NUMERICAL TAXONOMY

21 SEPTEMBER 2021
 Pengkajian taksonomi
dilakukan dengan bantuan
pendekatan berbagai
disiplin ilmu :
morfologi
anatomi
palinologi
fisiologi
biokimia
genetika
sitologi
sitogenetika
biologi molekuler
taksonomi numerik, dll
TAKSONOMI POLIFASIK
FENOTIPIK  TAKSONOMI NUMERIK
• MORFOLOGI
• BIOKIMIA DAN FISIOLOGI
• EKOLOGI
• PROFIL PROTEIN
• KOMPOSISI KIMIA SEL
• DATA GENOTIP : DNA FINGERPRINT, RAPD, RFLP, DNA REPETITIF

FILOGENETIK  HUBUNGAN EVOLUSI

• SEKUENSING
NUMERICAL TAXONOMY
• Taksonomi secara numerik (numerical taxonomy) adalah
pengelompokkan berdasarkan pada informasi sifat suatu organisme yang
dikonversikan ke dalam bentuk yang sesuai untuk analisis numerik dan
dibandingkan menggunakan computer.
• Taksonomi numerik merupakan pengelompokkan suatu unit taksonomi
dengan metode numerik ke dalam taksa tertentu berdasarkan atas
karakter yang dimiliki
SEJARAH
• MICHEL ADANSON, a French botanist, planned to assign numerical
values to the similarities between organisms and he proposed that
equal weightage should be given to all the characters while classifying
plants. He used as many characters as possible for the classification,
and these classifications came to be known as Adansonian
classifications.
• ROBERT R. SOKAL & PETER H. A. SNEATH in 1963
• phenetics in which classifications are based on the patterns of overall similarities
• cladistics in which classifications are based on the branching patterns of the
estimated evolutionary history of the taxa.

• The application of Adansonian principles and use of modern methods

and electronic data processing techniques, have helped in the
evolution of several new classifications of plants during the past few
decades.

https://www.studyandscore.com/studymaterial-detail/numerical-taxonomy-and-chemotaxonomy
ASPEK PENTING TAKSONOMI NUMERIK
1. KONSTRUKSI KELOMPOK TAKSONOMI
Karakter masing-masing individu terlihat dan dianalisis berdasarkan kesamaan karakter
antar individu tersebut .
Semakin banyak karakter yang digunakan, semakin baik analisisnya.

2. DISKRIMINASI KELOMPOK TAKSONOMI

Apabila terdapat karakter yang tumpeng tindih, maka dilakukan pemilihan karakter
sehingga analisisnya lebih baik
PRINSIP TAKSONOMI NUMERIK
1. The greater the content of information in the taxa, and more the characters taken
into consideration, the better a classification system will be.
2. Every character should be given equal weightage in creating new taxa.
3. For comparison purpose, the similarity between any two entities is considered.
4. Correlation of characters differs in the groups of organisms under study. Thus distinct
taxa can be recognized.
5. Phylogenetic conclusions can be drawn from the taxonomic structure of a group and
from character correlations, assuming some evolutionary mechanisms and pathways.
6. The science of taxonomy is viewed and practiced as an empirical science.
7. Phenetic similarity is the basis of classifications.
KEUNTUNGAN
• The data of conventional taxonomy is improved by numerical taxonomy as it
utilizes better and more number of described characters.
• As numerical methods are more sensitive in delimiting taxa, the data obtained
can be efficiently used in the construction of better keys and classification
systems.
• Many existing biological concepts have been reinterpreted in the light of
numerical taxonomy.
• Numerical taxonomy allows more taxonomic work to be done by less highly
skilled workers.
KELEMAHAN
• The numerical methods are useful in phenetic classifications and not
phylogenetic classifications.
• The proponents of “biological” species concept may not accept the specific
limits bound by these methods.
• Character selection is the greatest disadvantage in this approach. If characters
chosen for comparison are inadequate, the statistical methods may give less
satisfactory solution.
• Different taxonometric procedures may yield different results. A major
difficulty is to choose an apt procedure for the purpose and the number of
characters needed in order to obtain satisfactory results by these mechanical
aids.
NUMERICAL TAXONOMY :
fenetic
• Salah satu cara yang paling mudah dalam membandingkan Operational
Taxonomical Unit (OTU) adalah dengan mencari jumlah karakter yang
identik diantara masing-masing individu yang disebut sebagai koefisien
asosiasi (Stanier, dkk., 1982).
• DATA : Pengukuran kekerabatan berdasarkan sifat fenotip dan genotip,
misalnya penentuan sifat biokimia, morfologi, fisiologi, kimiawi dan
pembedaan DNA.
• Minimal 50 karakter yang dapat dibandingkan
NUMERICAL TAXONOMY
• Data fenotip yang diperoleh diolah lebih lanjut sehingga
menghasilkan koefisien similaritas,
• yaitu sebuah fungsi yang mengukur tingkat kemiripan yang dimiliki oleh
dua atau lebih strain organisme yang dibandingkan, yang diperoleh dari
karakter yang dibandingkan antar dua atau lebih strain organisme.

• Koefisien ini terdiri atas dua jenis yaitu,

• Simple Matching Coeficient (SSM)
• SSM merupakan koefisien similaritas yang umum digunakan untuk mengukur
proporsi karakter yang sesuai, baik hubungannya bersifat ada (positif)
maupun tidak ada (negatif).
• Jaccard Coeficient (SJ).
• SJ dihitung, tanpa memperhitungkan karakter yang tidak dimiliki oleh kedua
organisme tersebut (Edwards, dan Cavalli, 1964).
 Urutan tahapan teknik taksonomi
numerik
• Strain organisme (t) yang akan diklasifikasikan dikoleksi, lalu
ditentukan karakter fenotipiknya dalam jumlah besar (n) yang
mencakup sifat biokimiawi, morfologis, nutritional, dan
fisiologis. Data yang diperoleh disusun dalam suatu matriks n x
t.
• Strain organisme diklasifikasikan berdasarkan nilai similaritas atau
disimilaritas yang dihitung dari data matriks n x t.
• Strain yang mirip akan dimasukkan ke dalam sutu kelompok
dengan menggunakan algoritma pengklasteran (clustering
algoritm).
• Kelompok yang dibentuk secara numerik kemudian dipelajari dan
karakter yang bersifat membedakan (separating character) dipilih
diantara data dalam matriks untuk selanjutnya digunakan dalam
identifikasi.
 Example
Taxon 1 2 3 4 5 6 7 8 9 10
Character
Matrix A 0 1 1 0 0 0 1 1 1 0
B 0 0 0 1 1 1 0 1 1 1
C 0 0 1 0 0 1 0 0 0 1
D 1 1 0 0 0 1 1 1 1 0
Taxon A B C D
S-value Matrix
A -- 0.3 0.4 0.7
B -- 0.5 0.4
C -- 0.3
D --
Joining Clusters
Closest: A&D = 0.7
2nd Closest B&C = 0.5
When does A&D join B&C ?
(A&B) + (A&C) + (D&B) + (D&C) 4
= (0.3 + 0.4 + 0.4 + 0.3)/4 = 0.35