STUDI KINETIKA DEGRADASI CHEMICAL OXYGEN DEMAND …

Universitas Sumatera Utara

STUDI KINETIKA DEGRADASI CHEMICAL OXYGEN

DEMAND (COD) DAN PERTUMBUHAN VOLATILE

SUSPENDED SOLID (VSS) PADA PROSES

ASIDOGENESIS LIMBAH CAIR PABRIK KELAPA

SAWIT (LCPKS) PADA VARIASI LAJU PENGADUKAN

SKRIPSI

Oleh

ALFIAN PRATAMA TARIGAN

160405060

DEPARTEMEN TEKNIK KIMIA

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA

MEDAN

AGUSTUS 2021

Universitas Sumatera Utara

STUDI KINETIKA DEGRADASI CHEMICAL OXYGEN

DEMAND (COD) DAN PERTUMBUHAN VOLATILE

SUSPENDED SOLID (VSS) PADA PROSES

ASIDOGENESIS LIMBAH CAIR PABRIK KELAPA

SAWIT (LCPKS) PADA VARIASI LAJU PENGADUKAN

SKRIPSI

Oleh

ALFIAN PRATAMA TARIGAN

160405060

SKRIPSI INI DIAJUKAN UNTUK MELENGKAPI SEBAGIAN

PERSYARATAN MENJADI SARJANA TEKNIK

DEPARTEMEN TEKNIK KIMIA

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA

MEDAN

AGUSTUS 2021

vi Universitas Sumatera Utara

DEDIKASI

Skripsi ini saya persembahkan untuk orang-orang hebat yang sangat saya kasihi

dalam hidup ini yang tidak pernah menyerah dalam mendidik dan mengajar saya,

bahkan sampai hari ini:

Kedua Orangtua Terkasih

Bapak Erluahta Tarigan & Ibu Rilsa Joreita Sebayang

Mereka adalah orangtua hebat, yang telah membesarkan, mendidik dan mengajar

saya banyak hal dalam hidup ini terutama dalam hal kesabaran dan kasih,

terimakasih untuk bapak dan ibu saya yang tidak berhenti memberikan motivasi

selama ini, yang tidak menyerah membiayai saya bahkan dalam kondisi sesulit

apapun. Love You to The Moon and Back.

Kakek dan Nenek Tersayang

Bapak alm. Tetap Ukur Sebayang & Ibu Bagemin Purba

Terimakasih untuk didikan dan ajaran selama ini bayak & karo, terimakasih untuk

kasih sayang, doa dan cinta yang selalu diberikan, tanpa kalian berdua tidak

mungkin rasanya penulis sampai pada titik ini.

Adik Tercinta

Rivai Gunanta Tarigan

Banyak hal yang membuat kita selalu berselisih argumen dan bertengkar, meskipun

pada akhirnya kita selalu berbaikan, tetap semangat dalam mengejar impianmu,

semoga kelak kita menjadi anak yang bisa dibanggakan.

vii Universitas Sumatera Utara

RIWAYAT HIDUP PENULIS

Nama : Alfian Pratama Tarigan

NIM : 160405060

Tempat/Tanggal Lahir : Medan/28 Januari 1999

Nama Orang Tua : Erluahta Tarigan & Rilsa Sebayang

Alamat Orang Tua :

Desa Batukarang Kecamatan Payung Kabupaten Karo

Asal Sekolah:

SD Swasta Santo Petrus Medan, 2004-2006

SD Negeri 046415 Desa Batukarang, 2006-2010

SMP Swasta Santo Petrus Medan, 2010-2013

SMA Swasta Budi Murni 2 Medan, 2013-2016

Beasiswa yang pernah diperoleh :

Beasiswa Peningkatan Prestasi Akademik (PPA)

Pengalaman Organisasi/kerja:

1. Sebagai Koordinator Dana pada Natal Fakultas Teknik USU 2017

2. Anggota pengurus bidang Dana pada Natal Teknik Kimia USU 2018

3. Sebagai Asisten Laboratorium Kimia Fisika Departemen Teknik Kimia

USU Periode 2018-2020. Modul yang ditangani; Penentuan Sifat Fisis

Cairan, Kerapatan dan Bobot Molekul Gas dan Kesetimbangan Uap-Cair.

4. Sebagai Duta Lingkungan Hidup Teknik Kimia USU 2019

5. Sebagai Asisten Laboratorium Ekologi Departemen Teknik Kimia USU

Periode 2019-2020.

6. Anggota pengurus bidang Penelitian dan Pengembangan Himpunan

Mahasiswa Teknik Kimia (HIMATEK) Fakultas Teknik USU Periode

2019-2020.

7. Anggota pengurus bidang Dana pada Natal Teknik Kimia USU 2019

8. Sebagai mahasiswa kerja praktek di PT. Pertamina RU IV CILACAP

Online 2021

viii Universitas Sumatera Utara

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. Tujuan dari penelitian ini

adalah studi kinetika degradasi COD dan pertumbuhan VSS pada proses asidogenesis

limbah cair pabrik kelapa sawit pada reaktor batch berpengaduk. Model kinetika yang

digunakan pada studi degradasi COD adalah orde satu substrat removal, Grau second

order dan Stover-Kicannon termodifikasi. Model kinetika yang dipakai pada kinetika

pertumbuhan VSS adalah orde satu, persamaan Logistik, Cone dan Gompertz

termodifikasi. Melalui berbagai model tersebut, didapat bahwa model Grau second

order dapat mengestimasi nilai kadar COD effluent dengan akurasi 99% dan nilai

koefisien determinasi (R2) mencapai 0,902. Konstanta kinetik yang diperoleh pada

model Grau second order adalah nilai a dan b berturut-turut sebesar 15,553hari-1 dan

