STUDI KINETIKA PERTUMBUHAN MIKROBA PADA PROSES ...

STUDI KINETIKA PERTUMBUHAN MIKROBA PADA

PROSES ASIDOGENESIS LIMBAH CAIR PABRIK KELAPA

SAWIT DENGAN PENGARUH pH MENGGUNAKAN

REAKTOR BERPENGADUK SISTEM BATCH

SKRIPSI

Oleh:

MUHAMMAD JODI ALFAYED

160405020

DEPARTEMEN TEKNIK KIMIA

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA

MEDAN

SEPTEMBER 2020

Universitas Sumatera Utara

STUDI KINETIKA PERTUMBUHAN MIKROBA PADA

PROSES ASIDOGENESIS LIMBAH CAIR PABRIK KELAPA

SAWIT DENGAN PENGARUH pH MENGGUNAKAN

REAKTOR BERPENGADUK SISTEM BATCH

SKRIPSI

Oleh:

MUHAMMAD JODI ALFAYED

160405020

SKRIPSI INI DIAJUKAN UNTUK MELENGKAPI SEBAGIAN

PERSYARATAN MENJADI SARJANA TEKNIK

DEPARTEMEN TEKNIK KIMIA

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA

MEDAN

SEPTEMBER 2020


PERNYATAAN KEASLIAN SKRIPSI

Saya menyatakar dorgan sesungguhnya batrwa skripsi dengan judul :

STUDI KINETIKA PERTUMBUHAN MIKROBA PADA PROSES ASIDOGENESISLIMBAH CAIR PABRIK KELAPA sAwIT DENGAN PENGARTJH pH

MENGGI.JNAKAN REAIffOR BERPENGADUK SISTEM BATCTI

dibuat untuk melengkapi sebagian persyaratan menjadi sa{ana Teknik pada

Departemen Teknik Kimiq Fakultas Teknik, Universitas Sumatera Utara Slrripsi iniadalah hasil karya saya kecuali kutipan-kutipan yang telah saya sebutkan stmbemya.

Demikian pernyataan ini dibuat, ryabila di kemudian hai terbukti bahwa karya inihkan karya saya atau merupakan hasil jiplakan maka saya bersedia menerima sanksi

sesuai dengan aturan yang berlaku.

Medan, l0 September 2020


PENGESAHAN SKRIPSI

Skripsi dCIrgm judul:

STUDI KINETIKA PERTUMBUHAN MIKROBA PADA PROSES

ASIDOGENESIS LIMBAII CAIR PABRIK KELAPA SAWITDENGAN PENGARUH pH MENGGUNAKAN REAKTOR

BERPENADUK SISTEM BATCTI

dibuat untuk melengkapi persyaratan menjadi Sarjana Teknik pada Departemen

Teknik Kimia, Fakultas Te*nik, Universitas Stunatera Utma. Skripsi ini telah diujikan

pada sidang ujian skripsi tanggal 10 September 2020 dam dinyatakan memenuhi

syara#satr sebagai skripsi pada Departemen Teknik Kimia, Fakultas Telmik,

Universitas Sum atera Utara.

23 September 2020

s 1e9103 I 00312000122001


LEMBAR PERSETUJUAN

Tim Penguji menyetujui perbaikan skripsi:

Narna : Muhammad Jodi Alfayed

Nim : 160405020

Judul : Studi Kinetika Perturnbuhan Milaoba pada Proses Asidogenesis Limbah Cair

Pabrik Kelapa Sawit dengan Pengaruh pH Menggunakan Reaktor

Berpengaduk Sistem Batch.

Yang telah diperbaiki sesuai saran dari Tim Penguji

Pembimbing

(23 September 2020)

(22 September 2020)

Dosen Penguji II

5?\"I4.

Dra. Siswarni MZ. MS.NIp. 1957072s 198701 2 001 (22 September 2020)

ttl

199103

NrP. 19611225 198903 1003


l.

PRAKATA

Fuji syukur penulis panjatkan kehadirat Allah SWT. atas limpahkan rahmat dan

karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul '"Studi

Kinetika Pertumbuhan Mikroba Pada Proses Asidogenesis Limbah Cair Kelapa

Sawit Dengan Pengaruh pH Menggunakan Reaktor Berpengaduk Sistem Batah

dengan sebaik-baiknya dan tepat pada waktunya.

Adapun tujuan dari penulisan skripsi ini adalah sebagai salah satu syarat untuk

menyelesaikan skripsi/tugas akhir di Departemen Teknik Kimia, Fakultas Teknik,

Universitas Sumatera Utara.

Selama melalarkan penelitian sarnpai penulisan skripsi ini, penulis banyak

mendapat bantuan dmi berbagai pihak, untuk itu penulis mengucapkan terimakasih

dan penghmgaan yang sebesar-besarnya kepada :

Bapak k. Bambang Trisakti, M.Si. selaku Dosen Pembimbing dan Koordinator

Skripsi Departemen Teknik Kimi4 Fakultas Teknik, Universitas Sumatera Utra

atas kesabarannya dalam membimbing penulis pada penyusunan dan penulisan

skripsi ini.

Ibu Maya Sarah S.T., M..T., Ph.D., IPM. selaku Ketua Departemen Teknik

Kimia, Fakultas Teknik, Universitas Sumatera Utara.

Ibu Dr. Erni Misran, S.T., M.T. selaku Sekretaris Departemen Teknik Kimia,

Fakultas Teknik, Universitas Sumatera Utara,

Bapak Prof. Dr. Muharnmad Turmuzi, MS., selaku Dosen Penguji I dan Dosen

Pembimbing Akademik Penulis yang telah memberikan saran dan masukan yang

mernbangun dalam penulisan slaipsi ini.

Ibu Dra. Siswarni MZ, MS., selaku Dosen Penguji II yang telah memberikan

sarm dan masukan yang membangun dalam penulisan skripsi ini

Kedua Orangtua dan Saudara kandung, yang telah memberikan dukungan dan

semangat kepada penulis dalam mengerjakan skripsi ini.

Sahabat dan teman terbaik Dodo & Mixer Squad, Kak Cut, Dea, Anwar, Nida,

Rievaldi, Siti, Zahrut, Ita, Gio, Dhea, Dian, Dinda, Dwiky, Nisa, Nuriyani dan

Sriyanti yang telah mernberikan dukungan dan semangat kepada pe,nulis dalarn

mengerjakan skripsi ini.

2.

3.

4.

5.

6.

7_

lv


8. Rekan-rekan seperjuangan di Ekologi Squad Alfian, Gio, Frans, Hani, Hehe,

Lukmanul, Noersukma, Olivi4 Otzernan, Ruaggq Satria Zahrul, Bang Jul,

Bang Rivaldi, Pak Eka dan Kak Dewi yang telah memberikan dukungan dan

semangat kepada penulis dalam mengerjakan skripsi ini.

9. Rekan-rekail seperjuangan di Laboratorium Mikrobiologi Teknik/Bioproses,

Bang Bongke, Khusnul, Shafir4 Alri, Dwi Nur, Dwina, Fasah, Putri, Suwanty

serta Kak Fitri selaku Laboran yang telah rnemberikan dukungan dan semangat

kepadapenulis dalam mengerjakan skripsi ini.

I0. Rekan-rekan TRP dan Kerja Praktek di PT. Sinar Oleochemical International

lvlas, Dwiky Ardiansyah, Dian Kesuma Sitorus, Nida Alfaidzah dan Dea

Rahmadani yang telah memberikan dukungan dan semargat kepada penulis

dalam mengerjakan skripsi ini.

It. Seluruh Dosen di Departernen Teknik Kimia, Fakultas Teknik, Universitas

Sumatera Utara yang telah mendidik dan membagkan ilmu kepada penulis

selama perkuliahan.

12. Seluruh Pegawai di Departemen Teknik Kimia, Fakultas Teknik, Universitas

Sumatera Utarq Kak Sri, Kak Afifah, Kak Fitri, Bang Erik, Bang Rahmat, Pak

Rukiono, Pak Darsono, dan Kak Wiwi yang telah membantu penulis dalarn hal

administrasi selama perkuliahm.

13. Abang & Kakak Senior, Adik-adik Stambuk 2017,2018 dan 2019 serta rekan-

rekan stambuk 2016 yang telah memberikan dukungan dan semangat kepada

penulis dalarn mengerjakan skripsi ini.

Penulis menyadari bahwa skripsi ini masih jauh dari sempruna. Oleh kmena itu

penulis mengharapkan saran dan masukan demi kc$empumaan skripsi ini. Semoga

skripsi ini dapat memberikan manfaat bagr pengembangan ilmu pengetahuan.

Medar, September 2020

Penulis

-ierfL,/-Muharnmad Jodi Alfayed


vi

DEDIKASI

Skripsi Ini Saya Persembahkan Untuk:

Kedua Orangtua Tercinta

Bapak Muhammad Ravid & Ibu Supaijah

Mereka adalah orang tua hebat yang telah membesarkan, mendidik, memberikan

motivasi, dan mendukung dengan penuh kesabaran dan kasih sayang.

Terimakasih atas pengorbanan, nasehat, dan doa yang tiada hentinya yang telah

diberikan selama ini.

Terimakasih juga kepada saudari tercinta Laras Maulidiya Sari atas semangat,

dukungan dan doa yang diberikan.

Semoga Allah SWT. Selalu memberikan berkat dan memberikan rezeki kepada

mereka dan memberikan balasan yang terbaik untuk mereka.


vii

RIWAYAT HIDUP PENULIS

Nama : Muhammad Jodi Alfayed

NIM : 160405020

Tempat/Tanggal Lahir : Medan/26 Maret 1998

Nama Orang Tua : Muhammad Ravid dan Supaijah

Alamat Orang Tua :

Jalan Jala IX, LK 9, Kel. Paya Pasir, Kec. Medan Marelan,

Kota Medan, Sumatera Utara.

Asal Sekolah :

SD Swasta Yaspenhan-1 Medan, 2004-2010

SMP Negeri 16 Medan, 2010-2013

SMA Negeri 16 Medan, 2013-2016

Beasiswa yang Pernah Diperoleh :

1. Bantuan Belajar Mahasiswa (BBM)

Pengalaman Organisasi/Kerja :

1. Anggota pengurus bidang Pengabdian Masyarakat Himpunan Mahasiswa

Teknik Kimia (HIMATEK) Fakultas Teknik USU Periode 2019-2020.

2. Anggota pengurus bidang Peningkatan Akademik dan Literatur (PAL)

Covalen Studi Group (CSG) Departemen Teknik Kimia, Fakultas Teknik

Periode 2018-2019.

3. Sebagai Koordinator bidang Dana dan Usaha (Danus) pada acara Dakwah

Wisata 2017.

4. Sebagai Asisten Laboratorium Mikrobiologi Teknik/Bioproses Departemen

Teknik Kimia USU Periode 2018-2020. Modul yang ditangani: Preparasi

Media dan Inokulum, Identifikasi Mikroba, dan Fermentasi VCO.

5. Sebagai Asisten Laboratorium Ekologi Departemen Teknik Kimia USU

Periode 2019-2020.

6. Kerja Praktek di PT. Sinar Oleochemical International Mas Periode 4-30

November 2019.


viii

7. Sebagai Anggota Sakura Alumni Association in Indonesia (SAAI) Periode

2020-sekarang.

8. Sebagai anggota/member of Sakura Science Club (SSC) Periode 2020-

sekarang.

9. Sebagai Tim Editorial Paper Talenta CEST 2.0 2019.

Prestasi Akademik/ non akademik yang pernah dicapai:

1. Penerima SAKURA SCIENCE Exchange Program oleh Japan Science and

Technology Agency (JST) pada 4 hingga 13 Februari 2020.


ix

ABSTRAK

Proses asidogenesis merupakan tahap pertama dalam proses digestasi anaerobik.

Proses asidogenesis menghasilkan volatile fatty acid (VFA) yang menjadi substrat

untuk tahap metanogenesis dalam memproduksi biogas. Penelitian mengenai

pemodelan pertumbuhan mikroba pada proses asidogenesis Limbah cair kelapa sawit

telah dilakukan. Penelitian dilakukan dengan memvariasikan pH proses asidogenesis

(ω). Tujuan penelitian untuk mengetahui pengaruh pH terhadap pertumbuhan

mikroba/ mikroorganisme dan konstanta kinetik dari persamaan orde satu, logistik,

dual pooled-first order, cone, chen and Hashimoto dan Gompertz yang dimodifikasi

untuk mendapatkan model terbaik yang dapat menggambarkan proses tersebut. Proses

dilakukan dengan memvariasikan pH fermentor reaktor batch , yaitu 5 ; 5,5 dan 6

dengan kecepatan pengadukan 250 rpm. Analisa VSS dan pH dilakukan untuk

menggambarkan profil pertumbuhan mikroba pada asidogenesis. Pertumbuhan

mikroba tertinggi dicapai pada variasi pH 5,5 yakni 17,46 g/L. Masing-masing

persamaan/model menghasilkan tingkat keakurasian yang baik diliat dari R squared

dan nilai RMSE-nya. Pemodelan kinetika terbaik di dapatkan pada persamaan logistik

dengan parameter kinetik Mm dan Rm adalah 15,7012 g/L dan 8,047 g/L.hari.

Perbedaan nilai pertumbuhan mikroba yang diprediksi dan diukur pada pH 5,5 adalah

10,27 % dengan koefisien determinasi (R2), Mean Absolute Deviation (MAD), Mean

Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Percentage

Error (MAPE) dan Akaike Information Criterion (AIC) sebesar 0,9821; 0,2070;

4,1010; 2,00251; 12,4321; 0,2658 Hasil R2, MAD, MSE, RMSE, MAPE dan AIC

menunjukkan bahwa pertumbuhan mikroba asidogenesis LCPKS pada pH 5,5 secara

batch dapat dimodelkan menggunakan persamaan logistik dengan tingkat keakurasian

terbaik dibanding 5 model lainnya.

Kata kunci : Asidogenesis, Digestasi Anaerobik, Kinetika, Limbah Cair Kelapa

Sawit, Volatile Suspended Solid


x

ABSTRACT

The acidogenesis process is the first stage in the anaerobic digestion process. The

acidogenesis process produces volatile fatty acids (VFA) which become the substrate

for the methanogenesis stage in producing biogas. Research on microbial growth

modeling in the acidogenesis process of oil palm liquid waste has been carried out.

The research was conducted by varying the pH acidogenesis process (ω). The research

objective was to see the effect of pH on the growth of microbes / microorganisms and

the kinetic constant of the first order, logistic, dual pooled-first order, cone, chen and

Hashimoto and Gompertz equations to get the best model that describes the process.

The process is carried out by varying the pH of the reactor batch fermenter, which is

5; 5,5 and 6 with a stirring speed of 250 rpm. VSS and pH analyzes were performed

to describe the growth of microbial profiles in acidogenesis. Microbial growth was

achieved at a pH variation of 5.5 is 17.46 g / L. Each equation / model produces a good

level of accuracy of the R squared and its RMSE value. The best kinetic modeling is

obtained in the logistic equation with kinetic parameters Mm and Rm are 15.7012 g /

L and 8.047 g / L day. The difference in the predicted and measured value of microbial

growth at pH 5.5 is 10.27% with a coefficient of determination (R2), Mean Absolute

Deviation (MAD), Mean Squared Error (MSE), Root Mean Squared Error (RMSE),

Mean Absolute Percentage Error (MAPE) and Akaike Information Criterion (AIC) of

0.9821; 0.2070; 4.1010; 2,00251; 12,4321; 0.2658 The results of R2, MAD, MSE,

RMSE, MAPE and AIC show that the microbial growth of LCPKS acidogenesis at pH

5.5 by batch can be modeled using logistic equations with the best level of accuracy

compared to the other 5 models.

Keywords : Acidogenesis, Anaerobic Digestation, Kinetic, Palm Oil Mill

Effluent, Volatile Suspended Solid


xi

DAFTAR ISI

1.1 Latar Belakang 1

1.2 Perumusan Masalah 5

1.3 Tujuan Penelitian 5

1.4 Manfaat Penelitian 5

1.5 Ruang Lingkup Penelitian 5

2.1 Perkembangan Kelapa Sawit di Indonesia 7

2.2 Limbah Cair Kelapa Sawit 7

2.3 Digestasi Anaerobik 9

2.4 Tahapan Digestasi Anaerobik 10

2.4.1 Hidrolisis 11

2.4.2 Asidogenesis 12

2.4.3 Asetogenesis 13

2.4.4 Metanogenesis 13

2.5 Biogas 14

PEERNYATAAN KEASLIAN SKRIPSI i

PENGESAHAN SKRIPSI ii

LEMBAR PERSETUJUAN iii

PRAKATA iv

DEDIKASI vi

RIWAYAT HIDUP PENULIS vii

ABSTRAK ix

ABSTRACT x

DAFTAR ISI xi

DAFTAR GAMBAR xiv

DAFTAR TABEL xvi

DAFTAR LAMPIRAN xviii

DAFTAR SINGKATAN xx

DAFTAR SIMBOL xxi

BAB I PENDAHULUAN 1

BAB II TINJAUAN PUSTAKA 7


xii

2.6 Parameter Utama pada Digestasi Anaerobik 16

2.6.1 pH dan Alkalinitas 16

2.6.2 Temperatur 17

2.6.3 Hydraulic Retention Time (HRT) 18

2.6.4 Pengadukan 19

2.6.5 Organic Loading Rate (OLR) 19

2.6.6 Solid Retention Time (SRT) 19

2.6.7 Rasio C/N 20

2.6.8 Total Solid (TS) dan Volatile Solid (VS) 20

2.6.9 Total Suspended Solid (TSS) dan Volatile Suspended Solid

(VSS) 21

2.6.10 Chemical Oxygen Demand (COD) 21

2.7 Kinetika Reaksi 22

2.7.1 First Order Kinetic Model 22

2.7.2 Logistic Kinetic Model 23

2.7.3 Dual Pooled-First Order Kinetic Model 23

2.7.4 Cone Model 24

2.7.5 Chen and Hashimoto Model 25

2.7.6 Model Kinetik Gompertz yang dimodifikasi 26

2.7.7 Pertimbangan dan Perbedaan dari Setiap Model Kinetika 30

3.1 Lokasi Penelitian 33

3.2 Bahan Dan Peralatan 33

3.2.1 Bahan-Bahan 33

3.2.3 Peralatan 33

3.3 Tahapan Penelitian 34

3.3.1 Analisis Bahan Baku 34

3.3.2 Variasi pH 34

3.3.3 Penentuan Konstanta Pertumbuhan Mikroba 35

3.4 Analisis Data 37

3.4.1 Analisa Data Proses Asidogenesis 37

3.4.2 Analisa Data Kinetika Proses 37

3.6 Jadwal Pelaksanaan Penelitian 38

BAB III METODOLOGI PENELITIAN 33

BAB IV HASIL DAN PEMBAHASAN 39


xiii

4.1 Pengaruh pH Terhadap Profil Pertumbuhan Mikroba 39

4.2 Analisis Kinetika Profil Pertumbuhan Mikroba Pada Proses

Asidogenesis Lcpks 41

4.2.1 Model Kinetika Orde Satu/First Orde 41

4.2.2 Model Kinetika Persamaan Logistik 47

4.2.3 Model Kinetika Dual Pooled-First Order 53

4.2.4 Model Kinetika Cone 60

4.2.5 Model Kinetika Chen and Hashimoto 67

4.2.6 Model Kinetika Gompertz yang dimodifikasi 74

4.3 Keterkaitan Model Kinetika terhadap Proses Pertumbuhan Mikroba

pada Asidogenesis LCPKS 82

4.4 Pengaruh pH terhadap Pertumbuhan Mikroba Terbaik 82

4.5 Evaluasi dan Perbandingan Berbagai Model Kinetika pada pH

Pertumbuhan Mikroba Terbaik dari Segi Model dan Proses 82

4.5.1 Evaluasi dari Segi Model 82

4.5.2 Evaluasi dari Segi Proses 83

5.1 Kesimpulan 88

5.2 Saran 88

BAB V KESIMPULAN DAN SARAN 88

DAFTAR PUSTAKA 89


xiv

DAFTAR GAMBAR

Gambar 2.1 Pengolahan Minyak Kelapa Sawit yang Menghasilkan LCPKS 8

Gambar 2.2 Tahapan Anaerobic Digestion 10

Gambar 2.3 Reaksi Asidogenesis 12

Gambar 2.4 Reaksi Asetogenesis 13

Gambar 2.5 Reaksi pada Metanogenesis 14

Gambar 3.1 Rangkaian Peralatan 34

Gambar 3.2 Flowchart Penentuan Konstanta Pertumbuhan Mikroba 36

Gambar 4.1 Pengaruh pH Terhadap Profil Pertumbuhan Mikroba 39

Gambar 4.2 Perbandingan Data Eksperimental dan Model Orde Satu pada

Derajat Keasaman/pH (ω) 5; 5,5; dan 6. 41

Gambar 4.3 Tren Konstanta (a) A, g/l, Potensi Pertumbuhan Maksimum

Mikroba (VSS), (c) k, hari-1, Konstanta Reaksi/Proses Fungsi pH 45

Gambar 4.4 Perbandingan Data Eksperimental dan Model Logistik pada Derajat

Keasaman/pH (ω) 5; 5,5; dan 6 47

Gambar 4.5 Tren Konstanta (a) Mm, g/l, Potensi Pertumbuhan Maksimum

Mikroba (VSS), (b) Rm, g/l.hari, Laju Pertumbuhan Maksimum

Mikroba 51

Gambar 4.6 Perbandingan Data Eksperimental dan Model Dual Pooled-First

Order pada Derajat Keasaman/pH (ω) 5; 5,5; dan 6 53

Gambar 4.7 Tren Konstanta (a) Mm, Potensi Pertumbuhan Maksimum Mikroba

(VSS), (b) α, (c) KF, (d) KL 58

Gambar 4.8 Perbandingan Data Eksperimental dan Model Cone pada Derajat

Keasaman/pH (ω) 5; 5,5; dan 6 60

Gambar 4.9 Tren Konstanta (a) Mm, Potensi Pertumbuhan Maksimum Mikroba

(VSS), (b) k, Konstanta Reaksi (c) n, Shape Faktor 65

Gambar 4.10 Perbandingan Data Eksperimental dan Model Chan and

Hashimoto pada Derajat Keasaman/pH (ω) 5; 5,5; dan 6 67

Gambar 4.11 Tren Konstanta (a) Mm, Potensi Pertumbuhan Maksimum

Mikroba (VSS), (b) μm, Laju Spesifik Pertumbuhan Maksimum

(c) KCH, Konstanta 72


xv

Gambar 4.12 Perbandingan Data Eksperimental dan Model Gompertz

Termodifikasi pada Derajat Keasaman/pH (ω) 5; 5,5; dan 6 74

Gambar 4.13 Tren Konstanta (a) Mm, g/l, Potensi Pertumbuhan Maksimum

Mikroba (VSS), (b) Rm, g/l, Laju Pertumbuhan Maksimum

Mikroba (c) λ, hari, Konstanta Periode Fase Lag Pertumbuhan

Mikroba Fungsi pH 79

Gambar 4.14 Kurva Pertumbuhan Mikroba 82

Gambar 4.15 Pengaruh pH Terhadap Pertumbuhan Mikroba Terbaik 82

Gambar 4.16 Perbandingan Data dan berbagai Model kinetika pertumbuhan

mikroba terhadap waktu pada pH (ω) 5,5. 83

Gambar 4.17 Profil Pertumbuhan Mikroba pada Proses Asidogenesis LCPKS 83

Gambar D.1 Hasil Uji Laboratorium untuk Analisis Lemak dalam Limbah

Cair Kelapa Sawit LD-1

Gambar D.2 Hasil Uji Laboratorium untuk Analisis Protein dalam Limbah

Cair Pabrik Kelapa Sawit LD-2

Gambar D.3 Hasil Uji Laboratorium untuk Analisis Karbohidrat dalam

Limbah Cair Pabrik Kelapa Sawit LD-3


xvi

DAFTAR TABEL

Tabel 1.1 Penelitian Terdahulu Mengenai Penentuan Parameter Kinetika

Pertumbuhan Mikroba pada Proses Anaerobik dengan

Menggunakan Permodelan 3

Tabel 2.1 Karakteristik Palm Oil Mill Effluent 9

Tabel 2.2 Kelompok Enzim Hidrolisis dan Fungsinya 11

Tabel 2.3 Karakteristik Biogas 14

Tabel 2.4 Analisis Komparatif Penggunaan Biogas untuk Beberapa Aplikasi

Alternatif 15

Tabel 2.5 Rentang Suhu dan HRT dari Bakteri Metanogenesis 18

Tabel 3.1 Metode Analisa pada Proses Pembuatan Asidogenesis 37

Tabel 3.2 Jenis Kegiatan dan Jadwal Pelaksanaan Penelitian 38

Tabel 4.1 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi

Anaerob 43


Anaerob 44

Tabel 4.3 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba

Model Persamaan Logistik 49


Anaerob 50


Model Dual Pooled-First Order 55


Anaerob 56


Model Cone 62


Anaerob 63


Model Chan and Hashimoto 69


xvii


Anaerob 71


Model Gompertz yang dimodifikasi 76


Anaerob 77

Tabel 4.13 Nilai Parameter dari Berbagai Persamaan Kinetika 84

Tabel 4.14 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika 85

Tabel LC.1 Hasil Analisis Karakteristik LCPKS dari PTPN III PKS

Rambutan LC-1

Tabel LC.2 Data Hasil Analisis pH dan VSS LC-2

Tabel LC.3 Hasil Analisis Perbandingan Data Eksperimen (VSS, g/L)

dengan Data 6 Pemodelan kinetika pada pH = 5 LC-3


dengan Data 6 Pemodelan kinetika pada pH = 5,5 LC-4


dengan Data 6 Pemodelan kinetika pada pH = 6 LC-5

Tabel LC.6 Data Parameter Kinetik dari 6 Pemodelan kinetika pada pH = 5 LC-6

Tabel LC.7 Data Parameter Kinetik dari 6 Pemodelan kinetika pada pH = 5,5 LC-7

Tabel LC.8 Data Parameter Kinetik dari 6 Pemodelan kinetika pada pH = 6 LC-8

Tabel LC.9 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika

pada pH=5 LC-9

Tabel LC.10 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika

pada pH=5,5 LC-9

Tabel LC.11 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika pada

pH=6 10


xviii

DAFTAR LAMPIRAN

LAMPIRAN A PROSEDUR ANALISIS LA-1

LA.1 ANALISIS pH LA-1

LA.2 ANALISIS VOLATILE SUSPENDED SOLID (VSS) LA-1

LAMPIRAN B CONTOH PERHITUNGAN LB-1

LB.1 CONTOH PERHITUNGAN VOLATILE SUSPENDED

SOLID (VSS) LB-1

LB.2 CONTOH PERHITUNGAN MEAN ABSOLUTE DEVIATION

(MAD) LB-1

LB.3 CONTOH PERHITUNGAN MEAN SQUARE ERROR (MSE) LB-1

LB.4 CONTOH PERHITUNGAN ROOT MEAN SQUARE ERROR

(RMSE) LB-2

LB.5 CONTOH PERHITUNGAN MEAN ABSOLUTE PERCENT

ERROR (MAPE) LB-2

LB.6 CONTOH PERHITUNGAN AKAIKE INFORMATION

CRITERION (AIC) LB-2

LAMPIRAN C DATA HASIL ANALISA LC-1

LC.1 KARAKTERISTIK LIMBAH CAIR KELAPA SAWIT LC-1

LC.2 DATA HASIL PENELITIAN PADA PENGARUH pH LC-2

LC.3 DATA HASIL ANALISIS LAJU PRTUMBUHAN MIKROBA

MENGGUNAKAN 6 PEMODELAN KINETIKA LC-3

LAMPIRAN D HASIL UJI LABORATORIUM LD-1

LD.1 HASIL UJI LABORATORIUM UNTUK ANALISIS

LEMAK DALAM LIMBAH CAIR PABRIK KELAPA

SAWIT (LCPKS) LD-1


PROTEIN DALAM LIMBAH CAIR PABRIK KELAPA

SAWIT (LCPKS) LD-2


xix


KARBOHIDRAT DALAM LIMBAH CAIR PABRIK

KELAPA SAWIT (LCPKS) LD-3


xx

DAFTAR SINGKATAN

AIC Akaike Information Kriterion

AD Anaerobik Digestasi

COD Chemical Oxygen Demand

LCPKS Limbah Cair Pabrik Kelapa Sawit

MAD Mean Absolute Deviation

MAPE Mean Absolute Percentage Error

MSE Mean Square Error

pH Power of Hydrogen

R2 R Squared

RMSE Root Mean Square Error

SCOD Soluble Chemical Oxygen Demand

TS Total Solids

TSS Total Suspended Solids

VS Volatile Solids

VSS Volatile Suspended Solids

VFA Volatile Fatty Acid


xxi

DAFTAR SIMBOL

Simbol Keterangan Satuan

Mm Potensi pertumbuhan mikroba maksimum (VSS g/L)

