TAKSONOMI NUMERIK

Oleh :

Nama : Kasriati HeruningsihNIM : B1J011155Kelompok : 3Rombongan : IAsisten : Siska Damayanti

LAPORAN PRAKTIKUM BAKTERIOLOGI

KEMENTERIAN PENDIDIKAN DAN KEBUDAYAANUNIVERSITAS JENDERAL SOEDIRMAN

FAKULTAS BIOLOGIPURWOKERTO

2013

I. PENDAHULUAN

A. Latar Belakang

Klasifikasi dan identifikasi merupakan dua hal yang memiliki perbedaan,

namun pada dasarnya saling berhubungan dalam taksonomi. Klasifikasi dapat

diidentifikasikan sebagai penyusunan suatu organisme kedalam suatu kelompok

taksonomi (taksa) berdasarkan persamaan atau hubungan. Klasifikasi

mikroorganisme prokariota seperti bakteri dapat diketahui berdasarkan

pengalaman dan juga teknik observasi, sifat biokimia, fisiologi, genetik dan

morfologi yang merupakan ciri khas untuk kemudian dapat menggambarkan

sebuah takson. Mikroorganisme memiliki cakupan yang sangat luas dan terdiri

dari berbagai kelompok serta jenis, sehingga diperlukan suatu cara

pengelompokan atau pengklasifikasian (Sembiring, 2003).

Taksonomi merupakan suatu langkah dalam pengelompokan jasad hidup

ke dalam kelompok atau takson yang sesuai. Taksonomi dapat dilakukan secara

numerik ataupun secara fenetik. Taksonomi secara numerik (numerical

taxonomy) adalah taksonomi yang dikelompokkan berdasarkan pada informasi

sifat suatu organisme yang dikonversikan kedalam bentuk yang sesuai untuk

analisis numerik dan dibandingkan menggunakan computer. Sebaiknya 50 atau

beberapa ratus karakter yang dapat dibandingkan, karakter tersebut di antaranya

adalah karakter morfologi, biokimiawi, dan fisiologi. Koefisien asosiasi

ditentukan diantara karakter-karakter yang dimiliki oleh dua atau lebih organisme

(Felsenstein, 2004).

Pengklasifikasian bakteri memiliki beberapa kesulitan, kriteria dalam

klasifikasi bakteri berbeda dengan mengklasifikasikan tumbuhan tingkat tinggi

ataupun hewan tingkat tinggi. Hal ini didasarkan terutama pada sifat-sifat

marfologinya. Klasifikasi bakteri didasarkan pada sebagiam sifat-sifat morfologi

dan sifat-sifat fisiologinya termasuk imunologi. Pada dasarnya bakteri ketika di

bawah mikroskop menunjukkan bentuk morfologi yang sama, namun sifat-sifat

fisiologi mereka berlainan antara yang satu dengan yang lain. Ada beberapa

golongan bakteri yang sama bentuknya, namun yang berlainan fungsi dalam

melangsungkan metabolisme. Ada pula suatu golongan yang dapat menyebabkan

suatu penyakit, sedang golongan yang lain tidak, sehingga dari karakter tersebut

bakteri dapat diklasifikasikan berdasarkan sifat-sifat morfologi (Harly, 2005).

B. Tujuan

Tujuan dari praktikum taksonomi numerik adalah untuk dapat

mengetahui cara dan tahapan analisis kekerabatan bakteri dengan metode

taksonomi numerik.

II. MATERI DAN METODE

A. Materi

Bahan dan alat yang digunakan dalam praktikum ini adalah hasil karakter

mikroba yang diujikan dan laptop dengan program excel, PFE, MVSP, Paintshop

Pro dan Words.

B. Metode

Cara kerja yang dilakukan dalam praktikum ini adalah :

Pemasukan data unit karakter ke dalam matriks n x t.

1. Buka program Excell.

2. Buka file baru (click new).

3. Label OTU diketikan pada kolom (sejumlah strain uji n).

4. Label unit karakter diketikan pada baris (row) sebanyak karakter uji

(t).

