KLASIFIKASI MIKROBA DENGAN METODE TAKSONOMI

NUMERIK-FENETIK

Oleh:

Nama : Putri Intan Maharani

NIM : B1J014142
Kelompok :2
Rombongan :I
Asisten : Khusnul Khotimah

LAPORAN PRAKTIKUM SISTEMATIKA MIKROBA

KEMENTERIAN RISET, TEKNOLOGI, DAN PENDIDIKAN TINGGI

UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS BIOLOGI
PURWOKERTO

2017
 I. PENDAHULUAN

A. Latar Belakang

Taksonomi merupakan suatu langkah dalam pengelompokan jasad hidup

kedalam kelompok atau takson yang sesuai. Taksonomi dapat dilakukan secara
numerik ataupun fenetik. Taksonomi secara numerik (numerical taxonomy) adalah
taksonomi yang dikelompokkan berdasarkan pada informasi sifat suatu organisme
yang dikonversikan ke dalam bentuk yang sesuai untuk analisis numerik dan
dibandingkan menggunakan komputer. Sebaiknya 50 atau beberapa ratus karakter
yang dapat dibandingkan, karakter tersebut diantaranya adalah karakter morfologi,
biokimiawi, dan fisiologi. Koefisien asosiasi ditentukan diantara karakter – karakter
yang dimiliki oleh dua atau lebih organisme (Felsenstein, 2004).
Semakin tinggi nilai similaritas antara kedua strain, maka bisa dikatakan bahwa
strain tersebut memiliki banyak kemiripan, sehingga nilai indeks similaritas antar
kedua strain dapat digunakan untuk memasukkan bakteri ke dalam suatu kelompok
tertentu. Berdasarkan konsep takso spesies, suatu individu termasuk kedalam jenis
spesies yang sama jika memiliki indeks similaritas lebih dari 70% (Sokal & Sneath,
1963). Klaster yang terbentuk pada metode Simple Matching Coefficient memiliki
kesamaan karakter dari beberapa isolat yang ada didalamnya dikelompokan
berdasarkan kesesuaian seluruh sifat-sifat atau karakter-karakter yang dimilikinya.
Praktikum kali ini menggunkan beberapa software yaitu PFE (Programmer’s
File Editor), MVSP (Multivariate Statistical Package), Microsoft Excell dan
Microsoft Word. PFE (Programmer’s File Editor) merupakan software yang
berfungsi sebagai pengkodean unit karakter dengan cara pemberian skor, unit
karakter yang positif (+) akan diberi skor 1 dan untuk unit karakter yang negatif (-)
akan diberi skor 0. Microsoft Excell berguna untuk mengkoleksi data, dimana data
yang sudah ditentukan nilai n dan tnya kemudian dimasukan ke MS Excell untuk
disusun dalam matriks n x t. n sebagai jumlah strain dan t sebagai jumlah unit
karakter. Data yang telah diolah menggunakan program PFE kemudian dianalisis
dengan program MVSP (Multi Variate Statistical Package). Untuk mengetahui
hubungan similaritas antara strain satu dan strain yang lainnya digunakan SSM
(Simple Matching Coefficients) versi 3,1. Kemudian pengklusteran dilakukan dengan
menggunakan algoritma UPGMA (Unweighted Pair Group Methode with Averages)
yang akan membentuk sebuah dendogram (Zulaika et al., 2014)

B. Tujuan

Tujuan dari praktikum taksonomi numerik-fenetik adalah untuk dapat

mengetahui cara dan tahapan analisis kemiripan bakteri dengan metode taksonomi
numerik-fenetik.
 II. MATERI DAN CARA KERJA

A. Materi

Alat yang digunakan dalam praktikum kali ini adalah komputer atau laptop
yang memiliki program Excell, PFE, MVSP, Photoshop Pro dan Words.
Bahan yang digunakan dalam praktikum kali ini diantaranya adalah publikasi
(jurnal) ilmiah tentang klasifikasi numerik-fenetik (data hasil karakter mikroba).

B. Cara Kerja

Prosedur Operasi Program Komputer

1. Pemasukkan data unit karakter ke dalam matriks n x t
 Program Excell dibuka
 File baru dibuka (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
 Program Excell diminimize.
2. 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
 Buka program MVSP
 Open file hasil olahan aplikasi Programmer’s File Editor

 Klik menu Analyses kemudian pilih Cluster Analysis

 Centang seluruh pilihan pada pilihan Advanced di kolom “Results to

Display”

 Data sorted dan unsorted dicopykan ke dalam Excel lalu dihitung

koefisiennya.