4,617 konstanta Grau. Pada kinetika pertumbuhan VSS model logistik memiliki

tingkat keakuratan terbaik dibanding ketiga model lainnya. Nilai koefisien

determinasi (R2), mean absolute deviation (MAD), mean square of error (MSE), root

mean square of error (RMSE), mean absolute percentage error (MAPE) dan akaike

information criterion (AIC) masing-masing sebesar 0,945; 0,330; 3,319; 1,821;

9,749; dan 0,440. Hal ini menunjukkan bahwa model Grau second order lebih cocok

untuk mengkorelasi degradasi COD dibandingkan model kinetika lainnya dan model

logistik memiliki tingkat akurasi yang paling tinggi dalam menjelaskan pertumbuhan

VSS.

Kata kunci : Asidogenesis, COD, VSS, Kinetika, Laju Pengadukan.

ix Universitas Sumatera Utara

ABSTRAK

The process of acidogenesis is the first stage in anaerobic digestation. The process of

acidogenesis produces volatile fatty acids (VFA) which become substrates for the

stage of methanogenesis in producing biogas. The purpose of this study is the kinetics

study of COD degradation and VSS growth in the acidogenesis process of palm oil

plant liquid waste with the controlled batch reactor. The kinetic models used in COD

degradation studies are the order one substrate removal, Grau second order and stover-

kicannon modified. The kinetic model used in VSS growth kinetics is the first order,

logistics equation, cone and gompertz modified. Through these various models, it was

obtained that the Grau second order model can estimate the value of effluent COD

levels with 99% accuracy and the coefficient of determination (R2) reaches 0.902. The

kinetic constants obtained on the Grau second order model are the values a and b of

15,553 days-1 and 4,617 Grau constants. In the VSS growth kinetics the logistics model

has the best accuracy rate compared to the other models. Coefficient of determination

(R2), mean absolute deviation (MAD), mean square of error (MSE), root mean square

of error (RMSE), mean absolute percentage error (MAPE) and akaike information

criterion (AIC) respectively 0,945; 0,330; 3,319; 1,821; 9,749; and 0,440. This

suggests that the Grau second order model is better suited to correlate COD

degradation than other kinetic models and the logistics model has the highest degree

of accuracy in explaining VSS growth.

