KLASIFIKASI FENETIK:

TAKSONOMI NUMERIK
-3-
 TAKSONOMI NUMERIK
(TAKSONOMI ADANSONIAN)
• Penemu: Michael Adanson (ahli Botani asal Perancis)
• Nama lain: computer taxonomy, numerical phonetic analysis,
taxometrics, taxonometrics
‘the grouping by numerical methods of taxonomic units into taxa on the basis of their characteristics”
(Sneath & Sokal, 1973)
pengelompokan dengan metode numerik suatu unit taksonomi menjadi taksa berdasarkan karakteristiknya

Taksonomi Numerik:
pengelompokan unit takson dengan metode kuantitatif
berdasarkan keadaan sifat-sifat (state character)
SUMBER DATA:
(Logan, 1994)

Karakter bentuk sel:

state character nya
berupa bentuk batang,
kokus, spiral.
 Lima Prinsip Taksonomi Adansonian:
1. Taksonomi alami ideal: taksonomi yang mengandung informasi terbesar
yaitu yang didasarkan atas sebanyak-banyaknya sifat.
2. Masing-masing sifat diberi “nilai” yang setara (unweighted)
dalam mengkonstruksi taksa alami.(semua karakter diperlakukan sama;
tidak menganggap satu karakter yg satu lebih penting dibanding yang
lain).
3. Similaritas keseluruhan (afinitas) merupakan fungsi proporsi sifat yang
dimiliki bersama (total similaritas merupakan fungsi karakter).
4. Taksa yang berbeda didasarkan atas sifat yang dimiliki.
5. Similaritas tidak bersifat filogenetis. (mirip belum tentu berkerabat).
Taksonomi Numerik:
• mengandung banyak informasi
• sebanyak-banyak karakter (politetik)
• dapat mengakomodasi variasi
• sistem simpanan informasi yang berharga
• sistem “retrieval” bagi para ilmuwan
 Prosedur Taksonomi Numerik:
1. Pemilihan strain dan uji karakter
• Pemilihan strain (Operational Taxonomic Units/OTU),
termasuk reference culture (belum tentu type strain)
• Pemilihan karakter: minimal 50 karakter, optimum
100-150 karakter.
• Akuisisi (cara mendapatkan) data secara tepat: rapid
methodology & automation. Contoh: API system
• Pengkodean data (data coding): mengubah karakter
yg bersifat kualitatif menjadi bersifat kuantitatif
STRAINS (OTU):
• Populasi organisme yang dibedakan dari
yang lain dalam satu takson
• Diturunkan dari satu organisme atau
diisolasi dari kultur murni
• Berbeda satu sama lain dalam banyak
hal:
1) Biovar - berbeda secara biokimia dan secara
fisiologis
2) Morfovar - berbeda secara morfologis
3) Serovar - berbeda dalam sifat antigenik
TYPE STRAIN:
• Strain pertama yang diketahui dari spesies yang dipelajari
• Sering kali paling lengkap karakternya
• Belum tentu paling representatif dari anggota spesies yang dipelajari
 Isolat Pi.6.1
(Laheba, 2019)
 HASIL IDENTIFIKASI Strain
Salmonella typhi
dengan Uji API 20E
(Amarantini et al., 2009)

strain acuan S. typhi NCTC 786

HASIL IDENTIFIKASI Strain Salmonella typhi dengan Uji API 50 CHE
(Amarantini et al., 2009)
CODING
• Coding penting untuk menterjemahkan character state mana yang
negatip dan mana yang positip
• Coding dpt berupa multistate character atau single state character
• Contoh warna dapat dikoding berdasarkan perbedaan warna yang
tampak atau hanya berdasarkan ada tidaknya warna
Karakter Character State
Warna koloni Putih/kuning/Oranye/merah/ungu
Pigmen berfluoresen Ada/ tidak
difusibel
Reaksi pengecatan gram Gram + / gram -
Mikromorfologi Batang / kokus
Motilitas Ada/ tidak
Produksi katalase Ada/ tidak
Reduksi nitrat Ada/ tidak
Degradasi pati Ada/ tidak
Pertumbuhan dalam 7% Ada/ tidak
NaCl
Karakter OTU
1 2 3 4
Panjang sel (µm)
1 – 1,9 0 1 1 1
2 -3 0 0 1 1
>3 0 0 0 1

Karakter OTU
1 2 3 4
Koloni merah 0 1 0 0
Koloni biru 0 0 1 0
Koloni ungu 0 0 0 1
 Prosedur Taksonomi Numerik:
2. Evaluasi Eror
a) Estimasi test error
b) Komputasi resemblance (=afinitas =similaritas)
c) Konstruksi dendrogram (pengklasteran)= clustering
analysis
d) Evaluasi dendrogram (co-phenetic-correlation test)

3. Pendefinisian tingkat takson

ESTIMASI EROR PENGUJIAN KARAKTER:
Sneath & Johnson (1972):
individual test variances between duplicated strains [S2) are calculated from:
 TEST
OTU A B C
Original 1 + + -
Duplicate 1 + - -
culture
Original 2 + + +
Duplicate 2 - + +
culture
Original 3 + + +
Duplicate 3 + - +
culture

Test variances (Si2): A=0,16; B=0,33; C=0

= 0,2 = 20%
Eror untuk test karakter 20% nilai ini terlalu besar sehingga karakter 1 tidak dapat dipakai.
APLIKASI TAKSONOMI NUMERIK
Aplikasi sistematika mikrobia:
- Koleksi data fenotipik mikrobia
(50 karakter, OTU: 15-20)
- Tabulasi data
- Analisis data
(dg komputer: MVSP)
 Contoh: Tabel n x t
Karakter Strain Mikrobia (Operational Taxonomical Unit)

A B C D E
1 + + - - -
2 + - + - -
3 + - - - -

4 - - + - +

5 + + + + +

6 - - + + +

7 + + - - +

8 + + - + +

9 - - + - +

10 - - - + +
Komputasi nilai resemblance (similaritas):
Hasil Uji Hasil uji Strain A
Strain B

+ -

+ a b

- c d
INDEKS SIMILARITAS:
• Simple matching coeficient

a + d
Jaccard coeficient
• (SSM) = -------------------- x 100%
a +b +c +d
a
• (SJ) = ----------------- x 100%
a +b +c
Contoh kalkulasi SSM
• SSM (A-B) : a = 4; b = 2; c = 0; d = 4: SSM = 80%
• SSM (A-C) : a = 2; b = 4; c = 3; d = 1: SSM = 30%
• SSM (A-D) : a = 2; b = 4; c = 2; d = 2: SSM = 40%
• SSM (A-E) : a = 3; b = 3; c = 4; d = 0: SSM = 30%
• …………dan selanjutnya !!!
MATRIKS SIMILARITAS
(unsorted=belum ditata sesuai dg kemiripan)

A B C D E

A 100

B 80 100

C 30 30 100

D 40 60 50 100

E 30 50 60 70 100
 Clustering analysis
Sim (%) Strain Mikrobia (OTU)
100 A B C D E
90 A B C D E
80 (A, B) C D E
70 (A, B) C (D,E)
60 (A, B) C (D,E)
55 (A, B) (C)(D,E)}
50 (A, B) (C)(D,E)}
40 (A, B) } (C)(D,E)}]
30 (A, B) } (C)(D,E)}]
20 (A, B) } (C)(D,E)}]
10 (A, B) } (C)(D,E)}]
Tugas:

• Gambarkan dendogram yang terbentuk?

Algoritme pengklasteran
(Clustering algorithm)
cara penggabungan satu strain dg strain yang lain

1. Single linkage: fusi klaster dengan nilai similaritas

tertinggi
2. Average linkage: fusi klaster dengan nilai similaritas
rerata (UPGMA)
3. Complete linkage: fusi klaster dengan nilai
similaritas terkecil
UPGMA: unweihgted paired group
Analisis kofenetik-korelasi
• Setelah analisis dg dendogram, diketahui bahwa ada pergeseran nilai
similaritas.
• Nilai-nilai pada matriks asli dpt diperbandingkan dg nilai-nilai pada
matriks sesudah dendogram
• Bilai X sbg nilai similaritas asli sdgkan y sbg nilai similaritas sesudah
dendogram dg syarat r ≥ 60% (nilai r yang dpt diterima) artinya
dendogram yg dihasilkan dpt digunakan sbg alat utk mengidentifikasi
Matriks similaritas derived from dendogram (Y)
A B D E C

A 100
B 100
D 100
E 100
C 100
KESIMPULAN:
• Dendogram sebagai alat uji identifikasi dan klasifikasi
• Pemilihan suatu karater sebaiknya diambil dari kisaran karakter yg
stabil. Oleh karena itu dalam klasifikasi numerik fenetik digunakan
karakter sebanyak-banyaknya untuk menghindari ketidakstabilan
suatu karakter.
• Ahli sistematik bekerja pada ranah melihat perbedaan di dalam bayak
kemiripan dan melihat kemiripan diantara banyak perbedaan.