 Dendrogram discreenshot atau dicopy ke Ms. Word

 III. HASIL DAN PEMBAHASAN

Tabel 3.2 Cluster Analisis Simple Matching Coefficients

Simple Matching
Coefficients
UNSORTED
Similarity matrix
A B C D E F G H
A 1
B 0.96 1
9
C 0.62 0.65 1
5 6
D 0.71 0.68 0.844 1
9 8
E 0.71 0.68 0.844 0.875 1
9 8
F 0.59 0.56 0.594 0.688 0.688 1
4 3
G 0.75 0.71 0.75 0.844 0.781 0.719 1
9
H 0.68 0.65 0.75 0.844 0.781 0.781 0.938 1
8 6
A B C D E F G H
SORTED
Node Group 1 Group 2 Simil. in group
1 A B 0.969 2
2 G H 0.938 2
3 D E 0.875 2
4 C Node 3 0.844 3
5 Node 4 Node 2 0.792 5
6 Node 5 F 0.694 6
7 Node 1 Node 6 0.672 8
NODE Anggota Sorted Unsorte Koefisien
d
1 AB 0.969 0.969 88.0897452
2
2 GH 0.938 0.938
3 DE 0.875 0.875
4 CD 0.844 0.844
CE 0.844 0.844
 5 CG 0.792 0.75
CH 0.792 0.75
DG 0.792 0.844
DH 0.792 0.844
EG 0.792 0.781
EH 0.792 0.781
6 DF 0.694 0.688
CF 0.694 0.594
EF 0.694 0.688
GF 0.694 0.719
HF 0.694 0.781
7 AD 0.672 0.719
AC 0.672 0.625
AE 0.672 0.719
AF 0.672 0.594
AG 0.672 0.75
AH 0.672 0.688
BD 0.672 0.688
BC 0.672 0.656
BE 0.672 0.688
BF 0.672 0.563
BG 0.672 0.719
BH 0.672 0.656

Tabel 3.2 Cluster Analisis Jaccard’s Coefficient

Jaccard's Coefficient
Similarity
matrix
A B C D E F G H
A 1
B 0.95 1
2
C 0.53 0.57 1
8 7
D 0.62 0.6 0.773 1
5
E 0.64 0.61 0.783 0.818 1
5
F 0.45 0.44 0.458 0.545 0.565 1
8
G 0.63 0.60 0.636 0.75 0.682 0.55 1
6 9
H 0.56 0.54 0.636 0.75 0.682 0.632 0.882 1
5 2
A B C D E F G H
Node Group 1 Group 2 Simil. in group
 1 A B 0.952 2
2 G H 0.882 2
3 D E 0.818 2
4 C Node 3 0.778 3
5 Node 4 Node 2 0.689 5
6 Node 1 Node 5 0.595 7
7 Node 6 F 0.521 8
Node Anggota Sorted Unsorted Koefisien
1 AB 0.952 0.952 93.03276
2 GH 0.882 0.882  
3 DE 0.818 0.818  
4 CD 0.778 0.773  
  CE 0.778 0.783  
5 CG 0.689 0.636  
  DG 0.689 0.75  
  EG 0.689 0.682  
  CH 0.689 0.636  
  DH 0.689 0.75  
  EH 0.689 0.682  
6 CA 0.595 0.538  
  DA 0.595 0.625  
  EA 0.595 0.64  
  GA 0.595 0.636  
  HA 0.595 0.565  
  CB 0.595 0.577  
  DB 0.595 0.6  
  EB 0.595 0.615  
  GB 0.595 0.609  
  HB 0.595 0.542  
7 AF 0.521 0.458  
  BF 0.521 0.44  
  CF 0.521 0.458  
  DF 0.521 0.545  
  EF 0.521 0.565  
  GF 0.521 0.55  
  HF 0.521 0.632  

Hasil praktikum pada acara ini yaitu diperoleh koefisien korelasi dari metode
Simple Matching Coefficient sebesar 88,0897 % dan untuk metode Jaccard’s
Coefficient sebesar 93,0328 %. Hal ini menunjukkan bahwa hasil dendogram yang
terbentuk memiliki tingkat ketepatan yang tinggi, sehingga dendogram yang
terbentuk dapat digunakan. Semakin tinggi nilai similaritas antara kedua strain, maka
bisa dikatakan bahwa strain tersebut memiliki banyak kemiripan, sehingga nilai
indeks similaritas antar kedua strain dapat digunakan untuk memasukkan bakteri ke
dalam suatu kelompok tertentu. Berdasarkan konsep takso spesies, suatu individu
termasuk kedalam jenis spesies yang sama jika memiliki indeks similaritas lebih dari
70% (Sokal & Sneath, 1963).