Keywords: Acidogenesis, COD, VSS, Kinetics, stirring rate

x Universitas Sumatera Utara

DAFTAR ISI

Halaman

PERNYATAAN KEASLIAN SKRIPSI i

PENGESAHAN SKRIPSI ii

LEMBAR PERSETUJUAN iii

PRAKATA iv

DEDIKASI vi

RIWAYAT HIDUP PENULIS vii

ABSTRAK viii

ABSTRACT ix

DAFTAR ISI x

DAFTAR GAMBAR xiii

DAFTAR TABEL xv

DAFTAR LAMPIRAN xvii

DAFTAR SINGKATAN xviii

BAB I PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 3

1.3 Tujuan Penelitian 3

1.4 Manfaat Penelitian 3

1.5 Ruang Lingkup Penelitian 4

BAB II TINJAUAN PUSTAKA 6

2.1 Kelapa Sawit 6

2.2 Limbah Cair Pabrik Kelapa Sawit (LCPKS) 7

2.2.1 Sumber LCPKS 7

2.2.2 Karakteristik LCPKS 7

2.3 Digestasi Anaerobik 9

2.4 Tahapan Digestasi Anaerobik 9

2.4.1 Tahap Hidrolisis 10

2.4.2 Tahap Asidogenesis 11

xi Universitas Sumatera Utara

2.4.3 Tahap Asetogenesis 11

2.4.4 Tahap Metanogenesis 13

2.5 Digester Batch 14

2.6 Biogas 15

2.7 Parameter Digestasi Anaerob 16

2.7.1 Temperatur 16

2.7.2 Derajat Keasaman (pH) 17

2.7.3 Organic Loading Rate (OLR) 17

2.7.4 Pengadukan 18

2.7.5 Nutrisi 18

2.7.6 Hydraulic Retention Time (HRT) 18

2.7.7 Volatile Fatty Acid (VFA) 19

2.7.8 Rasio C/N 19

2.7.9 Kandungan Total Solid (TS) 19

2.8 Pemodelan Kinetika 20

BAB III METODOLOGI PENELITIAN 22

3.1 Lokasi Penelitian 22

3.2 Bahan dan Peralatan 22

3.2.1 Bahan-bahan 22

3.2.2 Peralatan 22

3.3 Tahapan Penelitian 23

3.3.1 Analisis Bahan Baku 23

3.3.2 Variasi Pengadukan 23

3.4 Kumpulan Data 24

3.5 Analisis Data Kinetika Proses 24

3.6 Jadwal Penelitian 25

BAB IV HASIL DAN PEMBAHASAN 26

4.1 Pengaruh Laju Pengadukan Terhadap Degradasi Chemical

Oxygen Demand (COD) 26

4.2 Analisa Kinetika Profil Degradasi Chemical Oxygen Demand

(COD) Pada Proses Asidogenesis LCPKS 27

4.2.1 Konstanta Kinetika Degradasi COD Model First Order 27

xii Universitas Sumatera Utara

4.2.2 Konstanta Kinetika Degradasi COD Model Kinetika Grau

Second Order 29

4.2.3 Konstanta Kinetika Degradasi COD Model Kinetika Stover-

Kicannon 31

4.3 Laju Pengadukan Degradasi Chemical Oxygen Demand (COD)

Terbaik 33

4.3.1 Pengaruh Laju Pengadukan terhadap Degradasi COD

Terbaik 33

4.4 Evaluasi dan Perbandingan Berbagai Model Kinetika Pada

Degradasi Chemical Oxygen Demand (COD) Terbaik 34

4.5 Pengaruh Laju Pengadukan Terhadap Profil Pertumbuhan

Mikroba 36

4.6 Analisis Kinetika Profil Pertumbuhan Mikroba Pada Proses

Asidogenesis LCPKS 38

4.6.1 Model Kinetika Orde satu/first order 38

4.6.2 Model Kinetika Persamaan Logistik 44

4.6.3 Model Kinetika Cone 50

4.6.4 Model Kinetika Gompertz yang dimodifikasi 57

4.7 Laju Pengadukan Pertumbuhan Mikroba Terbaik 63

4.7.1 Pengaruh Laju Pengadukan Terhadap Pertumbuhan

Mikroba Terbaik 63

4.7.2 Evaluasi dan Perbandingan Berbagai Model Kinetika Pada

Laju Pengadukan Pertumbuhan Mikroba Terbaik 64

BAB V KESIMPULAN DAN SARAN 68

5.1 Kesimpulan 68

5.2 Saran 68

DAFTAR PUSTAKA 69

ix

xiii Universitas Sumatera Utara

DAFTAR GAMBAR

Halaman

Gambar 2.1 Aliran Proses Selama Pencernaan Anaerob 10

Gambar 2.2 Reaksi Asidogenesis 11

Gambar 2.3 Reaksi Asetogenesis 12

Gambar 2.4 Reaksi Metanogenesis 13

Gambar 2.5 Reaktor Menggunakan Sekat 15

Gambar 2.6 Proses Produksi Biogas dari LCPKS 16

Gambar 3.1 Rangkaian Peralatan 23

Gambar 4.1 Pengaruh Laju Pengadukan Terhadap Degradasi

Chemical Oxygen Demand (COD) 26

Gambar 4.2 Penentuan Konstanta Kinetik k1 Pada Model

Kinetika Orde Satu 27

Gambar 4.3 Penentuan Konstanta Kinetik a dan b Pada Model

Kinetika Grau 29

Gambar 4.4 Penentuan Konstanta Kinetik Kb dan Rmax Pada Model

Kinetika Stover-Kicannon 31

Gambar 4.5 Pengaruh Laju Pengadukan Terhadap Degradasi COD

Terbaik 33

Gambar 4.6 Perbandingan Data Aktual Dengan Prediksi COD Effluent

Pada Berbagai Persamaan Model Kinetika 34

Gambar 4.7 Pengaruh Laju Pengadukan Terhadap Profil Pertumbuhan

Mikroba 36

Gambar 4.8 Perbandingan Data Eksperimental dan Model Orde Satu pada

Laju Pengadukan; 200; 250 dan 300 rpm 38

Gambar 4.9 Tren Konstanta 42

Gambar 4.10 Perbandingan Data Eksperimental dan Model Persamaan Logistik

Pada Laju Pengadukan; 200; 250 dan 300 rpm 44


xiv Universitas Sumatera Utara

Gambar 4.12 Perbandingan Data Eksperimental dan Model Cone pada



Gambar 4.14 Perbandingan Data Eksperimental dan Model Gompertz pada



Gambar 4.16 Pengaruh Laju Pengadukan Terhadap Pertumbuhan Mikroba

Terbaik 63

Gambar 4.17 Perbandingan Data dan berbagai Model Kinetika Pertumbuhan

Mikroba Terhadap Waktu Pada Laju Pengadukan 250 rpm 64

xv Universitas Sumatera Utara

DAFTAR TABEL

Halaman

Tabel 1.1 Penelitian Terdahulu 2

Tabel 2.1 Data Produksi Kelapa Sawit di Indonesia dari Tahun 2015-2018 6

Tabel 2.2 Karakteristik LCPKS 8

Tabel 2.3 Baku Mutu LCPKS Menurut Keputusan Menteri Negara

Lingkungan Hidup 8

Tabel 2.4 Klasifikasi Bakteri Hidrolisis Berdasarkan Substrat Yang Diolah 11

Tabel 2.5 Klasifikasi Konfigurasi Digester Anaerob 14

Tabel 2.6 Komposisi Biogas 15

Tabel 2.7 Pemodelan Persamaan Kinetika 20

Tabel 3.1 Metode Analisa Pada Proses Pembuatan Biogas 24

Tabel 3.2 Jenis Kegiatan dan Jadwal Pelaksanaan Penelitian 25

Tabel 4.1 Konstanta Kinetik dan Persamaan Degradasi COD Model

Orde Satu 28


Grau Second Order 30


Stover-Kicannon 32

Tabel 4.4 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba

Model First Order 40

Tabel 4.5 Konstanta Laju Pertumbuhan Mikroba Fungsi Laju Pengadukan

Digestasi Anaerob 41


Model Logistik 46




Model Kinetika Cone 52



xvi Universitas Sumatera Utara


Model Kinetika Gompertz 59



Tabel 4.12 Perbandingan Parameter Berbagai Model Kinetika 65

Tabel 4.13 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika 66

Tabel LA.1 Hasil Analisis Karakteristik LCPKS dari PTPN III PKS Rambutan LA-1

Tabel LA.2 Data Hasil Analisis Pengadukan, Alkalinitas, TS, VS, TSS dan

VSS pada Variasi Laju Pengadukan LA-2

Tabel LA.3 Data Hasil Analisis Chemical Oxygen Demand (COD) pada

Variasi Pengadukan LA-4

Tabel LA.4 Data Hasil Analisis Pembentukan Volatile Fatty Acid (VFA) pada

Variasi pengadukan Hari ke-4 LA-5

Tabel LA.5 Data Perhitungan Rasio VFA/Alkalinitas pada Variasi

Pengadukan Hari ke-4 LA-5

xvii Universitas Sumatera Utara

DAFTAR LAMPIRAN

Halaman

LAMPIRAN A DATA HASIL ANALISA LA-1

LA.1 KARAKTERISTIK LIMBAH CAIR PABRIK KELAPA SAWIT LA-1

LA.2 DATA HASIL PENELITIAN VARIASI PENGADUKAN LA-2

LAMPIRAN B CONTOH PERHITUNGAN LB-1

LB.1 PERHITUNGAN REDUKSI COD LB-1

LB.2 PERHITUNGAN MEAN ABSOLUTE DEVIATION (MAD) LB-1

LB.3 PERHITUNGAN MEAN SQUARE ERROR (MSE) LB-2

LB.4 PERHITUNGAN ROOT MEAN SQUARE ERROR (RMSE) LB-2

LB.5 PERHITUNGAN MEAN ABSOLUTE PERCENT ERROR

(MAPE) LB-2

LB.6 PERHITUNGAN AKAIKE INFORMATION CRITERION (AIC) LB-3

xviii Universitas Sumatera Utara

DAFTAR SINGKATAN

ABR Anaerobic Baffled Reactor

AD Anaerobic Digestion

ASBR Anaerobic Sequencing Batch Reactor

BOD Biochemical Oxygen Demand

COD Chemical Oxygen Demand

CPO Crude Palm Oil

DS Dissolved Solid

EBR Expanded-Bed Reactor

FBR Fluidized-Bed Reactor

HRT Hydraulic Retention Time

LCPKS Limbah Cair Pabrik Kelapa Sawit

OLR Organic Loading Rate

PKS Pabrik Kelapa Sawit

POME Palm Oil Mill Effluent

SS Suspended Solid

SCOD Soluble Chemical Oxygen Demand

TKKS Tandan Kosong Kelapa Sawit

TBS Tandan Buah Segar

TS Total Solid

TSS Total Solid Suspended

UASB Up Flow Anaerobic Sludge Blanket

VFA Volatile Fatty Acid

VS Volatile Solid

VSS Volatile Solid Suspended

MAD Mean Absolute Deviation

MSE Mean Square Error

RMSE Root Mean Square Error

MAPE Mean Absolute Percent Error

AIK Akaike Information Criterion

1 Universitas Sumatera Utara

BAB I

PENDAHULUAN

1.1. LATAR BELAKANG

Perkebunan kelapa sawit dan produk turunannya dapat memberikan efek pada

pertumbuhan ekonomi dan menciptakan lapangan kerja yang signifikan di Indonesia

(Muda, dkk., 2018). Pada tahun 2015, luas areal perkebunan kelapa sawit di Indonesia

adalah seluas 10,6 juta ha dengan total produksi minyak mentah sawit atau crude palm

oil (CPO) sebesar 33 juta ton. Diestimasi pada tahun 2016, total areal perkebunan

kelapa sawit di Indonesia adalah seluas 11.672.861 juta ha dengan total produksi

minyak mentah sawit atau crude palm oil (CPO) diestimasi mencapai 35 juta ton

(USDA, 2016).

Pabrik kelapa sawit menghasilkan sejumlah besar limbah padat seperti tandan

kosong kelapa sawit (TKKS) (23%), serat mesocarp (12%) dan cangkang (5%) untuk

setiap ton tandan buah segar. TKKS dan limbah cair kelapa sawit (LCPKS) yang

dihasilkan berjumlah besar dari sisa pabrik kelapa sawit (Saelor, dkk., 2017).

Satu ton buah kelapa sawit menghasilkan sekitar 0,87 m3 LCPKS atau 2,5 ton

limbah/ton minyak yang diproduksi (Trisakti, dkk., 2015). LCPKS atau palm oil mill

effluent (POME) dapat terdegradasi secara anaerob dalam digester anaerob untuk

menghasilkan biogas (Ohimain & Izah, 2017).

Hasil analisis karakteristik kimia menunjukkan bahwa LCPKS berwarna coklat

atau abu-abu, pH 4,4 - 5,4 dan memiliki kandungan Chemical Oxygen Demand (COD)

rata-rata sekitar 56,5 - 75,6, biological oxygen demand (BOD) sekitar 35,5 - 40,7, Total

Solid (TS) sekitar 38,5 – 57,4 dan Suspended Solid (SS) sekitar 28,1 – 46,9 g/L

(Kismurtono, dkk., 2016).

Bahan organik terutama karbohidrat, protein dan lipid dapat didegradasi

menjadi senyawa yang lebih sederhana oleh mikroorganisme dalam lingkungan

anaerob dengan tahapan proses berikut: tahap hidrolisis, tahap asidogenesis, tahap

asetogenesis dan tahap metanogenesis (Hagos, dkk., 2017).

Pada tahap asidogenesis yang telah dihidrolisa, kemudian nantinya akan

dikonversi oleh bakteri fermentasi (acidogens) untuk campuran volatil fatty acid

(VFA) dan produk kecil lainnya seperti alkohol (Zheng, dkk., 2014). Selama


asidogenesis, metabolisme perantara termasuk asam lemak volatil, alkohol, aldehida

terdegradasi menjadi asetat, karbon dioksida dan gas hidrogen. Namun asidogenesis

kadang-kadang disebut sebagai tahap fermentasi, dari produk-produk ini, serta asam

lemak volatil sebagian besar dibentuk oleh bakteri asidogenik (Ohimain & Izah, 2017).

Pada tahap selanjutnya VFA akan terurai dan selanjutnya pada tahap metanogenesis

akan membentuk gas metana, sehingga jumlah VFA pada tahap asidogenesis akan

mempengaruhi banyaknya biogas yang terbentuk.

Penelitian mengenai proses asidogenesis ini pernah dilakukan oleh Oby Vijay

Sitorus pada Tahun 2016. Namun, mencari persamaan kinetika yang sesuai perlu

dilakukan untuk mendesain suatu bioreaktor. Oleh sebab itu, penelitian ini dilakukan

untuk menentukan beberapa persamaan kinetika degradasi COD dan persamaan

kinetika pertumbuhan mikroba pada proses asidogenesis menggunakan reaktor batch

yang diharapkan dapat dijadikan sebagai alat kontrol proses pembuatan biogas

bertahap serta menentukan persamaan terbaiknya.

Tabel 1.1 Penelitian Terdahulu Studi Kinetika Degradasi COD dan Kinetika

Pertumbuhan Mikroba pada Proses Asidogenesis

Peneliti Judul Penelitian Metode Penelitian Hasil Penelitian

(Cebeci, dkk.,

2016)

Investigation of

Aerobic

Degradation of

Industrial

Wastewater

Containing High

Organic Matter :

Kinetic Study

Dua percobaan dilakukan pada

rasio konsentrasi substrat-

tomicroorganisms So / Xo sama

dengan 0, 5 dan 3,5 g COD / g

MLVSS.

Pendekatan kinetika yang

digunakan adalah kinetika

orde satu dimana didapat nilai

konstanta reaksi sebesar

0,3083det-1 dan R2 sebesar

0,894 pada run I dan 0,2038det-

1 dan R2 sebesar 0,9439 pada

run II.

(Majeed, dkk.,

2016)

Gompertz

Kinetics of Soil

Microbial

Biomass in

Response to

Lignin

Reinforcing of

Urea-Crosslinked

Starch Films

Biomassa mikroba tanah

disintensis UcS yang diperkuat

lignin, kemudian dilakukan

pembentukan mikroskoms tanah

kemudian penentuan biomassa

mikroba tanah, dilanjut tahap

ekstraksi secara kimia kemudian

hasil ekstrak adalah biomassa

karbon, hasil biomassa karbon

dianalisa dengan pendekatan

Gompertz.

Dari variasi yang ada variasi

UcS20%L dengan pendekatan

Gompertz adalah yang terbaik

dimana didapat nilai A =

3,388, um = 3,718/hari lamda

= 0,307 hari.

(Li, dkk., 2019) Evaluation of

Biochemical

Methane

Bahan baku ampas sayur-sayuran.

Penelitian dilakukan menggunakan

15 erlenmeyer ukuran 0,5 L dengan

Berdasarkan pemodelan

kinetika gompertz didapat

nilai A = 94,1 – 146.5 ml CH4


Potential and

Kinetics on the

Anaerobic

Digestion of

Vegetable Crop

Residues

volume kerja 0,35 L, rasio umpan

dipertahankan 2,0 (berdasarkan

berat kering) disetiap digester

batch.

g-1VS um= 9,0 – 21,9 ml CH4

g-1VS hari dan lamda = 0 –

1,109 hari.

(Budiyono, dkk.,

2014)

Kinetic Model of

Biogas Yield

Production from

Vinasse at

Various Initial

pH: Comparison

between Modified

Gompertz Model

and First Order

Kinetic Model

Substrat yang digunakan pada

percobaan yakni campuran vinase

dan rumen dan satu lagi campuran

vinase, rumen dan urea. Penelitian

menggunakan reaktor batch dengan

volume 600 ml, substrat yang telah

dicampur dimasukkan sebanyak

250 ml, kondisi operasi pH diset

dengan varian 6,7 dan 8

menggunakan larutan NaOH 10 N.

Hasil terbaik didapat pada pH

7, dimana dengan pemodelan

kinetika Gompertz didapat

nilai ym = 3,68 mL/g VS U=

0,88 mL/g VS Hari, dan lamda

= 1,6 hari untuk campuran

rumen dan vinase, untuk

campuran rumen,vinase dan

urea didapat nilai ym = 6,49

mL/g VS U= 1,24 mL/g VS

Hari, dan lamda = 1,79 hari.

1.2 PERUMUSAN MASALAH

Pada penelitian ini akan dipelajari pengaruh laju pengadukan terhadap degradasi

COD dan pertumbuhan VSS terbaik serta menentukan model kinetika terbaik dalam

mengevaluasi degradasi COD dan pertumbuhan VSS pada proses asidogenesis

LCPKS.

1.3 TUJUAN PENELITIAN

Adapun yang menjadi tujuan dari penelitian ini adalah untuk mendapatkan laju

pengadukan terbaik pada degradasi COD dan pertumbuhan VSS serta mendapatkan

model kinetika terbaik dalam mengevaluasi degradasi COD dan pertumbuhan VSS

pada proses asidogenesis LCPKS.

1.4 MANFAAT PENELITIAN

Adapun yang menjadi manfaat dari penelitian ini adalah memberikan informasi

mengenai laju pengadukan terbaik terhadap degradasi COD dan pertumbuhan VSS

serta memberikan evaluasi/perbandingan berbagai model kinetika pada degradasi

COD dan pertumbuhan VSS.


