289895382 Klasifikasi Mikroba Dengan Metode Taksonomi Numerik
KLASIFIKASI MIKROBA DENGAN METODE TAKSONOMI NUMERIK
Oleh :
Nama
NIM
Rombongan
Kelompok
Asisten
: Athoullah
: B1J013121
:I
:6
: Tedi Septiadi
LAPORAN PRAKTIKUM SISTEMATIKA MIKROBA
KEMENTERIAN RISET, TEKNOLOGI, DAN PENDIDIKAN TINGGI
UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS BIOLOGI
PURWOKERTO
2015
I. PENGANTAR
A. Latar Belakang
Pengenalan penggunaan komputer di bidang mikrobiologi membawa dampak
yang besar dalam taksonomi mikroba terutama dalam perkembangan taksonomi
numerik. Taksonomi numerik merupakan metode yang digunakan dalam proses
klasifikasi dan identifikasi mikroba dengan membandingkan strain-strain mikroba
berdasarkan sejumlah besar karakter berbeda.
Semakin dekat hubungan suatu
mikroba, karakter-karakter yang dimilikinya juga akan sama (Heritage et al., 1996).
Karakter-karakter yang biasa digunakan adalah karakterbiokimiawi seperti
kemampuan menghasilkan asam dari karbohidrat dan reduksi nitrat, karakter kultural
seperti morfologi koloni dan pigmentasi, karakter morfologis seperti bentuk sel,
reaksi pewarnaan dan motilitas, karakter nutrisional seperti sumber karbon, dan
karakter fisiologis seperti temperatur pertumbuhan (Lengeler et al., 1999).
Aplikasi
taksonomi
numerik
dalam
konstruksi
klasifikasi
biologis
memungkinkan terwujudnya sirkumskripsi takson berdasarkan prinsip yang mantap
dan bukan sekedar klasifikasi yang bersifat subyektif (Sembiring, 2004). Urutan
tahapan teknik klasifikasi numerik meliputi empat tahap yaitu:
1.
Strain mikroba (n) yang akan diklasifikasikan dikoleksi lalu ditentukan karakter
fenotipiknya dalam jumlah besar (r) yang mencakup sifat biokimiawi,
morfologis, nutritional, dan fisiologis. Data yang diperoleh disusun dalam suatu
matriks n x t.
2.
Strain mikroba diklasifikasikan berdasarkan nilai similaritas atau disimilaritas
yang dihitung dari data matriks n x t.
3.
Strain yang mirip akan dimasukkan ke dalam sutu kelompok dengan
menggunakan algoritma pengklasteran (clustring algoritm).
4.
Kelompok yang dibentuk secara numerik kemudian dipelajari dan karakter yang
bersifat membedakan (separating character) dipilih diantara data dalam matriks
untuk selanjutnya digunakan dalam identifikasi.
Taksonomi numerik juga dikenal sebagai taksonomi Adansonian yang
didasarkan atas lima prinsip utama yaitu:
1.
Taksonomi yang ideal adalah taksonomi yang mengandung informasi terbesar
yaitu yang didasarkan atas sebanyak-banyaknya karakter.
2.
Masing-masing karakter diberi nilai yang setara dalam mengkonstruksi takson
yang bersifat alami.
3.
Tingkat kedekatan antara dua strain (OTU: operational taxonomical unit)
merukapan fungsi proporsi similaritas sifat yang dimiliki bersama.
4.
Taksa yang berbeda dibentuk berdasarkan atas sifat yang dimiliki.
5.
Similaritas tidak bersifat filogenetis melainkan bersifat fenetis.
Taksonomi numerik membandingkan kemiripan sifat antara spesies tanpa
memperhatikan hubungan kekerabatan secara evolusionernya sehingga kadang
disebut juga dengan sistem fenetik. Derajat kekerabatan antara mikroba yang diuji
dapat disajikan dalam matriks similaritas yang akan digunakan dalam mengkonstruksi
dendogram. Berdasarkan konsep takso spesies, jika indeks similaritas yang dimiliki
antar mikroba ≥ 70% maka mikroba tersebut dapat dikatakan merupakan spesies yang
sama (Priest and Austin, 1993).
Taksonomi numerik didasarkan atas analisis
kuantitatif dan lebih bersifat objektif. Penggunaan taksonomi numerik
sering
dilakukan dalam klasifikasi dan identifikasi mikroba khususnya bakteri, tetapi masih
jarang dilakukan untuk klasifikasi dan identifikasi dari kelompok fungi dan protozoa
(Sembiring, 2004).
