TAKSONOMI

NUMERIK
Aisa Wulan Shofiati (01311640000014)
Ira Puspaningtyas (01311640000016)
Rosita Wati (01311640000020)
Nindya Nanda Nipadani (01311640000022)
Alifah ‘Adany (01311640000024)
Ricky Putra Prakasa (01311640000026)
Diaz Rukhmiyati Kurnia (01311640000030)

SISTEMATIKA MIKROBIA
• Pencetus utamanya: Sneath & Sokal, 1963

• Taksonomi numerik disebut juga dengan

taksometrik sebab menggunakan analisis
pengelompokan berdasarkan angka dengan
komputasi

• Taksonomi numerik merupakan metode

pengelompokan unit takson secara kuantitatif
berdasarkan karakter dan sifat fenotip yang
dimiliki organisme
 Kelebihan Taksonomi Numerik dari
Taksonomi Konvensional
• Lebih ideal sebab dasarnya adalah sebanyak-
banyaknya sifat fenotip yang dimiliki
• Masing-masing sifat diberi “nilai” yang setara saat
mengkonstruksi taksa nya
• Similaritas keseluruhan merupakan fungsi proporsi
sifat yang dimiliki bersama.
• Taksa yang berbeda didasarkan atas sifat yang
dimiliki.
• Similaritas tidak besifat filogenetis.
Taksonomi Tradisional

– Monotetik

– Karakter tunggal

– Dipilih secara subyektif

– Tidak dapat mengakomodasi variasi (mutan)

Fundamental Taksonomi Numerik

– Mengandung banyak informasi

– Mempunyai karakter banyak (politetik)
– Dapat mengakomodasi variasi
– Menjadi simpanan informasi yang berharga
– Dapat digunakan sebagai sistem “retrieval”
bagi para ilmuwan
Karakter yang dapat digunakan untuk
Taksonomi Numerik Fenetik

Sifat molekular
Konstruksi:
Sifat Kimiawi • matriks Klasifikasi
Kemiripan
similaritas numerik
Sifat
fenetik
Sifat fisiologis • dendogram

Sifat morfologis
Prinsip dasar taksonomi numerik fenetik

Menggunakan sebanyak-banyaknya karakter fenotip pada suatu organisme

(Operational Taxonomic Units: OTU)

Menggunakan prinsip pemberian nilai yang setara untuk semua karakter.

Menghasilkan informasi yang banyak dari OTU yang diuji

Menghasilkan klasifikasi yang bersifa teliti, reprodusibel, dan padat informasi

Taksa yang berbeda dibentuk berdasarkan sifat yang dimiliki.

Tingkat kedekatan antara dua strain (OTU) merupakan

fungsi proporsi similaritas sifat yang dimiliki bersama
KLASIFIKASI NUMERIK PADA MIKROORGANISME

• Sebelum melakukan klasifikasi, sangat penting untuk

mengetahui jenis/tipe hubungan yang akan disajikan/diuraikan

• Klasifikasi mikroorganisme biasanya disajikan berdasarkan

hubungan fenetik  yaitu penyusunan dengan menentukan
kesamaan (similaritas) karakter fenotip dari strain yang
dipelajari.
Prinsip Dasar Taksonomi Numerik

1. Pemilihan strain dan uji karakter

 Pemilihan strain (OTU) - Operational
Taxonomic Units
 Pemilihan karakter
 Akuisisi data secara tepat
 Pengkodean data
 Penentuan similaritas  penyusunan strain
untuk menunjukkan similaritas
 Prinsip Dasar Taksonomi Numerik

2. Evaluasi Eror
Estimasi test error
Komputasi berdasar kemiripan
Konstruksi dendrogram (pengklasteran)
Evaluasi dendrogram (co-phenetic-
correlation test)

3. Pendefinisian tingkat takson

KARAKTER

– Pengumpulan strain  menentukan sifat apa saja yang akan

digunakan untuk mengklasifikasi strain tersebut
– Strategi:
– karakter yang dapat menimbulkan hasil berbeda-beda pada
OTU, harus menggunakan minimum 2 macam karakter
– Contoh: endospora, + (ada endospora) dan - (non endospora)
harus dibandingkan berdasarkan karakter homologi yang
berlaku untuk semua OTU
– Rentang karakter taksonomi sangat luas maka pemilihan
karakter harus dipandu berdasarkan beberapa pertimbangan
(misal: jumlah dan stabilitas karakter).
 HAL-HAL YANG HARUS DIPERHATIKAN:
1. PLESIOMORFI

– Karakter primitif  karakter yang dimiliki oleh tetuanya

– Karakter tetua yang masih dipertahankan dinamakan
simplesiomorfi (plesiomorfi bersama).