Rm Laju pertumbuhan mikroba maksimum (VSS g/L.hari)

λ Periode fase lag hari

Mexp Hasil petumbuhan mikroba terukur (VSS g/L)

Mt Hasil pertumbuhan mikroba model (VSS g/L)

μm Laju spesifik pertumbuhan mikroba (/hari)

n Shape factor

α Rasio substrat terdegradasi terhadap total

substrat yang dapat terdegradasi

KF Konstanta substrat yang terdegradasi cepat

KL Konstanta substrat yang terdegradasi lambat

KCH Konstanta kinetika Chen and Hashimoto

R2 Koefisien determinasi

RMSE Root-mean-square error

ω pH


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Limbah cair adalah cairan atau campuran yang terdiri dari materi padat

tersuspensi dalam media cair yang terkandung dalam, atau dibuang dari, salah satu

bejana, tangki atau wadah lainnya. Palm oil mill effluent (POME) merupakan salah

satu limbah agroindustri yang paling sering menyebabkan polusi dan merupakan

limbah terbesar dari proses pengolahan kelapa sawit (Sembirig et al., 2019). POME

merupakan cairan kental berwarna kecoklatan, bersuhu tinggi, bersifat asam dan

padatan terlarut dan tarsuspensi berupa koloid dan residu minyak dengan kandungan

COD yang tinggi (J. Wang et al., 2018). Agar dapat dibuang ke lingkungan, POME

perlu melalui tahapan treatment terlebih dahulu untuk mengurangi kandungan tersebut

sesuai dengan pedoman pengelolaan limbah industri sawit (Nurdin et al., 2019).

Penguraian POME secara anaerob dianggap merupakan metode penganganan

POME yang menguntungkan, karena selain dapat mengatasi masalah limbah tetapi

juga mampu menghasilkan sumber energi (Choong et al., 2018). Limbah POME harus

diolah karena dapat berakibat buruk terhadap lingkungan sebab memiliki kandungan

gas rumah kaca yang cukup tinggi, yang berkontribusi terhadap pemanasan global

(Zain & Mohamed, 2018). Proses penguraian POME akan menghasilkan biogas yang

muncul sebagai akibat dari proses perombakan senyawa-senyawa organik secara

anaerobik (Nurdin et al., 2019).

Unit konversi biogas diperlukan untuk memanfaatkan gas metana tersebut

sebagai sumber energi untuk pembangkit listrik dengan berbahan baku limbah cair

kelapa sawit (Wandera et al., 2018). Proses digestion anaerobic dari senyawa organik

kompleks biasnya dibagi kedalam empat tahapan, yaitu hidrolisis, asidogenesis,

acetogenesis dan methanogenesis (Mohammad et al., 2016). Asidogenesis adalah

proses fermentasi senyawa dari proses hidrolisis, yaitu gula sederhana, asam amino

dan asam lemak menjadi asetat dan asam lemak rantai pendek serta Hidrogen (H2) dan

karbon dioksida (CO2) menjadi Volatile fatty acids (VFA) dan alkohol (Seadi et. al.,

2008)(Kumar & Samadder, 2020). VFA akan terdegradasi pada tahap acetogenesis

dan akan membentuk metana pada proses methanogenesis. Sehingga jumlah VFA


2

menjadi penting dalam pembentukan Biogas. Proses-proses yang disebutkan diatas

memerlukan peran mikroorganisme, sehingga pertumbuhan dari mikroorganisme pun

menjadi penting dalam proses digestasi anaerobik POME menjadi VFA dan biogas.

Penelitian mengenai proses asidogenesis ini pernah dilakukan oleh beberapa

peneliti. Namun, mencari persamaan kinetika yang sesuai perlu dilakukan untuk

mendesain suatu bioreaktor. Parameter kinetika merupakan dasar penting dalam

desain bioreaktor (Afifah & Suryawan, 2020). Oleh sebab itu, penelitian dilakukan

untuk menentukan beberapa persamaan kinetik pertumbuhan mikroba pada proses

asidogenesis menggunakan reaktor batch yang diharapkan dapat dijadikan sebagai alat

kontrol proses pembuatan biogas bertahap serta menentukan persamaan terbaiknya.

Beberapa penelitian terdahulu tentang penentuan parameter kinetika

pertumbuhan mikroba pada proses anaerobik dengan menggunakan beberapa

permodelan disajikan pada Tabel 1.1.


3

Tabel 1.1 Penelitian Terdahulu Mengenai Penentuan Parameter Kinetika Pertumbuhan Mikroba pada Proses Anaerobik dengan

Menggunakan Permodelan

Peneliti Judul Penelitian Kondisi Penelitian Hasil Penelitian

Couto et al.,

2020

Modelling Sugarcane

vinasse processing in

anacidogenic reactor to

produce hydrogen with an

ADM1-based model.

Digunakan limbah vinasse tebu sebagai

bahan baku. Dilakukan pada 3 reaktor

batch 500 ml dengan media kultur 250

ml. beroperasi selama 15 hari, dengan

pH awal 6,5.

berdasarkan hasil kalibrasi model disimpulkan

bahwa model harus dibangun berdasarkan

komposisi dan beban limbah cair dan jenis

reactor, karena interaksi antar mikroorganisme

akan berbeda tergantung ketersediaan substrat.

Hipotesis produksi butirat dari asetat dan laktat

dan gliserol, meningkatkan kualitas model untuk

menggambarkan reaktor asidogenik pada

konsentrasi awal vinasse 30 kg COD/m3.

Coelho et al.,

2020

Potential assessment and

kinetic modelling of

carboxylic acids

production using dairy

wastewater as substrate.

Limbah agroindustri sebagai substrat dan

dilakukan pada 4 rangkap reaktor batch

(250 ml) dengan inoculum pada

0,61±0,04 gCOD/gVSS untuk

menghambat metanogenesis

ditambahkan 0,05 % (v/v) Chloroform.

Studi pemodelan kinetika telah menunjukkan

bahwa model matematika yang dapat

menggambarkan fase eksponensial, seperti model

orde pertama dan model Fitzhugh, cocok untuk

simulasi produksi asam karboksilat


4

Ramadhani et

al., 2018

Kinetics of Anaerobic

Digestion of Palm Oil

Mill Effluent (POME) in

Double-Stage Batch

Bioreactor with

Recirculation and

Fluidization of Microbial

Immobilization Media

Digunakan LCPKS sebagai bahan baku

untuk pembuatan biogas. LCPKS yang

digunakan dalam percobaan ini memiliki

8.000 mg / L sCOD (sCOD sungguhan

adalah ± 16.000 mg / L). Percobaan

dilakukan di bawah suhu kamar dengan

kecepatan aliran naik antara 1,75 dan 2,3

cm / s untuk fluidisasi optimal dari

media imobilisasi. LCPKS diperlakukan

secara berurutan dengan memisahkan

proses asidogenesis dan metanogenesis

menjadi dua reaktor unggun terfluidisasi

anaerobik (AFBR). Persamaan Contois

digunakan untuk menggambarkan

tingkat pertumbuhan mikroba acidogenic

dan methanogeni.

Dalam kondisi asam AFBR acidogenic,

acidogenic mendominasi proses meskipun

mikroba metanogenik masih bisa bertahan hidup.

Tingkat pH memiliki dampak penting untuk

memisahkan proses asidogenesis dan

metanogenesis pada sistem double-stage. Dalam

kondisi netral, dapat diklaim bahwa mikroba

metanogenik berhasil mendominasi tahap kedua

AFBR.


5

1.2 Perumusan Masalah

Laju pembentukan VFA berbanding lurus dengan laju penambahan VSS

(volatile suspended solid) atau laju pertumbuhan mikroba yang biasanya dipengaruhi

oleh konsentrasi reaktan, suhu, perpindahan massa, dan waktu tinggal. Pada penelitian

ini akan dipelajari pengaruh pH terhadap konstanta laju pertumbuhan mikroba dan

perbandingan berbagai model kinetika pada proses asidogenesis LCPKS.

1.3 Tujuan Penelitian

Adapun yang menjadi tujuan dari penelitian ini adalah mendapatkan konstanta

laju pertumbuhan mikroba dari berbagai model/persamaan kinetika pada proses

asidogenesis LCPKS dengan variasi kondisi pH serta mendapatkan persamaan/model

kinetika dengan keakuratan terbaik.

1.4 Manfaat Penelitian

Adapun yang menjadi manfaat dari penelitian ini adalah memberikan informasi

mengenai evaluasi/perbandingan konstanta laju pertumbuhan mikroba dari berbagai

model/persamaan kinetika pada proses asidogenesis LCPKS dengan variasi pH dan

persamaan kinetika terbaik.

1.5 Ruang Lingkup Penelitian

Penelitian ini dilaksanakan di Laboratorium Ekologi, Departemen Teknik

Kimia, Fakultas Teknik, Universitas Sumatera Utara, Medan. Dalam penelitian ini,

bahan baku yang digunakan adalah LCPKS dari Pabrik Kelapa Sawit Rambutan PTPN

III. Penelitian dilakukan fokus hanya sampai proses asidogenesis digestasi anaerobik

menggunakan digester jenis reaktor batch dengan volume 6 liter. Adapun variabel-

variabel dari penelitian ini adalah sebagai berikut:

Variabel tetap:

Starter yang digunakan berasal dari olahan penelitian sebelumnya/Pilot plant

LPPM.

Jenis bahan baku atau umpan yang digunakan adalah LCPKS dari Pabrik

Kelapa Sawit Rambutan PTPN III

Kecepatan pengadukan: 250 rpm.


6

Temperatur fermentor : kondisi ambient

Variabel divariasikan:

pH dari fermentor divariasikan 5 ; 5,5 ; dan 6

Analisis yang akan dilakukan didalam penelitian ini meliputi analisis pada bahan

baku yang digunakan yaitu LCPKS dengan waktu analisa awal (t0) limbah dan saat

proses digestasi berlangsung. Adapun analisis cairan ini terdiri dari :

a. Analisis Cairan

Pengukuran pH

Analisis Volatile Suspended Solids (VSS) (Metode Analisa Proksimat)

Analisis ini dilakukan setiap hari .

b. Analisis Gas :

Adapun analisis gas dilakukan jika pada penelitian ada terbentuk gas yaitu gas

CO2 dan H2S.

c. Analisis Model Kinetika

Analisis keakuratan dan perbandingan model kinetika dengan:

Penentuan Parameter Kinetika (Excel Solver)

R- Squared/R2

Mean Absolute Deviation/MAD

Mean Square Error/MSE

Root Mean Square Error/RMSE

Mean Absolute Percentage Error/MAPE

Akaike Information Criteria/AIC (Metode Maximum Likehood Estimation)


7

BAB II

TINJAUAN PUSTAKA

2.1 Perkembangan Kelapa Sawit di Indonesia

Indonesia sebagai pemeran yaitu produsen dalam industri kelapa sawit global.

Bersama Malaysia, kita telah berperan dalam menghasilkan 85 % produksi minyak

sawit dunia (Macdonald, 2020). Produksi Minyak sawit Indonesia pada tahun 2016

mencapai 55 % dari produksi minyak sawit dunia, sedangkan Malaysia sebesar 29 %

berada di posisi kedua (Sinaga et al., 2020). Ekspor minyak sawit Indonesia

mengalami kenaikan sebesar 50,18 % dari tahun 2012 hinggan tahun 2019 (BPS,

2020).

Kelapa sawit memiliki berbagai potensi untuk dikembangkan. Bertambahnya

produksi minyak sawit setiap tahunnya, tentu berefek pada meningkatnya jumlah

limbah yang dihasilkan dari PKS, baik berupa limbah padat, cair maupun pulusi udara.

Oleh karena itu, hasil pembuangannya perlu dikelola dengan baik, karena mengandung

bahan organik yang dapat dimanfaatkan dan agar tidak menurunkan kualitas

lingkungan antara lain seperti pencemaran tanah, air dan udara (Setiawaty & Sari,

2020).

2.2 Limbah Cair Kelapa Sawit

Pada pabrik kelapa sawit, hanya 18-20 % crude palm oil yang dihasilkan dari

tandan buah segar kelapa sawit, sementara 80 hingga 82 % merupakan limbah organik

yang dapat menjadi produk sampingan utama. Limbah organik tersebut baik fraksi cair

maupun padat, menjadi sumber polusi utama dengan dampak lingkungan yang tinggi

terhadap keberlanjutan industri minyak sawit. Sekitar 60 % (W/W) limbah organik

tersebut adalah padatan yang terdiri dari 23,5 % tandan buah kosong; 13,5 % serat

mesocarp; 5 % cangkang dan 3,5 % decanter cake (Eko & Chaiprasert, 2020).

Limbah cair minyak kelapa sawit (POME) berasal dari kondensat, stasiun

klafier, dan hydrocyclon atau yang lebih dikenal dengan Palm Oil Mill Effluent

(POME)(Nahrul Hayawin et al., 2020). POME terdiri atas 3 jenis limbah berdasarkan

sumbernya yaitu sterilization waste, separator sludge, dan hydrocyclone waste


8

dengan rasio 9:15:1 (Jusoh et al., 2020)(Fahmi et al., 2020). POME atau LCPKS terdiri

atas:

1. Sterilisasi tandan buah kelapa sawit – sterilizer condensate sekitar 36 % dari

daru total LCPKS

2. Klarifikasi dari CPO diekstraksi – air limbah klarifikasi sekitar 60 % dari total

LCPKS

3. Clay Bath Separation (Hydrocyclone) – pemisahan campuran kernel dan shell

– air limbah hidrosiklon adalah sekitar 4 % dari LCPKS

(Harsono et al., 2014)

Secara umum, POME terdiri dari 0,6-0,7 % palm oil, 95-96 % air, 4-5 % total

solids dan 2-4 % suspended solids (Jasni et al., 2020). POME adalah limbah yang

Gambar 2. 1 Pengolahan Minyak Kelapa Sawit yang Menghasilkan

LCPKS


9

memiliki polusi tinggi karena kandungan organiknya dengan nilai BOD berkisar

antara 18.000-48.000 mg/L dengan nilai COD berkisar antara 45.000-65000 mg/L

(Hakim, 2020). POME memiliki intensitas warna yang tinggi seperti coklat tua dengan

pH asam (Nahrul Hayawin et al., 2020). Lebih rinci, karakteristik dari POME

ditampilkan pada tabel 2.1.

Tabel 2. 1 Karakteristik Palm Oil Mill Effluent

Parameter Rata-rata Range Satuan

pH 4,2 3,4 – 5,2 -

Biological Oxygen demand (BOD) 25.000 10.250 – 43.750 Mg/l

Chemical Oxygen demand (COD) 51.000 15.000 – 100.000 Mg/l

Total Solids (TS) 40.000 11.500 – 79.000 Mg/l

Suspended Solids (SS) 18.000 5.000 – 54.000 Mg/l

Volatil Solids (VS) 34.000 9.000 – 72.000 Mg/l

Oil dan Grease (O and G) 6.000 130 – 18.000 Mg/l

Ammoniak nitrogen (NH3-N) 35 4 – 80 Mg/l

Total nitrogen 750 180 – 1400 Mg/l

Sumber : Shakirah et al. (2020)

jika dilepas secara sembarang di lingkungan, POME diklarifikasikan sebagai

salah satu limbah yang sulit diantara limbah industri lainnya. Oleh karena itu, penting

untuk menemukan cara yang efisien dan ekonomis untuk menghilangkan semua

kontaminan dari air (Jagaba et al., 2020). Dianggap sebagai polutan, namun POME

dapat digunakan sebagai pupuk diperkebunan, selain itu juga dapat diproses dan

dikonversi menjadi biogas untuk menghasilkan renewable energy (Shafie et al., 2020).

2.3 Digestasi Anaerobik

AD (anaerobic digestion) adalah proses biokimiawi dimana bahan organik

kompleks terdekomposisi tanpa oksigen oleh berbagai jenis mikroorganisme anaerob.

Proses ini adalah proses umum secara alamiah di lingkungan seperti pada sedimentasi

air laut, perut ruminansia atau rawa gambut (Seadi et al., 2008). Proses ini

menggunakan bahan-bahan yang kaya akan protein, lemak, gula dan pati. Tanaman,

limbah pertanian dan industri, kotoran hewan, sampah serta limbah industri dapat

diolah menjadi biogas (Benato & Macor, 2019).

Keuntungan dari digestasi anaerobik dibandingkan dengan banyak teknologi

bioenergi lainnya yaitu AD dapat mengakomodasi berbagai jenis substrat bahkan


10

substrat yang memiliki kandungan kelembaban dan kotoran yang tinggi. AD dapat

dilakukan baik dalam skala besar maupun skala kecil dan di semua lokasi geografis

(Xu et al., 2018). Kelebihan AD juga lainnya yaitu lumpur yang dihasilkan sedikit,

kebutuhan nutrisi rendah, efisiensi dan produksi metana tinggi sehingga dapat

digunakan sebagai sumber energi seperti pembangkit listrik tenaga biogas (Budiyono

et al., 2018).

2.4 Tahapan Digestasi Anaerobik

Melalui digestasi anaerobik, biogas terbentuk melalui 4 tahap yaitu

asidogenesis, acetogenesis, dan methanogenesis (Y. Wang et al., 2020) (Y. Wang et

al., 2018)(Seadi et al., 2008)(Mata-Alvarez, 2003). Bakteri yang terlibat pada

acetogenesis dan metanogenesis merupakan kunci dari mikrooranisme anaerobik

dalam dekomposisi bahan oarganik yang rentan terhadap variasi kondisi lingkungan

(Tang et al., 2019). Dalam tahapannya, bahan organik dikonversi menjadi zat

intermediet seperti, asam lemak volatil, karbon dioksida dan hidrogen. Pada tahap

selanjutnya, zat intermediet tersebut dikonversi menjadi metana oleh bakteri

metanogenik (Mata-Alvarez et al., 2003). Tahapan yang terjadi dalam proses digestasi

senyawa organik menjadi gas metana ditunjukkan pada gambar 2.2

(Kumar & Samadder, 2020)

Gambar 2. 2 Tahapan Anaerobic Digestion


11

2.4.1 Hidrolisis

Tahap pertama ini sangat penting karena molekul-molekul organik terlalu

besar untuk langsung diserap dan digunakan oleh mikroorganisme sebagai

substrat/sumber makanan. Untuk mencapai biodegradasi, mikroorganisme tertentu

mensekresi berbagai jenis enzim, yang disebut enzim ekstraseluler, yang "memotong"

molekul-molekul yang lebih besar menjadi potongan-potongan yang lebih kecil

sehingga mikroorganisme kemudian dapat masuk ke dalam sel dan digunakan sebagai

sumber energi dan nutrisi. Beberapa mikroorganisme mengeluarkan beberapa enzim

yang berbeda, yang memungkinkan mereka untuk memecah berbagai jenis bahan

organik. Mikrorganisme ini memiliki peran tersendiri. Mikroorganisme yang

memecah gula disebut saccharolytic, sedangkan yang memecah protein disebut

proteolitic. Ada berbagai enzim untuk gula, protein, lemak, dan lainnya. Tingkat

dekomposisi selama tahap hidrolisis sangat tergantung pada sifat substrat.

Transformasi selulosa dan hemiselulosa umumnya berlangsung lebih lambat daripada

dekomposisi protein (Adekunle & Okolie, 2015). Kelompok enzim hidrolisis dan

fungsinya dapat dilihat pada tabel 2.2:

Tabel 2. 2 Kelompok Enzim Hidrolisis dan Fungsinya

Enzim Substrat Produk

Proteinase Protein Asam Amino

Cellulase Selulosa Selobiosa dan glukosa

Hemicellulase Hemiselulosa Gula seperti glukosa, xilosa, manosa dan

arabinose

Amilase Pati Glukosa

Lipase Lemak Asaml Lemak dan Gliserol

Pektinase Pektin Gula seperti galaktosa, arabinose dan asam

polygalacticuronik

Sumber: Adekunle & Okolie (2015)

Hidrolisis adalah tahap pertama diamana bahan organik kompleks seperti

karbohidrat, protein dan lemak dipecah menjadi molekul organik yang larut seperti

gula, asam amino, asam lemak dan senyawa terikat lainnya. Dalam sebagian besar

kasus, hidrolisis adalah langkah paling lambat atau limiting-rate akibat pembentukan

VFA dan Produk samping lainnya (Kumar & Samadder, 2020). Proses hidrolisis dari

karbohidrat membutuhkan waktu beberapa jam, hidrolisis protein dan lemak

membutuhkan waktu beberapa hari. Lignoselulosa dan lignin didegradasi sangat

lambat dan tidak sempurna (Deubelin & Steinhauser, 2008). Hidrolisis yang


12

merupakan langkah pertama dalam digestasi biomassa ini umumnya dipercepat

dengan memberikan pre-treatment terhadap substrat. Untuk mempercepat tahap

hidrolisis dapat menggunakan zat kimia (ozonasi, alkali, dan asam) dan fisik (mekanik,

termal, ultrasound, dan radiasi gelombang mikro) (Ahmadi-Pirlou et al., 2017).

2.4.2 Asidogenesis

Tahap kedua adalah asidogenesis atau fermentasi dimana senyawa organik

yang tereduksi dari tahap hidrolisis selanjutnya pecah, yaitu gula sederhana, asam

amino dan asam lemak terdegradasi menjadi asetat dan asam lemak rantai pendek serta

Hidrogen (H2) dan Karbon dioksida (CO2) menjadi volatile fatty acids (VFA) dan

alkohol (Seadi et al., 2008)(Kumar & Samadder, 2020). Degradasi dari asam amino

juga dapat membentuk ammonia (Vögeli et al., 2014). Reaksi keseluruhan diwakili

oleh persamaan berikut:

(Mir et al., 2016)(Mata-Alvarez, 2003)

Pada tahap ini, bukan hanya terdiri dari satu reaksi sama seperti pada hidrolisis,

banyak organisme yang berbeda aktif selama tahap ini dan lebih banyak dari pada

tahap lain. Kecepatan reaksi yang terjadi tergantung pada organisme yang hadir dan

substrat selama proses (Schnürer & Jarvis, 2010). Konsentrasi ion hidrogen

intermediet yang terbentuk mempengaruhi jenis produk fermentasi. Tekanan parsial

hidrogen yang tinggi menyebabkan senyawa yang sedikit tereduksi, seperti asetat,

terbentuk (Deublein & Steinhauser, 2011).

Bakteri fase asam yang merupakan jenis anaerob fakultatif menggunakan

oksigen secara tidak sengaja dan dimasukkan ke dalam proses, hal ini menciptakan

kondisi yang menguntungkan untuk pengembangan anaerob obligat dari genus

berikut: Pseudomonas, Bacillus, clostridium, atau Micrococcus (Ali Shah et al., 2014).

Gambar 2. 3 Reaksi Asidogenesis


13

2.4.3 Asetogenesis

Asetogenesis adalah tahap dimana asam organik yang terbentuk pada tahap

asidogenesis dikonversi menjadi asam asetat serta H2 dan CO2 (Kumar & Samadder,

2020). Pada tahap ketiga ini, asam lemak rantai panjang dan VFA serta alkohol

ditransformasikan oleh bakteri asetogenik menjadi hidrogen, karbon dioksida dan

asam asetat. Selama reaksi ini berlangsung, BOD dan COD berkurang dan pH

menurun (Vögeli et al., 2014). Reaksi asetogenesis ditunjukkan pada gambar 2.4.