II. BAHAN DAN CARA KERJA
A. Bahan dan alat
Bahan dan alat yang digunakan dalam praktikum ini antara lain publikasi
(jurnal) ilmiah tentang klasifikasi numerik-fenetik, dan komputer yang memiliki
program Excell, PFE, MVSP, Paintshop Pro, dan Words.
B. Prosedur kerja
1.
Koleksi data
Data karakter yang digunakan dalam praktikum ini mengacu pada publikasi
ilmiah terkait dengan penggunaan taksonomi numerik yang dapat diakses melalui
internet. Semua data unit karakter selanjutnya dimasukkan ke dalam matriks n x
t.
2.
Penghitungan nilai similaritas
Untuk mengetahui tingkat kemiripan antar strain mikroba (OTU), masingmasing strain dibandingkan dengan strain yang lain dengan menggunakan dua
cara yaitu Simple Matching Coeficient (SSM) dan Jaccard Coeficient (SJ) dengan
rumus :
(a+d)
a
SSM = ---------------------- x 100%
SJ = ------------------ x 100%
(a+b+c+d)
(a+b+c)
Keterangan :
a : jumlah karakter yang (+) untuk kedua strain
b : jumlah karakter yang (+) untuk strain pertama dan (-) bagi strain kedua
c : jumlah karakter yang (-) untuk strain pertama dan (+) bagi strain kedua
d : jumlah karakter yang (-) untuk kedua strain.
3.
Konstruksi dendrogram dengan analisis komputer
Pengklasifikasian strain (OTU) berdasarkan nilai indeks similaritas (SSM atau
SJ) dilakukan dari matriks n x t yang selanjutnya dianalisis secara kuantitatif
dengan program komputer MVSV Plus (Multivariate Statistical Package) Version
2.0 (Kovach, 1990).
Algoritma pengklasteran (clustering) yang digunakan
adalah UPGMA (Unweighted Pair Group Method with Aritmetic Averages).
3.1. Pemasukan data dari matriks n x t ke dalam komputer (data entry)
Data karakter fenotipik yang telah diberi skor (+) atau (-) dimasukkan ke
dalam komputer dengan menggunakan program Excell. Data selanjutnya
dicopykan ke dalam program PFE (Programmer File Editor), selanjutnya
data (+) dikonversikan menjadi 1 dan data (-) dikonversikan menjadi 0.
Data
tersebut
kemudian
diolah
dalam
program
MVSV
untuk
mengkonstruksikan dendogram yang mencerminkan klasifikasi OTU
berdasarkan nilai indeks similaritas (SSM) dan (SJ) dengan algoritma
UPGMA.
3.2. Presentasi hasil klasifikasi
Dendrogram yang dihasilkan oleh analisis klaster (cluster) dalam program
MVSP selanjutnya di insert ke dalam file dokumen dalam program
WORDS (file teks).
3.3. Penentuan struktur taksonomis (deteksi phena)
Penentuan struktur taksonomis yang digambarkan oleh dendrogram
mengacu pada aturan standar yaitu bahwa pendefinisian fena dengan
tingkat similaritas > 70%.
Prosedur Operasi Program Komputer
1.
Pemasukkan data unit karakter ke dalam matriks n x t
Buka program Excell
Buka file baru (click new)
Label OTU diketikkan pada kolom (sejumlah strain uji n)
Label unit karakter diketikkan pada baris (row) sebanyak karakter uji (t)
Masing-masing nilai (+) atau (-) dimasukkan pada cell yang sesuai
Matriks n x t selesai disusun, selanjutnya dicopykan ke PFE dengan cara meng
highlight seluruh matriks dan kemudian click copy
2.
Program Excell diminimize.
Preparasi data dalam matriks n x t dengan program PFE
Program PFE dibuka
File baru dibuka dan click new
Click paste untuk mengkopikan file data yang dari Excell
Pada baris pertama ketik: *L t n Nama Data yang 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
satu spasi
Save file dalam format *.mvs dalam direktori MVSP, kemudian PFE
diminimize.
3.
