KLASIFIKASI MIKROBA DENGAN METODE TAKSONOMI NUMERIK

Oleh :
Nama : Athoullah
NIM : B1J013121
Rombongan :I
Kelompok :6
Asisten : 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), masing-
masing 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
 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
 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 d e f g h i J
a 1
0.76
b 7 1
0.83
c 3 0.8 1
d 0.9 0.8 0.8 1
0.83 0.66 0.86 0.73
e 3 7 7 3 1
0.96 0.73 0.86 0.86
f 7 3 0.8 7 7 1
0.76 0.86 0.73 0.73
g 7 0.8 7 3 0.8 3 1
0.73 0.76 0.76 0.63 0.76 0.83
h 3 7 7 3 7 0.7 3 1
0.66 0.76 0.63 0.83 0.86
i 7 0.9 7 0.7 0.7 3 3 7 1
0.76 0.73 0.73 0.73 0.73 0.73 0.86 0.76 0.76
j 7 3 3 3 3 3 7 7 7 1
a b c d e f g h i J

Tabel 3.2. Matriks Similaritas Jaccrad’s Coefficient

Similarity matrix
(UPGMA)
a b c d e f g h i J
a 1
0.53
b 3 1
0.61 0.64
c 5 7 1
0.72 0.62
d 7 5 0.6 1
0.58 0.44 0.71 0.46
e 3 4 4 7 1
0.87 0.46 0.53 0.63 0.63
f 5 7 8 6 6 1
0.53 0.66 0.52 0.62 0.46
g 3 7 0.75 9 5 7 1
0.63 0.61 0.42 0.58 0.43 0.72
h 0.5 2 1 1 8 8 2 1
0.44 0.83 0.63 0.52 0.52 0.38 0.73 0.78
i 4 3 2 6 6 9 7 9 1
0.53 0.57 0.55 0.52 0.52 0.46 0.76 0.63
j 3 9 6 9 9 7 5 2 0.65 1
 a b c d e f G h i j

Tabel 3.3. Similaritas Simple Matching Coefficient

Group Group in
Node 1 2 Simil. group
1 a f 0.967 2
2 b i 0.9 2
Node
3 1 d 0.883 3
4 c e 0.867 2
5 g j 0.867 2
Node
6 2 h 0.817 3
Node Node
7 3 4 0.811 5
Node Node
8 6 5 0.789 5
Node Node
9 7 8 0.737 10
Tabel 3.4. Similaritas Jaccrad’s Coefficient
Group Group in
Node 1 2 Simil. group
1 a f 0.875 2
2 b i 0.833 2
3 g j 0.765 2
4 c e 0.714 2
Node
5 2 h 0.711 3
Node
6 1 d 0.682 3
Node Node
7 5 3 0.664 5
Node Node
8 7 4 0.591 7
Node Node
9 6 8 0.516 10

Tabel 3.5. Data Unsorted, Sorted dan Koefisien Korelasi Simple Matching
Coefficient
anggo unsort koefisien
node sorted
ta ed korelasi
1 af 0.967 0.967 53.96483084
2 bi 0.9 0.9
3 ad 0.883 0.9
fd 0.883 0.8
af 0.967 0.967
4 ce 0.867 0.867
5 gj 0.867 0.867
6 hb 0.817 0.767
ih 0.817 0.867
 bi 0.9 0.9
7 ad 0.811 0.9
fd 0.811 0.8
af 0.811 0.967
ce 0.811 0.867
ac 0.811 0.833
fc 0.811 0.8
dc 0.811 0.8
ae 0.811 0.833
fe 0.811 0.867
de 0.811 0.733
8 hg 0.789 0.833
gb 0.789 0.8
ig 0.789 0.833
jh 0.789 0.767
jb 0.789 0.733
ji 0.789 0.767
gj 0.789 0.867
hb 0.789 0.767
ih 0.789 0.867
bi 0.789 0.9
9 ah 0.737 0.733
ch 0.737 0.767
fh 0.737 0.7
dh 0.737 0.633
eh 0.737 0.767
ag 0.737 0.767
cg 0.737 0.867
fg 0.737 0.733
dg 0.737 0.733
eg 0.737 0.8
ab 0.737 0.767
cb 0.737 0.8
fb 0.737 0.733
db 0.737 0.8
eb 0.737 0.667
aj 0.737 0.767
cj 0.737 0.733
fj 0.737 0.733
dj 0.737 0.733
ej 0.737 0.733
ai 0.737 0.667
ci 0.737 0.767
fi 0.737 0.633
di 0.737 0.7
ei 0.737 0.7
 ad 0.737 0.9
fd 0.737 0.8
af 0.737 0.967
ce 0.737 0.867
ac 0.737 0.833
fc 0.737 0.8
dc 0.737 0.8
ae 0.737 0.833
fe 0.737 0.867
de 0.737 0.733
hg 0.737 0.833
gb 0.737 0.8
ig 0.737 0.833
jh 0.737 0.767
jb 0.737 0.733
ji 0.737 0.767
gj 0.737 0.867
hb 0.737 0.767
ih 0.737 0.867
bi 0.737 0.9
Tabel 3.6. Data Unsorted, Sorted dan Koefisien Korelasi Jaccard’s Coefficient
anggo unsort koefisien
node sorted
ta ed korelasi
1 af 0.875 0.875 51.5916405
2 bi 0.833 0.833
3 gj 0.765 0.765
4 ce 0.714 0.714
5 bh 0.711 0.632
ih 0.711 0.789
bi 0.711 0.833
6 ad 0.682 0.727
fd 0.682 0.636
af 0.682 0.875
7 bg 0.664 0.667
bj 0.664 0.579
ig 0.664 0.737
ij 0.664 0.65
hg 0.664 0.722
hj 0.664 0.632
gj 0.664 0.765
bh 0.664 0.632
ih 0.664 0.789
bi 0.664 0.833
8 bc 0.591 0.647
be 0.591 0.444
ic 0.591 0.632
 ie 0.591 0.526
hc 0.591 0.611
he 0.591 0.588
gc 0.591 0.75
ge 0.591 0.625
jc 0.591 0.556
je 0.591 0.529
bg 0.591 0.667
bj 0.591 0.579
ig 0.591 0.737
ij 0.591 0.65
hg 0.591 0.722
hj 0.591 0.632
gj 0.591 0.765
bh 0.591 0.632
ih 0.591 0.789
bi 0.591 0.833
ce 0.591 0.714
9 ab 0.516 0.533
ac 0.516 0.615
ae 0.516 0.583
ag 0.516 0.533
ah 0.516 0.5
ai 0.516 0.444
aj 0.516 0.533
fb 0.516 0.467
fc 0.516 0.538
fe 0.516 0.636
fg 0.516 0.467
fh 0.516 0.438
fi 0.516 0.389
fj 0.516 0.467
db 0.516 0.625
dc 0.516 0.6
de 0.516 0.467
dg 0.516 0.529
dh 0.516 0.421
di 0.516 0.526
dj 0.516 0.529
ad 0.516 0.727
fd 0.516 0.636
af 0.516 0.875
bc 0.516 0.647
be 0.516 0.444
ic 0.516 0.632
ie 0.516 0.526
 hc 0.516 0.611
he 0.516 0.588
gc 0.516 0.75
ge 0.516 0.625
jc 0.516 0.556
je 0.516 0.529
bg 0.516 0.667
bj 0.516 0.579
ig 0.516 0.737
ij 0.516 0.65
hg 0.516 0.722
hj 0.516 0.632
gj 0.516 0.765
bh 0.516 0.632
ih 0.516 0.789
bi 0.516 0.833
ce 0.516 0.714

Dendogram Simple Matching Coefficient

UPGMA
j
g
h
i
b
e
c
d
f
a
0.7 0.75 0.8 0.85 0.9 0.95 1

Simple Matching Coefficient

Dendogram Jaccard’s Coefficient

 UPGMA
e
c
j
g
h
i
b
d
f
a
0.4 0.5 0.6 0.7 0.8 0.9 1

Jaccard's Coefficient
 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.