(Ralph & Gu, 2010)(Ostrem, 2004)

Asam-asam orgnik yang memiliki lebih dari 5 atom karbon disebut sebagai

long chain fatty acids (LCFA). Asam lemak bertindak sebagai donor elektron dalam

menghasilkan CO2 selama degradasi, serta akseptor elektron dalam

mentransformasikan H+ menjadi H2 (Mata-Alvarez, 2003). Hidrogen memainkan

peranan perantara penting dalam proses ini, karena reaksi hanya akan terjadi jika

tekanan parsial cukup rendah secara termodinamika yang memungkinan konversi

semua asam (Vögeli et al., 2014). Produksi hidrogen yang meningkatkan tekanan

parsial dapat menghambat metabolisme bakteri asetogenik. Selama metanogenesis,

hidrogen diubah menjadi metana. Asetogenesis dan metanogenensis biasanya berjalan

paralel, sebagai simbiosis dua kelompok organisme (Seadi et al., 2008).

2.4.4 Metanogenesis

Tahap terakhir adalah metanogenesis, dimana dua kelompok methanogen yang

berbeda menghasilkan metana. Satu kelompok membagi asam asetat menjadi metana

dan karbon dioksida, sementara kelompok lain menggunakan produk antar (H2 dan

CO2) untuk pembentukan metana (Kumar & Samadder, 2020)(Vögeli et al., 2014).

Metana adalah satu-satunya produk reaksi yang bukan merupakan reaktan dalam

keseluruhan proses dan karenanya dapat dianggap sebagai produk akhir (Mata-

Alvarez, 2003).

Gambar 2. 4 Reaksi Asetogenesis


14

Produksi metana ini dilakukan oleh bakteri metanogenik. 70% dari metana

yang terbentuk berasal dari asetat dan 30 % berasal dari konversi bahan lainnya,

menurut persamaan berikut:

(Seadi et al., 2008)

Metanogenesis sangat diperngaruhi oleh kondisi operasi. Komposisi bahan

baku, laju umpan, suhu, dan pH adalah contoh faktor yang mempengaruhi proses ini.

Perubahan suhu atau masuknya oksigen yang besar dapat menyebabkan penghentian

produksi metana (Cesaro & Belgiorno, 2015)(Seadi et al., 2008).

2.5 Biogas

Biogas merupakan hasil dari proses yang dinamakan “anaerobic digestion”,

yaitu proses biologis yang terjadi pada keadaan sedikit atau tanpa oksigen dan

bertujuan untuk mendegradasi bahan-bahan organik (Cesaro & Belgiorno, 2015).

Prinsip pembuatan biogas adalah dengan dekomposisi bahan organik secara anaerobik

untuk menghasilkan gas yang sebagian besar berupa gas metana (mudah terbakar) dan

karbon dioksida (Febriyanita, 2015). Komposisi biogas bervariasi tergantung pada

bahan organik dan proses biologis yang digunakan (Schröder et al., 2014). Tabel 2.3

menampilkan karakteristik biogas secara umum.

Tabel 2. 3 Karakteristik Biogas

Parameter Komposisi

Metana (CH4) 40 – 75 %

Karbon dioksida (CO2) 15 – 60 %

Nitrogen (N2) 0 – 5 %

Oksigen (O2) < 2 %

Moisture ( H2O) 1-5 %

Hidrogen Sulfida (H2S) 0-5000 ppm

Low caloricfic value 23,1 MJ/m3

Specific gravity 0,80

Ignition temperature 650 oC

Flammability limits on air 8 – 18 % v/v

Sumber: (Bharathiraja et al., 2018)

Kandungan utama dalam biogas adalah metana dan karbon dioksida.

Kandungan metana ini apabila terbakar relatif akan lebih bersih dibandingkan dengan

Gambar 2. 5 Reaksi pada Metanogenesis


15

batu bara, dan dengan emisi karbon dioksida yang lebih sedikit, maka akan

menghasilkan energi yang lebih besar (Pambudi et al., 2018).

Karakterisasi biogas adalah sebagai berikut:

1. Biogas memiliki nilai kalor sekitar 20-24 MJ/m3 atau setara dengan 5,96 kWh

m3 (Shah et al., 2016)

2. Biogas 20% lebih ringan dari udara (Shah et al., 2016)(Atmodjo, 2018).

3. Biogas tidak berbau dan tidak berwarna (Atmodjo, 2018).

Kandungan metana pada biogas sangat penting untuk meningkatkan nilai kalor

biogas dan membuatnya cocok untuk aplikasi lain yang potensial yaitu digunakan

sebagai bahan bakar kendaraan, untuk pembangkit listrik atau injeksi ke dalam

jaringan gas alam. Biogas sebagai bahan bakar kendaraan dapat secara substansial

mengurangi emisi gas rumah kaca sebanyak 60-80 % dibanding dengan bensin

disektor transportasi (IRENA, 2017).

Metana adalah komponen utama yang menunjukkan ketahanan lebih besar

untuk mesin dengan rasio kompresi yang tinggi (Senthilkumar & Vivekanandan,

2016). Kriteria sumber daya energi yang paling cocok diantara bahan bakar alternatif

untuk internal combustion engine adalah gas biomassa, terbarukan, bersih dan tersedia

keberadaannya, yaitu biogas. Biogas hasil fermentasi ini dianggap sangat menjanjikan

sebagai bahan bakar untuk internal combustion engine juga dan memiliki karakter

anti-knocking yang bagus (Berenjestanaki et al., 2019). Pada Tabel 2.4 berikut

merupakan analisis komparatif penggunaan biogas untuk beberapa aplikasi alternatif.

Tabel 2. 4 Analisis Komparatif penggunaan biogas untuk beberapa aplikasi alternatif

Alternatif Keuntungan Kerugian

Internal

Combustion

Engine

Biaya investasi sedang

Perawatan sederhana

Operasi stabil

Potensi pemulihan energi

yang besar

Kesulitan

mengendalikan emisi

yang tinggi

Gas turbine Temperatur gas buang

yang tinggi sehingga

dapat diaplikasikan secara

langsung pada proses

pemanasan dan

pengeringan

Dapat menjadi dua

sumber daya listrik pada

Biaya akuisisi yang

tinggi

Bahan bakar harus di

kompres dahulu

Biaya operasional

tinggi

Permintaan gas yang

berkualitas yang

konsisten


16

turbin gas yang

dikombinasikan.

Microturbines Portable dan mudah diatur

Biaya perawatan yang

sedikit

Emisi NOx yang rendah

Mampu beroperasi dengan

biogas berkandungan

metana rendah

Efisiensi lebih rendah

dibandingakan internal

combustion engine

lainnya

Biaya perawatan yang

tinggi

Sumber: Freitas et al. (2019)

2.6 Parameter Utama Pada Digestasi Anaerobik

Konsorsium anaerobik terdiri dari beberapa kelompok mikroorganisme dengan

fisiologi berbeda yang hidup berdampingan syntrophically atau antagonis,

menghasilkan respon yang berbeda terhadap perubahan lingkungan. Sebagai

konsekuensi, ketika aktivitas salah satu kelompok mikroorganisme terhambat, tingkat

pertumbuhan mikroorganisme lain akan terpengaruh, mengubah keseimbangan

populasi, menyebabkan penurunan efisiensi proses atau bahkan kegagalan proses

(Stamatelatou et al., 2011).

2.6.1 pH dan Alkalinitas

Proses degradasi anaerob sangat tergantung pada pH karena masing-masing

kelompok mikroba yang terlibat dalam reaksi memiliki kisaran pH tertentu untuk

pertumbuhan optimal. Aspek pH dipengaruhi antara lain oleh pemanfaatan sumber

karbon dan energi, efisiensi substrat disimilasi, sintesis protein dan berbagai jenis

bahan penyimpanan, serta pelepasan produk metabolisme dari sel (Parawira, 2004).

Faktor pH sangat berperan dalam dekomposisi anaerob karena pada rentang pH yang

tidak sesuai, bakteri tidak dapat tumbuh dengan maksimal dan bahkan dapat

menyebabkan kematian. Bakteri metanogenik adalah yang paling sensitiv terhadap

pH. Rendahnya pH dapat menyebabkan rantai reaksi biologi terhenti (Haryanto et al.,

2019).

Efisien metanogenesis dari digester yang beroperasi dalam keadaan stabil

seharusnya tidak memerlukan kontrol pH, tapi di lain waktu, misalnya, selama start-

up atau dengan beban pakan yang sangat tinggi, kontrol pH mungkin diperlukan. pH

hanya dapat digunakan sebagai indikator proses ketika mengolah limbah dengan


17

kapasitas buffer yang rendah, seperti limbah kaya karbohidrat (Stamatelatou et al.,

2011).

Dalam kebanyakan kasus, transformasi anaerobik bahan organik dicapai paling

efisien pada pH netral, meskipun banyak spesies dapat tumbuh pada pH yang lebih

rendah atau lebih tinggi. Nilai pH yang rendah akibat akumulasi produk intermediete

berlebih yang merupakan penghambat bakteri metanogenesis yang diakibatkan oleh

bakteri asidogenesis. bakteri asidogenesis dapat tumbuh dan terus menghasilkan asam

pada pH rendah (5-6) yang mengintensifkan kondisi penghambatan terhadap

metanogens dalam prokduksi metana (Stamatelatou et al., 2011).

Parameter penting dalam sistem digestasi anaerobik adalah alkalinitas, yang

merupakan ukuran dari kapasitas buffer kimia dari larutan berair. Sangat penting

bahwa isi reaktor memberikan cukup kapasitas buffer untuk menetralisir kemungkinan

akumulasi VFA dalam reaktor dan untuk menjaga pH (6,7-7,4) untuk operasi yang

stabil. Asam karbonat (bikarbonat), hidrogen sulfida, fosfat dihidrogen dan amonia

adalah senyawa yang berguna memberikan kapasitas buffer yang signifikan di kisaran

pH 7. VFAs yang dominan dalam sistem anaerobik adalah asam asetat dan propionat,

dan penyangganya masing-masing dalam interval pH 3,7-5,7 dan 3,9-5,9 (Parawira,

2004).

2.6.2 Temperatur

Temperatur akan sangat berpengaruh terhadap aktivitas mikroorganisme yang

akan mengurai bahan organik. Dalam tahap pembentukan metana, suhu lingkungan

maupun suhu digester memiliki pengaruh yang signifikan. Semakin tinggi temperatur

optimum bakteri maka aktivitas mikroorganisme juga semakin meningkat. Bakteri

metanogen ini sangat sensitif terhadap perubahan suhu dan penurunan 1 – 2 oC yang

dapat menurunkan produksi biogas secara signifikan (Haryanto et al., 2019).

Proses hidrolisis dan asidogenesis tidak signifikan dipengaruhi oleh suhu,

karena memiliki campuran populasi dimana beberapa bakterinya memiliki rentang

suhu yang optimal ketika digesti sedang dioperasikan. Tahap asetogenesis dan

metanogenesis dilakukan oleh spesies mikroorganisme khusus dalam jumlah sedikit

dan dengan demikian lebih mungkin peka terhadap suhu (Parawira, 2004).

Peningkatan temperatur pada digestasi anaerobik memiliki beberapa keuntungan yaitu,


18

dapat meningkatkan kelarutan senyawa organik, meningkat laju reaksi kimia dan

biologi, meningkatkan difusi substrat terlarut, meningkatkan tingkat kematian bakteri

patogen, terutama di bawah kondisi termofilik, meningkatkan degradasi asam lemak

rantai panjang, VFA dan produk intermediet lainnya (Fang et al., 2010).

Tabel 2. 5 Rentang Suhu dan HRT dari Bakteri Metanogenesis

Bakteri Suhu Proses oC HRT Minimum (hari)

Pesofilik 200 70-80

Mesofilik 30-400 30-40

Termofilik 43-550 15-10

Sumber: Seadi et al. (2008)

2.6.3 Hydraulic Retention Time (HRT)

Menurut persamaan (HRT = V / Q), meningkatkan beban organik mengurangi

HRT. Waktu retensi harus cukup panjang untuk memastikan bahwa jumlah

mikroorganisme dihilangkan pada effluent (digestate) tidak lebih banyak dari jumlah

mikroorganisme yang direproduksi. Laju duplikasi bakteri anaerob biasanya 10 hari

atau lebih. HRT yang singkat menyediakan laju aliran substrat yang baik, tapi

menghasilkan yield gas yang rendah. Oleh karena itu, penting mengadaptasi HRT

untuk laju dekomposisi spesifik dari substrat yang digunakan. Mengetahui HRT

ditargetkan dapat mengetahui input bahan baku harian dan laju dekomposisi substrat,

agar memungkinkan untuk menghitung volume digester diperlukan (Stamatelatou et

al., 2011).

Semakin lama HRT, semakin banyak bahan organik yang terdegradasi.

Namun, bahan organik yang paling rentan terhadap degradasi anaerobik biasanya

terdegradasi dalam waktu 14-50 hari (dalam reaktor biogas saja), tergantung pada

bahan baku, dan HRT yang tinggi memerlukan volume reaktor yang lebih besar

dengan manfaat yang dihasilkan sedikit (Luostarinen et al., 2011).


19

2.6.4 Pengadukan

Pengadukan bermanfaat bagi bahan yang berada di dalam digester anaerob,

karena memberikan peluang material tetap tercampur dengan bakteri dan temperatur

terjaga merata seluruh bagian (Sahri et al., 2019). Pencampuran tersebut menghindari

gradient suhu dalam digester dan juga mencegah pembentukan buih. Sampah dan busa

adalah hasil dari mikroorganisme berflamen dalam digester. Sampah dalam digester

harus dihindari karena dapat mengakibatkan penyumbatan pipa gas atau berpotensi

menyebabkan pembubasan digester (Vögeli et al., 2014).

2.6.5 Organic Loading Rate (OLR)

OLR adalah ukuran dari kapasitas konversi biologis digestasi anaerobik.

Berbagai penelitian telah membuktikan bahwa OLR akan mengurangi efisiensi

penyisihan COD (Stamatelatou et al., 2011). OLR menentukan berapa banyak

kandungan volatile solids (VS) yang masuk ke digester. OLR yang tinggi akan

membutuhkan bakteri yang banyak, yang dapat menyebabkan sistem crash, jika tidak

disiapkan. Salah satu bahaya meningkatnya OLR bahwa bakteri asidogenesis akan

bertindak di awal proses digesti dan berkembang biak dengan cepat jika diberikan

substrat yang cukup yang akan menghasilkan asam dua kali lebih cepat. Bakteri

metanogenesis, akan membutuhkan waktu lebih lama untuk meningkatkan populasi

mereka, yang tidak akan mampu untuk mengkonsumsi asam yang terbentuk. pH sistem

kemudian akan turun, membunuh lebih banyak bakteri metanogenesis dan

menyebabkan proses digestion berhenti. Ini merupakan indikasi awal penurunan

produksi biogas dan penurunan nilai pH (Ostrem, 2004).

2.6.6 Solid Retention Time (SRT)

Waktu retensi padatan (SRT) digunakan untuk mengendalikan laju

pertumbuhan mikroba dalam reaktor dan waktu rata-rata partikel padat, seperti

mikroba, dalam reaktor. Hal ini dihitung dengan membagi massa padatan dalam

reaktor dengan massa padatan yang dihilangkan dari sistem setiap hari (Speece, 1983).


20

2.6.7 Rasio C/N

Karbon dan nitrogen adalah sumber energi dan nutrisi penting pada

pertumbuhan mikroorganisme (Chatterjee & Mazumder, 2019). C/N ratio, yang

merupakan parameter penting dalam memperkirakan defisiensi nutrisi dan

penghambatan ammonia (Vögeli et al., 2014). Rasio optimal C/N dalam digester

anaerobik adalah antara 16 dan 25 (Deublein & Steinhauser, 2011).

Pada rasio C/N yang tinggi pengasaman yang berlebihan terjadi karena

degradasi substrat yang cepat pada awal proses, yang mengakibatkan proses total

menjadi tidak stabil (Chatterjee & Mazumder, 2019). Kelebihan kandungan karbon

akan memperlambat proses degradasi, karena lebih banyak waktu oleh

mikroorganisme untuk mengkonsumsi karbon yang tersedia (Kumar & Samadder,

2020). Sementara itu, jika rasio C / N yang sangat rendah menyebabkan amonia

terakumulasi dan dapat meningkatkan pH digester sebesar 8,5 yang merupakan racun

bagi bakteri metanogenik (Matin & Hadiyanto, 2018). Meskipun bakteri metanogenik

dapat beradaptasi dengan konsenetrasi ammonia yang sangat tinggi, ini hanya terjadi

jika konsentarasi meningkat secara bertahap sehingga memberikan waktu untuk

adaptasi (Vögeli et al., 2014).

2.6.8 Total Solid (TS) dan Volatile Solid (VS)

TS adalah menunjukkan kandungan padatan (jumlah Volatile solid dan kadar

abu) dalam suatu substrat (Bonanza & Sarto, 2016). Komposisi total solid (TS) yang

baik untuk produksi biogas berkisar 7-9 %. Kondisi ini dapat membuat proses digester

anaerob berjalan dengan baik (Effendy et al., 2018). AD dapat beroperasi pada kondisi

total solids berada pada rentang 5 % hingga 35 % (Lin et al., 2018). Dalam penelitian

Ahmadi,dkk., (Ahmadi-Pirlou et al., 2017) telah dilaporkan efek dari TS terhadap yield

gas metana. Mereka menemukan bahwa, pada dry process digester dengan 20 % TS

menghasilkan lebih banyak metana dibandingkan dengan digester pada 25 % dan 30

% TS. Studi lain menemukan bahwa, hasil biogas meningkat hingga kandungan TS 8

% dan kemudian turun pada kandungan TS 10% (An et al., 2017)

Volatile solid (VS) merupakan padatan organik yang menguap pada proses

pembakaran diatas 500oC (Seadi et al., 2008). Menurut (Mulyadi et al., 2016),

penurunan nilai VS menunjukkan bahwa kandungan padatan organik telah dirombak


21

menjadi senyawa volatile fatty acid, alkohol, CO2 dan H2 pada tahap asidogenesis,

kemudian menjadi CH4 dan CO2 pada tahap metanogenesis.

2.6.9 Total Suspended Solid (TSS) dan Volatile Suspended Solid (VSS)

Total Suspended Solid (TSS) dan Volatile Suspended Solid (VSS) merupakan

analisis untuk melihat kondisi kehidupan mikroorganisme (bakteri metanogenik)

dalam menghasilkan biogas. Padatan tersuspensi total atau Total Suspended Solid

(TSS) merupakan residu dari padatan total yang tertahan oleh saringan dengan ukuran

partikel maksimal 2 μm atau lebih besar dari ukuran partikel koloid. TSS ini

menyatakan banyaknya senyawa organik dan anorganik yang tersuspensi di dalam air

(Speece, 1983).

Volatile Suspended Solid (VSS) secara tidak langsung dapat digunakan untuk

menghitung jumlah mikroorganisme. Zat padat organik akan teroksidasi pada suhu

550 oC dan berubah menjadi gas dan dihitung sebagai VSS. Nilai VSS ini menyatakan

banyaknya senyawa organik yang berasal dari TSS serta jumlah biomassa dalam

limbah. Semakin tinggi VSS menunjukkan semakin banyaknya jumlah komponen

organik dan mikroorganisme (Adipasah, 2014). Konsentrasi VSS biasanya digunakan

sebagai indikator tumbuhnya mikroba dan produksi biomassa (Trisakti & Sijabat,

2020).

Berdasarkan penelitian yang dilakukan oleh Trisakti, dkk. (2017), melalui

beberapa variasi dalam proses penelitian, didapatkan hasil bahwa kondisi proses yang

menyebabkan konsentrasi VSS tertinggi menghasilkan VFA yang tertinggi pula

(Trisakti et al., 2017). Secara tidak langsung dijelaskan bahwa konsentrasi VSS

berbanding lurus dengan produksi VFA. Hal ini sesuai dengan konsep dasar bahwa

dalam proses anaerob, VFA merupakan hasil dari dekomposisi bahan organik oleh

mikroorganisme asidogenesis. Seperti yang telah dijelaskan, VSS dapat digunakan

untuk menghitung jumlah mikroorganisme.

2.6.10 Chemical Oxygen Demand (COD)

COD (chemical oxygen demand) adalah ukuran umum jumlah senyawa

organik terlarut dan dapat memberikan indikasi jumlah senyawa karbon terlarut dalam

proses yang dapat menimbulkan metana. COD myatakan jumlah oksigen yang akan

dibutuhkan untuk mengoksidasi semua senyawa organik yang terlarut dalam fase cair,

dapat ditentukan dengan menggunakan zat pengoksidasi, seperti dikromat (Schnürer


22

& Jarvis, 2010). Penurunan COD menunjukan bahwa mikroorganisme bekerja dengan

baik sehingga proses dapat berlangsung karena dapat mendegradasi atau menyisihkan

senyawa-senyawa organik (Afifah & Suryawan, 2020).

2.7 Kinetika Reaksi

Anaerobic Digestion (AD) dari limbah organik adalah sistem kompleks yang

melibatkan beberapa kelompok bakteri yang hidup dalam asosiasi sintrofik. Proses ini

terjadi karena banyak reaksi simultan yang dikatalisis oleh mikroorganisme (Mata-

Alvarez, 2003). Kinetika dari proses Digestasi anaerobik dianalisis menggunakan

persamaan/model matematika (Kurnianto et al., 2019). Beberapa persamaan

matematika untuk kinetika pertumbuhan mikroba ditampilkan pada sub-bab berikut.

2.7.1 First Order Kinetic Model

Model kinetik orde pertama. Model kinetik orde pertama adalah model yang

paling sederhana, namun model ini tidak memprediksi kondisi aktivitas biologis

maksimum dan kegagalan sistem (Kafle & Chen, 2016). Berikut ini adalah persamaan

dasar kinetik orde pertama:

𝑑𝐶

𝑑𝑡= −𝑘𝐶 (2.1)

Dimana:

k = laju konstanta (/hari)

t = waktu digestasi (hari)

C = Konsesntrasi substrat (VS atau COD)

Selanjutnya adalah mengubah/menyusun persamaan (2.1) menjadi

persamaan (2.2) dengan integrasi t = 0 hingga t = t hari.

𝑑𝐶

𝐶= −𝑘 𝑑𝑡

ln [𝐶𝑡

𝐶𝑜] = −𝑘𝑡

𝐶𝑡

𝐶𝑜= 𝑒−𝑘𝑡 (2.2)

Lebih mudah untuk menurunkan persamaan tersebut menggunakan pengukuran

produk dari pada pengukuran C. hubungan antara VS atau COD terhadap gas

metana/mikroba/ produk dijelaskan dengan persamaan berikut:

𝐶𝑡

𝐶0=

𝑀𝑚−𝑀𝑡

𝑀𝑚 (2.3)


23

Lalu substitusi persamaan (2.2) ke persamaan (2.3) sehingga didapat persamaan (2.4)

𝑀(𝑡) = 𝑀𝑚𝑥(1 − 𝑒−𝑘𝑡) (2.4)

Dimana:

Ct = Konsenstasi akhir substrat

C0 = konsesntrasi awal substrat

Mt = akumulasi mikroba pada t waktu digestasi, VSS (g/L)

M0 = Akumulasi potensial maksimu mikroba dari substrat, VSS (g/L)

2.7.2 Logistic Kinetic Model

Persamaan logistik merupakan salah satu metode yang digunakan untuk

menggambarkan tingkat atau pertumbuhan dari suatu populasi/spesies. Model logistik

dianggap akurat dan realistik dari pada model populasi eksponensial untuk

memprediksi jumlah populasi dibeberapa kasus (Pandu, 2020).

Persamaan logistik ini juga digunakan untuk menggambarkan jumlah akumulasi

Biogas (Pramanik et al., 2019). Persamaan logistik dapat dituliskan sebagai berikut:

𝑀(𝑡) =𝑀𝑚

1+𝑒𝑥𝑝{4𝑅𝑚(𝜆−1)

𝑀𝑚+2}

(2.5)

Keterangan:

M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)

Mm = Potensi pertumbuhan maksimum mikroba (VSS) (g/L)

t = Waktu proses digestasi anaerobik (Hari)

λ = lag phase time (hari)

Rm = Laju pertumbuhan mikroba maksimum (g/L.hari)

2.7.3 Dual Pooled-First Order Kinetic Model

Dalam digestasi anaerobik, umpan dan substrat diumpankan agar tejadi proses

hidrolisis dan asidogenesis. Kedua proses ini sering dianggap sebagai laju pembatas.

Jika proses tersebut jauh lebih lambat dari pada pross metanogenesis, maka konversi

substrat menjadi metana digambarkan oleh kinetika orde pertama. Namun komposisi

kimia substrat partikulat umumnya heterogen. Substrat partikulat dapat dibagi menjadi

beberapa fraksi, yang dimodelkan oleh beberapa Pool atau kompartmen dengan

kecepatan konversi yang berbeda-beda. Berdasarkan pendekatan ini, beberapa peneliti

menjelaskan produksi metana dalam proses anaerob batch dengan model yang


24

mengasumsikan substrat dibagi menjadi dual pools, yang msing-masing mengikuti

kinetika orde pertama (Brulé et al., 2014).

Pendekatan tersebut dituliskan dalam persamaan (2.6).

𝑀(𝑡) = 𝑀𝑚(1 − 𝛼𝑒−𝑘𝑓𝑥𝑡 − (1 − 𝛼)𝑒−𝑘𝐿𝑥𝑡) (2.6)

Keterangan:



α = rasio substrat terdegradasi terhadap total substrat yang dapat

terdegradasi

Kf = konstanta laju substrat yang terdegradasi dengan cepat


KL = konstanta laju substrat yang terdegradasi dengan lambat

(Dennehy et al., 2016)

2.7.4 Cone Model

Model ini menggambarkan parameter kinetik hasil biogas maupun

pertumbuhan mikroba. Cone model merupakan persamaan empiris yang dapat

mengidentifikasi laju yield biogas dan yield biogas kumulatif maksimum, dalam hal

pertumbuhan mikroba model ini mengidentifikasi potensial pertumbuhan mikroba

maksimum. Model ini juga dapat memperkirakan perilaku produksi biogas dengan

konstanta atau factor shape, yang menunjukkan apakah terdapat fase lag dalam reaktor

(Zhang et al., 2019). Model ini digambarkan dengan persamaan sebagai berikut :

𝑀(𝑡) =𝑀𝑚

1+(𝑘𝑥𝑡)−𝑛 (2.7)

Keterangan:



k = konstanta proses/reaksi asidogenesis (/hari)

n = Shape factor


(Nguyen et al., 2019)


25

2.7.5 Chen and Hashimoto Model

Model Chen dan Hashimoto telah digunakan dengan memuaskan untuk proses

destruksi anaerobik kontinyu dan batch (Li et al., 2019)(Kafle & Chen, 2016).