Analisis data dengan MVSP untuk mengkonstruksi matriks similaritas dan
dendrogram
Program MVSP dibuka
Select Cluster Analysis, Ketik ? (Enter)
Select file name pattern: *.mvd (Enter)
Select M (Clustring method: Default UPGMA)
Select R (Run Analysis)
Enter output file name: *.OT2 (matrix similarity dan clustring steps) (Enter)
Enter tree description file name: *.plg (Enter)
(Cluster Analysis) !
Finish ! Press any key
Printout atau insert ke dalam WORDS (document file).
III.HASIL DAN PEMBAHASAN
A. Hasil
Tabel 3.1. Matriks Similaritas Simple Matching Coefficient
Similarity matrix
(UPGMA)
a
b
c
a
1
0.76
b
7
1
0.83
c
3
0.8
1
d
0.9
0.8
0.8
0.83 0.66 0.86
e
3
7
7
0.96 0.73
f
7
3
0.8
0.76
0.86
g
7
0.8
7
0.73 0.76 0.76
h
3
7
7
0.66
0.76
i
7
0.9
7
0.76 0.73 0.73
j
7
3
3
a
b
c
d
1
0.73
3
0.86
7
0.73
3
0.63
3
0.7
0.73
3
d
e
f
1
0.86
7
1
0.73
3
0.8
0.76
7
0.7
0.73
3
e
0.7
0.63
3
0.73
3
f
g
h
1
0.83
3
0.83
3
0.86
7
g
1
0.86
7
0.76
7
h
i
J
1
0.76
7
i
1
J
Tabel 3.2. Matriks Similaritas Jaccrad’s Coefficient
Similarity matrix
(UPGMA)
a
b
a
1
0.53
b
3
1
0.61 0.64
c
5
7
0.72 0.62
d
7
5
0.58 0.44
e
3
4
0.87 0.46
f
5
7
0.53 0.66
g
3
7
0.63
h
0.5
2
0.44 0.83
i
4
3
0.53 0.57
j
3
9
c
d
e
f
g
h
1
0.46
7
0.63
6
0.52
9
0.42
1
0.52
6
0.52
9
1
0.63
6
0.62
5
0.58
8
0.52
6
0.52
9
1
0.46
7
0.43
8
0.38
9
0.46
7
1
0.72
2
0.73
7
0.76
5
1
0.78
9
0.63
2
i
J
1
0.6
0.71
4
0.53
8
0.75
0.61
1
0.63
2
0.55
6
1
0.65
1
a
b
c
d
e
f
G
h
i
j
Tabel 3.3. Similaritas Simple Matching Coefficient
Node
1
2
3
4
5
6
7
8
9
Group
1
a
b
Node
1
c
g
Node
2
Node
3
Node
6
Node
7
Group
2
f
i
Simil.
0.967
0.9
in
group
2
2
d
e
j
0.883
0.867
0.867
3
2
2
h
Node
4
Node
5
Node
8
0.817
3
0.811
5
0.789
5
0.737
10
Tabel 3.4. Similaritas Jaccrad’s Coefficient
Node
1
2
3
4
5
6
7
8
9
Group
1
a
b
g
c
Node
2
Node
1
Node
5
Node
7
Node
6
Group
2
f
i
j
e
Simil.