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 menggunakan proses asidogenesis digesti anaerobik

menggunakan digester jenis reactor semi batch dengan volume 6 liter. Adapun

variabel-variabel dari penelitian ini adalah sebagai berikut:

• Variabel tetap:

• Starter yang digunakan berasal dari olahan penelitian sebelumnya.

• Jenis bahan baku atau umpan yang digunakan adalah LCPKS dari Pabrik

Kelapa Sawit Rambutan PTPN III

• pH: 5,5

• Temperatur fermentor : 55 οC.

• Variabel divariasikan:

Laju pengadukan 200 ; 250 ; 300 rpm

Analisis yang akan dilakukan didalam penelitian ini meliputi analisis pada bahan

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

analisa setiap pengambilan (ti) limbah. Adapun analisis cairan ini terdiri dari :

a. Analisis Cairan

• Pengukuran pH

• Analisis M-Alkalinity (Metode Titrasi)

• Analisis Total Solids (TS) (Metode Analisa Proksimat)

• Analisis Volatile Solids (VS) (Metode Analisa Proksimat)

• Analisis Total Suspended Solids (TSS) (Metode Analisa Proksimat)

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

• Analisis Chemical Oxygen Demand (COD) (Metode Reflux Terbuka)

• Analisis Soluble Chemical Oxygen Demand (SCOD) (Metode Reflux Terbuka)

• Analisis Volatile Fatty Acid (VFA) (Metode Kromatografi)

Analisis pH, M-Alkalinity, TS, VS, TSS, dan VSS dilakukan setiap hari,

sedangkan analisis COD, SCOD dan VFA dilakukan satu kali dalam 4 hari.


b. Analisis Gas :

Adapun analisis gas dilakukan jika pada penelitian ada terbentuk gas yaitu gas CO2

dan H2S

c. Analisis Model Kinetika

Analisa keakuratan dan perbandingan model kinetika dengan:

Root Mean Square Error/RMSE (Excel Solver)

R- Squared/R2 (Excel Solver)

Mean Absolute Percentage Error/MAPE (Excel Solver)

Akaike Information Criteria/AIC (Metode Maximum Likehood Estimation/MLE

dengan Excel Solver)


BAB II

TINJAUAN PUSTAKA

2.1 KELAPA SAWIT

Kelapa sawit adalah tanaman tahunan yang dibudidayakan secara luas di daerah

tropis dan subtropis yang lembab. Tetapi saat ini Indonesia, Malaysia, Thailand,

Columbia dan Nigeria adalah produsen minyak kelapa sawit terbesar dunia. Kelapa

sawit adalah spesies paling penting dari genus Elaeis yang termasuk dalam famili

Palmae. Namun, tanaman ini sering dianggap sebagai tanaman minyak paling

produktif dan ekonomis di dunia, dengan satu hektar tanaman kelapa sawit

menghasilkan 10-35 ton tandan buah segar (TBS) per tahun. 30 ton TBS per jam

menghasilkan LCPKS dimana terdiri dari metana dengan laju pembakaran tahunan 12

juta liter bahan bakar minyak (Ohimain & Izah, 2017).

Menurut Kementrian Pertanian tahun 2016, Indonesia merupakan salah satu

negara produsen minyak sawit terbesar didunia, dengan total produksi pada tahun 2017

mencapai ± 35 juta ton. Kelapa sawit (Elaeis guineensis Jacq.) adalah salah satu

komoditas perkebunan yang memiliki nilai ekonomis dan prospek yang cerah untuk

dikembangkan secara luas yang mana data total areal perkebunan kelapa sawit dan

produksinya dari tahun 2015-2018 dapat dilihat pada tabel 2.1. Produksi minyak sawit

diperkirakan mencapai 43 juta ton pada 2019/2020, produksi minyak kelapa sawit

meningkat 1,5 juta ton dari 2018/2019 (USDA, 2019). Pada tahun 2019, menurut

Direktorat Jendral Perkebunan (2018) total produksi minyak mentah sawit atau crude

palm oil (CPO) di Indonesia sebesar 40.567.230 ton .

Tabel 2.1 Data Produksi Kelapa Sawit di Indonesia dari tahun 2015-2018

Tahun Luas Perkebunan

(juta Ha)

Produksi crude palm oil

(CPO) (ton)

2015 10,6 31,070,015

2016 10,8 31,730,961


2017 11 37,965,224

2018 11,3 40,567,230

Sumber: Direktorat Jendral Perkebunan (2018)

2.2 LIMBAH CAIR PABRIK KELAPA SAWIT (LCPKS)

2.2.1 Sumber LCPKS

Industri kelapa sawit telah menjadi ekonomi kontributor yang penting untuk

negara-negara seperti Malaysia, Thailand, Indonesia, Kolombia dan daerah tropis

lainnya (Liew, dkk., 2014). Konsumsi minyak sawit di dunia meningkat secara besar-

besaran dan diproduksi paling banyak oleh Indonesia dan Malaysia. Terhitung bahwa

produksi global minyak sawit adalah 62,34 juta ton pada tahun 2014, dan 85 %

produksi berasal dari dua penghasil minyak kelapa sawit terbesar seperti Indonesia

(30,5 juta ton) dan Malaysia (19,9 juta ton) (Ahmed, dkk., 2015).

Meningkatnya produksi CPO disertai juga dengan meningkatnya effluent dari

limbah minyak sawit yang menghasilkan produk samping berlimpah, biasanya disebut

sebagai limbah kelapa sawit (LCPKS) (Kaman, dkk., 2016). LCPKS adalah salah satu

produk samping dari pabrik minyak kelapa sawit yang berasal dari air kondensat

proses sterilisasi (36%), air proses klarifikasi (60%), dan air hydrocyclone (Ahmed,

dkk., 2015).