Parameter model, dan terutama waktu retensi kritis (HRT critical), sangat penting

untuk evaluasi reaksi fermentasi anaerobik. Model ini telah diakui sebagai alat yang

andal dalam memprediksi penguraian limbah dengan kandungan TS yang substansial.

Awalnya model ini ditampilkan pada persamaan (2.8).

𝐶𝑡

𝐶0=

𝐾𝐶𝐻

𝑡 𝜇𝑚𝐾𝐶𝐻−1 (2.8)

Selanjutnya persamaan (2.3) disubstitusikan ke pesamaan (2.8) sehingga didapat

persamaan (2.9)

𝑀𝑚−𝑀𝑡

𝑀𝑚=

𝐾𝐶𝐻

𝑡 𝜇𝑚𝐾𝐶𝐻−1 (2.9)

Dengan penyederhana didapatlah model Chen dan Hashimoto digambarkan dalam

Persamaan (2.10).

𝑀(𝑡) = 𝑀𝑚𝑥 (1 −𝐾𝐶𝐻

𝑡𝑥𝜇𝑚+𝐾𝐶𝐻−1) (2.10)

dengan waktu retensi hidraulik (HRT) adalah waktu destruksi (saat persamaan

diterapkan pada eksperimen fermentasi batch) (hari), KCH adalah konstanta Chen dan

Hashimoto (tanpa dimensi), µm adalah laju pertumbuhan spesifik maksimum

mikroorganisme (/hari). Persamaan (2.10) dapat diubah menjadi Persamaan (2.11):

𝐻𝑅𝑇 = 1

𝜇𝑚+

𝐾𝐶𝐻

𝜇𝑚

𝑀𝑡

𝑀𝑚−𝑀𝑡 (2.11)

Garis lurus dengan kemiringan 𝐾𝐶𝐻

𝜇𝑚 dan titik potong

1

𝜇𝑚 diperoleh. Saat mengambil

𝑀𝑡

𝑀𝑚−𝑀𝑡 sebagai variabel bebas dan HRT sebagai variabel terikat, HRTcritical

ditentukan menggunakan Persamaan (2.12). Semakin pendek HRTcritical, semakin

baik reaktor akan beroperasi.

𝐻𝑅𝑇 𝑐𝑟𝑖𝑡𝑖𝑐𝑎𝑙 = 1

𝜇𝑚 (2.12)

Keterangan:



μm = laju spesifik pertumbuhan maksimum (/hari)

KCH = Konstanta kinetik Chen and Hasimoto



26

Ct = Konsenstasi akhir substrat

C0 = konsesntrasi awal substrat

(Kafle & Chen, 2016)

2.7.6 Model Kinetik Gompertz yang dimodifikasi

Pertumbuhan bakteri sering kali secara eksponensial, oleh karena itu sering kali

digunakan grafik dengan memplot logaritma ukuran populasi relatif [y = ln (N∞/N0)]

terhadap waktu untuk mengambarkan pertumbuhannya. Tiga fase kurva pertumbuhan

dapat dijelaskan oleh tiga parameter: laju pertumbuhan spesifik maksimum, µm, yang

merupakan garis singgung pada titik belok; lag time, λ, didefinisikan sebagai intercept

sumbu x; dan asymptote [A = ln (𝑁∞/N0)] yang merupakan nilai maksimal yang

dicapai.

Sulit untuk memperkirakan nilai awal untuk parameter jika parameter tidak

memiliki makna biologis dan sulit untuk menghitung interval kepercayaan 95 % untuk

parameter biologis jika parameter tidak diperkirakan secara langsung dalam

persamaan tetapi harus dihitung dari parameter matematika. Oleh karena itu, semua

model pertumbuhan ditulis ulang untuk menggantikan parameter matematika dengan

A, µm, dan λ. Hal ini dilakukan dengan menurunkan ekspresi parameter biologis

sebagai fungsi dari parameter fungsi dasar dan kemudian menggantikannya dalam

formula (Azka, 2019).

Adapun pengembangan persamaan gompertz ialah sebagai berikut:

𝑦 = 𝑎. exp [− exp(𝑏 − 𝑐𝑡)] (2.13)

Untuk mendapatkan titik belok kurva, turunan kedua dari fungsi sehubungan dengan t

dihitung:

𝑑𝑦 = [𝑎. 𝑒−𝑒(𝑏−𝑐𝑡)]𝑑𝑡

𝑑𝑦 = 𝑎. [𝑒−𝑒(𝑏−𝑐𝑡)]𝑑𝑡

𝑑𝑦 = 𝑎. 𝑒−𝑒(𝑏−𝑐𝑡). [−𝑒(𝑏−𝑐𝑡)]𝑑𝑡

𝑑𝑦 = −𝑎. 𝑒−𝑒(𝑏−𝑐𝑡). [𝑒(𝑏−𝑐𝑡)]𝑑𝑡


27

𝑑𝑦 = −𝑎. 𝑒−𝑒(𝑏−𝑐𝑡). 𝑒(𝑏−𝑐𝑡). [𝑏 − 𝑐𝑡]𝑑𝑡

𝑑𝑦 = −𝑎. 𝑒−𝑒(𝑏−𝑐𝑡). 𝑒(𝑏−𝑐𝑡). (−𝑐𝑡)𝑑𝑡

𝑑𝑦

𝑑𝑡= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)

. 𝑒(𝑏−𝑐𝑡) (2.13)

Turunan kedua dari persamaan 2.13 ialah sebagai berikut:

𝑑2𝑦

𝑑𝑡= [𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)

. 𝑒(𝑏−𝑐𝑡)] 𝑑𝑡

𝑑2𝑦

𝑑𝑡= 𝑎𝑐. [𝑒−𝑒(𝑏−𝑐𝑡)

. 𝑒(𝑏−𝑐𝑡)] 𝑑𝑡

𝑑2𝑦

𝑑𝑡= 𝑎𝑐. [𝑒−𝑒(𝑏−𝑐𝑡)+(𝑏−𝑐𝑡)] 𝑑𝑡

𝑑2𝑦

𝑑𝑡= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)+(𝑏−𝑐𝑡). [−𝑒(𝑏−𝑐𝑡) + (𝑏 − 𝑐𝑡)]𝑑𝑡

𝑑2𝑦

𝑑𝑡= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)+(𝑏−𝑐𝑡). ((−𝑐) + [−𝑒(𝑏−𝑐𝑡)]𝑑𝑡)

𝑑2𝑦

𝑑𝑡= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)+(𝑏−𝑐𝑡). ((−𝑐) + −[𝑒(𝑏−𝑐𝑡)]𝑑𝑡)

𝑑2𝑦

𝑑𝑡= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)+(𝑏−𝑐𝑡). ((−𝑐) + −𝑒(𝑏−𝑐𝑡). [(𝑏 − 𝑐𝑡)]𝑑𝑡)

𝑑2𝑦

𝑑𝑡= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)+(𝑏−𝑐𝑡). ((−𝑐) + −𝑒(𝑏−𝑐𝑡). (−𝑐)) 𝑑𝑡

𝑑2𝑦

𝑑2𝑡= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)+(𝑏−𝑐𝑡). ((−𝑐) + 𝑒(𝑏−𝑐𝑡). (𝑐))

𝑑2𝑦

𝑑2𝑡= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)+(𝑏−𝑐𝑡). 𝑐. (𝑒(𝑏−𝑐𝑡) − 1)

𝑑2𝑦

𝑑2𝑡= 𝑎𝑐2. 𝑒−𝑒(𝑏−𝑐𝑡)+(𝑏−𝑐𝑡). (𝑒(𝑏−𝑐𝑡) − 1)

Pada titik belok, di mana t = ti, 𝑑2𝑦

𝑑2𝑡= 0:

0 = 𝑎𝑐2. 𝑒−𝑒(𝑏−𝑐𝑡𝑖)+(𝑏−𝑐𝑡𝑖). (𝑒(𝑏−𝑐𝑡𝑖) − 1)


28

0 = 𝑎𝑐2. 𝑒−𝑒(𝑏−𝑐𝑡𝑖)+(𝑏−𝑐𝑡𝑖). 𝑒(𝑏−𝑐𝑡𝑖) − 𝑎𝑐2. 𝑒−𝑒(𝑏−𝑐𝑡𝑖)+(𝑏−𝑐𝑡𝑖)

𝑎𝑐2. 𝑒−𝑒(𝑏−𝑐𝑡𝑖)+(𝑏−𝑐𝑡𝑖) = 𝑎𝑐2. 𝑒−𝑒(𝑏−𝑐𝑡𝑖)+(𝑏−𝑐𝑡𝑖). 𝑒(𝑏−𝑐𝑡𝑖)

1 = 𝑒(𝑏−𝑐𝑡𝑖)

ln 1 = ln 𝑒(𝑏−𝑐𝑡𝑖)

0 = (𝑏 − 𝑐𝑡𝑖)

𝑐𝑡𝑖 = 𝑏

𝑡𝑖 =𝑏

𝑐 (2.14)

Kemudian diturunkan persamaan laju pertumbuhan spesifik maksimum dengan

turunan pertama pada titik belok:

𝑑𝑦

𝑑𝑡= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐𝑡)

. 𝑒(𝑏−𝑐𝑡) (2.15)

(𝑑𝑦

𝑑𝑡)

𝑡𝑖

= 𝑎𝑐. 𝑒−𝑒(𝑏−𝑐

𝑏𝑐

)

. 𝑒(𝑏−𝑐𝑏𝑐

)

(𝑑𝑦

𝑑𝑡)

𝑡𝑖

= 𝑎𝑐. 𝑒−𝑒(0). 𝑒(0)

(𝑑𝑦

𝑑𝑡)

𝑡𝑖

= 𝑎𝑐. 𝑒−1. 1

𝜇𝑚 = (𝑑𝑦

𝑑𝑡)

𝑡𝑖

=𝑎𝑐

𝑒 (2.16)

𝑐 =𝜇𝑚.𝑒

𝑎 (2.17)

Deskripsi garis singgung melalui titik belok adalah:

y = μm. t +𝑎

e− μm. ti (2.18)

Lag time didefinisikan sebagai tangen intercept sumbu-t melalui titik belok:

0 = μm. λ +𝑎

e− μm. ti (2.19)

Disubstitusikan persamaan 2.16, 2.17, dan 2.18 ke persamaan 2.19:


29

0 =𝑎. 𝑐

𝑒. λ +

𝑎

e−

𝑎. 𝑐

𝑒.𝑏

𝑐

0 =𝑎

𝑒[𝑐λ + 1 − b]

0 = [𝑐λ + 1 − b]

𝑐λ = b − 1 (2.20)

λ =b−1

𝑐 (2.21)

Parameter b dalam persamaan Gompertz dapat diganti dengan mensubstitusikan

persamaan 2.17 ke persamaan 2.21:

𝑐λ = b − 1 (2.22)

𝜇𝑚. 𝑒

𝑎λ = b − 1

𝜇𝑚.𝑒

𝑎λ + 1 = 𝑏 (2.23)

Nilai asimptotik tercapai untuk t yang mendekati tak terhingga:

𝑡 ⟶ ∞: 𝑦 ⟶ 𝑎 ⟹ 𝐴 = 𝑎

Parameter a dalam persamaan Gompertz dapat diganti dengan A agar membedakan

bektuk persamaan Gompertz original dan yang dimodifikasi, menghasilkan persamaan

Gompertz yang dimodifikasi:

P=A×exp {-exp [𝜇𝑚. 𝑒

𝐴(λ-t)+1]}

Parameter µm dalam persamaan Gompertz dapat diganti dengan Rmax, menghasilkan

persamaan Gompertz yang dimodifikasi:

P=A×exp {-exp [𝑅𝑚𝑎𝑥.𝑒

𝐴(λ-t)+1]} (2.24)

Agar menyamakan penyimbolan dengan 5 model kinetika sebelumnya,

Persamaan (2.24) diganti menjadi:

𝑀(𝑡) = 𝑀𝑚𝑥 𝑒𝑥𝑝 {−𝑒𝑥𝑝 [𝑅𝑚𝑒

𝑀𝑚(𝜆 − 1) + 1]} (2.25)


30

Keterangan:







2.7.7 Pertimbangan dan Perbedaan dari Setiap Model Kinetika

Persamaan/model matematika digunakan untuk memprediksi pertumbuhan

mikroba pada asidogenesis LCPKS. Model-model tersebut diformulasikan dengan

dasar mengasumsikan kondisi seperti:

1) Temperatur konstan

2) Volume digester yang konstan

3) Pencampuran yang sempurna

4) Kondisi bakteri ideal

5) Limbah input hanya terdiri dari C, H, dan O

6) Produk yang dihasilkan hanya VFA, CO2 dan CH4

(Rea, 2014)

Beberapa persamaan matematika untuk kinetika pertumbuhan mikroba

disajikan pada tabel 2.6.

Tabel 2.6 Beberapa Model Persamaan Kinetika

Nama Model Kinetika Persamaan

First Order Kinetic Model 𝑀(𝑡) = 𝑀𝑚𝑥(1 − 𝑒−𝑘𝑥𝑡)

Logistic Kinetic Model 𝑀(𝑡) =

𝑀𝑚

1 + 𝑒𝑥𝑝 {4𝑅𝑚(𝜆 − 1)

𝑀𝑚+ 2}

Dual Pooled First-Order Kinetic Model 𝑀(𝑡) = 𝑀𝑚(1 − 𝛼𝑒−𝑘𝑓𝑥𝑡 − (1 − 𝛼)𝑒−𝑘𝐿𝑥𝑡)

Cone Model 𝑀(𝑡) =𝑀𝑚

1 + (𝑘𝑥𝑡)−𝑛

Chan and Hashimoto Model 𝑀(𝑡) = 𝑀𝑚𝑥 (1 −𝐾𝐶𝐻

𝑡𝑥𝜇𝑚+𝐾𝐶𝐻 − 1)

Modified Gompertz Model 𝑀(𝑡) = 𝑀𝑚𝑥 𝑒𝑥𝑝 {−𝑒𝑥𝑝 [𝑅𝑚𝑒

𝑀𝑚

(𝜆 − 1) + 1]}


31

Sumber : (Li, dkk., 2019 ; Kafle dan Lide, 2016 ; Pramanik, dkk., 2019 ; Nguyen, dkk.,

2019)

Keterangan:



k = konstanta proses/reaksi acidogenesis (/hari)




terdegradasi

n = Shape factor




KCH = Konstanta kinetic Chen and Hasimoto

Model kinetika orde pertama merupakan model yang paling sederhana, model

ini tidak memprediksi kondisi aktivitas biologis maksimum dan kegagalan system

(Kafle & Chen, 2016). Persamaan logistik merupakan persamaan yang dikenalkan

pertama kali oleh Verhulst (1838). Awalnya persamaan logistik ini hanya memiliki

dua parameter yaitu laju pertumbuhan populasi dan konstanta atau carrying capacity.

Namun persamaan ini dikembangkan agar memiliki keakuratan atau kecocokan

dengan proses pertumbuhan, sehingga ditambahkan parameter lamda atau fase lag

(Pramanik et al., 2019).

Model kinetika dual pooled-first order dibuat dengan pertimbangan bahwa

didalam suatu proses digestasi anaerobic terjadi dua proses seperti asidogenesis dan

metanogenesis. Kedua proses ini dianggap sebagai laju pembatas. Jika proses

asidogenesis lebih lambat dari metanogenesis, maka konversi substrat menjadi metana

digambarkan oleh kinetika orde pertama. Namun komposisi kimia substrat partikulat

umumnya heterogen. Sehingga substrat partikulat ihni digambarkan menjadi beberapa

fase yang dimodelkan dengan beberapa pool dengan kecepatan yang berbeda-beda.


32

Sehingga peneliti mengembangkan model yang mengasumsikan substrat dibagi

menjadi dual pool yang masing-masing mengikuti kinetika orde pertama.

Untuk Kinetika Cone sendiri termasuk kinetka yang sederhana, karena

dalam persamaannya hanya terdapat tambaha parameter n, dimana n ini merupakan

faktor shape yang menunjukkan ada atau tidaknya fase lag (Zhang et al., 2019). Chan

and Hasimoto kinetic model dapat digunakan untuk proses anaerobic secara batch dan

continue. Sama seperti persamaan cone, persamaan ini hanya mendapat parameter/

pertimbangan konstanta chan Hasimoto sebagai konstanta reaksi (Kafle & Chen,

2016).


33

BAB III

METODOLOGI PENELITIAN

3.1 Lokasi Penelitian

Penelitian ini dilakukan di Laboratorium Ekologi, Departemen Teknik Kimia,

Fakultas Teknik, Universitas Sumatera Utara (USU), Medan.

3.2 Bahan Dan Peralatan

3.2.1 Bahan-Bahan

1. Starter berasal dari pilot plant LPPM

2. Sampel LCPKS dari fat pit PKS Rambutan PTPN III

3. Aquadest (H2O)

4. Natrium Bikarbonat (NaHCO3)

3.2.3 Peralatan

Rangkaian peralatan yang digunakan dalam proses asidogenesis adalah seperti

yang terlihat pada Gambar 3.1

Starter yang berasal dari penelitian sebelumnya/pilot plant LPPM sebanyak 20

% dan umpan sebanyak 80 % dari volume total dimasukkan ke dalam fermentor 6 liter.

Fermentor dioperasikan pada kondisi ambient, Variasi pH 5; 5,5; dan 6, dan laju

pengadukan 250 rpm dengan menggunakan reaktor batch berpengaduk. Setiap harinya

dilakukan analisis cairan berupa pH dan VSS terhadap sampel cairan di dalam

fermentor serta analisis kandungan CO2 dan H2S terhadap produk gas.


34

1. Jar Fermentor

2. Water bath

3. Stirrer

4. Valve Umpan

5. Termometer

6. Sampling point

7. Water trap

8. Gelas Ukur

9. Penampung gas

10. Kecepatan pengadukan

11. Stirrer Controller

1

250

rpm

OFF

UP

6

7

98

2

3

4

5

11

10

Gambar 3. 1 Rangkaian Peralatan

3.3 Tahapan Penelitian

3.3.1 Analisis Bahan Baku

Bahan baku berupa LCPKS dari PKS Rambutan PTPN III yang sudah

dilakukan pengukuran pH, VSS, Oil and Grease, Protein dan Karbohidrat.

3.3.2 Variasi pH

Proses variasi pH dilakukan pada fermentor dengan memvariasikan pH yaitu

5; 5,5; dan 6 dengan laju pengadukan 250 rpm pada kondisi ambient.


35

3.3.3 Penentuan Konstanta Pertumbuhan Mikroba

Prosedur penentuan konstanta pertumbuhan mikroba adalah sebagai berikut:

1. Kinetika First Order digunakan untuk memodelkan data penelitian.

2. Data M (VSS) (g/L) dan waktu, t (hari), digunakan untuk menentukan nilai

konstanta pertumbuhan mikroba pada masing-masing pH proses dengan trial-

error dengan metode regresi non-linear.

3. Nilai konstanta disubstitusikan pada model kinetika First Order

4. Diplot grafik nilai M(t) (g/L)(VSS) vs t (h) eksperimen dan simulasi persamaan

kinetika orde satu dan dibandingkan kedua grafik.

5. Nilai error model kinetika Gompertz dihitung dengan nilai koefisien

determinasi (R2) untuk menentukan kecocokan model kinetika yang digunakan

hingga nilai R2 mendekati 1.


36

Grafik eksperimen dibandingkan dengan grafik simulasi model first

order yang dimodifikasi untuk dilihat koefisien determinasi (R2)

Ditentukan nilai konstanta pertumbuhan mikroba dengan trial-

error menggunakan data M (ml/g VS) dan t (h) dengan metode

regresi non-linear

Model kinetika first order digunakan untuk memodelkan data

penelitian.

Disubstitusikan nilai konstanta pada model kinetika first order

Mulai

Apakah masih ada

variasi model kinetika?

Ya

Tidak

Diplot grafik nilai M (g/L) vs t (h) eksperimen dan simulasi

model kinetika first order

Selesai

Apakah nilai R2

mendekati 1?

Tidak

Ya

Gambar 3. 2 Flowchart Penentuan Konstanta Pertumbuhan Mikroba


37

3.4 Analisis Data

3.4.1 Analisa Data Proses Asidogenesis

Penentuan kinerja proses asidogenesis LCPKS ditentukan dengan menganalisa

parameter-parameter seperti pada Tabel 3.1 di bawah ini:

Tabel 3.1 Metode Analisa pada Proses Pembuatan Asidogenesis

Parameter Metode Frekuensi

pH Titrasi 1 x / hari

VSS (mg/L) APHA 2540E 1 x / hari

Keterangan : VSS : Volatile Suspended Solid

3.4.2 Analisa Data Kinetika Proses

Penentuan beberapa persamaan dan parameter kinetika dilakukan dengan

menggunakan excel solver serta dilakukan analisis keakuratan model yaitu:

a. Penentuan Parameter Kinetika (Excel Solver)

b. R- Squared/R2

c. Mean Absolute Deviation/MAD

d. Mean Square Error/MSE

e. Root Mean Square Error/RMSE

f. Mean Absolute Percentage Error/MAPE

g. Akaike Information Criteria/AIC


38

3.6 Jadwal Pelaksanaan Penelitian

Pelaksanaan penelitian direncanakan selama 6 (enam) bulan. Jenis kegiatan

dan jadwal pelaksanaannya dapat dilihat pada Tabel 3.2.

Tabel 3.2 Jenis Kegiatan dan Jadwal Pelaksanaan Penelitian

No. Kegiatan Bulan ke-I Bulan ke II Bulan ke-III Bulan ke-IV Bulan ke V

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

1. Studi literatur

2. Seminar

proposal

3. Pabrikasi alat

4.

Pengambilan

dan persiapan

bahan baku

5.

Pelaksanaan

penelitian dan

pengumpulan

data

6.

Kompilasi data

dan penarikan

kesimpulan

7. Penulisan

karya ilmiah

8. Seminar hasil

9. Seminar

skripsi


39

BAB IV

HASIL DAN PEMBAHASAN

4.1 Pengaruh pH Terhadap Profil Pertumbuhan Mikroba

Mikroorganisme anaerob mempunyai sensitivitas tinggi terhadap kondisi pH

dan keberadaan senyawa toksik, inilah yang menjadi salah satu kelemahan umum

meetode tersebut (Mulyani, 2012). pH dan alkalinitas merupakan parameter yang

dapat dijadikan sebagai acuan peninjauan stabilitas proses digestasi anaerob dalam

digester. pH adalah parameter yang paling signifikan yang mempengaruhi kinerja dan

stabilitas digester anaerob (Pramanik et al., 2019). Setiap kelompok

bakteri/mikroorganisme membutuhkan kisaran pH yang berbeda-beda selama

pertumbuhan (Irvan et al., 2020). Beberapa studi melaporkan bahwa pH optimum

untuk proses hidrolisis sama dengan proses asidogenesis, yaitu pada rentang pH 5,5-6

(Darwin & Cord-ruwisch, 2019).

Gambar 4. 1 Pengaruh pH Terhadap Profil Pertumbuhan Mikroba

Gambar 4.1 menunjukkan profil pertumbuhan mikroba. VSS merupakan cara

pengukuran mikroorganisme dan produksi biomassa secara tidak langsung (Trisakti &

Sijabat, 2020). Konsentrasi VSS dapat menjadi indikator pertumbuhan mikroba aktif

dalam reaktor. Gambar 4.1 menunjukkan bahwa profil konsentrasi VSS cenderung

0

2

4

6

8

10

12

14

16

18

20

0 5 10 15 20 25

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)

pH=5 pH=5,5 pH=6


40

meningkat dan menandakan adanya pertumbuhan mikroba. Profil VSS pada variasi

pH 5; 5,5; dan 6 mengalami fluktuasi dan akhirnya konstan. Namun terdapat

ketidakstabilan data pertumbuhan mikroba pada semua variasi pH, dimana pada hari

ke-9 terjadi penurunan konsentrasi VSS yang cukup besar, penurunan konsentrasi VSS

bisa terjadi dikarenakan gangguan pada kondisi operasi, seperti matinya motor

pengaduk yang menyebabkan terhentinya pengadukan pada fermentor.

Dalam digestasi anaerob khususnya pada proses asidogenesis pengadukan juga

berperan penting dalam mengembangbiakan mikroorganisme. Hal ini terjadi dikarena

pengadukan bermanfaat bagi bahan yang berada di dalam digester anaerob, karena

memberikan peluang material tetap tercampur dengan bakteri dan temperature terjaga

merata seluruh bagian (Sahri et al., 2019). Pencampuran tersebut menghindari gradient

suhu dalam digester dan juga mencegah pembentukan buih. Sampah dalam digester

harus dihindari karena dapat mengakibatkan penyumbatan pipa gas atau berpotensi

menyebabkan pembubasan digester (Vögeli et al., 2014). Sampah dan buih tentu akan

mengurangkan keefektifan dari reaktor digestasi anaerob.

Pada pH 5 diperoleh konsentrasi VSS sebesar 7,02 – 16,76 g/L, pada pH 5,5

sebesar 7,02 – 17,5 g/L, dan pada pH 6 nilai VSS sebesar 7,02 – 16,06 g/L. Profil

pertumbuhan mikroba terbaik untuk setiap variasi pH dapat dilihat pada Gambar 4.14.


41

4.2 Analisis Kinetika Profil Pertumbuhan Mikroba Pada Proses Asidogenesis

LCPKS

Pertumbuhan mikroba/mikroorganisme digambarkan dengan beberapa

model/persamaan. Melalui persamaan-persamaan atau model-model tersebut akan

didapat satu model dengan tingkat keakurasian terbaik untuk menggambarkan proses

asidogenesis limbah cair kelapa sawit pada reaktor digester anaerob secara batch pada

laju pengadukan 250 rpm.