Penentuan karakter plesiomorfi :

- Menggunakan takson outgroup atau takson (kelompok)
tamu.
- Kelompok tamu: kelompok di luar takson yang akan
dipelajari tetapi diasumsikan masih satu nenek moyang.
- Organisme-organisme yang diteliti disebut ingroup.
2. APOMORFI

– Sifat atau karakter derivat: yaitu karakter yang tidak

dimiliki oleh tetuanya.
– Karakter derivat dari dua taksa atau lebih disebut
sinapomorfi (apomorfi bersama).

3. PARSIMONI
• Parsimoni berasal dari kata bahasa Latin parsimonia
(parsus) artinya menghemat
• Hemat dalam menyusun hipotesis.
• Yang dihemat adalah asumsi atau hipotesis, berarti
juga pembuktian
TAHAPAN TASONOMI NUMERIK

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 similaritas:

Hasil Uji Hasil uji Strain A

Strain B
+ -

+ a b

- c d
Indeks similaritas:

– Simple matching coeficient

a + d
– (S ) = -------------------- x 100%
SM

a +b +c +d
Jaccard coeficient

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 seterusnya
Matriks Similaritas

A B C D E
A 100 80 30 40 30
B 80 100 30 60 50
C 30 30 100 50 60
D 40 60 50 100 70
E 30 50 60 70 100
 Clustring analysis
Sim Strain Mikrobia (OTU)
Similarit (%)
y matrix
A B C D E 100 A B C D E
A 1 90 A B C D E
B 0.8 1
C 0.3 0.3 1 80 (A, B) C D E
D 0.5 0.7 0.6 1 70 (A, B) C (D,E)
E 0.3 0.5 0.6 0.6 1
A B C D E 60 (A, B) C (D,E)
55 (A, B) (C)(D,E)}
Objects
50 (A, B) (C)(D,E)}
Node Group 1 Group 2 Simil. in group
40 (A, B) } (C)(D,E)}]
1A B 0.8 2
2C D 0.6 2 30 (A, B) } (C)(D,E)}]
3Node 2 E 0.6 3 20 (A, B) } (C)(D,E)}]
4Node 1 Node 3 0.433 5 10 (A, B) } (C)(D,E)}]
Konstruksi dendrogram
Hasil klasifikasi:

C
30 40 50 60 70 80 90 100
Algoritme Pengklasteran (Clustering Algoritm)

1. Single linkage: fusi klaster dengan nilai similaritas

tertinggi

2. Average linkage: fusi klaster dengan nilaI similaritas

rerata (UPGMA: Unweighted Paired Group Method
with Arithmetic)

3. Complete linkage: fusi klaster dengan nilai similaritas

terkecil
Evaluasi dendrogram: Analisis korelasi ko-fenetik

Matriks Similaritas original (X)

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
Matriks similaritas derived from
Dendrogram (Y)
A B C D E

A 100

B 80 100

C 40 40 100

D 40 40 55 100

E 40 40 55 70 100
Analisis Kofenetik-korelasi
SSM X Y X2 Y2 XY
A-B 80 80
A-C 30 40
A-D 40 40
A-E 30 40
B-C 30 40
B-D 60 40
B-E 50 40
C-D 50 55
C-E 60 55
D-E 70 70
ΣX ΣY ΣX2 ΣY2 ΣXY
Koefisien Korelasi (r)

n(XY –XY)
r =  -------------------------------------------
[{n(X2) – (X)2} {n(Y2) – (Y)2}]

r ≥ 60% (nilai r yang dapat diterima)

Evaluasi Error
Estimasi eror dari pengujian karakter:
Test of error and reproducibility

Variance of individual test between

replicates (Si2) :

Si2 = n/2t

n : the number of OTU’s with discrepancy in the test

t : total number of duplicate strains
CONTOH

Duplicate strains (OTU)

Test (i)
A1 A2 B1 B2 C1 C2
1
+ - + + + +

2
+ + - + + -

3
+ + - - + +

4 - - + + - -
Variance of individual test between replicates

– n = 1; t = 3

– S12 = 1/2x3 = 0,16

– S22 = 2/2x3 = 0,33

– S32 = 0/2x3 = 0 dst

Probability of error for an individual test

– Pi =1/2(1-(1-4.Si2)

– P1 = 1/2 (1-1- 4 x 0,16)

= 0,2
= 20%

– Error untuk test (karakter 1) = 20% (ditolak) !

TERIMAKASIH