2.2.2 Karakteristik LCPKS

LCPKS adalah polutan yang paling bermasalah dari industri kelapa sawit karena

tingginya kandungan organik (Choong, dkk., 2018). LCPKS dikategorikan sebagai

pencemar yang sangat tinggi yang mengandung kebutuhan oksigen biokimia (BOD)

25.000 mg/L dan kebutuhan oksigen kimia (COD) sebesar 69, 500 mg/L (Zainal, dkk.,

2018).

LCPKS adalah suspensi zat koloid yang terdiri dari 95-96% adalah air, minyak

0,6-0,7% dan Total Solid (TS) 4-5% juga Total Volatile Solid (TVS) sekitar 2-4%.

LCPKS mengandung konsentrasi tinggi bahan organik, jumlah padatan total yang

tinggi, minyak dan lemak, Chemical Oxygen Demand (COD) dan Biochemical Oxygen

Demand (BOD). (Ohimain & Izah, 2017). LCPKS merupakan campuran air dan


padatan yang tidak beracun dan kental berwarna kecoklatan dengan bau yang

menyengat (Choong, dkk., 2018).

Berikut karakteristik LCPKS disajikan pada tabel 2.2 di bawah ini:

Tabel 2.2 Karakteristik LCPKS

Paremeter Umum Nilai

Ph 3,9

BOD5, mg/L 31000

COD, mg/L 73306

Total Solid (TS), mg/L 75200

Suspended Solid (SS), mg/L 32185

Dissolved Solid (DS), mg/L 43015

Turbidity, NTU 1700

Sumber : (Azmi & Khairul, 2014)

Tabel 2.3 Baku Mutu LCPKS Menurut Keputusan Menteri Negara Lingkungan

Hidup

Parameter Kadar Maksimum

(mg/L)

Beban Pencemaran

Maksimum (kg/ton)

BOD 100 0,25

COD 350 0,88

TSS 250 0,63

Minyak dan Lemak 25 0,063

Nitrogen Total 50 0,125

pH 6,0 – 9,0

Debit Limbah Maksimum 2,5 m3 per ton CPO

Sumber : Kementrian Lingkungan Hidup (2014)

Selain itu, LCPKS terdiri dari asam organik tinggi dan cocok untuk digunakan

sebagai sumber karbon (Azmi, dkk., 2013).


2.3 DIGESTASI ANAEROBIK

Proses pencernaan anaerob (AD) adalah metode yang gunakan untuk produksi

biogas serta pengolahan air limbah cair pabrik kelapa sawit (LCPKS) (Wongfaed,

dkk., 2015). Pencernaan anaerob dapat dilakukan dalam tangki tertutup digester

anaerob, tangki digester terbuka, atau lagoon (Norfadilah, dkk.,2016). Pada proses ini,

materi organik diuraikan oleh bermacam-macam mikroba dengan kondisi bebas

oksigen dan menghasilkan biogas (CH4 sekitar 50-75% dan CO2 ssekitar 25-50%)

(Zheng, dkk., 2014).

Secara umum digestasi anaerobik dilakukan pada kondisi mesofilik (30 – 37 oC

) dan termofilik (50 - 60 oC) dan terjadi dalam berbagai variasi reaktor seperti reaktor

CSTR, reaktor batch, semi-kontinyu dan sequencing batch reaktor (Schnürer & Jarvis,

2010).

2.4 TAHAPAN DIGESTASI ANAEROBIK

Ada empat tahap dasar yang terlibat dalam anaerob digestion (AD). Keempat

dasar ini tahapan membuat proses produksi biogas dari berbagai bahan organik seperti

yang terjadi pada digester anaerob. Tahapan yang dimaksud adalah hidrolisis,

asidogenesis, asetogenesis, dan metanogenesis. AD proses ditandai oleh penguraian

bahan organik menjadi metana, karbon dioksida, nutrisi anorganik dan kompos dalam

lingkungan anaerob (Sawyerr, dkk., 2019). Berikut merupakan tahapan proses digester

anarobik disajikan dalam Gambar 2.1 dibawah ini:


Gambar 2.1 Aliran Proses Selama Pencernaan Anaerob

(Rahayu, dkk., 2015)

2.4.1 Tahap Hidrolisis

Secara teoritis, langkah pertama dalam proses pembentukan biogas adalah

hidrolisis. Pada tahap hidrolisis ini, kompleks bahan organik (polimer) didekomposisi

menjadi unit yang lebih kecil (mono dan oligo). Selama proses tersebut, polimer

seperti karboidrat, lipid, asam nukleat dan protein diubah menjadi glukosa, gliserol,

purin dan pirimidin. Mikroorganisme hidrolitik akan mensekresi enzim hidrolitik,

mengubah polimer menjadi senyawa sederhana (Megawati & Aji, 2014)

Bakteri yang berperan dalam tahap hidrolisis ini adalah sekelompok bakteri

anaerobik, adapun jenis bakteri pada hidrolisis dapat dilihat pada tabel 2.4 berikut:


Tabel 2.4 Klasifikasi Bakteri Hidrolisis Berdasarkan Substrat Yang Diolah

Bakteri Substrat yang dihidrolisis

Acetivibrio Karbohidrat /polisakarida

Peptostreptococcus, dan Bifidbacterium Protein

Clostridium Lemak

Sumber : Lang (2007)

2.4.2 Tahap Asidogenesis

Pada tahap ini produk yang telah dihidrolisa dikonversi oleh bakteri fermentasi

(acidogens) untuk campuran volatil fatty acid (VFA) dan produk kecil lainnya seperti

alkohol (Zheng, dkk., 2014). Selama asidogenesis, metabolisme perantara termasuk

asam lemak volatil, alkohol, aldehida terdegradasi menjadi asetat, karbon dioksida dan

gas hidrogen. Namun asidogenesis kadang-kadang disebut sebagai tahap fermentasi,

dari produk-produk ini, serta asam lemak volatil sebagian besar dibentuk oleh bakteri

asidogenik (Ohimain & Izah, 2017). Bakteri asidogenesis yaitu filum Bacteroidetes,

Firmicutes, Chloroflexi, dan Proteiobacteria (Ometto, dkk., 2019).