5. Masing-masing nilai (+) atau (-) dimasukkan pada cell yang sesuai.

6. Matriks n x t selesai disusun, selanjutnya dicopykan ke PFE dengan

cara menghighligt seluruh matriks dan kemudian click copy.

7. Program excel diminimize.

Preparasi data dalam matriks n x t dengan program PFE.

1. Program PFE dibuka.

2. File baru dibuka dan click new.

3. Click paste untuk mengkopikan file data dari excel.

4. Pada baris pertama ketik : *L t n Nama Data yang akan dianalisis.

5. Data (+) dan (-) berturut-turut dikonversikan menjadi 1 dan 0 dengan

Replace All dari menu Edit.

6. Selanjutnya data dirapikan supaya lurus dalam baris dan kolom

dengan jarak atau spasi.

7. Save file dalam format *.mvs dalam direktori MVSP, kemudian PFE

diminimize.

Analisis data dengan program MVSP untuk mengkonstruksi matriks

similaritas dan dengan dendogram.

1. Program MVSP dibuka.

2. Click file open, pilih data yang disimpan dengan format : *.mvs.

3. Select Analysis, pilih Clustering analysis.

4. Muncul kotak dialog, pada menu Option pilih Clustering method :

Default UPGMA.

5. Pada similarity or distance, pilih jaccard coefficient (SJ) atau simple

matching coefficient (SSM).

6. Pada menu advanced : relust to display, checklist (√) semua lalu klik

Ok.

7. Save file : Nama*.mvd, lalu klik save.

8. Print screen dendogram dan data hasil analisis cluster ke Ms. Word.

9. Blok data hasil analisis clusternya, lalu copykan ke Ms. Excel.

10. Buat data sorted dan unsorted dengan membandingkan tingkat

similaritas tiap group.

11. Hitung indeks similaritasnya dengan rumus =Correl(data

unsorted;data sorted)*100, lalu enter. Atau dengan rumus manual,

yaitu :

SSM = (a+d )

(a+b+c+d )x 100% SJ = a

(a+b+c )x 100%

12. Klik save.

III. HASIL DAN PEMBAHASAN

A. Hasil

Tabel 1. Data Karakter Mikroba

No KarakterStrain

A B C D E F G H I J1 mobi - - - - + - - + - +2 cata + - + - - - - - + -3 oxid + + - + + - + + - +4 stre + + + + + + + + + +5 tetr + + + + + + + + + +6 novo + + + + + + + + + +7 peni + + + + + + + + + +8 chlo + + + + + + + + + +9 eryt + + + + + + + + + +10 kana + + + + + + + + + +11 nali - - - - - - - + - -12 baci + + + + + + + + + +13 poly + + + + + + + + + +14 argi - - - - - - - - - -15 lysi - - - - - - - - - -16 orni - - - - - - - - - -17 citr - - + - + - + - - +18 urea - - - - - - - - - -19 tryp - - - - - - - - - -20 indo - - - - - - - - - -21 acet - - - - + - - + + +22 gela + + + + + + + + + +23 sali + - - - - - - - - -24 cell + - - - - - - - - -25 malt - - - - - - + + + -26 lact - - - - - - - - - +27 meli + - - - - - - + - -28 sucro - - - - - + + + - -29 treh + - - - - - + + - +30 inul - - - - - - - - - -

Tabel 2. Data Unsorted dan Sorted Jaccard Coeficient.

unsorted sortedBD 1 1EJ 0,875 0,875BF 0,833 0,833

DF 0,833 0,833CI 0,786 0,786BC 0,769 0,742BI 0,714 0,742CD 0,769 0,742DI 0,714 0,742CF 0,769 0,742FI 0,714 0,742

GH 0,737 0,737EG 0,706 0,703EH 0,684 0,703GJ 0,722 0,703HJ 0,7 0,703BE 0,786 0,669BG 0,733 0,669BH 0,611 0,669BJ 0,688 0,669CE 0,733 0,669CG 0,688 0,669CH 0,5 0,669CJ 0,647 0,669DE 0,786 0,669DG 0,733 0,669DH 0,611 0,669DJ 0,688 0,669EF 0,667 0,669FG 0,733 0,669FH 0,611 0,669FJ 0,588 0,669EI 0,688 0,669GI 0,647 0,669HI 0,632 0,669IJ 0,611 0,669