0.875
0.833
0.765
0.714
in
group
2
2
2
2
h
0.711
3
d
Node
3
Node
4
Node
8
0.682
3
0.664
5
0.591
7
0.516
10
Tabel 3.5. Data Unsorted, Sorted dan Koefisien Korelasi Simple Matching
Coefficient
node
1
2
3
4
5
6
anggo
ta
af
bi
ad
fd
af
ce
gj
hb
ih
unsort
ed
0.967
0.9
0.883
0.883
0.967
0.867
0.867
0.817
0.817
sorted
0.967
0.9
0.9
0.8
0.967
0.867
0.867
0.767
0.867
koefisien
korelasi
53.96483084
7
8
9
bi
ad
fd
af
ce
ac
fc
dc
ae
fe
de
hg
gb
ig
jh
jb
ji
gj
hb
ih
bi
ah
ch
fh
dh
eh
ag
cg
fg
dg
eg
ab
cb
fb
db
eb
aj
cj
fj
dj
ej
ai
ci
fi
di
ei
0.9
0.811
0.811
0.811
0.811
0.811
0.811
0.811
0.811
0.811
0.811
0.789
0.789
0.789
0.789
0.789
0.789
0.789
0.789
0.789
0.789
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.9
0.9
0.8
0.967
0.867
0.833
0.8
0.8
0.833
0.867
0.733
0.833
0.8
0.833
0.767
0.733
0.767
0.867
0.767
0.867
0.9
0.733
0.767
0.7
0.633
0.767
0.767
0.867
0.733
0.733
0.8
0.767
0.8
0.733
0.8
0.667
0.767
0.733
0.733
0.733
0.733
0.667
0.767
0.633
0.7
0.7
ad
fd
af
ce
ac
fc
dc
ae
fe
de
hg
gb
ig
jh
jb
ji
gj
hb
ih
bi
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.9
0.8
0.967
0.867
0.833
0.8
0.8
0.833
0.867
0.733
0.833
0.8
0.833
0.767
0.733
0.767
0.867
0.767
0.867
0.9
Tabel 3.6. Data Unsorted, Sorted dan Koefisien Korelasi Jaccard’s Coefficient
node
1
2
3
4
5
6
7
8
anggo
ta
af
bi
gj
ce
bh
ih
bi
ad
fd
af
bg
bj
ig
ij
hg
hj
gj
bh
ih
bi
bc
be
ic
unsort
ed
0.875
0.833
0.765
0.714
0.711
0.711
0.711
0.682
0.682
0.682
0.664
0.664
0.664
0.664
0.664
0.664
0.664
0.664
0.664
0.664
0.591
0.591
0.591
sorted
0.875
0.833
0.765
0.714
0.632
0.789
0.833
0.727
0.636
0.875
0.667
0.579
0.737
0.65
0.722
0.632
0.765
0.632
0.789
0.833
0.647
0.444
0.632
koefisien
korelasi
51.5916405
9
ie
hc
he
gc
ge
jc
je
bg
bj
ig
ij
hg
hj
gj
bh
ih
bi
ce
ab
ac
ae
ag
ah
ai
aj
fb
fc
fe
fg
fh
fi
fj
db
dc
de
dg
dh
di
dj
ad
fd
af
bc
be
ic
ie
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.526
0.611
0.588
0.75
0.625
0.556
0.529
0.667
0.579
0.737
0.65
0.722
0.632
0.765
0.632
0.789
0.833
0.714
0.533
0.615
0.583
0.533
0.5
0.444
0.533
0.467
0.538
0.636
0.467
0.438
0.389
0.467
0.625
0.6
0.467
0.529
0.421
0.526
0.529
0.727
0.636
0.875
0.647
0.444
0.632
0.526
hc
he
gc
ge
jc
je
bg
bj
ig
ij
hg
hj
gj
bh
ih
bi
ce
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.611
0.588
0.75
0.625
0.556
0.529
0.667
0.579
0.737
0.65
0.722
0.632
0.765
0.632
0.789
0.833
0.714
Dendogram Simple Matching Coefficient
UPGMA
0.7
0.75
0.8
0.85
Simple Matching Coefficient
Dendogram Jaccard’s Coefficient
j
g
h
i
b
e
c
d
f
a
0.9
0.95
1
UPGMA
0.4
0.5
0.6
e
c
j
g
h
i
b
d
f
a
0.7
Jaccard's Coefficient
0.8
0.9
1
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 : 53).
IV. KESIMPULAN
DAFTAR REFERENSI
Heritage J, Evans E.G.V, and Killington R.A.. 1996. Introductory Microbiology.
Cambridge University Press.
Kovach, W.L. 1990. MVSP Plus Version 2.0. User Manual.
Lengeler J.W, G. Drews, and H.G. Schlegel.. 1999. Biology of the Prokaryotes.
Blackwell Science, New York.
Maugeri T.L., Gugliandolo C.,Caccamo D., Stackebrandt E.. 2001. A polyphasic
taxonomic study of Thermophilic Bacilli from Shallow, Marine Vents.
Systematic and Applied Microbiology 24: 572-587.
Priest F., and Austin B.. 1993. Modern Bacterial Taxonomy. Second edition.
Chapman & Hall, United Kingdom.
Sembiring, L. 2004. Sistematika Mikroba sebagai sarana penyingkap
keanekaragaman mikroba dalam upaya pelesterian dan pemanfaatan
sumberdaya hayati mikroba. Prosiding Seminar Nasional “Peranan
Biosistematika dalam Menunjang Pemanfaatan Keanekaragaman Hayati”,
Program Studi Biologi Fakultas MIPA ITS, Surabaya 25 September 2004.
Oleh :
Nama
NIM
Rombongan
Kelompok
Asisten
: Athoullah
: B1J013121
:I
:6
: Tedi Septiadi
LAPORAN PRAKTIKUM SISTEMATIKA MIKROBA
KEMENTERIAN RISET, TEKNOLOGI, DAN PENDIDIKAN TINGGI
UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS BIOLOGI
PURWOKERTO
2015
I. PENGANTAR
A. Latar Belakang
Pengenalan penggunaan komputer di bidang mikrobiologi membawa dampak
yang besar dalam taksonomi mikroba terutama dalam perkembangan taksonomi
numerik. Taksonomi numerik merupakan metode yang digunakan dalam proses
klasifikasi dan identifikasi mikroba dengan membandingkan strain-strain mikroba
berdasarkan sejumlah besar karakter berbeda.
Semakin dekat hubungan suatu
mikroba, karakter-karakter yang dimilikinya juga akan sama (Heritage et al., 1996).
Karakter-karakter yang biasa digunakan adalah karakterbiokimiawi seperti
kemampuan menghasilkan asam dari karbohidrat dan reduksi nitrat, karakter kultural
seperti morfologi koloni dan pigmentasi, karakter morfologis seperti bentuk sel,
reaksi pewarnaan dan motilitas, karakter nutrisional seperti sumber karbon, dan
karakter fisiologis seperti temperatur pertumbuhan (Lengeler et al., 1999).
Aplikasi
taksonomi
numerik
dalam
konstruksi
klasifikasi
biologis
memungkinkan terwujudnya sirkumskripsi takson berdasarkan prinsip yang mantap
dan bukan sekedar klasifikasi yang bersifat subyektif (Sembiring, 2004). Urutan
tahapan teknik klasifikasi numerik meliputi empat tahap yaitu:
1.
Strain mikroba (n) yang akan diklasifikasikan dikoleksi lalu ditentukan karakter
fenotipiknya dalam jumlah besar (r) yang mencakup sifat biokimiawi,
morfologis, nutritional, dan fisiologis. Data yang diperoleh disusun dalam suatu
matriks n x t.
2.
Strain mikroba diklasifikasikan berdasarkan nilai similaritas atau disimilaritas
yang dihitung dari data matriks n x t.
3.
Strain yang mirip akan dimasukkan ke dalam sutu kelompok dengan
menggunakan algoritma pengklasteran (clustring algoritm).
4.
Kelompok yang dibentuk secara numerik kemudian dipelajari dan karakter yang
bersifat membedakan (separating character) dipilih diantara data dalam matriks
untuk selanjutnya digunakan dalam identifikasi.
Taksonomi numerik juga dikenal sebagai taksonomi Adansonian yang
didasarkan atas lima prinsip utama yaitu:
1.
Taksonomi yang ideal adalah taksonomi yang mengandung informasi terbesar
yaitu yang didasarkan atas sebanyak-banyaknya karakter.
2.
Masing-masing karakter diberi nilai yang setara dalam mengkonstruksi takson
yang bersifat alami.
3.
Tingkat kedekatan antara dua strain (OTU: operational taxonomical unit)
merukapan fungsi proporsi similaritas sifat yang dimiliki bersama.
4.
Taksa yang berbeda dibentuk berdasarkan atas sifat yang dimiliki.
5.
Similaritas tidak bersifat filogenetis melainkan bersifat fenetis.
Taksonomi numerik membandingkan kemiripan sifat antara spesies tanpa
memperhatikan hubungan kekerabatan secara evolusionernya sehingga kadang
disebut juga dengan sistem fenetik. Derajat kekerabatan antara mikroba yang diuji
dapat disajikan dalam matriks similaritas yang akan digunakan dalam mengkonstruksi
dendogram. Berdasarkan konsep takso spesies, jika indeks similaritas yang dimiliki
antar mikroba ≥ 70% maka mikroba tersebut dapat dikatakan merupakan spesies yang
sama (Priest and Austin, 1993).
Taksonomi numerik didasarkan atas analisis
kuantitatif dan lebih bersifat objektif. Penggunaan taksonomi numerik
sering
dilakukan dalam klasifikasi dan identifikasi mikroba khususnya bakteri, tetapi masih
jarang dilakukan untuk klasifikasi dan identifikasi dari kelompok fungi dan protozoa
(Sembiring, 2004).