C6H12O6 CH3CH2CH2COOH + 2 CO2 + 2 H2

(glukosa) (asam butirat)

C6H12O6 + 2 H2 CH3CH2COOH + 2 H2O

(glukosa) (asam propionat)

Gambar 2.2 Reaksi Asidogenesis

(Ni'mah, 2014)

2.4.3 Tahap Asetogenesis

Produk dari asidogenesa, yang tidak dapat langsung diubah menjadi metana oleh

bakteri metanogen, diubah menjadi substrat metanogen selama asetogenesis. VFA dan

alkohol dioksidasi menjadi substrat metanogen seperti asetat, hidrogen dan karbon

dioksida. VFA, dengan rantai karbon lebih dari dua unit dan alkohol, dengan rantai

karbon lebih panjang dari satu unit, dioksidasi menjadi asetat dan hidrogen (Seadi,

dkk., 2008). Saat bakteri asetogen memproduksi asetat, hidrogen akan ikut terbentuk.

Jika terjadi akumulasi pembentukan hidrogen dan tekanan hidrogen, hal ini akan

mengganggu aktivitas bakteri asetogen dan kehilangan produksi asetat dalam jumlah

besar. Oleh karena itu, bakteri asetogen mempunyai hubungan simbiosis dengan


bakteri pembentuk metana yang menggunakan hidrogen untuk memproduksi metana.

Hubungan simbiosis ini akan mempertahankan konsentrasi hidrogen pada tahap ini

tetap rendah, sehingga bakteri asetogen dapat bertahan (Osuji, dkk., 2013).

Produk yang terbentuk selama asetogenesis disebabkan oleh sejumlah mikroba

yang berbeda, misalnya, Syntrophobacter wolinii dekomposer propionat dan Wolfei

sytrophomonos dekomposer butirat dan pembentuk asam lainnya adalah Clostridium

spp, Peptococcus anerobus, Lactobacillus, dan Actinomyces (Lu, 2006). Asam lemak

volatil dengan empat atau lebih rantai karbon tidak dapat digunakan secara langsung

oleh metanogen. Asam-asam organik ini dioksidasi terlebih dahulu menjadi asam

asetat dan hidrogen oleh bakteri asetogenik penghasil hidrogen melalui proses yang

disebut asetogenesis. Asetogenesis juga temasuk pada produksi asetat dari hidrogen

dan karbon dioksida oleh asetogen dan homoasetogen. Kadang-kadang proses

asidogenesis dan asetogenesis dikombinasikan sebagai satu tahapan saja (Seadi, dkk.,

2008). Reaksi asetogenesis dapat dilihat di bawah ini :

CH3CH2COOH CH3COOH + CO2 + 3 H2

(asam propionat) (asam asetat)

CH3CH2CH2COOH 2CH3COOH + 2 H2

(asam butirat) (asam asetat)

Gambar 2.3 Reaksi Asetogenesis (Dioha, dkk., 2013)

Pada tahap asetogenesis, sebagian besar hasil fermentasi asam harus dioksidasi

di bawah kondisi anaerobik menjadi asam asetat, CO2, dan hidrogen yang akan

menjadi substrat bakteri metanogen. Bakteri pembentuk oksidasi ini adalah bakteri

syntrofik atau bakteri asetogen atau mikroba obligat pereduksi proton. Salah satunya

adalah asam propionat akan dioksidasi oleh bakteri Syntrophobacter wolinii menjadi

produk yang digunakan oleh bakteri metanogen dalam pembentukan gas metana

(Osuji, dkk., 2013).


2.4.4 Tahap Metanogenesis

Langkah terakhir dalam produksi biogas adalah metanogenesis. Metanogensis di

mana terutama H2 dan CO2 (methanogen hidrogenotropik) dan asetat (metanogen

asetatlastik) dikonversi menjadi CH4 dan CO2 (Ometto, dkk., 2019). Metanogen

hidrogenotrofik menggunakan hidrogen sebagai akseptor elektron untuk produksi

metana, sedangkan metanogen asetotrofik menggunakan format sebagai donor

elektron untuk pengurangan metana dan karbon dioksida. Asetat yang berasal dari

asam asetat dapat langsung digunakan sebagai substrat oleh bakteri metanogenik untuk

menghasilkan biogas. Degradasi produk dilakukan oleh keragaman besar anaerob

fakultatif melalui banyak jalur fermentasi. Biasanya, sekitar 66% dari metana yang

dihasilkan dibentuk melalui dekarboksilasi asetat, sedangkan 34% sisanya diproduksi

melalui mekanisme reduksi karbon dioksida oleh aktivitas bakteri hidrogenofilik

(Ohimain & Izah, 2017). Faktor yang mempengaruhi tahap metanogenesis ini adalah

kondisi operasi seperti komposisi bahan baku, laju aliran umpan (waktu retensi

hidroulik, HRT), suhu, agitasi, dan pH. