STUDI KINETIKA PERTUMBUHAN MIKROBA PADA PROSES ...
Transcript of 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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Tabel 4.2 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi
Anaerob 44
Tabel 4.3 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba
Model Persamaan Logistik 49
Tabel 4.4 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi
Anaerob 50
Tabel 4.5 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba
Model Dual Pooled-First Order 55
Tabel 4.6 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi
Anaerob 56
Tabel 4.7 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba
Model Cone 62
Tabel 4.8 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi
Anaerob 63
Tabel 4.9 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba
Model Chan and Hashimoto 69
Universitas Sumatera Utara
xvii
Tabel 4.10 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi
Anaerob 71
Tabel 4.11 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba
Model Gompertz yang dimodifikasi 76
Tabel 4.12 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi
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
Tabel LC.4 Hasil Analisis Perbandingan Data Eksperimen (VSS, g/L)
dengan Data 6 Pemodelan kinetika pada pH = 5,5 LC-4
Tabel LC.5 Hasil Analisis Perbandingan Data Eksperimen (VSS, g/L)
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
Universitas Sumatera Utara
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
LD.2 HASIL UJI LABORATORIUM UNTUK ANALISIS
PROTEIN DALAM LIMBAH CAIR PABRIK KELAPA
SAWIT (LCPKS) LD-2
Universitas Sumatera Utara
xix
LD.3 HASIL UJI LABORATORIUM UNTUK ANALISIS
KARBOHIDRAT DALAM LIMBAH CAIR PABRIK
KELAPA SAWIT (LCPKS) LD-3
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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)
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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,
Universitas Sumatera Utara
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).
Universitas Sumatera Utara
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).
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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)
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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:
M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)
Mm = Potensi pertumbuhan maksimum mikroba (VSS) (g/L)
α = rasio substrat terdegradasi terhadap total substrat yang dapat
terdegradasi
Kf = konstanta laju substrat yang terdegradasi dengan cepat
t = Waktu proses digestasi anaerobik (Hari)
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:
M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)
Mm = Potensi pertumbuhan maksimum mikroba (VSS) (g/L)
k = konstanta proses/reaksi asidogenesis (/hari)
n = Shape factor
t = Waktu proses digestasi anaerobik (Hari)
(Nguyen et al., 2019)
Universitas Sumatera Utara
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:
M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)
Mm = Potensi pertumbuhan maksimum mikroba (VSS) (g/L)
μm = laju spesifik pertumbuhan maksimum (/hari)
KCH = Konstanta kinetik Chen and Hasimoto
t = Waktu proses digestasi anaerobik (Hari)
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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)
Universitas Sumatera Utara
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:
Universitas Sumatera Utara
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)
Universitas Sumatera Utara
30
Keterangan:
M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)
Mm = Potensi pertumbuhan maksimum mikroba (VSS) (g/L)
λ = lag phase time (hari)
Rm = Laju pertumbuhan mikroba maksimum (g/L.hari)
μm = laju spesifik pertumbuhan maksimum (/hari)
t = Waktu proses digestasi anaerobik (Hari)
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]}
Universitas Sumatera Utara
31
Sumber : (Li, dkk., 2019 ; Kafle dan Lide, 2016 ; Pramanik, dkk., 2019 ; Nguyen, dkk.,
2019)
Keterangan:
M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)
Mm = Potensi pertumbuhan maksimum mikroba (VSS) (g/L)
k = konstanta proses/reaksi acidogenesis (/hari)
λ = lag phase time (hari)
Rm = Laju pertumbuhan mikroba maksimum (g/L.hari)
α = rasio substrat terdegradasi terhadap total substrat yang dapat
terdegradasi
n = Shape factor
μm = laju spesifik pertumbuhan maksimum (/hari)
Kf = konstanta laju substrat yang terdegradasi dengan cepat
KL = konstanta laju substrat yang terdegradasi dengan lambat
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.
Universitas Sumatera Utara
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).
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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).
Universitas Sumatera Utara
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)]
Universitas Sumatera Utara
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.
Tabel 4. 2 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi Anaerob
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
47
4.2.2 Model Kinetika Persamaan Logistik
4.2.2.1 Parameter/Konstanta Laju Pertumbuhan Mikroba fungsi waktu
terhadap pengaruh pH Proses Asidogenesis
Volatile Suspended Solid yang diukur pada masing-masing pH (ω) 5; 5,5; dan
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
5,5 data 5,5 estimasi
6 data 6 estimasi
Gambar 4. 4 Perbandingan Data Eksperimental dan Model Logistik pada Derajat
Keasaman/pH (ω) 5; 5,5;, dan 6
Universitas Sumatera Utara
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).
Nilai koefisien determinasi (R2) untuk reaktor dengan pH (ω) 5; 5,5; dan 6
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).