II. BAHAN DAN CARA KERJA
A. Bahan dan alat
Bahan dan alat yang digunakan dalam praktikum ini antara lain publikasi
(jurnal) ilmiah tentang klasifikasi numerik-fenetik, dan komputer yang memiliki
program Excell, PFE, MVSP, Paintshop Pro, dan Words.
B. Prosedur kerja
1.
Koleksi data
Data karakter yang digunakan dalam praktikum ini mengacu pada publikasi
ilmiah terkait dengan penggunaan taksonomi numerik yang dapat diakses melalui
internet. Semua data unit karakter selanjutnya dimasukkan ke dalam matriks n x
t.
2.
Penghitungan nilai similaritas
Untuk mengetahui tingkat kemiripan antar strain mikroba (OTU), masingmasing strain dibandingkan dengan strain yang lain dengan menggunakan dua
cara yaitu Simple Matching Coeficient (SSM) dan Jaccard Coeficient (SJ) dengan
rumus :
(a+d)
a
SSM = ---------------------- x 100%
SJ = ------------------ x 100%
(a+b+c+d)
(a+b+c)
Keterangan :
a : jumlah karakter yang (+) untuk kedua strain
b : jumlah karakter yang (+) untuk strain pertama dan (-) bagi strain kedua
c : jumlah karakter yang (-) untuk strain pertama dan (+) bagi strain kedua
d : jumlah karakter yang (-) untuk kedua strain.
3.
Konstruksi dendrogram dengan analisis komputer
Pengklasifikasian strain (OTU) berdasarkan nilai indeks similaritas (SSM atau
SJ) dilakukan dari matriks n x t yang selanjutnya dianalisis secara kuantitatif
dengan program komputer MVSV Plus (Multivariate Statistical Package) Version
2.0 (Kovach, 1990).
Algoritma pengklasteran (clustering) yang digunakan
adalah UPGMA (Unweighted Pair Group Method with Aritmetic Averages).
3.1. Pemasukan data dari matriks n x t ke dalam komputer (data entry)
Data karakter fenotipik yang telah diberi skor (+) atau (-) dimasukkan ke
dalam komputer dengan menggunakan program Excell. Data selanjutnya
dicopykan ke dalam program PFE (Programmer File Editor), selanjutnya
data (+) dikonversikan menjadi 1 dan data (-) dikonversikan menjadi 0.
Data
tersebut
kemudian
diolah
dalam
program
MVSV
untuk
mengkonstruksikan dendogram yang mencerminkan klasifikasi OTU
berdasarkan nilai indeks similaritas (SSM) dan (SJ) dengan algoritma
UPGMA.
3.2. Presentasi hasil klasifikasi
Dendrogram yang dihasilkan oleh analisis klaster (cluster) dalam program
MVSP selanjutnya di insert ke dalam file dokumen dalam program
WORDS (file teks).
3.3. Penentuan struktur taksonomis (deteksi phena)
Penentuan struktur taksonomis yang digambarkan oleh dendrogram
mengacu pada aturan standar yaitu bahwa pendefinisian fena dengan
tingkat similaritas > 70%.
Prosedur Operasi Program Komputer
1.
Pemasukkan data unit karakter ke dalam matriks n x t
Buka program Excell
Buka file baru (click new)
Label OTU diketikkan pada kolom (sejumlah strain uji n)
Label unit karakter diketikkan pada baris (row) sebanyak karakter uji (t)
Masing-masing nilai (+) atau (-) dimasukkan pada cell yang sesuai
Matriks n x t selesai disusun, selanjutnya dicopykan ke PFE dengan cara meng
highlight seluruh matriks dan kemudian click copy
2.
Program Excell diminimize.
Preparasi data dalam matriks n x t dengan program PFE
Program PFE dibuka
File baru dibuka dan click new
Click paste untuk mengkopikan file data yang dari Excell
Pada baris pertama ketik: *L t n Nama Data yang 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
satu spasi
Save file dalam format *.mvs dalam direktori MVSP, kemudian PFE
diminimize.
3.
Analisis data dengan MVSP untuk mengkonstruksi matriks similaritas dan
dendrogram
Program MVSP dibuka
Select Cluster Analysis, Ketik ? (Enter)
Select file name pattern: *.mvd (Enter)
Select M (Clustring method: Default UPGMA)
Select R (Run Analysis)
Enter output file name: *.OT2 (matrix similarity dan clustring steps) (Enter)
Enter tree description file name: *.plg (Enter)
(Cluster Analysis) !
Finish ! Press any key
Printout atau insert ke dalam WORDS (document file).
III.HASIL DAN PEMBAHASAN
A. Hasil
Tabel 3.1. Matriks Similaritas Simple Matching Coefficient
Similarity matrix
(UPGMA)
a
b
c
a
1
0.76
b
7
1
0.83
c
3
0.8
1
d
0.9
0.8
0.8
0.83 0.66 0.86
e
3
7
7
0.96 0.73
f
7
3
0.8
0.76
0.86
g
7
0.8
7
0.73 0.76 0.76
h
3
7
7
0.66
0.76
i
7
0.9
7
0.76 0.73 0.73
j
7
3
3
a
b
c
d
1
0.73
3
0.86
7
0.73
3
0.63
3
0.7
0.73
3
d
e
f
1
0.86
7
1
0.73
3
0.8
0.76
7
0.7
0.73
3
e
0.7
0.63
3
0.73
3
f
g
h
1
0.83
3
0.83
3
0.86
7
g
1
0.86
7
0.76
7
h
i
J
1
0.76
7
i
1
J
Tabel 3.2. Matriks Similaritas Jaccrad’s Coefficient
Similarity matrix
(UPGMA)
a
b
a
1
0.53
b
3
1
0.61 0.64
c
5
7
0.72 0.62
d
7
5
0.58 0.44
e
3
4
0.87 0.46
f
5
7
0.53 0.66
g
3
7
0.63
h
0.5
2
0.44 0.83
i
4
3
0.53 0.57
j
3
9
c
d
e
f
g
h
1
0.46
7
0.63
6
0.52
9
0.42
1
0.52
6
0.52
9
1
0.63
6
0.62
5
0.58
8
0.52
6
0.52
9
1
0.46
7
0.43
8
0.38
9
0.46
7
1
0.72
2
0.73
7
0.76
5
1
0.78
9
0.63
2
i
J
1
0.6
0.71
4
0.53
8
0.75
0.61
1
0.63
2
0.55
6
1
0.65
1
a
b
c
d
e
f
G
h
i
j
Tabel 3.3. Similaritas Simple Matching Coefficient
Node
1
2
3
4
5
6
7
8
9
Group
1
a
b
Node
1
c
g
Node
2
Node
3
Node
6
Node
7
Group
2
f
i
Simil.
0.967
0.9
in
group
2
2
d
e
j
0.883
0.867
0.867
3
2
2
h
Node
4
Node
5
Node
8
0.817
3
0.811
5
0.789
5
0.737
10
Tabel 3.4. Similaritas Jaccrad’s Coefficient
Node
1
2
3
4
5
6
7
8
9
Group
1
a
b
g
c
Node
2
Node
1
Node
5
Node
7
Node
6
Group
2
f
i
j
e
Simil.
0.875
0.833
0.765
0.714
in
group
2
2
2
2
h
0.711
3
d
Node
3
Node
4
Node
8
0.682
3
0.664
5
0.591
7
0.516
10
Tabel 3.5. Data Unsorted, Sorted dan Koefisien Korelasi Simple Matching
Coefficient
node
1
2
3
4
5
6
anggo
ta
af
bi
ad
fd
af
ce
gj
hb
ih
unsort
ed
0.967
0.9
0.883
0.883
0.967
0.867
0.867
0.817
0.817
sorted
0.967
0.9
0.9
0.8
0.967
0.867
0.867
0.767
0.867
koefisien
korelasi
53.96483084
7
8
9
bi
ad
fd
af
ce
ac
fc
dc
ae
fe
de
hg
gb
ig
jh
jb
ji
gj
hb
ih
bi
ah
ch
fh
dh
eh
ag
cg
fg
dg
eg
ab
cb
fb
db
eb
aj
cj
fj
dj
ej
ai
ci
fi
di
ei
0.9
0.811
0.811
0.811
0.811
0.811
0.811
0.811
0.811
0.811
0.811
0.789
0.789
0.789
0.789
0.789
0.789
0.789
0.789
0.789
0.789
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.9
0.9
0.8
0.967
0.867
0.833
0.8
0.8
0.833
0.867
0.733
0.833
0.8
0.833
0.767
0.733
0.767
0.867
0.767
0.867
0.9
0.733
0.767
0.7
0.633
0.767
0.767
0.867
0.733
0.733
0.8
0.767
0.8
0.733
0.8
0.667
0.767
0.733
0.733
0.733
0.733
0.667
0.767
0.633
0.7
0.7
ad
fd
af
ce
ac
fc
dc
ae
fe
de
hg
gb
ig
jh
jb
ji
gj
hb
ih
bi
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.737
0.9
0.8
0.967
0.867
0.833
0.8
0.8
0.833
0.867
0.733
0.833
0.8
0.833
0.767
0.733
0.767
0.867
0.767
0.867
0.9
Tabel 3.6. Data Unsorted, Sorted dan Koefisien Korelasi Jaccard’s Coefficient
node
1
2
3
4
5
6
7
8
anggo
ta
af
bi
gj
ce
bh
ih
bi
ad
fd
af
bg
bj
ig
ij
hg
hj
gj
bh
ih
bi
bc
be
ic
unsort
ed
0.875
0.833
0.765
0.714
0.711
0.711
0.711
0.682
0.682
0.682
0.664
0.664
0.664
0.664
0.664
0.664
0.664
0.664
0.664
0.664
0.591
0.591
0.591
sorted
0.875
0.833
0.765
0.714
0.632
0.789
0.833
0.727
0.636
0.875
0.667
0.579
0.737
0.65
0.722
0.632
0.765
0.632
0.789
0.833
0.647
0.444
0.632
koefisien
korelasi
51.5916405
9
ie
hc
he
gc
ge
jc
je
bg
bj
ig
ij
hg
hj
gj
bh
ih
bi
ce
ab
ac
ae
ag
ah
ai
aj
fb
fc
fe
fg
fh
fi
fj
db
dc
de
dg
dh
di
dj
ad
fd
af
bc
be
ic
ie
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.591
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.526
0.611
0.588
0.75
0.625
0.556
0.529
0.667
0.579
0.737
0.65
0.722
0.632
0.765
0.632
0.789
0.833
0.714
0.533
0.615
0.583
0.533
0.5
0.444
0.533
0.467
0.538
0.636
0.467
0.438
0.389
0.467
0.625
0.6
0.467
0.529
0.421
0.526
0.529
0.727
0.636
0.875
0.647
0.444
0.632
0.526
hc
he
gc
ge
jc
je
bg
bj
ig
ij
hg
hj
gj
bh
ih
bi
ce
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.516
0.611
0.588
0.75
0.625
0.556
0.529
0.667
0.579
0.737
0.65
0.722
0.632
0.765
0.632
0.789
0.833
0.714
Dendogram Simple Matching Coefficient
UPGMA
0.7
0.75
0.8
0.85
Simple Matching Coefficient
Dendogram Jaccard’s Coefficient
j
g
h
i
b
e
c
d
f
a
0.9
0.95
1
UPGMA
0.4
0.5
0.6
e
c
j
g
h
i
b
d
f
a
0.7
Jaccard's Coefficient
0.8
0.9
1
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 : 53).
IV. KESIMPULAN
DAFTAR REFERENSI
Heritage J, Evans E.G.V, and Killington R.A.. 1996. Introductory Microbiology.
Cambridge University Press.
Kovach, W.L. 1990. MVSP Plus Version 2.0. User Manual.
Lengeler J.W, G. Drews, and H.G. Schlegel.. 1999. Biology of the Prokaryotes.
Blackwell Science, New York.
Maugeri T.L., Gugliandolo C.,Caccamo D., Stackebrandt E.. 2001. A polyphasic
taxonomic study of Thermophilic Bacilli from Shallow, Marine Vents.
Systematic and Applied Microbiology 24: 572-587.
Priest F., and Austin B.. 1993. Modern Bacterial Taxonomy. Second edition.
Chapman & Hall, United Kingdom.
Sembiring, L. 2004. Sistematika Mikroba sebagai sarana penyingkap
keanekaragaman mikroba dalam upaya pelesterian dan pemanfaatan
sumberdaya hayati mikroba. Prosiding Seminar Nasional “Peranan
Biosistematika dalam Menunjang Pemanfaatan Keanekaragaman Hayati”,
Program Studi Biologi Fakultas MIPA ITS, Surabaya 25 September 2004.