4.2.1 Model Kinetika Orde Satu/First Orde

4.2.1.1 Parameter/Konstanta Laju Pertumbuhan Mikroba fungsi waktu

terhadap pengaruh pH Proses Asidogenesis

Gambar 4. 2 Perbandingan Data Eksperimental dan Model Orde Satu pada Derajat

Keasaman/pH (ω) 5; 5,5; dan 6.

Volatile Suspended Solid yang diukur pada masing-masing pH (ω) 5; 5,5; dan

6 adalah 13,49 g/L; 14,93 g/L; dan 13,67 g/L, sedangkan model kinetika orde satu

memperkirakan Volatile Suspended Solid kumulatif menjadi 13,2 g/L; 14,64 g/L; dan

13,38 g/L, dimana adanya perbedaan nilai data yang terukur dan nilai model berturut-

turut sebesar 2,17 %; 1,96 %; dan 2,14 %.

0

2

4

6

8

10

12

14

16

18

0 5 10 15 20 25

Per

tum

bu

han

Mik

rob

a,V

SS

(g/L

)

Waktu (Hari)

5 data 5 estimasi

5,5 data 5,5 estimasi

6 data 6 estimasi


42

Pada Tabel 4.1 dapat dilihat bahwa nilai konstanta reaksi adalah konstan pada

setiap variasi pH proses. Hal ini menunjukkan nilai tersebut tidak dipengaruhi oleh

kondisi pH yang berbeda. Sementara untuk potensi pertumbuhan maksimum mikroba

(Mm) mengalami fluktuasi dengan nilai tertinggi pada pH proses sama dengan 5,5. Hal

ini mengindikasikan perubahan pH berpengaruh signifikan terhadap pertumbuhan

mikroba, pH yang terlalu tinggi atau rendah tidak menyebabkan pertumbuhan mikroba

menjadi baik, tetapi kondisi pH optimulah yang sesuai untuk pertumbuhan mikroba.

Hal ini sesuai dengan studi yang dilaporkan bahwa pH optimum untuk proses proses

asidogenesis yaitu pada rentang pH 5,5-6 (Darwin & Cord-ruwisch, 2019).

Nilai koefisien determinasi (R2) untuk reaktor dengan pH (ω) 5; 5,5; dan 6

dengan pemodelan kinetika orde 1 adalah adalah 0,9671; 0,9700; dan 0,9773. R

square/ koefisien determinasi merupakan hasil perhitungan kuadarat dari koefisien

korelasi, yang berada pada angka nol sampai dengan satu. Semakin besar nilai R

square, maka semakin kuat hubungan antara kedua variabel (Yuniarti, 2015). Selain

itu, diperoleh nilai RMSE berada di antara 2,08 dan 2,48. Semakin kecil nilai RMSE

maka semakin dapat dipercaya/cocok variabel/nilai yang di estimasi/duga dari

permodelan (Ubaidillah, 2019). Beberapa peneliti terdahulu telah menggunakan model

persamaan orde satu ini untuk melihat kinerja dari sistem digestasi anaerob satu tahap

dari limbah makanan. Model pada penelitian tersebut menghasilkan nilai R square

0,886 (Pramanik et al., 2019).


43

Tabel 4. 1 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi Anaerob

ω

(pH)

Konstanta Kinetik Populasi Mikroba (VSS)

(g/L) Fitting error

Persamaan Kinetika Orde Satu Mm

(g/L)

k

(hari-1) M(exp) M(t)

dP

(%) R2 RMSE

5 13,775 76 13,49 13,20 2,17 0,9671 2,481 M(t) =13,775[1-exp(-76t)]

5,5 15,274 76 14,93 14,64 1,96 0,9700 2,622 M(t) =15,274[1-exp(-76t)]

6 13,961 76 13,67 13,38 2,14 0,9773 2,078 M(t) =13,961[1-exp(-76t)]


44

4.2.1.2 Penentuan Konstanta Laju Pertumbuhan mikroba Fungsi pH (ω)

Pada penelitian ini akan dilakukan penentuan persamaan konstanta

pertumbuhan mikroba fungsi pH (ω). Untuk menentukan persamaan konstanta

tersebut, maka diperlukan data konstanta laju pertumbuhan mikroba yaitu Mm (g/L),

dan k (hari-1) pada tiap variasi pH (ω) digestasi. Data konstanta produksi biogas fungsi

pH (ω) ditunjukkan pada Tabel 4.2. Dengan memplot data pH (ω) dan konstanta

simulasi model orde pertama, diperoleh grafik persamaan regresi polinomial pada

masing-masing variabel seperti yang ditunjukkan pada Gambar 4.3.


Derajat Keasaman

(ω) (pH)

Mm

(g/L) k (hari-1)

5 13,775 76

5,5 15,274 76

6 13,961 76

Konstanta laju pertumbuhan mikroba (VSS) diplot terhadap masing-masing

variabel (pH (ω)) digestasi anaerob untuk mendapatkan persamaan regresi polinomial

pada masing-masing variabel. Persamaan ini dapat digunakan untuk mensimulasikan

model persamaan orde satu. Derajat keasaman/pH (ω) akan disubstitusi ke dalam

persamaan konstanta yang diperoleh untuk memperoleh nilai masing-masing

konstanta pada pH tertentu. Nilai konstanta yang diperoleh akan disubstitusikan ke

dalam bentuk umum persamaan orde satu akan didapatkan prediksi potensi proses

digestasi anaerob dalam pertumbuhan mikroba penghasil VFA dan dapat dijadikan

sebagai acuan pengontrolan proses digestasi anaerob dalam proses asidogenesis dari

limbah cair kelapa sawit (LCPKS) menggunakan reaktor batch dengan pengaruh pH

(ω). Penentuan persaman konstanta model orde satu dijelaskan oleh Gambar 4.3.


45

(a)

(b)

Gambar 4. 3 Tren Konstanta (a) A, g/l, Potensi Pertumbuhan Maksimum Mikroba

(VSS), (c) k, hari-1, Konstanta Reaksi/Proses Fungsi pH

Gambar 4.3 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi pH

(ω). Persamaan regresi polinomial untuk konstanta potensi pertumbuhan mikroba

fungsi pH (ω) ditunjukkan pada persamaan berikut.

𝑀𝑚(f(ω)) = -5.6243ω2 + 62.054ω - 155.89

Persamaan untuk konstanta reaksi/proses fungsi pH(ω) tidak ada, hal ini karena nilai

konstanta tersebut konstan di setiap variasi/nilai pH yaitu 76 (hari-1).

Dimana:

Ym = -5.6243ω2 + 62.054ω - 155.89

R² = 1

13

13.5

14

14.5

15

15.5

4.5 5 5.5 6 6.5

Mm

(g/L

)

pH

y = 76

13

23

33

43

53

63

73

83

4.5 5 5.5 6 6.5

k(h

ari

-1)

pH


46

Mm(f(ω)) = Potensi pertmbuhan maksimum mikroba fungsi pH (g/l)

ω = pH

Sehingga, persamaan fungsi pH (ω) untuk konstanta Mm adalah

Mm = Mm(f(ω))

Mm = -5.6243ω2 + 62.054ω - 155.89

Dengan menggunakan persamaan tersebut, kita dapat mengestimasi harga

konstanta Mm pada laju pertumbuhan mikroba/pertambahan VSS berdasarkan data pH

(ω) digestasi anaerob. Sehingga dapat lebih memudahkan dalam hal menentukan

variabel yang digunakan.


47

4.2.2 Model Kinetika Persamaan Logistik




6 adalah 13,493 g/l; 14,930 g/l; dan 13,6717 g/l, sedangkan model kinetika logistik

memperkirakan Volatile Suspended Solid kumulatif menjadi 13,2682 g/l; 14,7230 g/l;

dan 13,4760 g/l, dimana adanya perbedaan nilai data yang terukur dan nilai model

berturut-turut sebesar 1,67 %; 1,39 %; dan 1,43 %.

Pada Tabel 4.3 dapat dilihat bahwa Rm yaitu laju pertumbuhan maksimum

mikroba mengalami kenaikan seiring dengan naiknya pH proses. Akan tetapi, untuk

potensi pertumbuhan maksimum mikroba (Mm) mengalami fluktuasi dengan nilai

tertinggi pada pH proses sama dengan 5,5. Hal ini mengindikasikan perubahan pH

berpengaruh signifikan terhadap pertumbuhan mikroba, pH yang terlalu tinggi atau

rendah tidak menyebabkan pertumbuhan mikroba menjadi baik, tetapi kondisi pH

optimulah yang seesuai untuk pertumbuhan mikroba. Hal ini sesuai dengan studi yang

0

2

4

6

8

10

12

14

16

18

0 5 10 15 20 25

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)

5 data 5 estimasi


6 data 6 estimasi

Gambar 4. 4 Perbandingan Data Eksperimental dan Model Logistik pada Derajat

Keasaman/pH (ω) 5; 5,5;, dan 6


48

dilaporkan yaitu pH optimum untuk proses proses asidogenesis, yaitu pada rentang pH

5,5-6 (Darwin & Cord-ruwisch, 2019). Pada tabel tersebut juga dapat dilihat bahwa

potensi pertumbuhan maksimum mikroba tidak selalu bertambah seiring dengan

bertambahnya laju pertumbuhan maksimum mikroba. Hal ini, tentu bisa terjadi karena

data parameter tersebut diambil dengan pertimbangan R square terbesar yang

bertujuan agar persamaan/model tersebut semakin memiliki hubungan yang tepat

dengan data eksperiment. Dalam kasus ini, nilai λ adalah 0 yang menunjukkan bahwa

mikroba tidak membutuhkan waktu untuk beradaptasi. Hal disebabkan karena pH

proses dijaga konstan dan masih sesuai dengan pH pertumbuhan mikroba. Rendahnya

nilai λ menunjukkan digester memiliki mikroba penting yang diperkaya (inokulum)

untuk meningkatkan pencernaan anaerob (Matheri et al., 2018). Tahap lag phase

merupaan tahap adaptasi mikroba terhadap lingkungan dan exponential phase adalah

tahap dimana mikroba mulai melakukan pertumbuhan (Ramayanti & Giasmara, 2017)

(Budiyono et al., 2013).


dengan pemodelan persamaan logistik adalah adalah 0,9779; 0,9821; dan 0,9851. Nilai

R square yang semakin mendekati satu menunjukkan bahwa persamaan/model

tersebut memiliki kemampuan yang baik dalam memprediksi suatu nilai (Rahman &

Widodo, 2018). Selain itu, diperoleh nilai RMSE berada di antara 1,50 dan 2,10. Nilai

RMSE yang kecil mengindikasikan bahwa model tersebut tepat dan sesuai (Nguyen et

al., 2019). Beberapa peneliti terdahulu telah menggunakan model logistik ini untuk

melihat kinerja dari sistem digestasi anaerobi satu tahap dari limbah makanan. Model

pada penelitian tersebut menghasilkan nilai R square 0,995 (Pramanik et al., 2019).


49

Tabel 4. 3 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Persamaan Logistik

ω

(pH)

Konstanta Kinetik Populasi Mikroba (VSS) (g/l) Fitting error

Persamaan Kinetika Logistik Rm

(g/l.hari)

Mm

(g/l)

λ

(hari) M(exp) M(t)

dP

(%) R2 RMSE

5 7,182 14,1564 0 13,4933 13,2682 1,67 0,9779 2,031 𝑀(𝑡) =

14,1564

1 + 𝑒𝑥𝑝 {4𝑥7,182(−1)

14,1564+ 2}

5,5 8,047 15,7012 0 14,9300 14,7230 1,39 0,9821 2,025 𝑀(𝑡) =

15,7012

1 + 𝑒𝑥𝑝 {4𝑥8,047(−1)

15,7012+ 2}

6 10,493 14,1714 0 13,6717 13,4760 1,43 0,9851 1,685 𝑀(𝑡) =

14,17154

1 + 𝑒𝑥𝑝 {4𝑥10,493(−1)

14,1714+ 2}


50




tersebut, maka diperlukan data konstanta laju pertumbuhan mikroba yaitu Mm (g/l),

dan λ (hari) serta laju pertumbuhan Rm pada tiap variasi pH (ω) digestasi. Data

konstanta produksi biogas fungsi pH (ω) ditunjukkan pada Tabel 4.4. Dengan memplot

data pH (ω) dan konstanta simulasi model persamaan logistik, diperoleh grafik

persamaan regresi polinomial pada masing-masing variabel seperti yang ditunjukkan

pada Gambar 4.5.


Derajat Keasaman

(ω) (pH)

Mm

(g/l)

Rm

(g/l.hari) λ (hari)

5 14,1564 7,182

0

5,5 15,7012 8,047

0

6 14,1714 10,493

0




model persamaan logistik Derajat keasaman/pH (ω) akan disubstitusi ke dalam



dalam bentuk persamaan logistik akan didapatkan prediksi potensi proses digestasi

anaerob dalam pertumbuhan mikroba penghasil VFA dan dapat dijadikan sebagai

acuan pengontrolan proses digestasi anaerob dalam proses asidogenesis dari limbah

cair kelapa sawit (LCPKS) menggunakan reaktor batch dengan pengaruh pH (ω).

Penentuan persamaan konstanta model logistik dijelaskan oleh Gambar 4.5.


51

(a)

(b)

Gambar 4. 5 Tren Konstanta (a) Mm, g/l, Potensi Pertumbuhan Maksimum Mikroba

(VSS), (b) Rm, g/l.hari, Laju Pertumbuhan Maksimum Mikroba


(ω). Persamaan regresi polinomial untuk konstanta potensi pertumbuhan maksimum

mikroba fungsi pH (ω) ditunjukkan pada persamaan berikut.

𝑀𝑚(f(ω)) = -6.1493ω2 + 67.657ω - 170.4

Persamaan regresi polinomial untuk konstanta laju pertumbuhan maksimum mikroba


y = -6.1493ω2 + 67.657ω - 170.4

R² = 1

13

13.5

14

14.5

15

15.5

16

4.5 5 5.5 6 6.5

Mm

(g/L

)

pH

y = 3.1623ω2 - 31.474ω + 85.494

R² = 1

0.8

2.8

4.8

6.8

8.8

10.8

4.5 5 5.5 6 6.5

Rm

(g/L

.hari

)

pH


52

Rm(f(ω)) = 3.1623ω2 - 31.474ω + 85.4945

Persamaan untuk konstanta lag phase time (λ) fungsi pH (ω) tidak ada, hal ini karena

nilai konstanta tersebut 0 di setiap variasi pH (ω) Dimana:

Mm(f(ω)) = Konstanta potensi laju pertmbuhan maksimum mikroba fungsi pH

(ω) (g/l)

Rm(f(ω)) = Konstanta laju pertumbuhan maksimum mikroba fungsi pH (ω) (g/l.hari)

ω = pH

Sehingga, persamaan fungsi pH (ω) untuk konstanta Mm dan Rm adalah

Mm = Mm(f(ω))

Mm = -6.1493ω2 + 67.657ω - 170.4

Rm = Rm (f(ω))

Rm = 3.1623ω2 - 31.474ω + 85.4945


konstanta Mm dan Rmax pada laju pertumbuhan mikroba/pertambahan VSS

berdasarkan data pH (ω) digestasi anaerob. Sehingga dapat lebih memudahkan dalam

hal menentukan variabel yang digunakan.


53

4.2.3 Model Kinetika Dual Pooled-First Order



Gambar 4. 6 Perbandingan Data Eksperimental dan Model Dual Pooled-First Order

pada Derajat Keasaman/pH (ω) 5; 5,5;, dan 6


6 adalah 13,493 g/l; 14,930 g/l; dan 13,6717 g/l, sedangkan model kinetika dual

pooled-first order memperkirakan Volatile Suspended Solid kumulatif menjadi

13,1981 g/l; 14,6265 g/l; dan 13,3823 g/l, dimana adanya perbedaan nilai data yang

terukur dan nilai model berturut-turut sebesar 2,19 %; 2,03 %; dan 2,12 %.

Pada Tabel 4.5 Potensi pertumbuhan maksimum mikroba (Mm) mengalami

fluktuasi dengan nilai tertinggi pada pH proses sama dengan 5,5. Hal ini

mengindikasikan perubahan pH berpengaruh signifikan terhadap pertumbuhan


menjadi baik, tetapi kondisi pH optimulah yang seesuai untuk pertumbuhan mikroba.

Hal ini sesuai dengan studi yang dilaporkan yaitu pH optimum untuk proses proses

asidogenesis, yaitu pada rentang pH 5,5-6 (Darwin & Cord-ruwisch, 2019). Nilai α

dan KL juga berfluktuasiterhadap perubahan pH yaitu tertinggi pada pH proses sama

0

2

4

6

8

10

12

14

16

18

0 5 10 15 20 25

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu Hari)

5 data 5 estimasi


6 data 6 estimasi


54

dengan 5,5. Sementara, untuk nilai KF berbanding lurus dengan naiknya pH proses.

Peningkatan jumlah atau laju substrat yang terdegradasi menunjukkan bahwa

penurunan jumlah substrat. Penurunan ini, terjadi karena substrat dikonsumsi untuk

metabolisme mikroorganisme (Nurhayati et al., 2020).


dengan pemodelan kinetika dual pooled-first order adalah adalah 0,9745; 0,9785; dan

0,9803. Nilai R square yang semakin mendekati satu menunjukkan bahwa

persamaan/model tersebut memiliki kemampuan yang baik dalam memprediksi suatu

nilai (Rahman & Widodo, 2018). Selain itu, diperoleh nilai RMSE berada di antara

1,90 dan 2,22. Nilai RMSE yang kecil mengindikasikan bahwa model tersebut tepat

dan sesuai (Nguyen et al., 2019). Beberapa peneliti terdahulu telah menggunakan

persamaan dual pooled-first oerder untuk melihat dan mengevaluasi digestasi anaerob

dalam produksi biometana dari limbah makanan. Penelitian tersebut mengahsilkan

model dengan nilai R square sebesar 0,989-0,992 (Dennehy et al., 2016).


55

Tabel 4. 5 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Dual Pooled-First Order

ω

(pH)


(g/l) Fitting error

Persamaan Kinetika Dual Pooled-First Order Mm

(g/l) α KF KL M(exp) M(t)

dP

(%) R2 RMSE

5 14,1906 0,79 0,906 0,906 13,4933 13,1981 2,19 0,9745 2,185 𝑀(𝑡) = 14,1906(1 − 0,79𝑒−0,906𝑥𝑡 − (1 − 0,79)𝑒−0,906𝑥𝑡)

5,5 15,7291 1,33 1,029 1,900 14,9300 14,6265 2,03 0,9785 2,219 𝑀(𝑡) = 15,7291(1 − 1,33𝑒−1,029𝑥𝑡 − (1 − 1,33)𝑒−1,9𝑥𝑡)

6 14,1649 0,95 1,404 1,389 13,6717 13,3823 2,12 0,9803 1,934 𝑀(𝑡) = 14,1649(1 − 0,95𝑒−1,404𝑥𝑡 − (1 − 0,95)𝑒−1,389𝑥𝑡)


56




tersebut, maka diperlukan data konstanta laju pertumbuhan mikroba yaitu Mm (g/l), α,

Kf dan KL pada tiap variasi pH (ω) digestasi. Data konstanta produksi biogas fungsi


simulasi model dual pooled-first order, diperoleh grafik persamaan regresi polinomial

pada masing-masing variabel seperti yang ditunjukkan pada Gambar 4.7.


Derajat Keasaman

(ω) (pH)

Mm

(g/l) Α Kf KL

5 14,1906 0,79 0,906 0,906

5,5 15,7291 1,33 1,029 1,900

6 14,1649 0,95 1,404 1,389




model dual pooled-first order. Derajat keasaman/pH (ω) akan disubstitusi ke dalam



dalam bentuk dual pooled-first order akan didapatkan prediksi potensi proses digestasi

anaerob dalam pertumbuhan mikroba penghasil VFA dan dapat dijadikan sebagai

acuan pengontrolan proses digestasi anaerob dalam proses asidogenesis dari limbah

cair kelapa sawit (LCPKS) menggunakan reaktor batch dengan pengaruh pH (ω).

Penentuan persamaan konstanta model dual pooled-first order dijelaskan oleh Gambar

4.7.


57

(a)

(b)

y = -6.2055ω2 + 68.235ω - 171.85

R² = 1

13

13.5

14

14.5

15

15.5

16

4.5 5 5.5 6 6.5

Mm

(g/L

)

pH

y = -1.8508ω2 + 20.522ω - 55.554

R² = 1

0

0.2

0.4

0.6

0.8

1

1.2

1.4

4.5 5 5.5 6 6.5pH

α


58

(c)

(d)

Gambar 4. 7 Tren Konstanta (a) Mm, Potensi Pertumbuhan Maksimum Mikroba

(VSS), (b) α, (c) KF, (d) KL




𝑀𝑚(f(ω)) = -6.2055ω2 + 68.235ω - 171.85

Persamaan regresi polinomial untuk konstanta rasio substrat terdegradasi terhadap

total substrat yang dapat terdegradasi (α) fungsi pH (ω) ditunjukkan pada persamaan

berikut.

y = 0.5022ω2 - 5.0262ω + 13.481

R² = 1

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

4.5 5 5.5 6 6.5

KF

pH

y = -3.0084ω2 + 33.575ω - 91.76

R² = 1

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

4.5 5 5.5 6 6.5

KL

pH


59

α(f(ω)) = -1.8508ω2 + 20.522ω - 55.554

Persamaan regresi polinomial untuk konstanta laju substrat yang terdegradasi dengan

cepat (KF) fungsi pH (ω) ditunjukkan pada persamaan berikut.

𝐾𝐹(f(ω)) = 0.5022ω2 - 5.0262ω + 13.481

Persamaan regresi polinomial untuk konstanta laju substrat yang terdegradasi dengan

lambat (KL) fungsi pH (ω) ditunjukkan pada persamaan berikut.

𝐾𝐹(f(ω)) = -3.0084ω2 + 33.575ω - 91.76

Dimana:

Mm(f(ω)) = Konstanta potensi laju pertmbuhan maksimum mikroba fungsi pH (ω) (g/l)

α = rasio substrat terdegradasi terhadap total substrat yang dapat terdegradasi



ω = pH

Sehingga, persamaan fungsi pH (ω) untuk konstanta Mm, α, KF dan KL adalah

Mm = Mm(f(ω))

Mm = -6.2055ω2 + 68.235ω - 171.85

α = α(f(ω))

α = -1.8508ω2 + 20.522ω - 55.554

KF = KF (f(ω))

KF = 0.5022ω2 - 5.0262ω + 13.481

KL = KL (f(ω))

KL = -3.0084ω2 + 33.575ω -91.76


konstanta Mm, α, KF dan KL pada laju pertumbuhan mikroba/pertambahan VSS




60

4.2.4 Model Kinetika Cone



Gambar 4. 8 Perbandingan Data Eksperimental dan Model Cone pada Derajat

Keasaman/pH (ω) 5; 5,5;, dan 6


6 adalah 13,493 g/l; 14,930 g/l; dan 13,6717 g/l, sedangkan model kinetika Cone

memperkirakan Volatile Suspended Solid kumulatif menjadi 13,1988 g/l; 14,6357 g/l;

dan 13,3792 g/l, dimana adanya perbedaan nilai data yang terukur dan nilai model

berturut-turut sebesar 2,18 %; 1,97 %; dan 2,14 %.

Pada Tabel 4.7 dapat dilihat bahwa nilai potensi pertumbuhan maksimum

mikroba (Mm) mengalami fluktuasi dengan nilai tertinggi pada pH proses sama dengan

5,5. Hal ini mengindikasikan perubahan pH berpengaruh signifikan terhadap

pertumbuhan mikroba, pH yang terlalu tinggi atau rendah tidak menyebabkan

pertumbuhan mikroba menjadi baik, tetapi kondisi pH optimulah yang seesuai untuk

pertumbuhan mikroba. Hal ini sesuai dengan studi yang dilaporkan yaitu pH optimum

untuk proses asidogenesis, yaitu pada rentang pH 5,5-6 (Darwin & Cord-ruwisch,

0

2

4

6

8

10

12

14

16

18

0 5 10 15 20 25

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)

5 data 5 estimasi


6 data 6 estimasi


61

2019). Dapat dilihat pula, konstanta laju reaksi asidogenesis ini mengalami fluktuasi

serta pada shape faktor mengalami kenaikan seiring dengan bertambahnya pH.


dengan pemodelan kinetika Cone adalah adalah 0,9739; 0,9782; dan 0,9805. Nilai R

square yang semakin mendekati satu menunjukkan bahwa persamaan/model tersebut

memiliki kemampuan yang baik dalam memprediksi suatu nilai (Rahman & Widodo,

2018). Selain itu, diperoleh nilai RMSE berada di antara 2,0 dan 2,4. Nilai RMSE yang

kecil mengindikasikan bahwa model tersebut tepat dan sesuai (Nguyen et al., 2019).

Beberapa peneliti telah menggunakan model cone ini untuk menggambarkan proses

digestasi anaerobi. Prajapati, dkk., menggunakan model ini dengan nilai koefisien

determinasi yang cukup baik, yaitu 0,9855 (Prajapati et al., 2018).


62

Tabel 4. 7 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Cone

ω

(pH)


(g/l) Fitting error

Persamaan Kinetika Cone Mm

(g/l)

k

(/hari) n M(exp) M(t)

dP

(%) R2 RMSE

5 14,2494 1,24 1,97 13,4933 13,1988 2,18 0,9739 2,208 𝑀(𝑡) =14,2494

1 + (1,24𝑥𝑡)−1,97

5,5 15,7540 1,12 2,37 14,9300 14,6357 1,97 0,9782 2,238 𝑀(𝑡) =15,7540

1 + (1,12𝑥𝑡)−2,37

6 14,1375 1,21 5,09 13,6717 13,3792 2,14 0,9805 1,926 𝑀(𝑡) =14,1375

1 + (1,21𝑥𝑡)−5,09


63




tersebut, maka diperlukan data konstanta laju pertumbuhan mikroba yaitu Mm (g/l), k

(/hari) dan n pada tiap variasi pH (ω) digestasi. Data konstanta produksi biogas fungsi


simulasi model Cone, diperoleh grafik persamaan regresi polinomial pada masing-

masing variabel seperti yang ditunjukkan pada Gambar 4.9.


Derajat Keasaman

(ω) (pH)

Mm

(g/l)

k

(/hari) n

5 14,2494 1,24 1,97

5,5 15,7540 1,12 2,37

6 14,1375 1,21 5,09




model Cone. Derajat keasaman/pH (ω) akan disubstitusi ke dalam persamaan

konstanta yang diperoleh untuk memperoleh nilai masing-masing konstanta pada pH

tertentu. Nilai konstanta yang diperoleh akan disubstitusikan ke dalam bentuk

persamaan cone akan didapatkan prediksi potensi proses digestasi anaerob dalam

pertumbuhan mikroba penghasil VFA dan dapat dijadikan sebagai acuan pengontrolan

proses digestasi anaerob dalam proses asidogenesis dari limbah cair kelapa sawit

(LCPKS) menggunakan reaktor batch dengan pengaruh pH (ω). Penentuan persamaan

konstanta model Cone dijelaskan oleh Gambar 4.9.


64

(a)

(b)

y = -6.2421ω2 + 68.552ω - 172.46

R² = 1

13

13.5

14

14.5

15

15.5

16

4.5 5 5.5 6 6.5

Mm

pH

y = 0.4161ω2 - 4.6088ω + 13.885

R² = 1

0.5

0.6

0.7

0.8

0.9

1

1.1

1.2

1.3

1.4

1.5

4.5 5 5.5 6 6.5

k(/

Hari

)

pH


65

(c)


(VSS), (b) k, Konstanta Reaksi (c) n, Shape Faktor




𝑀𝑚(f(ω)) = -6.2421ω2 + 68.552ω - 172.46

Persamaan regresi polinomial untuk konstanta reaksi asidogenesis/proses (k) fungsi

pH (ω) ditunjukkan pada persamaan berikut.

𝑘(f(ω)) = 0.4161ω2 - 4.6088ω + 13.885

Persamaan regresi polinomial untuk konstanta Shape Factor (n) fungsi pH (ω)

ditunjukkan pada persamaan berikut.

n(f(ω)) = 4.6455ω2 - 47.98ω + 125.74

Dimana:


k = konstanta proses/reaksi asidogenesis (/hari)

n = Shape factor

ω = pH

Sehingga, persamaan fungsi pH (ω) untuk konstanta Mm, k dan n adalah

Mm = Mm(f(ω))

Mm = -6.2421ω2 + 68.552ω - 172.46

y = 4.6455ω2 - 47.98ω + 125.74

R² = 1

0

1

2

3

4

5

6

4.5 5 5.5 6 6.5

n

pH


66

𝑘 = 𝑘(f(ω))

𝑘 = 0.4161ω2 - 4.6088ω + 13.885

n = n (f(ω))

n = 4.6455ω2 - 47.98ω + 125.74


konstanta Mm, k dan n pada laju pertumbuhan mikroba/pertambahan VSS berdasarkan

data pH (ω) digestasi anaerob. Sehingga dapat lebih memudahkan dalam hal

menentukan variabel yang digunakan.


67

4.2.5 Model Kinetika Chan and Hashimoto



Gambar 4. 10 Perbandingan Data Eksperimental dan Model Chan and Hashimoto

pada Derajat Keasaman/pH (ω) 5; 5,5;, dan 6


6 adalah 13,493 g/l; 14,930 g/l; dan 13,6717 g/l, sedangkan model kinetika Chan and

Hashimoto memperkirakan Volatile Suspended Solid kumulatif menjadi 13,2008 g/l;

14,6375 g/l; dan 13,3061 g/l, dimana adanya perbedaan nilai data yang terukur dan

nilai model berturut-turut sebesar 2,17 %; 1,96 %; dan 2,67 %.

Pada Tabel 4.9 dapat dilihat bahwa nilai potensi pertumbuhan maksimum

mikroba (Mm) mengalami fluktuasi dengan nilai tertinggi pada pH proses sama dengan

5,5. Hal ini mengindikasikan perubahan pH berpengaruh signifikan terhadap

pertumbuhan mikroba, pH yang terlalu tinggi atau rendah tidak menyebabkan

pertumbuhan mikroba menjadi baik, tetapi kondisi pH optimulah yang seesuai untuk

pertumbuhan mikroba. Hal ini sesuai dengan studi yang dilaporkan yaitu pH optimum

untuk proses asidogenesis, yaitu pada rentang pH 5,5-6 (Darwin & Cord-ruwisch,

0

2

4

6

8

10

12

14

16

18

0 5 10 15 20 25

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)

5 data 5 estimasi


6 data 6 estimasi


68

2019). Dapat dilihat pula, laju spesifik pertumbuhan mikroba dan konstanta Chen and

Hashimoto mengalami penurunan seiring dengan penambahan pH proses.


dengan pemodelan kinetika Chan and Hashimotoadalah adalah 0,9735; 0,9776; dan





dan sesuai (Nguyen et al., 2019). Beberapa peneliti telah menggunakan model Chan

and hashimoto untuk melihat potensi pembentukan biometana menggunakan sisa

sayuran. Model pada penelitian tersebut menghasilkan nilai R square 0,934-0,965 (Li

et al., 2019).


69

Tabel 4. 9 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Chan and Hashimoto

ω

(pH)


(g/l) Fitting error

Persamaan Kinetika Chan and Hashimoto Mm

(g/l)

μm

(/hari) KCH M(exp) M(t)

dP

(%) R2 RMSE

5 14,4570 1,62 0,3814 13,4933 13,2008 2,17 0,9735 2,227 𝑀(𝑡) = 14,457 (1 −0,3814

1,62𝑡 + 0,3814 − 1)

5,5 15,8929 1,25 0,1829 14,9300 14,6375 1,96 0,9776 2,267 𝑀(𝑡) = 15,8929 (1 −0,1829

1,25𝑡 + 0,1829 − 1)

6 14,0515 1,00 0,0003 13,6717 13,3061 2,67 0,9804 1,928 𝑀(𝑡) = 14,0515 (1 −0,0003

𝑡 + 0,0003 − 1)


70




tersebut, maka diperlukan data konstanta laju pertumbuhan mikroba yaitu Mm (g/l), μm

(/hari) dan KCH pada tiap variasi pH (ω) digestasi. Data konstanta produksi biogas

fungsi pH (ω) ditunjukkan pada Tabel 4.10. Dengan memplot data pH (ω) dan

konstanta simulasi model Chan and Hashimoto, diperoleh grafik persamaan regresi

polinomial pada masing-masing variabel seperti yang ditunjukkan pada Gambar 4.11.


Derajat Keasaman

(ω) (pH)

Mm

(g/l)

μm

(/hari) KCH

5 14,4570 1,62 0,3814

5,5 15,8929 1,25 0,1829

6 14,0515 1,00 0,0003




model Chan and Hashimoto. Derajat keasaman/pH (ω) akan disubstitusi ke dalam



dalam bentuk umum persamaan Chan and Hashimoto akan didapatkan prediksi

potensi proses digestasi anaerob dalam pertumbuhan mikroba penghasil VFA dan

dapat dijadikan sebagai acuan pengontrolan proses digestasi anaerob dalam proses

asidogenesis dari limbah cair kelapa sawit (LCPKS) menggunakan reaktor batch

dengan pengaruh pH (ω). Penentuan persamaan konstanta model Chan and Hashimoto

dijelaskan oleh Gambar 4.11.


71

(a)

(b)

y = -6.5547ω2 + 71.696ω - 180.16

R² = 113

13.5

14

14.5

15

15.5

16

16.5

4.5 5 5.5 6 6.5

Mm

(g/l

L

pH

y = -0.621ω + 4.7068

R² = 0.9876

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

4.5 5 5.5 6 6.5

pH

μm

(/h

ari

)


72

(c)


(VSS), (b) μm, Laju Spesifik Pertumbuhan Maksimum (c) KCH, Konstanta




𝑀𝑚(f(ω)) = -6.5547ω2 + 71.696ω - 180.16

Persamaan regresi linear untuk konstanta laju pertumbuhan spesifik maksimum (μm)


𝜇𝑚(f(ω)) = -0.621ω + 4.7068

Persamaan regresi polinomial untuk konstanta Chen and Hasimoto (KCH) fungsi pH

(ω) ditunjukkan pada persamaan berikut.

𝐾𝐶𝐻(f(ω)) = -0.381ω + 2.2839

Dimana:

Mm(f(ω)) = Konstanta potensi laju pertmbuhan maksimum mikroba fungsi pH (ω) (g/l)



ω = pH

Sehingga, persamaan fungsi pH (ω) untuk konstanta Mm, μm dan KCH adalah

Mm = Mm(f(ω))

Mm = -6.5547ω2 + 71.696ω - 180.16

y = -0.381ω + 2.2839

R² = 0.9994

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

4.5 5 5.5 6 6.5

KC

H

pH


73

𝜇𝑚 = 𝜇𝑚(f(ω))

𝜇𝑚 = -0.621ω + 4.7068

KCH = KCH (f(ω))

KCH = -0.381ω + 2.2839


konstanta Mm, μm dan KCH pada laju pertumbuhan mikroba/pertambahan VSS




74

4.2.6 Model Kinetika Gompertz yang dimodifikasi




6 adalah 13,4933 g/l; 14,930 g/l; dan 13,6717 g/l, sedangkan model gompertz

termodifikasi memperkirakan Volatile Suspended Solid kumulatif menjadi 13,2379

g/l; 14,6817 g/l; dan 13,4337 g/l, dimana adanya perbedaan nilai data yang terukur dan

nilai model berturut-turut sebesar 71,89 %; 1,66 %; dan 1,74 %.

Pada Tabel 4.11 dapat dilihat bahwa potensi pertumbuhan maksimum mikroba

(Mm) mengalami fluktuasi dengan nilai tertinggi pada pH proses sama dengan 5,5. Hal

ini mengindikasikan perubahan pH berpengaruh signifikan terhadap pertumbuhan


menjadi baik, tetapi kondisi pH optimulah yang seesuai untuk pertumbuhan mikroba.

Hal ini sesuai dengan studi yang dilaporkan yaitu pH optimum untuk proses proses

asidogenesis, yaitu pada rentang pH 5,5-6 (Darwin & Cord-ruwisch, 2019). Pada tabel

0

2

4

6

8

10

12

14

16

18

0 5 10 15 20 25

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)

5 data 5 estimasi


6 data 6 estimasi

Gambar 4. 12 Perbandingan Data Eksperimental dan Model Gompertz Termodifikasi

pada Derajat Keasaman/pH (ω) 5; 5,5; dan 6


75

tersebut juga dapat dilihat bahwa potensi pertumbuhan maksimum mikroba tidak

selalu bertambah seiring dengan bertambahnya laju pertumbuhan maksimum mikroba.

Hal ini, tentu bisa terjadi karena data parameter tersebut diambil dengan pertimbangan

R square terbesar yang bertujuan agar persamaan/model tersebut semakin memiliki

hubungan yang tepat dengan data eksperiment. Dalam kasus ini, nilai λ adalah 0,001-

0,008 yang menunjukkan bahwa mikroba tidak membutuhkan waktu yang lama untuk

beradaptasi. Hal disebabkan karena pH proses dijaga konstan dan masih sesuai dengan

pH pertumbuhan mikroba. Rendahnya nilai λ menunjukkan digester memiliki mikroba

penting yang diperkaya (inokulum) untuk meningkatkan pencernaan anaerob (Matheri

et al., 2018). Tahap lag phase merupaan tahap adaptasi mikroba terhadap lingkungan

dan exponential phase adalah tahap dimana mikroba mulai melakukan pertumbuhan

(Ramayanti & Giasmara, 2017) (Budiyono et al., 2013).


dengan pemodelan gompertz yang dimodifikasi adalah adalah 0,9766; 0,9807; dan





dan sesuai (Nguyen et al., 2019). Beberapa peneliti telah menggunakan model

Gompertz yang dimodifikasi untuk melihat kinerja dari sistem digestasi anaerobi satu

tahap dari limbah makanan. Model pada penelitian tersebut menghasilkan nilai R

square 0,997 (Pramanik et al., 2019).


76

Tabel 4. 11 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Gompertz yang dimodifikasi

ω

(pH)


(g/l) Fitting error

Persamaan Kinetika Gompertz dimodifikasi Mm

(g/l)

Rm

(g/l.hari)

λ

(hari) M(exp) M(t)

dP

(%) R2 RMSE

5 14,1638 7,711 0,001 13,4933 13,2379 1,89 0,9766 2,0907 𝑀(𝑡) = 14,1638𝑒𝑥𝑝 {−𝑒𝑥𝑝 [7,71𝑒

14,1638(0,001 − 1) + 1]}

5,5 15,7177 8,508 0,008 14,9300 14,6817 1,66 0,9807 2,1044 𝑀(𝑡) = 15,7177𝑒𝑥𝑝 {−𝑒𝑥𝑝 [8,508𝑒

15,7177(0,008 − 1) + 1]}

6 14,1705 11,234 0,003 13,6717 13,4337 1,74 0,9831 1,7914 𝑀(𝑡) = 14,1705𝑒𝑥𝑝 {−𝑒𝑥𝑝 [11,234𝑒

14,1705(0,003 − 1) + 1]}


77




tersebut, maka diperlukan data konstanta laju pertumbuhan mikroba yaitu Mm (g/l),

dan λ (hari) serta laju pertumbuhan Rm pada tiap variasi pH (ω) digestasi. Data

konstanta produksi biogas fungsi pH (ω) ditunjukkan pada Tabel 4.12. Dengan

memplot data pH (ω) dan konstanta simulasi model gompertz yang dimodifikasi,

diperoleh grafik persamaan regresi polinomial pada masing-masing variabel seperti

yang ditunjukkan pada Gambar 4.13.


Derajat Keasaman

(ω) (pH)

Mm

(g/l)

Rm

(g/l.hari)

λ

(hari)

5 14,1638 7,711 0,001

5,5 15,7177 8,508 0,008

6 14,1705 11,234 0,003




model gompertz yang dimodifikasi. Derajat keasaman/pH (ω) akan disubstitusi ke

dalam persamaan konstanta yang diperoleh untuk memperoleh nilai masing-masing


dalam bentuk persamaan gompertz yang dimodifikasi akan didapatkan prediksi

potensi proses digestasi anaerob dalam pertumbuhan mikroba penghasil VFA dan

dapat dijadikan sebagai acuan pengontrolan proses digestasi anaerob dalam proses

asidogenesis dari limbah cair kelapa sawit (LCPKS) menggunakan reaktor batch

dengan pengaruh pH (ω). Penentuan persamaan konstanta model gompertz yang

dimodifikasi dijelaskan oleh Gambar 4.13.


78

(a)

(b)

y = -6.2021ω2 + 68.229ω - 171.93

R² = 1

13

13.5

14

14.5

15

15.5

16

4.5 5 5.5 6 6.5

Mm

(g/L

)

pH

y = 3.855ω2 - 38.882ω + 105.75

R² = 1

7

8

9

10

11

12

4.5 5 5.5 6 6.5

Rm

(g/L

)

pH


79

(b)

Gambar 4. 13 Tren Konstanta (a) Mm, g/l, Potensi Pertumbuhan Maksimum Mikroba

(VSS), (b) Rm, g/l, Laju Pertumbuhan Maksimum Mikroba (c) λ, hari, Konstanta

Periode Fase Lag Pertumbuhan Mikroba Fungsi pH


(ω). Persamaan regresi polinomial untuk konstanta potensi laju pertumbuhan mikroba


𝑀𝑚(f(ω)) = -6.2021ω2 + 68.229ω - 171.93

Persamaan regresi polinomial untuk konstanta laju pertambahan mikroba maksimum


Rm(f(ω)) = 3.855ω2 - 38.882ω + 105.75

Persamaan regresi polinomial untuk konstanta periode fase lag fungsi pH (ω)

ditunjukkan pada persamaan berikut.

λ(f(ω)) = -0.024ω2 + 0.266ω - 0.729

Dimana:

Mm(f(ω)) = Konstanta potensi laju pertmbuhan mikroba fungsi pH (ω) (g/l)

Rm(f(ω)) = Konstanta laju pertambahan mikroba maksimum fungsi pH (ω)(g/l.hari)

λ (f(ω)) = Konstanta Periode Fase Lag fungsi laju pengadukan (ω) (hari)

ω = pH

Sehingga, persamaan fungsi pH (ω) untuk konstanta Mm, Rm dan λ adalah

y = -0.024ω2 + 0.266ω - 0.729

R² = 10

0.002

0.004

0.006

0.008

0.01

4.5 5 5.5 6 6.5

pH

λ(h

ari

)


80

Mm = M(f(ω))

Mm = -6.2021ω2 + 68.229ω - 171.93

Rm = Rm (f(ω))

Rm = 3.855ω2 - 38.882ω + 105.75

λ = λ(f(ω))

λ = -0.024ω2 + 0.266ω - 0.729

Dengan menggunakan persamaan tersebut, kita dapat mengestimasi harga konstanta

A, Rmax dan λ pada laju pertumbuhan mikroba/pertambahan VSS berdasarkan data pH

(ω) digestasi anaerob. Sehingga dapat lebih memudahkan dalam hal menentukan

variabel yang digunakan.

4.3 Keterkaitan Model Kinetika terhadap Proses Pertumbuhan Mikroba pada

Asidogenesis LCPKS

Persamaan/model matematika digunakan untuk memprediksi pertumbuhan

mikroba pada asidogenesis LCPKS. Model-model tersebut diformulasikan dengan

dasar mengasumsikan kondisi seperti:

7) Temperatur konstan

8) Volume digester yang konstan

9) Pencampuran yang sempurna

10) Kondisi bakteri ideal

11) Limbah input hanya terdiri dari C, H, dan O

12) Produk yang dihasilkan hanya VFA, CO2 dan CH4

(Rea, 2014)

Selama proses asidogenesis dijalankan, temperatur dan volume digester

telah diatur konstan. Fermentor yang digunakan telah dilengkapi dengan motor

pengaduk yang diharapkan pencampuran terjadi sempurna selama proses AD

berlangsung. Penggunaan starter bertujuan agar bakteri/mikroorganisme awal

memiliki kondisi yang ideal pula. Bahan baku LCPKS telah diuji dan mengandung

senyawa karbohidrat, lemak dan protein sebagai sumber C, H, dan O. Hanya saja, pada

proses berlangsung, ketidakstabilan pencampuran yang diakibatkan matinya motor

penggerak menyebabkan pertumbuhan mikroba berfluktuasi.


81

Proses pertumbuhan mikroba terdiri dari beberapa fase yang digambarkan

pada kurva dibawah ini.

Gambar 4.14 Kurva Pertumbuhan Mikroba

(Baragan et al., 2016)

Fase Lag merupakan tahap adaptasi mikroba terhadap lingkungan lingkungan

dan tahap eksponensial merupakan tahap dimana mikroba mengalami pertumbuhan

(Mathei et al., 2018). Pada gambar 4.14 terdapat fase stasioner dimana

mengindikasikan jumlah dari populasi mikroba tetap atau konsisten dan menurun pada

fase kematian. Pada model logistik dan gompertz terdapat parameter λ yang

menunjukkan fase lag sementara pada model cone, terdapat n atau shape faktor yang

juga menandakan ada tau tidaknya fase lag. Nilai pada model yang dihasilkan adalah

sangat kecil bahkan nol di persamaan logistik yang mengindikasikan bahwa mikroba

tidak membutuhkan waktu banyak untuk beradaptasi pada lingkungan digestasi

aerobik (Mathei et al., 2018).

Mm atau potensial pertumbuhan mikroba dari semua model berbeda-beda

namun kita dapat melihat bahwa nilai ini konstan pada grafik model dan fluktuasi pada

grafik eksperimen akibat tidak stabilnya kondisi proses. Nilai yang konstan ini

menunjukkan bahwa mikroba berada pada fase stasioner (Mathei et al., 2018).


82

4.4 Pengaruh pH terhadap Pertumbuhan Mikroba Terbaik

Gambar 4.15 menunjukkan profil VSS terbaik untuk setiap variasi pH. Profil

pertumbuhan mikroba terbaik dicapai pada hari ke 8 dengan pH 5,5 sebesar 17,46 g/L.

Adapun nilai VSS pada pH 5 adalah 14,24 g/L, pada pH 5,5 sebesar 17,46 g/L dan

pada pH 6 sebesar 14,66 g/L. Fluktuasi pada nilai VSS kemungkinan disebabkan oleh

perubahan pH. pH mempengaruhi banyak aspek dalam proses anaerob, seperti;

keragaman mikroorganisme, laju hidrolisis substrat dan faktor penghambat. Pada

variasi pH tahapan asidogenesis LCPKS pada keadaan ambient, penurunan pH

memberikan dampak yang signifikan terhadap konsentrasi VSS, dimana seiring

dengan menurunnya pH diperoleh konsentrasi VSS yang menurun. Hal ini

kemungkinan disebabkan karena mikroorganisme asidogenik tidak bekerja dengan

optimal pada pH yang rendah (Ma et al., 2016). Namun pH yang lebih tinggi juga tidak

menjamin mikroorganisme asidogenik bekerja dengan optimal, Gambar 4.4

menunjukkan profil VSS terbaik dicapai pada pH 5,5 dimana mikroorganisme

asidogenik bekerja dengan optimal dan memiliki konsentrasi VSS yang lebih tinggi.

Oleh karena itu, pada proses asidogenesis LCPKS dengan menggunakan reaktor

batch pada keadaan ambient, variasi pH memberikan dampak yang signifikan terhadap

perubahan VSS, dimana diperoleh konsentrasi VSS tertinggi dicapai pada pH 5,5.

14.24

17.46

14.66

0

2

4

6

8

10

12

14

16

18

20

4.8 5 5.2 5.4 5.6 5.8 6 6.2

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

pH

Gambar 4. 15 Pengaruh pH Terhadap Pertumbuhan Mikroba Terbaik


83

4.5 Evaluasi dan Perbadingan Berbagai Model Kinetika pada pH

Pertumbuhan Mikroba Terbaik dari Segi Model dan Proses

4.5.1 Evaluasi Kinetika dari Segi Model

Gambar 4. 16 Perbandingan Data dan berbagai Model kinetika pertumbuhan mikroba

terhadap waktu pada pH (ω)5,5.

Gambar 4.16 menunjukkan profil pertumbuhan mmikroba terbaik (VSS, g/l)

pada proses asidogenesis pada pH 5,5 yang dibandingkan antara data eksperiment

dengan berbagai model kinetika. Model empiris atau analisis statistik dapat

diformulasikan untuk menjelaskan mekanisme dasar yang mendasari sistem yang

kompleks dan dengan demikian memberikan panduan yang lebih baik dalam proses

desain dan kontrol (Shin et al., 2008). Melalui model-model tersebut, kita dapat

merancang proses digestasi anaerob. Model-model tersebut memliki nilai dan jenis

parameter yang berbeda-beda yang ditampilkan pada Tabel 4.13.

0

2

4

6

8

10

12

14

16

18

20

0 5 10 15 20 25

Per

tum

bu

ha

n M

ikro

ba

, V

SS

(g

/L)

Waktu (Hari)

Data Experiment Orde Satu

Logistik Gompertz dimodifikasi

Dual-Pooled-1 Cone

chan and Hashimoto


84

Tabel 4. 13 Nilai Parameter dari Berbagai Persamaan Kinetika

Parameter Model Kinetika

A b c d e f satuan

Mm 15,2739 15,7012 15,7291 15,7540 15,8929 15,7177 g/l

λ - - - - - 0,008 hari

K 76 - - 1,12 - - 1/hari

Rm - 8,047 - - - 8,508 g/L.hari

α - - 1,33 - - - -

μm - - - - 1,25 - 1/hari

n - - - 2,37 - - -

KCH - - - - 0,1829 - -

KL - - 1,90 - - - -

KF - - 1,03 - - - -

Keterangan:

a = Orde 1

b = Persamaan logistik

c = Dual Pooled-First Order

d = Cone

e = Chan and Hashimoto

f = Gompertz yang dimodifikasi







terdegradasi

n = Shape factor





Pada tabel diatas, dapat dilihat setiap model memiliki parameter yang berbeda-

beda. Pada keenam model/persamaan kinetika tersebut hanya parameter M m yang

dimiliki oleh setiap model kinetika. Mm menunjukkan jumlah/potensi pertumbuhan

mikroba tertinggi yang dapat diraih oleh setiap model kinetika. Model kinetika Chan


85

and Hasimoto menghasilkan nilai parameter Mm tertinggi sementara nilai terendah

berada pada model persamaan kinetik orde satu. Akan tetapi, nilai ini tidak dapat

menjadi acuan bahwa model tersebut merupakan model terbaik yang menggambarkan

proses asidogenesis LCPKS pada pH 5,5 dengan sistem anaerob. Kriteria keakurasian

model dilihat berdasarkan ukuran kesalahan peramalan yaitu MAD (Mean Absolute

Deviation), MSE (Mean Squared Error), RMSE (Root Mean Squared Error) dan

MAPE (Mean Absolute Percentage Error) (Robial, 2018). Hasil dari analisa

keakuratan model-model/persamaan kinetika pada penelitian ini ditampilkan pada

Table 4.14

Tabel 4. 14 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika

Parameter A b c d e f

R2 0,9700 0,9821 0,9785 0,9782 0,9776 0,9807

MAD 0,2925 0,2070 0,3035 0,2943 0,2925 0,2483

MSE 6,8744 4,1010 4,9220 5,0085 5,1397 4,4283

RMSE 2,6219 2,0251 2,2186 2,2380 2,2671 2,1044

MAPE 16,8145 12,4321 12,8008 13,0749 13,2447 12,6101

AIC 0,3456 0,2658 0,4236 0,3779 0,3756 0,3188

Keterangan:

a = Orde 1

b = Persamaan logistik

c = Dual Pooled-First Order

d = Cone

e = Chan and Hashimoto

f = Gompertz yang dimodifikasi

Pada Tabel 4.14 dapat dilihat bahwa nilai R2 terbesar terdapat pada persamaan

logistik yaitu 0,9821. Nilai R square yang semakin mendekati satu menunjukkan

bahwa persamaan/model tersebut memiliki kemampuan yang baik dalam memprediksi

suatu nilai (Rahman & Widodo, 2018). Pada analisis MAD persamaan logistik

memiliki nilai terkecil dari pada model persamaan lainnya yaitu sebesar 0,2070. MAD

merupakan ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model.

MAD berguna ketika mengukur kesalahan ramalan/estimasi (Margi S & Pendawa W,

2015). Kecilnya nilai MAD menunjukkan kecilnya kesalahan pada model tersebut.


86

Pada tabel tersebut, nilai MSE persamaan logistik juga memiliki nilai terkecil

dari pada model lainnya yaitu sebesar 4,1010. MSE adalah rata-rata selisih kuadrat

antara nilai estimasi/model dan nilai eksperimen. Selisih tersebut adalah kesalahan

dalam nilai estimasiterhadap nilai eksperimen (Margi S & Pendawa W, 2015).

Sehingga, dari pengertian tersebut dapat disimpulkan semakin kecil nilai MSE

semakin tepatlah model tersebut. Untuk nilai RMSE, persamaan logistik juga memiliki

nilai terkecil dari persamaan/model kinetika lainnya. Nilai RMSE yang kecil

mengindikasikan bahwa model tersebut tepat dan sesuai (Nguyen et al., 2019).

Berdasarkan nilai RMSE tersebut, persamaan logistik unggul dari pada model lainnya.

MAPE adalah pengukuran kesalahan yang menghitung ukuran persentase

penyimpangan antara data eksperimen/actual dengan data estimasi dari model

persamaan. Kemampuan peramalan/estimasi yang baik jika nilai MAPE kurang dari

20 % (Margi S & Pendawa W, 2015). Berdasarkan tabel diatas, semua model kinetika

memiliki kemampuan estimasi yang baik karena nilai MAPE-nya berada dibawah 20

%. Nilai MAPE terkecil menunjukkan kemampuan peramalan/estimasi terbaik yaitu

pada persamaan logistik.

Efisiensi berbagai model/persamaan kinetika dapat ditentukan dengan

membandingkan nilai AIC nya. Model dengan nilai AIC terendah dianggap paling

efisien (Kim et al., 2017). Pada berbagai persamaan atau model kinetika yang dibahas

pada penelitian ini, model persamaan logistik adalah model dengan nilai AIC terendah

yang menjadikannya sebagai persamaan yang paling cocok dalam menggambarkan

proses asidogenesis LCPKS pada pH 5,5.

Berdasarkan keenam perbandingan keakuratan tersebut, dapat disimpulkan

bahwa persamaan logistik adalah persamaan yang paling cocok untuk menggambarkan

pertumbuhan mikroba proses asidogenesis dengann kondisi pH 5,5. Melalui penelitian

ini juga, dapat dilihat berdasarkan Tabel 4.14 bahwa ke-5 model persamaan lainnya

juga cocok menggambarkan proses tersebut karena memiliki keakuratan yang baik

juga.


87

4.5.2 Evaluasi Kinetika dari Segi Proses

Berdasarkan data eksperiment, mikroba langsung mengalami pertumbuhan

pesat atau memasuki fase eksponensial secara langsung pada hari ke 0 hingga ke-4 dan

tidak menunjukkan fase Lag seperti pada Gambar 4.14.

Gambar 4. 147 Profil Pertumbuhan Mikroba pada Proses Asidogenesis LCPKS

Persamaan atau model kinetika Gompertz yang dimodifikasi dan logistik

menghasilkan nilai fase lag (λ) yang sangat kecil dan nol sementara di

persamaan/model lainnya tidak terdapat fase lag. Hal ini menunjukkan bahwa semua

persamaan/model tersebut mampu menggambarkan profil pertumbuhan mikroba dari

data eksperimen dengan sesuai yaitu tidak adanya fase lag dan langsaung ke fasa

eksponensial.

Untuk fase stasioner dari data eksperiment, tren konstan (dengan

mengabaikan data fluktuasi akibat tidak stabil kondisi proses) dimulai pada hari ke-5

dapat dilihat pada Gambar 4.16. Hal ini sesuai pada semua hasil yang ditunjukkan oleh

semua model kinetika kecuali pada model kinetika first order yang langsung

menunjukkan trend konstan pada hari pertama.

0

2

4

6

8

10

12

14

16

18

20

0 5 10 15 20 25

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)

pH=5 pH=5,5 pH=6


88

BAB V

KESIMPULAN DAN SARAN

5.1 KESIMPULAN

Kesimpulan yang diperoleh dari penelitian ini adalah:

1. Kinerja digester anaerobik untuk proases asidogenesis operasi batch yang

ditinjau dari pertumbuhan mikroba diperoleh pada pH (ω) 5,5 dengan

konsentrasi VSS sebesar 17,46 g/L.

2. Potensi pertumbuhan mikroba tertinggi digambarkan pada model kinetika

Chan and Hashimoto dengan konsentrasi 15,8929 g/L.

3. Persamaan/model kinetika dengan keakuratan terbaik dari segi model adalah

persamaan kinetika logistik.

4. Seluruh persamaan/model kinetika memiliki keakuratan terbaik dari segi

proses kecuali persamaan kinetika First Order.

5. Nilai konstanta pertumbuhan mikroba terbaik sebagai fungsi laju pH proses

diperoleh pada ω 5,5 yaitu Mm dan Rm masing-masing sebesar 15,7012 g/L

dan 8,047 g/L hari.

5.2 SARAN

Saran yang diberikan setelah melakukan penelitian ini adalah:

1. Meneliti faktor-faktor lain yang dapat mempengaruhi asidogenesis dalam

anaerobic digestation selain faktor pH proses, seperti faktor pengadukan,

temperatur, jenis bahan baku, dan sebagainya

2. Pembahasan pada laporan ini adalah mengenai data VSS atau pertumbuhan

mikroba dari berbagai model, sehingga untuk penelitian selanjutnya diperlukan

juga mengolah data lain yang berhubungan dengan proses digestasi anaerobik

ini seperti data COD, VS, VFA, dan sebagainya.

3. Laporan ini berisi studi kinetika pada proses Asidogenesis LCPKS, sementara

pada digestasi anaerobik setelah asidogenesis terdapat tahap/proses

asetogenesis dan metanogenesis, sehingga diperlukan juga studi kinetika pada

tahap/proses tersebut.


89

DAFTAR PUSTAKA

Adekunle, K. F., & Okolie, J. A. 2015. A Review of Biochemical Proses of Anaerobic

Digestion. International Journal of Environmental Research and Public Health,

6, 205–212.

Adipasah, H. 2014. Pengaruh Kecepatan Pengadukan pada Tahap Asidogenesis

Pengolahan Limbah Cair Pabrik Kelapa Sawit (LCPKS). Universitas Sumatera

Utara.

Afifah, A. S., & Suryawan, I. W. K. 2020. Jurnal Ilmu Alam dan Lingkungan. Jurnal

Ilmu Alam Dan Lingkungan, 11(1), 21–28.

Ahmadi-Pirlou, M., Ebrahimi-Nik, M., Khojastehpour, M., & Ebrahimi, S. H. 2017.

Mesophilic co-digestion of municipal solid waste and sewage sludge: Effect of

mixing ratio, total solids, and alkaline pretreatment. International

Biodeterioration and Biodegradation, 125, 97–104.

Ali, N., R., F. E., Arfiana, Fausiah, & W., T. E. 2019. Desain Sistem Proses Pemurnian

Biogas Berbasis Palm Oil Mill Effluent ( Pome ) Design System of Biogas

Palm Oil Mill. M.I.P.I., 13(2), 103–110.

Ali Shah, F., Mahmood, Q., Maroof Shah, M., Pervez, A., & Ahmad Asad, S. 2014.

Microbial ecology of anaerobic digesters: The key players of anaerobiosis. The

Scientific World Journal, 2014(February).

An, D., Wang, T., Zhou, Q., Wang, C., Yang, Q., Xu, B., & Zhang, Q. 2017. Effects

of Total Solids Content on Performance of Sludge Mesophilic Anaerobic

Digestion and Dewaterability of Digested Sludge. Waste Management, 62, 188–

193.

Atmodjo, M. C. T. 2018. The Biogas From Biomass Waste. International Journal of

Scientific &Engineering Research, 9(7), 706–711.

Azka, N. 2019. Konstanta Pembuatan Biogas dari Limbah Cair Pabrik Kelapa Sawit

(LCPKS) Menggunakan Pemodelan Gompertz yang Dimodifikasipada Variasi

Laju Pengadukan. In Universitas Sumatera Utara. Universitas Sumatera Utara.

Baragan, L. A. Prado, J. J. B. Figueroa, L. V. Rodriguez Duran. 2016.

Biotransformation of Algricultural Wate and By-Products. Elsevier Inc. Chapter

7


90

Benato, A., & Macor, A. 2019. Italian Biogas Plants: Trend, Subsidies, Cost, Biogas

Composition and Engine Emissions. Energies, 12(6), 979.

Berenjestanaki, A. V., Kawahara, N., Tsuboi, K., & Tomita, E. 2019. End-gas

autoignition characteristics of PREMIER combustion in a pilot fuel-ignited dual-

fuel biogas engine. Fuel, 254, 115634.

Bharathiraja, B., Sudharsana, T., Jayamuthunagai, J., Praveenkumar, R.,

Chozhavendhan, S., & Iyyappan, J. 2018. Biogas production–A review on

composition, fuel properties, feed stock and principles of anaerobic digestion.

Renew. Sustain. Energy Rev, 90, 570–582.

Bonanza, B. S. W., & Sarto, S. 2016. Pengaruh Variasi Organic Loading Rate Sampah

Buah Jeruk terhadap Produksi Biohidrogen pada Reaktor Kontinu. Jurnal

Rekayasa Proses, 10(2), 43.

BPS. 2020. Data Ekspor Minyak Sawit Indonesia.

Brulé, M., Oechsner, H., & Jungbluth, T. 2014. Exponential model describing methane

production kinetics in batch anaerobic digestion: A tool for evaluation of

biochemical methane potential assays. Bioprocess and Biosystems Engineering,

37(9), 1759–1770.

Budiyono, Manthia, F., Amalin, N., Hawali Abdul Matin, H., & Sumardiono, S. 2018.

Production of Biogas from Organic Fruit Waste in Anaerobic Digester using

Ruminant as the Inoculum. MATEC Web of Conferences, 156, 1–5.

Budiyono, Syaichurrozi, I., & Sumardiono, S. 2013. Biogas production kinetic from

vinasse waste in batch mode anaerobic digestion. World Applied Sciences

Journal, 26(11), 1464–1472.

Cesaro, A., & Belgiorno, V. 2015. Combined biogas and bioethanol production:

Opportunities and challenges for industrial application. Energies, 8(8), 8121–

8144.

Chatterjee, B., & Mazumder, D. 2019. Role of stage-separation in the ubiquitous

development of Anaerobic Digestion of Organic Fraction of Municipal Solid

Waste: A critical review. Renewable and Sustainable Energy Reviews, 104(April

2018), 439–469.

Choong, Y. Y., Chou, K. W., & Norli, I. 2018. Strategies for improving biogas

production of palm oil mill effluent (POME) anaerobic digestion: A critical


91

review. Renewable and Sustainable Energy Reviews, 82(January), 2993–3006.

Coelho, M. M. H., Morais, N. W. S., Pereira, E. L., Leitão, R. C., & dos Santos, A. B.

2020. Potential assessment and kinetic modeling of carboxylic acids production

using dairy wastewater as substrate. Biochemical Engineering Journal,

156(September 2019), 107502.

Couto, P. T., Eng, F., Naessens, W., Nopens, I., Zaiat, M., & Ribeiro, R. 2020.

Modelling sugarcane vinasse processing in an acidogenic reactor to produce

hydrogen with an ADM1-based model. International Journal of Hydrogen

Energy, 45(11), 6217–6230.

Darwin, & Cord-ruwisch, R. 2019. Thermodynamics of Anaerobic Digestion :

Mechanism of Suppression on Biogas Production During Acidogenesis

Termodinamika Pada Anaerobik Digesi : Mekanisme Proses Hambatan.

INMATEH, 57(1), 287–296.

Dennehy, C., Lawlor, P. G., Croize, T., Jiang, Y., Morrison, L., Gardiner, G. E., &

Zhan, X. 2016. Synergism and effect of high initial volatile fatty acid

concentrations during food waste and pig manure anaerobic co-digestion. Waste

Management, 56, 173–180.

Deubelin, D., & Steinhauser, A. 2008. Biogas from Waste and Renewable Resources.

WILEY-VCH Verlag CmbH & Co. KGaA.

Deublein, D., & Steinhauser, A. 2011. Biogas from waste and renewable resources:

an introduction. John Wiley & Sons.

Effendy, S., Syarif, A., Tahdid, & Trisnaliliani, L. 2018. Biogas Hasil Konversi

Limbah Kotoran Sapi sebagai Bahan Bakar Genset untuk Menghasilkan Listrik

Kapasitas 0,3 kWatt. Seminar Nasional Inovasi Dan Aplikasi Tenologi Di

Industri, 97–102.

Eko, H., & Chaiprasert, P. 2020. Enhancement of methane production from high solid

anaerobic digestion of pretreated palm oil decanter cake using a modified solid

inclined reactor. Journal of Chemical Technology and Biotechnology, 95(3),

781–790.

Fahmi, M., Mubarak, M., Hanif, M., Azman, N., & Firdaus, M. 2020. Utilisation of

raw palm oil mill effluent ( POME ) as a renewable substrate for fermentative H2

production : Optimisation using statistical approach Utilisation of raw palm oil


92

mill effluent ( POME ) as a renewable substrate for fermentative H 2 productio.

16(June), 384–392.

Fang, C., Irini, A., & Kanokwan, B. 2010. Biogas Production from Food Processing

Industrial Wastes by Anaerobic Digestion [Technical University of Denmark]. In

Technical University of Denmark (Vol. 19, Issue December).

Febriyanita, W. 2015. Pengembangan Biogas Dalam Rangka Pemanfaatan Energi

Terbarukan Di Desa Jetak Kecamatan Getasan Kabupaten Semarang. In Skripsi

(Vol. 2, Issue 2). Universitas Negeri Semarang.

Freitas, F. F., De Souza, S. S., Ferreira, L. R. A., Otto, R. B., Alessio, F. J., De Souza,

S. N. M., Venturini, O. J., & Junior, O. H. A. 2019. The Brazilian market of

distributed biogas generation: Overview, technological development and case

study. Renewable and Sustainable Energy Reviews, 101, 146–157.

Harsono, S. S., Grundmann, P., & Soebronto, S. 2014. Anaerobic treatment of palm

oil mill effluents: Potential contribution to net energy yield and reduction of

greenhouse gas emissions from biodiesel production. Journal of Cleaner

Production, 64, 619–627.

Haryanto, A., Okfrianas, R., & Rahmawati, W. 2019. Pengaruh Komposisi Subtrat dari

Campuran Kotoran Sapi dan Rumput Gajah (Pennisetum purpureum) terhadap

Produktivitas Biogas pada Digester Semi Kontinu. Jurnal Rekayasa Proses,

13(1), 47.

IRENA. 2017. Biogas for road vehicles: Technology brief. International Renewable

Energy Agency Abu Dhabi.

Irvan, Trisakti, B., & Azka, N. 2020. Pengaruh Laju Pengadukan Terhadap Stabilitas

Digester Anaerobik Satu Tahap pada Pembentukan Biogas dari Limbah Cair

Pabrik Kelapa Sawit Menggunakan Lab Scale Reaktor Batch. Jurnal Teknik

Kimia USU, 09(1), 16–20.

Jagaba, A. H., Kutty, S. R. M., Hayder, G., Latiff, A. A. A., Aziz, N. A. A., Umaru, I.,

Ghaleb, A. A. S., Abubakar, S., Lawal, I. M., & Nasara, M. A. 2020. Sustainable

use of natural and chemical coagulants for contaminants removal from palm oil

mill effluent: A comparative analysis. Ain Shams Engineering Journal, xxxx.

Jasni, J., Arisht, S. N., Mohd Yasin, N. H., Abdul, P. M., Lin, S. K., Liu, C. M., Wu,

S. Y., Jahim, J. M., & Takriff, M. S. 2020. Comparative toxicity effect of organic


93

and inorganic substances in palm oil mill effluent (POME) using native

microalgae species. Journal of Water Process Engineering, 34(September 2019),

101165.

Jusoh, N., Othman, N., Geeta, G., Rosly, M. B., Raja Sulaiman, R. N., Mohamed Noah,

N. F., & Nor Kamarudin, K. S. 2020. Emulsion liquid membrane extraction of

polyphenols compound from palm oil mill effluent. Malaysian Journal of

Fundamental and Applied Sciences, 16(1), 96–101.

Kafle, G. K., & Chen, L. 2016. Comparison on batch anaerobic digestion of five

different livestock manures and prediction of biochemical methane potential

(BMP) using different statistical models. Waste Management, 48, 492–502.

Kim, H., Kim, S., Shin, H., & Heo, J. H. 2017. Appropriate Model Selection Methods

for Nonstationary Generalized Extreme Value Models. Journal of Hydrology,

547, 557–574.

Kumar, A., & Samadder, S. R. 2020. Performance evaluation of anaerobic digestion

technology for energy recovery from organic fraction of municipal solid waste:

A review. Energy, 197, 117253.

Kurnianto, R. W., Budhijanto, W., & Cahyono, R. B. 2019. Kinetics of Anaerobic

Digestion of Dairy Fat Waste with Saponification Pre-Treatment. Jurnal

Rekayasa Proses, 13(2), 112.

Li, P., Li, W., Sun, M., Xu, X., Zhang, B., & Sun, Y. 2019. Evaluation of biochemical

methane potential and kinetics on the anaerobic digestion of vegetable crop

residues. Energies, 12(1).

Lin, L., Xu, F., Ge, X., & Li, Y. 2018. Improving the sustainability of organic waste

management practices in the food-energy-water nexus: A comparative review of

anaerobic digestion and composting. Renewable and Sustainable Energy

Reviews, 89(February), 151–167.

Luostarinen, S., Normak, A., & Edström, M. 2011. Overview of Biogas Technology.

In Baltic Manure (Issue December). Baltic MAnure.

Ma, H., Chen, X., Liu, H., Liu, H., & Fu, B. 2016. Improved volatile fatty acids

anaerobic production from waste activated sludge by pH regulation: Alkaline or

neutral pH Waste Management, 48, 397–403.

Macdonald, K. 2020. Private sustainability standards as tools for empowering southern


94

pro-regulatory coalitions? Collaboration, conflict and the pursuit of sustainable

palm oil. Ecological Economics, 167(August 2019), 106439.

Margi S, K., & Pendawa W, S. 2015. Analisa Dan Penerapan Metode Single

Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu.

Prosiding SNATIF, 259–266.

Mata-Alvarez, J. 2003. Biomethanizationof the Organic Fraction of Municipal Slid

Wastes. In ChemInform. IWA Publishing.

MATHERI, A. N., NTULI, F., BELAID, M., SEODIGENG, T., & NGILA, J. C. 2018.

Modified Gompertz Model of Biogas Production From Co-Digestion of Sewage

Sludge and Food Waste. Welzmann Institute of Science, 80–91.

Matin, H. H. A., & Hadiyanto. 2018. Biogas Production from Rice Husk Waste by

using Solid State Anaerobic Digestion (SSAD) Method. E3S Web of Conferences,

31.

Mir, M. A., Hussain, A., & Verma, C. 2016. Design considerations and operational

performance of anaerobic digester: A review. Cogent Engineering, 3(1), 1–20.

Mulyadi, D., Yuningsih, L. M., & Kusumawati, D. 2016. Efektivitas Pemanfaatan

Serbuk Gergaji dan Limbah Media Tanam Jamur (Baglog) sebagai Bahan Baku

Pembuatan Biogas. Jurnal Kimia VALENSI, 2(1), 11–16.

Mulyani, H. 2012. Pengaruh Pre-Klorinasi dan Pengaturan pH terhadap Proses

Aklimatisasi dan Penurunan COD Pengolahan Limbah Cair Tapioka Sistem

Anaerobic Baffled Reactor. Universitas Diponegoro.

Nahrul Hayawin, Z., Ibrahim, M. F., Nor Faizah, J., Ropandi, M., Astimar, A. A.,

Noorshamsiana, A. W., & Abd-Aziz, S. 2020. Palm oil mill final discharge

treatment by a continuous adsorption system using oil palm kernel shell activated

carbon produced from two-in-one carbonization activation reactor system.

Journal of Water Process Engineering, 36(March), 101262.

Nguyen, D. D., Jeon, B. H., Jeung, J. H., Rene, E. R., Banu, J. R., Ravindran, B., Vu,

C. M., Ngo, H. H., Guo, W., & Chang, S. W. 2019. Thermophilic anaerobic

digestion of model organic wastes: Evaluation of biomethane production and

multiple kinetic models analysis. Bioresource Technology, 280(December 2018),

269–276.

Nurhayati, N., Yuwanti, S., & Urbahillah, A. 2020. Karakteristik Fisikokimia Dan


95

Sensori Kombucha Cascara (Kulit Kopi Ranum). Jurnal Teknologi Dan Industri

Pangan, 31(1), 38–49.

Ostrem, K.2004. Greening waste: anaerobic digestion for treating the organic fraction

of municipal solid waste. In Department of Earth and Environmental Engineering

Fu Foundation of School of Engineering and Applied Science, Columbia

University (Issue The Earth Engineering Center and the Henry Krumb School of

Mines). Earth Engineering.

Pambudi, S., Kirom, M. R., & Suhendi, A. 2018. Pengaruh Kadar Keasaman (ph)

Terhadap Produksi Biogas Dengan Menggunakan Campuran Kotoran Hewan

Dan Substrat Kentang Busuk Pada Reaktor Anaerob. EProceedings of

Engineering, 5(3).

Pandu, Y. K. 2020. Prediksi Penduduk Kabupaten Alor dengan Menggunakan Model

Pertumbuhan Logistik pada Beberapa Tahun Mendatang. ASIMTOT: Jurnal

Kependidikan Matematika, 2(1), 2685–9580.

Parawira, W. 2004. Anaerobic Treatment of Agricultural Residues and Wastewater

Application of High-Rate Reactors. Media-Tryck, Lund University.

Prajapati, K. K., Pareek, N., & Vivekanand, V. 2018. Pretreatment and multi-feed

anaerobic co-digestion of agro-industrial residual biomass for improved

biomethanation and kinetic analysis. Frontiers in Energy Research, 6(OCT), 1–

18.

Pramanik, S. K., Suja, F. B., Porhemmat, M., & Pramanik, B. K. 2019. Performance

and kinetic model of a single-stage anaerobic digestion system operated at

different successive operating stages for the treatment of food waste. Processes,

7(9).

R, M., Soeroso, F., Pradana, S. A., Utomo, S., & Wardhana, I. W. 2016. Pengaruh

Pengenceran Dan Pengadukan Terhadap Produksi Biogas Pada Anaerobic

Digestion Dengan Menggunakan Ekstrak Rumen Sapi Sebagai Starter Dan

Limbah Dapur Sebagai Substrat. Jurnal Presipitasi : Media Komunikasi Dan

Pengembangan Teknik Lingkungan, 13(2), 88.

Rahman, M. B., & Widodo, E. 2018. Perbandingan Metode Regresi Robust Estimasi

Least Trimmed Square , Estimasi Scale , dan Estimasi Method Of Moment.

Prosiding Seminar Nasional Matematika, 1, 426–433.


96

Ralph, M., & Gu, J.-D. 2010. ENVIRONMENTAL MICROBIOLOGY. In WILEY-

BLACKWELL, A JOHN WILEY & INC. (2nd ed.). John Wiley $ Sons, Inc.

Ramadhani, L. I., Damayanti, S. I., Sudibyo, H., & Budhijanto, W. 2018. Kinetics of

Anaerobic Digestion of Palm Oil Mill Effluent (POME) in Double-Stage Batch

Bioreactor with Recirculation and Fluidization of Microbial Immobilization

Media. IOP Conference Series: Materials Science and Engineering, 316(1).

Ramayanti, C., & Giasmara, K. R. 2017. Bioethanol Production From Waste Paper

Using Separate Hydrolysis And Fermentation. Indo. J. Chem. Res., 5(1), 17–21.

Rea, J. 2014. Kinetic Modelling and Experimentation of Anaerobic Digestion. in

Thesis. Massachusetts Institute of Technology:

Robial, S. M. 2018. Perbandingan Model Statistik pada Analisis Metode Peramalan

Time Series (Studi Kasus: PT. Telekomunikasi Indonesia, Tbk Kandatel

Sukabumi). Jurnal Ilmiah SANTIKA, 8(2), 1–17.

Sahri, M., Fachrudin, & Setiawidayat, S. 2019. Rancang Bangun Pembangkit Listrik

Tenaga Biogas. PROTON, 11(2), 78–84.

Schnürer, A., & Jarvis, A. 2010. Microbiological Handbook for Biogas Plants. In

Swedish Gas Centre Report 207. AVFALL SVERIGE.

Schröder, V., Schalau, B., & Molnarne, M. 2014. Explosion protection in biogas and

hybrid power plants. Procedia Engineering, 84, 259–272.

Seadi, T. Al, Rutz, D., Prassl, H., Kottner, M., Finsterwalder, T., Volk, S., & Janssen,

R. 2008. Biogas Handbook. UNiversity of Southern Denmark Esbjerg.

Sembirig, S. D. 2019. Jurnal Teknik Kimia USU Stabilitas Reaktor Uplow Anaerobic

Sludge Blanket-Hollow Centered Packed Bed. Jurnal Teknik Kimia USU, 08(2),

67–71.

Senthilkumar, K., & Vivekanandan, S. 2016. Investigating the Biogas as Secondary

Fuel for Ci Engine. International Journal of Applied Environmental Sciences,

11(1), 155–163.

Setiawaty, S., & Sari, R. P. 2020. Konversi Ampas Buah Kelapa Sawit ( Elaeis

Guineensis Jacq .) Menjadi Arang Dan Kompos Serta Penggunaannya Sebagai

Soil Conditioning. KATALIS JUrnal Penelitian Kimia Dan Pendidikan Kimia,

3(1), 10–16.

Shafie, S. M., Othman, Z., Hami, N., & Oma, S. 2020. The potential of using biogas


97

feeding for fuel cells in malaysia. International Journal of Energy Economics and

Policy, 10(1), 109–113.

Shah, D., Nagarsheth, J., & Acharya, P. 2016. Purification of biogas using chemical

scrubbing and application of purified biogas as fuel for automotive engines.

Research Journal of Recent Sciences, 5, 1–7.

Shakirah, H. L., Zulilah, Z. N. A., Aniyyah, M. S. N., Nabihah, A., & Radhiah, G. S.

2020. Extraction of Polyhydroxyakanoate (PHA) from Palm Oil Mill Effluent

(POME) using Chemical Solvent Extraction. Journal of Physics: Conference

Series, 1532(1).

Shin, J.-D., Park, S.-W., Kim, S.-H., Duangmanee, J., Lee, P.-H., Sung, S.-H., & Lee,

B.-H. 2008. Potential Methane Production on Anaerobic Co-digestion of Swine

Manure and Food Waste. Korean Journal of Environmental Agriculture, 27(2),

145–149.

Sinaga, Y. V., Sinaga, B. M., & Harianto. 2020. Dampak Kebijakan Tarif Terhadap

Perdagangan Minyak Sawit. Jurnal Ekonomi Pertanian Dan Agribisnis, 4(1).

Speece, R. E. 1983. Anaerobic Biotechnology for Industrial Wastewater Treatment.

Environmental Science and Technology.

Stamatelatou, K., Antonopoulou, G., & Lyberatos, G. 2011. Production of biogas via

anaerobic digestion. In Handbook of Biofuels Production: Processes and

Technologies (Vol. 1895, pp. 266–304). Woodhead Publishing Limited.

Tang, R., Yuan, S., Chen, F., Zhan, X., Wang, W., & Hu, Z. 2019. Effects of roxarsone

and sulfadiazine on biogas production and their degradation during anaerobic

digestion. International Biodeterioration and Biodegradation, 140(April), 113–

118.

Trisakti, B., Irvan, Adipasah, H., Taslim, & Turmuzi, Mu. 2017. Effect of Agitation

on Acidogenesis Stage of Two-Stage Anaerobic Digestion of Palm Oil Mill

Effluent (POME) into Biogas. IOP Conference Series: Materials Science and

Engineering, 1800(012127).

Trisakti, B., & Sijabat, I. P. 2020. Profil pH dan Volatile Suspended Solids pada Proses

Pengomposan Tandan Kosong Kelapa Sawit Menggunakan Pupuk Cair Organik

Aktif sebagai o-Composting. Jurnal Teknik Kimia USU, 09(1), 11–15.

Ubaidillah, A. (2019). Penerapan Model Regresi Threshold Untuk Peningkatan


98

Efisiensi Dalam Pendugaan Area Kecil Studi Simulasi dan Penerapannya Pada

Data Pengeluaran Perkapita Makanan Rumahtangga di Provinsi Jawa Tengah.

Seminar Nasional Official Statistics, 84–92.

Vögeli, Y., Riu, C., Gallardo, A., Diener, S., & Zurbrügg, C. 2014. Anaerobic

Digestion of Biowaste in Developing Countries. In Sandec: Department of Water

and Sanitation in Developing Countries.

Wandera, S. M., Qiao, W., Algapani, D. E., Bi, S., Yin, D., Qi, X., Liu, Y., Dach, J.,

& Dong, R. 2018. Searching for possibilities to improve the performance of full

scale agricultural biogas plants. Renewable Energy, 116 (September), 720–727.

Wang, J., Mahmood, Q., Qiu, J.-P., Li, Y.-S., Chang, Y.-S., & Li, X.-D. 2018)

Retracted : Anaerobic Treatment of Palm Oil Mill Effluent in. BioMed Research

International.

Wang, Y., Han, K., Wang, D., Yi, N., Teng, Y., Wang, W., Liu, L., & Wang, H. 2020.

Revealing the mechanisms of Triclosan affecting of methane production from

waste activated sludge. Bioresource Technology, 312(March), 123505.

Wang, Y., Zhao, J., Wang, D., Liu, Y., Wang, Q., Ni, B. J., Chen, F., Yang, Q., Li, X.,

Zeng, G., & Yuan, Z. 2018. Free nitrous acid promotes hydrogen production from

dark fermentation of waste activated sludge. Water Research, 145, 113–124.

Xu, F., Li, Y., Ge, X., Yang, L., & Li, Y. 2018. Anaerobic digestion of food waste –

Challenges and opportunities. Bioresource Technology, 247(September), 1047–

1058.

Yuniarti, R.2015. Pengaruh Kebijakan Dividen Dan Dan Pertumbuhan Perusahaan

Terhadap Nilai Perusahaan Di Bei. EKOMBIS REVIEW: Jurnal Ilmiah Ekonomi

Dan Bisnis, 2(2), 224–230.

Zain, M. M., & Mohamed, A. R.2018. An overview on conversion technologies to

produce value added products from CH4 and CO2 as major biogas constituents.

Renewable and Sustainable Energy Reviews, 98(September), 56–63.

Zhang, Y., Yang, Z., Xu, R., Xiang, Y., Jia, M., Hu, J., Zheng, Y., Xiong, W. P., &

Cao, J.2019. Enhanced mesophilic anaerobic digestion of waste sludge with the

iron nanoparticles addition and kinetic analysis. Science of the Total

Environment, 683, 124–133


99


LA-1

LAMPIRAN A

PROSEDUR ANALISIS

LA.1 ANALISIS pH

Adapun prosedur analisis pH adalah :

1. Kalibrasi pH meter dilakukan ke dalam Ph 4, pH 7, dan pH 10.

2. Bagian elektroda dari pH meter dicuci dengan aquadest.

3. Elektroda dimasukkan ke dalam sampel yang akan diukur pH-nya.

Nilai bacaan pH meter ditunggu sampai konstan lalu dicatat nilai bacaannya

LA.2 ANALISIS VOLATILE SUSPENDED SOLID (VSS)

Untuk menghitung VSS terlebih dahulu menghitung atau menganalisis TSS.

Adapun prosedur analisis Total Suspended Solids (TSS) adalah:

1. Berat kertas saring kering yang digunakan ditimbang.

2. Kertas saring dibasahi dengan sedikit air suling.

3. Sampel diaduk dengan magnetic stirrer untuk memperoleh sampel yang lebih

homogen.

4. Sampel dipipetkan ke penyaringan dengan volume tertentu pada waktu contoh

diaduk dengan magnetic stirer.

5. Kertas saring dicuci atau disaring dengan 3 x 10 ml aquadest.

6. Kertas saring dipindahkan secara hati-hati dari peralatan penyaring ke wadah

timbang dengan aluminium sebagai penyangga.

7. Dikeringkan di dalam oven setidaknya selama 1 jam pada suhu 103ºC sampai

dengan 105ºC, didinginkan dalam desikator untuk menyeimbangkan suhu dan

massanya.

8. Tahapan pengeringan, pendinginan dalam desikator, dan penimbangan

diulangi sampai diperoleh berat konstan atau sampai perubahan berat lebih

kecil dari 4% terhadap penimbangan sebelumnya atau 0,5 mg.

9. Kandungan TSS dapat dihitung berdasarkan rumus sebagai berikut:

mLsampel, volume

1000B)-(A total/Lrsuspensipadatan te mg

Keterangan: A = berat kertas saring + berat residu, mg


LA-2

B = berat kertas saring, mg

Adapun prosedur analisis Volatil Suspended Solid (VSS) adalah :

1. Sampel residu hasil analisis TSS dibakar mengguakan api bunsen di dalam

cawan porselen yang telah kering dan diketahui beratnya.

2. Setelah terbakar sempurna atau bebas asap, selanjutnya sampel diabukan di

dalam furnace pada suhu 550°C selama 1 jam.

3. Setelah 1 jam furnace dimatikan dan sampel diambil setelah suhu furnace

sekitar 100°C dan disimpan di dalam desikator selama 15 menit lalu ditimbang.

4. Kandungan VSS dapat dihitung berdasarkan rumus sebagai berikut:

Mg padatan total/L = (A-B) ×1000

Volume sampel, ml

Di mana :

A = Berat residu + cawan porselen sebelum pembakaran (mg)

B = Berat residu + cawan porselen setelah pembakaran (mg)


LB-1

LAMPIRAN B

CONTOH PERHITUNGAN

LB.1 CONTOH PERHITUNGAN VOLATILE SUSPENDED SOLID (VSS)

Sampel: pH proses 5,5 hari ke-3

Volume Sampel = 5 ml

A = 113.340,3 mg

B = 112.198,7 mg

Kertas saring (KS) = 1067 mg

VSS (mg/L) = (A -B – KS)×1000

Volume Sampel (ml)

= (113340,3−112198,7 −1067) ×1000

5

= 14920 mg/L

= 14,92 g/L

LB.2 CONTOH PERHITUNGAN MEAN ABSOLUTE DEVIATION (MAD)

∑ 𝑀(exp)−𝑀(𝑡)|𝑛𝑡=0 = 7,02

n = 24

MAD = ∑ 𝑀(exp)−𝑀(𝑡)

𝑛𝑡=0

𝑛

=7,02

24

= 0,2925

LB.3 CONTOH PERHITUNGAN MEAN SQUARE ERROR (MSE)

Sampel: pH proses 5,5 model persamaan first order

∑ |𝑀(exp)−𝑀(𝑡)|𝑛𝑡=0

2 = 164,98

n = 24

MSE = ∑ |𝑀(exp)−𝑀(𝑡)|𝑛

𝑡=0 2

𝑛


LB-2

=164,98

24

= 6,8744

LB.4 CONTOH PERHITUNGAN ROOT MEAN SQUARE ERROR (RMSE)


∑ |𝑀(exp)−𝑀(𝑡)|𝑛𝑡=0

2 = 164,98

n = 24

RMSE = (∑ |𝑀(exp)−𝑀(𝑡)|𝑛

𝑡=0 2

𝑛)0,5

=(164,98

24)0,5

= 6,87440,5

= 2,6219

LB.5 CONTOH PERHITUNGAN MEAN ABSOLUTE PERCENT ERROR

(MAPE)


∑|𝑀(exp)−𝑀(𝑡)|

𝑀(exp)

𝑛𝑡=0 = 4,0355

n = 24

MAPE = ∑

|𝑀(exp)−𝑀(𝑡)|

𝑀(exp)

𝑛𝑡=0

𝑛x 100 %

=4,0355

24 x 100 %

= 16,8145 %

LB.6 CONTOH PERHITUNGAN AKAIKE INFORMATION CRITERION

(AIC)


∑ 𝑀(exp)−𝑀(𝑡)𝑛𝑡=0 = 7,02

n = 24

k (parametrer) = 2


LB-3

MAPE = 𝑒2𝑘

𝑛∑ 𝑀(exp)−𝑀(𝑡)

𝑛𝑡=0

𝑛

=𝑒2𝑥2

247,02

24

= 0,3455


LC-1

LAMPIRAN C

DATA HASIL ANALISA

LC.1 KARAKTERISTIK LIMBAH CAIR KELAPA SAWIT

Tabel LC.1 Hasil Analisis Karakteristik LCPKS dari PTPN III PKS Rambutan

No. Parameter Satuan Hasil Uji Metode Uji

1. pH - 4,20 APHA 4500-H

2. Chemical Oxygen

Demand (COD)*

mg/L 45.116,2791 Spektrofotometri

3. Total Solid (TS) mg/L 30.020 APHA 2540B

4. Volatile Solid (VS) mg/L 24.600 APHA 2540E

5. Total Suspended

Solid (TSS)

mg/L 2.2000 APHA 2540D

6. Volatile Suspended

Solid (VSS)

mg/L 10.580 APHA 2540E

7. Oil and Grease* mg/L 6,247 SNI 0

6.6989.10.2004

8. Protein* % 0,14008 Kjeldahl

9. Karbohidrat* % 1,99 Lane Eynon

* Laporan hasil uji laboratorium terlampir


LC-2

LC.2 DATA HASIL PENELITIAN PADA PENGARUH pH

Tabel LC.2 Data Hasil Analisis pH dan VSS

Hari

ke

pH 5 pH 5,5 pH 6

pH VSS pH VSS pH VSS

1 5,0 9,180 5,0 9,280 5,0 10,260

2 5 10,140 5,4 12,520 5,7 13,820

3 4,9 13,440 5,5 14,920 5,9 14,580

4 5 14,880 5,5 15,800 6 14,800

5 4,9 15,200 5,5 16,180 5,9 14,840

6 5 16,160 5,5 16,620 6 14,980

7 4,9 15,300 5,4 16,720 6 15,100

8 5 14,240 5,6 17,460 6 14,660

9 5,1 11,520 5,6 15,280 6 10,800

10 5,1 11,980 5,5 14,620 6,1 14,920

11 5 12,820 5,5 15,420 5,9 15,880

12 5,1 15,580 5,5 17,380 6 15,740

13 5 13,620 5,5 17,260 6 15,640

14 5,1 16,360 5,5 17,500 6 14,160

15 5,1 16,340 5,5 16,060 6 13,020

16 5 14,280 5,4 16,860 6 14,780

17 5,1 13,400 5,6 17,340 6 13,020

18 5 14,680 5,5 15,960 5,9 13,400

19 5 16,760 5,4 16,980 5,9 16,060

20 5 15,780 5,6 15,900 6 13,580

21 5 11,700 5,5 11,780 5,9 12,480

22 5 11,740 5,5 11,760 6 12,320

23 5 11,720 5,5 11,700 5,9 12,260

*VSS dalam satuan g/L


LC-3

LC.3 DATA HASIL ANALISIS LAJU PRTUMBUHAN MIKROBA MENGGUNAKAN 6 PEMODELAN KINETIKA

Tabel LC.3 Hasil Analisis Perbandingan Data Experiment (VSS, g/L) dengan Data 6 Pemodelan kinetika pada pH = 5

Hari Data

Eksperimen

First Order Logistik Dual-Pooled

First Order

Cone Chan and

Hashimoto

Gompertz

modifikasi

0 7,02 0 1,687484 0 0 0 0,930888398

1 9,18 13,77478 7,181537 8,454096127 8,626857 8,961403395 7,620702129

2 10,14 13,77478 12,55381 11,87162393 12,21858 12,35668683 12,29961958

3 13,44 13,77478 13,92278 13,25314327 13,25854 13,15875208 13,71595998

4 14,88 13,77478 14,12524 13,81161592 13,66998 13,51751429 14,06058772

5 15,2 13,77478 14,15229 14,03737587 13,87071 13,72092066 14,14025604

6 16,16 13,77478 14,15586 14,12863827 13,9829 13,85192222 14,15845816

7 15,3 13,77478 14,15633 14,16553068 14,05177 13,94333781 14,16260574

8 14,24 13,77478 14,15639 14,18044426 14,09702 14,01075536 14,16355025

9 11,52 13,77478 14,1564 14,18647301 14,12832 14,06252823 14,16376531

10 11,98 13,77478 14,1564 14,1889101 14,15087 14,10353592 14,16381427

11 12,82 13,77478 14,1564 14,18989529 14,16765 14,13681985 14,16382542

12 15,58 13,77478 14,1564 14,19029355 14,18047 14,16437436 14,16382796

13 13,62 13,77478 14,1564 14,19045454 14,19049 14,18756158 14,16382853

14 16,36 13,77478 14,1564 14,19051962 14,19847 14,20734356 14,16382867

15 16,34 13,77478 14,1564 14,19054593 14,20492 14,22441913 14,1638287

16 14,28 13,77478 14,1564 14,19055656 14,21022 14,23930813 14,1638287

17 13,4 13,77478 14,1564 14,19056086 14,21462 14,25240528 14,1638287

18 14,68 13,77478 14,1564 14,1905626 14,21832 14,26401569 14,16382871

19 16,76 13,77478 14,1564 14,1905633 14,22145 14,27437892 14,16382871

20 15,78 13,77478 14,1564 14,19056359 14,22414 14,28368567 14,16382871

21 11,7 13,77478 14,1564 14,1905637 14,22645 14,29208967 14,16382871

22 11,74 13,77478 14,1564 14,19056375 14,22846 14,29971619 14,16382871

23 11,72 13,77478 14,1564 14,19056377 14,23021 14,30666835 14,16382871


LC-4

Tabel LC.4 Hasil Analisis Perbandingan Data Experiment (VSS, g/L) dengan Data 6 Pemodelan kinetika pada pH = 5,5

Hari Data

Eksperimen


First Order

Cone Chan and

Hashimoto

Gompertz

modifikasi

0 7,02 0 1,871633 0 0 0 1,00432515

1 9,28 15,27391 8,046661 8,454096127 9,021986 8,948098 8,35876213

2 12,52 15,27391 13,98814 11,87162393 13,17001 13,73327 13,5964184

3 14,92 15,27391 15,45752 13,25314327 14,7904 14,9145 15,2031119

4 15,8 15,27391 15,66943 13,81161592 15,39006 15,31797 15,5980155

5 16,18 15,27391 15,69713 14,03737587 15,60741 15,4941 15,6901191

6 16,62 15,27391 15,70071 14,12863827 15,68554 15,5843 15,7113416

7 16,72 15,27391 15,70117 14,16553068 15,71352 15,63584 15,7162181

8 17,46 15,27391 15,70123 14,18044426 15,72353 15,66772 15,7173379

9 15,28 15,27391 15,70123 14,18647301 15,72711 15,68865 15,717595

10 14,62 15,27391 15,70124 14,1889101 15,72839 15,70304 15,717654

11 15,42 15,27391 15,70124 14,18989529 15,72884 15,71332 15,7176676

12 17,38 15,27391 15,70124 14,19029355 15,72901 15,72088 15,7176707

13 17,26 15,27391 15,70124 14,19045454 15,72907 15,72659 15,7176714

14 17,5 15,27391 15,70124 14,19051962 15,72909 15,731 15,7176715

15 16,06 15,27391 15,70124 14,19054593 15,72909 15,73447 15,7176716

16 16,86 15,27391 15,70124 14,19055656 15,7291 15,73723 15,7176716

17 17,34 15,27391 15,70124 14,19056086 15,7291 15,73947 15,7176716

18 15,96 15,27391 15,70124 14,1905626 15,7291 15,74131 15,7176716

19 16,98 15,27391 15,70124 14,1905633 15,7291 15,74284 15,7176716

20 15,9 15,27391 15,70124 14,19056359 15,7291 15,74411 15,7176716

21 11,78 15,27391 15,70124 14,1905637 15,7291 15,74519 15,7176716

22 11,76 15,27391 15,70124 14,19056375 15,7291 15,74611 15,7176716

23 11,7 15,27391 15,70124 14,19056377 15,7291 15,7469 15,7176716


LC-5

Tabel LC.5 Hasil Analisis Perbandingan Data Experiment (VSS, g/L) dengan Data 6 Pemodelan kinetika pada pH = 6

Hari Data

Eksperimen


First Order

Cone Chan and

Hashimoto

Gompertz

modifikasi

0 7,02 0 1,689278 0 0 0 0,91874124

1 10,26 13,96087 10,25261 10,68286 10,25611 10,22951 10,3194327

2 13,82 13,96087 13,89668 13,30891 13,98232 14,04678 13,6590272

3 14,58 13,96087 14,15697 13,95445 14,11765 14,04915 14,1102266

4 14,8 13,96087 14,1707 14,11314 14,13294 14,04994 14,1634819

5 14,84 13,96087 14,17141 14,15214 14,13606 14,05033 14,169668

6 14,98 13,96087 14,17144 14,16173 14,13696 14,05057 14,1703852

7 15,1 13,96087 14,17145 14,16409 14,13727 14,05073 14,1704684

8 14,66 13,96087 14,17145 14,16467 14,13741 14,05084 14,170478

9 10,8 13,96087 14,17145 14,16481 14,13747 14,05092 14,1704791

10 14,92 13,96087 14,17145 14,16485 14,1375 14,05099 14,1704792

11 15,88 13,96087 14,17145 14,16486 14,13751 14,05104 14,1704793

12 15,74 13,96087 14,17145 14,16486 14,13752 14,05109 14,1704793

13 15,64 13,96087 14,17145 14,16486 14,13753 14,05112 14,1704793

14 14,16 13,96087 14,17145 14,16486 14,13753 14,05115 14,1704793

15 13,02 13,96087 14,17145 14,16486 14,13753 14,05118 14,1704793

16 14,78 13,96087 14,17145 14,16486 14,13754 14,0512 14,1704793

17 13,02 13,96087 14,17145 14,16486 14,13754 14,05122 14,1704793

18 13,4 13,96087 14,17145 14,16486 14,13754 14,05124 14,1704793

19 16,06 13,96087 14,17145 14,16486 14,13754 14,05125 14,1704793

20 13,58 13,96087 14,17145 14,16486 14,13754 14,05127 14,1704793

21 12,48 13,96087 14,17145 14,16486 14,13754 14,05128 14,1704793

22 12,32 13,96087 14,17145 14,16486 14,13754 14,05129 14,1704793

23 12,26 13,96087 14,17145 14,16486 14,13754 14,0513 14,1704793


LC-6

Tabel LC.6 Data Parameter Kinetik dari 6 Pemodelan kinetika pada pH = 5

Parameter

Model Kinetika


First Order

Cone Chan and

Hashimoto

Gompertz

modifikasi satuan

Mm 13,7748 14,1564 14,1906 14,2494 14,457 14,1638 g/l

λ - - - - - 0,001 hari

K 76 - - 1,24 - - 1/hari

Rm - 7,182 - - - 7,711 g/L.hari

α - - 0,788 - - - -

μm - - - - 1,62 - 1/hari

n - - - 1,97 - - -

KCH - - - - 0,381 - -

KL - - 0,9063 - - - -

KF - - 0,9056 - - - -

Keterangan:


Mm = Potensi pertumbuhan maksimum mikroba (VSS)

(g/L)




Α = rasio substrat terdegradasi terhadap total substrat

yang dapat terdegradasi

n = Shape factor


Kf = konstanta laju substrat yang terdegradasi dengan

cepat

KL = konstanta laju substrat yang terdegradasi dengan

lambat



LC-7

Tabel LC.7 Data Parameter Kinetik dari 6 Pemodelan kinetika pada pH = 5,5

Parameter

Model Kinetika


First Order

Cone Chan and

Hashimoto

Gompertz

modifikasi satuan

Mm 15,2739 15,7012 15,7291 15,7540 15,8929 15,7177 g/l

λ - - - - - 0,008 hari

K 76 - - 1,12 - - 1/hari

Rm - 8,047 - - - 8,508 g/L.hari

α - - 1,33 - - - -

μm - - - - 1,25 - 1/hari

n - - - 2,37 - - -

KCH - - - - 0,1829 - -

KL - - 1,8998 - - - -

KF - - 1,0292 - - - -

Keterangan:



(g/L)






n = Shape factor



cepat


lambat



LC-8

Tabel LC.8 Data Parameter Kinetik dari 6 Pemodelan kinetika pada pH = 6

Parameter

Model Kinetika


First Order

Cone Chan and

Hashimoto

Gompertz

modifikasi satuan

Mm 13,9609 14,1714 14,1649 14,1375 14,0515 14,1705 g/l

λ - - - - - 0,003 hari

K 76 - - 1,21 - - 1/hari

Rm - 10,492 - - - 11,234 g/L.hari

α - - 0,952 - - - -

μm - - - - 1,00 - 1/hari

n - - - 5,09 - - -

KCH - - - - - - -

KL - - 1,3891 - - - -

KF - - 1,4038 - - - -

Keterangan:



(g/L)






n = Shape factor



cepat


lambat



LC-9

Tabel LC.9 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika pada pH=5

Parameter First Order Logistik Dual-Pooled First Order Cone Chan and Hashimoto Gompertz modifikasi

R2 0,96705 0,97793 0,974467314 0,973922 0,973464777 0,976609218

MAD 0,2925 0,225097 0,295247563 0,294525 0,292494033 0,255417646

MSE 6,157457 4,124372 4,771378772 4,873308 4,958726311 4,371114074

RMSE 2,481422 2,030855 2,184348592 2,207557 2,226819775 2,090720946

MAPE 17,29302 14,46706 14,66270251 14,8766 14,96789127 14,57146624

AIC 0,345548 0,28903 0,412051167 0,378177 0,375569773 0,327962749

Tabel LC.10 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika pada pH=5,5


R2 0,9700 0,9821 0,9785 0,9782 0,9776 0,9807

MAD 0,2925 0,2070 0,3035 0,2943 0,2925 0,2483

MSE 6,8744 4,1010 4,9220 5,0085 5,1397 4,4283

RMSE 2,6219 2,0251 2,2186 2,2380 2,2671 2,1044

MAPE 16,8145 12,4321 12,8008 13,0749 13,2447 12,6101

AIC 0,3456 0,2658 0,4236 0,3779 0,3756 0,3188


LC-10

Tabel LC.11 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika pada pH=6


R2 0,977322 0,985054 0,980318 0,980473 0,980432 0,98310571

MAD 0,2925 0,19568 0,289382 0,292516 0,365608 0,23795424

MSE 4,307766 2,839104 3,738657 3,709252 3,717017 3,20915556

RMSE 2,075516 1,684964 1,933561 1,925942 1,927957 1,79141161

MAPE 13,43279 10,72414 12,10383 11,77961 11,88504 11,2434601

AIC 0,345548 0,251258 0,403865 0,375598 0,46945 0,30553929


LD-1

LAMPIRAN D

HASIL UJI LABORATORIUM

LD.1 HASIL UJI LABORATORIUM UNTUK ANALISIS LEMAK DALAM

LIMBAH CAIR PABRIK KELAPA SAWIT (LCPKS)

Gambar D.1 Hasil Uji Laboratorium untuk Analisis Lemak dalam Limbah Cair

Kelapa Sawit


LD-2

LD.2 HASIL UJI LABORATORIUM UNTUK ANALISIS PROTEIN DALAM

LIMBAH CAIR PABRIK KELAPA SAWIT (LCPKS)

Gambar D.2 Hasil Uji Laboratorium untuk Analisis Protein dalam Limbah Cair

Pabrik Kelapa Sawit


LD-3

LD. 3 HASIL UJI LABORATORIUM UNTUK ANALISIS KARBOHIDRAT

DALAM LIMBAH CAIR PABRIK KELAPA SAWIT (LCPKS)

Gambar D. 3 Hasil Uji Laboratorium untuk Analisis Karbohidrat dalam Limbah Cair

Pabrik Kelapa Sawit


STUDI KINETIKA PERTUMBUHAN MIKROBA PADA PROSES ...

Documents