taksonomi numerik
DESCRIPTION
laporan taksonomi numerik bakteriTRANSCRIPT
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.