Universitas Sumatera Utara
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}
Universitas Sumatera Utara
50
4.2.2.2 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 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.
Tabel 4. 4 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi Anaerob
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
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 logistik 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 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.
Universitas Sumatera Utara
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
Gambar 4.5 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi pH
(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
fungsi pH (ω) ditunjukkan pada persamaan berikut.
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
Universitas Sumatera Utara
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
Dengan menggunakan persamaan tersebut, kita dapat mengestimasi harga
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.
Universitas Sumatera Utara
53
4.2.3 Model Kinetika Dual Pooled-First Order
4.2.3.1 Parameter/Konstanta Laju Pertumbuhan Mikroba fungsi waktu
terhadap pengaruh pH Proses Asidogenesis
Gambar 4. 6 Perbandingan Data Eksperimental dan Model Dual Pooled-First Order
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 13,493 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
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 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
5,5 data 5,5 estimasi
6 data 6 estimasi
Universitas Sumatera Utara
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).
Nilai koefisien determinasi (R2) untuk reaktor dengan pH (ω) 5; 5,5; dan 6
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).
Universitas Sumatera Utara
55
Tabel 4. 5 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Dual Pooled-First Order
ω
(pH)
Konstanta Kinetik Populasi Mikroba (VSS)
(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)
Universitas Sumatera Utara
56
4.2.3.2 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), α,
Kf dan KL pada tiap variasi pH (ω) digestasi. Data konstanta produksi biogas fungsi
pH (ω) ditunjukkan pada Tabel 4.6. Dengan memplot data pH (ω) dan konstanta
simulasi model dual pooled-first order, diperoleh grafik persamaan regresi polinomial
pada masing-masing variabel seperti yang ditunjukkan pada Gambar 4.7.
Tabel 4. 6 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi Anaerob
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
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 dual pooled-first order. 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 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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
58
(c)
(d)
Gambar 4. 7 Tren Konstanta (a) Mm, Potensi Pertumbuhan Maksimum Mikroba
(VSS), (b) α, (c) KF, (d) KL
Gambar 4.7 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi pH
(ω). Persamaan regresi polinomial untuk konstanta potensi pertumbuhan maksimum
mikroba fungsi pH (ω) ditunjukkan pada persamaan berikut.
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
Universitas Sumatera Utara
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
Kf = konstanta laju substrat yang terdegradasi dengan cepat
KL = konstanta laju substrat yang terdegradasi dengan lambat
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
Dengan menggunakan persamaan tersebut, kita dapat mengestimasi harga
konstanta Mm, α, KF dan KL pada laju pertumbuhan mikroba/pertambahan VSS
berdasarkan data pH (ω) digestasi anaerob. Sehingga dapat lebih memudahkan dalam
hal menentukan variabel yang digunakan.
Universitas Sumatera Utara
60
4.2.4 Model Kinetika Cone
4.2.4.1 Parameter/Konstanta Laju Pertumbuhan Mikroba fungsi waktu
terhadap pengaruh pH Proses Asidogenesis
Gambar 4. 8 Perbandingan Data Eksperimental dan Model Cone 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 13,493 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
5,5 data 5,5 estimasi
6 data 6 estimasi
Universitas Sumatera Utara
61
2019). Dapat dilihat pula, konstanta laju reaksi asidogenesis ini mengalami fluktuasi
serta pada shape faktor mengalami kenaikan seiring dengan bertambahnya pH.
Nilai koefisien determinasi (R2) untuk reaktor dengan pH (ω) 5; 5,5; dan 6
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).
Universitas Sumatera Utara
62
Tabel 4. 7 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Cone
ω
(pH)
Konstanta Kinetik Populasi Mikroba (VSS)
(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
Universitas Sumatera Utara
63
4.2.4.2 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), k
(/hari) dan n pada tiap variasi pH (ω) digestasi. Data konstanta produksi biogas fungsi
pH (ω) ditunjukkan pada Tabel 4.8. Dengan memplot data pH (ω) dan konstanta
simulasi model Cone, diperoleh grafik persamaan regresi polinomial pada masing-
masing variabel seperti yang ditunjukkan pada Gambar 4.9.
Tabel 4. 8 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi Anaerob
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
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 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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
65
(c)
Gambar 4. 9 Tren Konstanta (a) Mm, Potensi Pertumbuhan Maksimum Mikroba
(VSS), (b) k, Konstanta Reaksi (c) n, Shape Faktor
Gambar 4.9 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi pH
(ω). Persamaan regresi polinomial untuk konstanta potensi pertumbuhan maksimum
mikroba fungsi pH (ω) ditunjukkan pada persamaan berikut.