AB 0,688 0,628AC 0,647 0,628AD 0,688 0,628AE 0,579 0,628AF 0,588 0,628AG 0,632 0,628AH 0,619 0,628AI 0,611 0,628AJ 0,6 0,628

Tabel 3. Data Unsorted dan Sorted Simple Matching Coeficient.

Unsorted sorted

BD 1 1BF 0,933 0,933DF 0,933 0,933EJ 0,933 0,933CI 0,9 0,9BC 0,9 0,883BI 0,867 0,883CD 0,9 0,883CF 0,9 0,883DI 0,867 0,883FI 0,867 0,883BG 0,867 0,847CG 0,833 0,847FG 0,833 0,847GI 0,8 0,847BE 0,9 0,833CE 0,867 0,833DE 0,9 0,833EF 0,833 0,833EG 0,847 0,833EI 0,833 0,833BJ 0,833 0,833CJ 0,8 0,833DJ 0,833 0,833FJ 0,767 0,833GJ 0,833 0,833IJ 0,767 0,833

AB 0,833 0,779AC 0,8 0,779AD 0,833 0,779AE 0,733 0,779AF 0,767 0,779AG 0,767 0,779AI 0,767 0,779AJ 0,733 0,779AH 0,733 0,767BH 0,767 0,767CH 0,667 0,767DH 0,767 0,767EH 0,8 0,767FH 0,767 0,767GH 0,833 0,767

HI 0,767 0,767HJ 0,8 0,767

Gambar 1. Hasil Dendogram Jaccard Coeficient.

UPGMA

Jaccard's Coefficient

ABDFCIEJGH

0,52 0,6 0,68 0,76 0,84 0,92 1

Gambar 2. Hasil Dendogram Simple Matching Coeficient.

UPGMA

Simple Matching Coefficient

ABDFCIGEJH

0,76 0,8 0,84 0,88 0,92 0,96 1

Indeks similaritas SJ dan SSM.

SJ = Correl(Unsorted;sorted) x 100%

= 82,3 %.

SSM = Correl(Unsorted;sorted) x 100%

= 85 %.

B. Pembahasan

Taksonomi numerik didefinisikan sebagati metode evaluasi kuantitatif

mengenai kesamaan atau kemiripan sifat antar golongan organisme, dan penataan

golongan-golongan itu melalui suatu analisis yang dikenal sebagai “analisis

kelompok” (cluster analysis) ke dalam kategori takson yang lebih tinggi atas

dasar kesamaan-kesamaan tadi. Taksonomi numerik didasarkan atas bukti-bukti

fenetik, artinya didasarkan atas kemiripian yang diperlihatkan obyek studi yang

diamati dan dicatat serta bukan atas dasar kemungkinan-kemungkinan

perkembangan filogenetiknya. Kegiatan-kegiatan dalam taksonomi numerik

bersifat emperik dan data serta kesimpulannya selalu dapat diuji kembali melalui

observasi dan eksperimen (Tjitrosoepomo, 1993).

Analisis taksonomi numerik harus diputuskan dari unit-unit taksonomi

tingkat terendah yang dikaji dalam OTU’s (Opertional Taxonomic Unit). OTU’s

dapat merupakan tumbuhan individual, pemisahan populasi dari jenis yang sama,

pemisahan jenis dalam satu genus, pemisahan genus dan sebagainya. Selain hal

tersebut, karakteristik yang tepat harus diseleksi untuk menunjukkan

perbandingan OTU’s. Karakter-karakter tersebut diperoleh dari berbagai alat

morfologis yang ada.

Ada dua metode yang dapat digunakan untuk mengetahui hubungan

kekerabatan di antara organisme, yaitu metode fenetik dan metode filogenetik.

Dan pada penelitian ini, penulis menggunakan metode fenetik atau dikenal dengan

taksonomi numerik. Taksonomi numerik dikembangkan oleh Sokal dan Sneath

(1963), yang didasarkan pada prinsip Adansonian, prinsip-prinsip tersebut yaitu :

1. Semakin banyak informasi yang terdapat dalam taksa dan semakin banyak

karakter yang mendasarinya, maka semakin baik klasifikasi yang

dihasilkan

2. Bersifat apriori, artinya setiap karakter memiliki nilai atau bobot yang

sama dalam membentuk taksa alami

3. Semua persamaan antar dua taksa merupakan fungsi dari persamaan

individual pada semua karakter di mana keduanya dibandingkan

4. Taksa yang berbeda dapat terjadi karena korelasi karakter yang berbeda-

beda dalam kelompok yang dipelajari.

5. Taksonomi merupakan ilmu empiris.

6. Klasifikasi didasarkan pada persamaan fenetik.

Menurut Tjitrosoepomo (1993), langkah-langkah pengklasifikasian

menggunakan metode taksonomi numerik meliputi :

a. Pemilihan obyek studi.

Pemilihan obyek studi dapat berupa varietas, jenis dan seterusnya. Yang

penting untuk diperhatikan ialah bahwa unit-unit yang dijadikan obyek-

obyek studi harus benar mewakili golongan organisme yang sedang

diteliti. Unit terkecil sebagai obyek studi disebut unit taksonomi

operasional (OTU’s).

b. Pemilihan ciri-ciri yang akan diberi angka (skor).

Ciri atau karakter yang dipilih untuk pemberian angka masing-mamsing

diberi kode dan selanjutnya disusun dalam bentuk tabel atau matriks.

c. Pengukuran kemiripan.

Kemiripan ditentukan dengan membandingkan tiap ciri pada masing-

masing unit taksonomi operasional.

d. Analisis kelompok (cluster analysis).

Matriks dari sifat yang sama ditata kembali, sehingga OTU’s yang

mempunyai kemiripan dapat dikelompokkan menjadi satu. Kelompok-

kelompok itu disebut fenon dan dapat ditata secara hierarki dalam suatu

diagram yang disebut dendogram.

e. Diskriminasi.

Setelah klasifikasi dilakukan, ciri-ciri yang digunakan ditelaah kembali

untuk menentukan ciri yang paling konstan dan bernilai untuk pembuatan

kunci identifikasi

Menurut Weier (Riana, 2007) diagram percabangan yang sering disebut

dengan dendogram yang dihasilkan oleh analisis kelompok adalah suatu metode

yang digunakan untuk menggambarkan hubungan suatu analisis fenetik.

Sedangkan analisis kelompok merupakan suatu metode yang dikelompokkan atau

klaster dari OTU’s yang mempunyai koefisiensi similaritas yang tinggi untuk

menggambarkan tingkat yang dapat diterapkan dalam hierarki taksonomi,

kemudian dapat dikemas seperti genera dan lain-lain.

Pengelompokan OTU’s disusun berdasarkan kemiripan dalam suatu

metode yang disebut cluster analysis. Dunn dan Everitt (1980), menyebutkan

beberapa metode cluster analysis meliputi :

a. Single linkage clustering.

Metode ini membandingkan antara dua klaster atau kelompok berdasarkan

koefisien similaritas maupun disimilaritasnya.

b. Complete-linkage clustering.

Metode ini tidak hanya dapat digunakan untuk membandingkan koefisien

similaritas atau disimilaritas antara dua klaster tetapi dapat digunakan

untuk membandingkan dengan kelompok similaritas atau disimilaritas

yang terbesar atau terkecil.

c. Group average clustering

Metode ini membandingkan rata-rata koefisien similaritas atau

disimilaritas antara dua klaster dan juga dengan rata-rata koefisien

similaritas atau disimilaritas semua OTU’s.

d. Centroid clustering

Metode analisis ini dengan mencari nilai tengah dan jarak antar group

OTU’s.

Menurut Ningrum (2012), analisis fenetik berdasarkan pada similaritas

keseluruhan yaitu pasangan OTU’s diperbandingkan dari keseluruhan fakta-fakta

yang tersedia dan suatu koefisien similaritas yang dideterminasi. Ada tiga metode

utama yang banyak digunakan dalam menghitung persamaan fenetik di antara unit

taksonomi yaitu :

1. Koefisien asosiasi.

Koefisien ini merupakan metode yang paling sederhana dan menunjukkan

sifat yang diekspresikan sebagai pernyataan yang bersifat positif atau

negative.

2. Koefisien korelasi.

Koefisien ini merupakan proporsionalitas dan independensi antara

pasangan vector-vektor OTU’s.

3. Pengukuran jarak di antara unit taksonomi.

Pengukuran jarak ini menggunakan ruang multi dimensi dengan satu

dimensi untuk setiap sifat.

Prosedur kerja taksonomi numeric diawali dengan mebuka program

Excell. Kemudian buka file baru (click new) dan ketikan label OTU pada kolom

(sejumlah strain uji n). Lalu label unit karakter diketikan pada baris (row)

sebanyak karakter uji (t). Masing-masing nilai (+) atau (-) dimasukkan pada cell

yang sesuai. Kemudian matriks n x t yang telah selesai disusun, selanjutnya

dicopykan ke PFE dengan cara menghighligt seluruh matriks dan kemudian click

copy. Selanjutnya buka program PFE dan click new untuk membuka file baru.

Click paste untuk mengkopikan file data dari excel yang telah disusun tadi. Pada

baris pertama ketik : *L t n Nama Data yang akan dianalisis. Data (+) dan (-)

berturut-turut dikonversikan menjadi 1 dan 0 dengan Replace All dari menu Edit.

Selanjutnya data dirapikan supaya lurus dalam baris dan kolom dengan jarak atau

spasi. Save file dalam format *.mvs dalam direktori MVSP, kemudian PFE

diminimize.

Langkah selanjutnya adalah membuka program MVSP dan Click file

open, pilih data yang disimpan dengan format : *.mvs. Kemudian select Analysis,

pilih Clustering analysis. Muncul kotak dialog, pada menu Option pilih Clustering

method : Default UPGMA. Pada similarity or distance, pilih jaccard coefficient

(SJ) atau simple matching coefficient (SSM). Pada menu advanced : relust to

display, checklist (√) semua lalu klik Ok. Kemudian simpan file dengan format

nama*.mvd, lalu klik save. Print screen dendogram dan data hasil analisis cluster

ke Ms. Word. Blok data hasil analisis clusternya, lalu copykan ke Ms. Excel. Buat

data sorted dan unsorted dengan membandingkan tingkat similaritas tiap group.

Hitung indeks similaritasnya dengan rumus =Correl(data unsorted;data

sorted)*100, lalu enter.

Hasil dendogram SJ dengan SSM menujukkan perbedaan, yaitu pada

dendogram SJ, isolate G berkerabat dekat dengan isolate H dan isolate A berada

dalam outgroup yang memiliki kekerabatan yang paling jauh dari isolate yang

lain. Pada dendogram SSM, isolate G justru lebih dekat kekerabatannya dengan

isolate C dan I. Isolate H justru berada dalam outgroup yang kekerabatannya jauh

dari isolate yang lain. Nilai indeks similaritas SJ menunjukkan angka sebesar

82,3%, sedangkan nilai indeks similaritas SSM sebesar 85%. Hal tersebut

menunjukkan bahwa hasil dendogram sesuai dengan tingkat kekerabatan isolate

tersebut. Menurut Raj et al. (2011), metode perhitungan Jaccard hanya didasarkan

atas kesamaan morfologi pada setiap strain yang dibandingkan. Menurut

Mulumba dan Kakudidi (2011), perhitungan dengan menggunakan SSM didasarkan

atas kesamaan dan perbedaan semua karakter yang didapat.

Koefisien Jaccard (Jaccard coefficient) akan mengabaikan karakter-

karakter yang tidak ada pada kedua organisme, nilai-nilai tersebut diatur untuk

membentuk matriks kesamaan (similarity matrix) dimana organisme dengan

kesamaan tinggi dikelompokkan bersama dalam fenon (phenons) dan perbedaan

(significance). Fenon tidak selalu jelas terlihat, namun fenon dengan kesamaan

80% seringkali dianggap satu spesies (bakteri) (Felsenstein, 2004). Simple

Matching Coeficient digunakan sebagai ukuran kemiripan strain yang diamati

(Felsenstein, 1981).

IV. KESIMPULAN DAN SARAN

A. Kesimpulan

Berdasarkan hasil dan pembahasan diperoleh kesimpulan sebagai berikut :

1. Tahapan analisis kekerabatan dengan taksonomi numeric, dilakukan dengan

membuat data pada program excel. Selanjutnya dkonversikan datanya pada

program PFE dan dibuat dendogramnya pada program MVSP. Lalu dihitung

besar indeks similaritasnya.

2. Nilai indeks similaritas SJ menunjukkan angka sebesar 82,3%, sedangkan

nilai indeks similaritas SSM sebesar 85%. Hal tersebut menunjukkan bahwa

hasil dendogram sesuai dengan tingkat kekerabatan isolate tersebut.

B. Saran

Sebaiknya praktikum taksonomi numeric tidak dilakukan waktu malam

hari. Sehingga praktikan dapat mengikuti rangkaian praktikum secara tertib dan

kondusif.

DAFTAR REFERENSI

Dunn, G., & B.S. Everitt. (1982). An Introduction to Mathematical Taxonomy. New York : Cambridge University Press.

Felsenstein, J. 1981. Evolutionary trees from DNA sequences: A maximum likelihood approach. J Mol Evol 17: 368-376

Felsenstein, J. 2004 Inferring Phylogenies. Sunderland, MA: Sinauer Associates.

Harly, J. P. 2005. Laboratory Exorcises in Microbiology sixth Edition. McGraw Hill Companies, inc, 1211, Avence of the Amonical. New York.

Mulumba, John Wasswa dan Kakudidi, Esezah. Infraspecific Delimitation of Acacia Senegal (fabaceae) in Uganda. American Journal of Plant Sciences, 2011, 2, 345-353. Makerere University, Kampala, Uganda.

Ningrum, S.U. 2012. Variasi Morfologi dan Hubungan Fenetik Populasi Sukun (Artocarpus altilis (Parkinson) Fosberg) di Hutan Penelitian Balai Besar Penelitian Bioteknologi dan Pemuliaan Tanaman Hutan (BBPBPTH) Playen, Gunung Kidul. Universitas Negeri Yogyakarta.

Raj, L. Joelri Michael., Britto, S.J., Prabhu, S dan Senthilkumar, S.R. 2011. Identification of Agronomically Valuable Species of Crotalaria Based On Phenetics. ABJNA;2011;25;840-847. Thiruchirappalli 620 002. South India.

Riana Wijayanti. (2007). “Karakterisasi, Klasifikasi dan Hubungan Kekerabatan Berdasarkan Ciri Vegetatif Berbagai Kultivar Pisang Kepok (Musa paradisicca L) di Kebun Plasma Nutfah Pisang Giwangan, Yogyakarta”. Skripsi. Yogyakarta : FMIPA Universitas Negeri Yogyakarta.

Sembiring. 2003. “Kinerja Keuangan, Political Visibility, Ketergantungan pada Hutang, dan Pengungkapan Tanggung Jawab Sosial Perusahaan.”, Simposium Nasional Akuntansi 6

Sokal, R.R. and Sneath, P.H.A. 1963. Principles of Numerical Taxonomy. San Fransisco : WH Freeman and Company.

Tjitrosoepomo, Gembong. 1993. Taksonomi Tumbuhan (Spermatophyta). UGM. Yogyakarta.