UPGMA
F
H
G
E
D
C
B
A
0,64 0,7 0,76 0,82 0,88 0,94 1

Simple Matching Coefficient

Gambar 3.1 Dendrogram Simple Matching Coefficient

Berdasarkan Gambar 3.1 kita dapat melihat bahwa terdapat 7 nodes. Nodus
yang menunjukkan paling dekat kerabtanya adalah nodus 1, yaitu species A dan B
dengan nilai kemiripan 0.969. selanjutnya ialah nodes kedua, yaitu species G dan H,
dengan nilai kemiripan 0.938. selanjutnya adalah nodes ketiga, yaitu species D dan
E, dengan nilai kemiripan 0.875. selanjutnya adalah nodes ke empat, yaitu species C,
D, E dengan nilai kemiripan 0.844, selanjutnya adalah nodes kelima, yaitu species C,
D, E, G, H, dengan nilai kemiripan 0.792. selanjutnya adalah nodes ke enam, yaitu
species C, D, E, G, H, F dengan nilai kemiripan 0.694. selanutnya adalah nodes
ketujuh, yaitu species A, B, C, D, E, G, H, F, dengan nilai kemiripan 0.672.
 Gambar 3.2 Dendrogram Jaccard’s Coefficient
Berdasarkan nodes tersebut pada Gambar 3.2, kita dapat melihat bahwa
terdapat 7 nodes. Nodus yang menunjukkan paling dekat kerabtanya adalah nodus 1,
yaitu species A dan B dengan nilai kemiripan 0.952. selanjutnya ialah nodes kedua,
yaitu species G dan H, dengan nilai kemiripan 0.882. selanjutnya adalah nodes
ketiga, yaitu species D dan E, dengan nilai kemiripan 0.818. selanjutnya adalah
nodes ke empat, yaitu species C, D, E dengan nilai kemiripan 0.778, selanjutnya
adalah nodes kelima, yaitu species C, D, E, G, H, dengan nilai kemiripan 0.689.
selanjutnya adalah nodes ke enam, yaitu species C, D, E, G, H, F dengan nilai
kemiripan0.595. selanutnya adalah nodes ketujuh, yaitu species A, B, C, D, E, G, H,
F, dengan nilai kemiripan 0.521.
 IV. KESIMPULAN DAN SARAN

A. Kesimpulan

Berdasarkan hasil dari pembahasan dapat disimpulkan bahwa diperoleh

koefisien korelasi dari metode Simple Matching Coefficient sebesar 88,0897 % dan
untuk metode Jaccard’s Coefficient sebesar 93,0328 %. Nodus yang menunjukkan
paling dekat kekerabatannya adalah nodus 1, yaitu species A dan B dengan nilai
kemiripan 0.952 pada Jaccard’s Coefficient dan 0.969 pada Simple Matching
Coefficient.

B. Saran

Sebaiknya praktikan menyiapkan datanya sebelum praktikum berlangsung

agar jalannya praktikum dapat berjalan lebih cepat.
 DAFTAR REFERENSI

Ertaş, M., Özdemir, K., and Atalan, E. 2013. Isolation and Characterization of
Micromonospora Bacteria from Various Soil Samples Obtained Around Lake
Van. African Journal of Biotechnology, 12(21): 3283-3287.

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

Harly, J. P. 2005. Laboratory Exorcises in Microbiology sixth Edition. McGrawHill

Companies, inc, 1211, Avence of the Amonical. New York.

Jutono, J., Soedarsono, Hartadi, S., Kabirun, S., dan Susanto. 1973. Pedoman
Praktikum Mikrobiologi Umum Untuk Perguruan Tinggi. Universitas Gadjah
Mada. Yokyakarta

Mulumba, J. W. dan Kakudidi, E. 2011. Infraspecific Delimitation of Acacia Senegal

(Fabaceae) In Uganda. American Journal Of Plant Sciences. 12(1): 345-353.

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.
Zulaika, E., Shovitri, M., And N.D. Kuswytasari. 2014. Numerical Taxonomy For
Detecting The Azotobacterial Diversity. Journal Of Basic And Applied
Scientific Research, 7: 7263-7269