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:
Mm = Potensi pertumbuhan maksimum mikroba (VSS) (g/L)
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
Universitas Sumatera Utara
66
𝑘 = 𝑘(f(ω))
𝑘 = 0.4161ω2 - 4.6088ω + 13.885
n = n (f(ω))
n = 4.6455ω2 - 47.98ω + 125.74
Dengan menggunakan persamaan tersebut, kita dapat mengestimasi harga
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.
Universitas Sumatera Utara
67
4.2.5 Model Kinetika Chan and Hashimoto
4.2.5.1 Parameter/Konstanta Laju Pertumbuhan Mikroba fungsi waktu
terhadap pengaruh pH Proses Asidogenesis
Gambar 4. 10 Perbandingan Data Eksperimental dan Model Chan and Hashimoto
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 13,493 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
5,5 data 5,5 estimasi
6 data 6 estimasi
Universitas Sumatera Utara
68
2019). Dapat dilihat pula, laju spesifik pertumbuhan mikroba dan konstanta Chen and
Hashimoto mengalami penurunan seiring dengan penambahan pH proses.
Nilai koefisien determinasi (R2) untuk reaktor dengan pH (ω) 5; 5,5; dan 6
dengan pemodelan kinetika Chan and Hashimotoadalah adalah 0,9735; 0,9776; dan
0,9804. 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
2,00 dan 2,30. Nilai RMSE yang kecil mengindikasikan bahwa model tersebut tepat
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).
Universitas Sumatera Utara
69
Tabel 4. 9 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Chan and Hashimoto
ω
(pH)
Konstanta Kinetik Populasi Mikroba (VSS)
(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)
Universitas Sumatera Utara
70
4.2.5.2 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), 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.
Tabel 4. 10 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi Anaerob
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
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 Chan and Hashimoto. 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 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.
Universitas Sumatera Utara
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
)
Universitas Sumatera Utara
72
(c)
Gambar 4. 11 Tren Konstanta (a) Mm, Potensi Pertumbuhan Maksimum Mikroba
(VSS), (b) μm, Laju Spesifik Pertumbuhan Maksimum (c) KCH, Konstanta
Gambar 4.11 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi pH
(ω). Persamaan regresi polinomial untuk konstanta potensi pertumbuhan maksimum
mikroba fungsi pH (ω) ditunjukkan pada persamaan berikut.
𝑀𝑚(f(ω)) = -6.5547ω2 + 71.696ω - 180.16
Persamaan regresi linear untuk konstanta laju pertumbuhan spesifik maksimum (μm)
fungsi pH (ω) ditunjukkan pada persamaan berikut.
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)
μm = laju spesifik pertumbuhan maksimum (/hari)
KCH = Konstanta kinetic Chen and Hasimoto
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
Universitas Sumatera Utara
73
𝜇𝑚 = 𝜇𝑚(f(ω))
𝜇𝑚 = -0.621ω + 4.7068
KCH = KCH (f(ω))
KCH = -0.381ω + 2.2839
Dengan menggunakan persamaan tersebut, kita dapat mengestimasi harga
konstanta Mm, μm dan KCH pada laju pertumbuhan mikroba/pertambahan VSS
berdasarkan data pH (ω) digestasi anaerob. Sehingga dapat lebih memudahkan dalam
hal menentukan variabel yang digunakan.
Universitas Sumatera Utara
74
4.2.6 Model Kinetika Gompertz yang dimodifikasi
4.2.6.1 Parameter/Konstanta Laju Pertumbuhan Mikroba fungsi waktu
terhadap pengaruh pH Proses Asidogenesis
Volatile Suspended Solid yang diukur pada masing-masing pH (ω) 5; 5,5; dan
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
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 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
5,5 data 5,5 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
Universitas Sumatera Utara
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).
Nilai koefisien determinasi (R2) untuk reaktor dengan pH (ω) 5; 5,5; dan 6
dengan pemodelan gompertz yang dimodifikasi adalah adalah 0,9766; 0,9807; dan
0,9831. 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
1,80 dan 2,10. Nilai RMSE yang kecil mengindikasikan bahwa model tersebut tepat
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).
Universitas Sumatera Utara
76
Tabel 4. 11 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Gompertz yang dimodifikasi
ω
(pH)
Konstanta Kinetik Populasi Mikroba (VSS)
(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]}
Universitas Sumatera Utara
77
4.2.6.2 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 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.
Tabel 4. 12 Konstanta Laju Pertumbuhan Mikroba Fungsi pH (ω) Digestasi Anaerob
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
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 gompertz yang dimodifikasi. 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 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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Gambar 4.13 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi pH
(ω). Persamaan regresi polinomial untuk konstanta potensi laju pertumbuhan mikroba
fungsi pH (ω) ditunjukkan pada persamaan berikut.
𝑀𝑚(f(ω)) = -6.2021ω2 + 68.229ω - 171.93
Persamaan regresi polinomial untuk konstanta laju pertambahan mikroba maksimum
fungsi pH (ω) ditunjukkan pada persamaan berikut.
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
)
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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).
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)
Mm = Potensi pertumbuhan maksimum mikroba (VSS) (g/L)
k = konstanta proses/reaksi acidogenesis (/hari)
λ = lag phase time (hari)
Rm = Laju pertumbuhan mikroba maksimum (g/L.hari)
α = rasio substrat terdegradasi terhadap total substrat yang dapat
terdegradasi
n = Shape factor
μm = laju spesifik pertumbuhan maksimum (/hari)
Kf = konstanta laju substrat yang terdegradasi dengan cepat
KL = konstanta laju substrat yang terdegradasi dengan lambat
KCH = Konstanta kinetic Chen and Hasimoto
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
99
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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)
Universitas Sumatera Utara
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
Universitas Sumatera Utara
LB-2
=164,98
24
= 6,8744
LB.4 CONTOH PERHITUNGAN ROOT MEAN SQUARE ERROR (RMSE)
Sampel: pH proses 5,5 model persamaan first order
∑ |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)
Sampel: pH proses 5,5 model persamaan first order
∑|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)
Sampel: pH proses 5,5 model persamaan first order
∑ 𝑀(exp)−𝑀(𝑡)𝑛𝑡=0 = 7,02
n = 24
k (parametrer) = 2
Universitas Sumatera Utara
LB-3
MAPE = 𝑒2𝑘
𝑛∑ 𝑀(exp)−𝑀(𝑡)
𝑛𝑡=0
𝑛
=𝑒2𝑥2
247,02
24
= 0,3455
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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 Logistik Dual-Pooled
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
Universitas Sumatera Utara
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 Logistik Dual-Pooled
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
Universitas Sumatera Utara
LC-6
Tabel LC.6 Data Parameter Kinetik dari 6 Pemodelan kinetika pada pH = 5
Parameter
Model Kinetika
First Order Logistik Dual-Pooled
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:
M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)
Mm = Potensi pertumbuhan maksimum mikroba (VSS)
(g/L)
k = konstanta proses/reaksi acidogenesis (/hari)
λ = lag phase time (hari)
Rm = Laju pertumbuhan mikroba maksimum (g/L.hari)
Α = rasio substrat terdegradasi terhadap total substrat
yang dapat terdegradasi
n = Shape factor
μm = laju spesifik pertumbuhan maksimum (/hari)
Kf = konstanta laju substrat yang terdegradasi dengan
cepat
KL = konstanta laju substrat yang terdegradasi dengan
lambat
KCH = Konstanta kinetic Chen and Hasimoto
Universitas Sumatera Utara
LC-7
Tabel LC.7 Data Parameter Kinetik dari 6 Pemodelan kinetika pada pH = 5,5
Parameter
Model Kinetika
First Order Logistik Dual-Pooled
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:
M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)
Mm = Potensi pertumbuhan maksimum mikroba (VSS)
(g/L)
k = konstanta proses/reaksi acidogenesis (/hari)
λ = lag phase time (hari)
Rm = Laju pertumbuhan mikroba maksimum (g/L.hari)
Α = rasio substrat terdegradasi terhadap total substrat
yang dapat terdegradasi
n = Shape factor
μm = laju spesifik pertumbuhan maksimum (/hari)
Kf = konstanta laju substrat yang terdegradasi dengan
cepat
KL = konstanta laju substrat yang terdegradasi dengan
lambat
KCH = Konstanta kinetic Chen and Hasimoto
Universitas Sumatera Utara
LC-8
Tabel LC.8 Data Parameter Kinetik dari 6 Pemodelan kinetika pada pH = 6
Parameter
Model Kinetika
First Order Logistik Dual-Pooled
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:
M (t) = Akumulasi pertumbuhan mikroba (VSS) (g/L)
Mm = Potensi pertumbuhan maksimum mikroba (VSS)
(g/L)
k = konstanta proses/reaksi acidogenesis (/hari)
λ = lag phase time (hari)
Rm = Laju pertumbuhan mikroba maksimum (g/L.hari)
Α = rasio substrat terdegradasi terhadap total substrat
yang dapat terdegradasi
n = Shape factor
μm = laju spesifik pertumbuhan maksimum (/hari)
Kf = konstanta laju substrat yang terdegradasi dengan
cepat
KL = konstanta laju substrat yang terdegradasi dengan
lambat
KCH = Konstanta kinetic Chen and Hasimoto
Universitas Sumatera Utara
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
Parameter First Order Logistik Dual-Pooled First Order Cone Chan and Hashimoto Gompertz modifikasi
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
Universitas Sumatera Utara
LC-10
Tabel LC.11 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika pada pH=6
Parameter First Order Logistik Dual-Pooled First Order Cone Chan and Hashimoto Gompertz modifikasi
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara