Gadus macrocephalus|COI-5P UCFMS018-14|Gadus macrocephalus|COI-5P
38
RIWAYAT HIDUP Penulis dilahirkan di Blangkarieng, Aceh Utara 12 Desember 1985. Penulis merupakan anak ke empat dari delapan bersaudara, dari pasangan alm. Benlatief dan Siti Hawa. Tahun 1998, penulis lulus Sekolah Dasar Negeri Blangkarieng Aceh Utara. Penulis melanjutkan sekolah menengah tingkat pertama di SLTP Swasta 2 Tamansiswa LNG Arun, Lhokseumawe dan lulus pada tahun 2001, kemudian melanjutkan sekolah menengah tingkat atas di SMU Swasta Yayasan Pendidikan Arun, Lhokseumawe dan Lulus pada tahun 2004. Selanjutnya tahun 2009, penulis lulus sarjana pada program Studi Ilmu Matematika FMIPA Universitas Syiah Kuala, Banda Aceh. Penulis melanjutkan jenjang Magister pada tahun 2013 di jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor (IPB).
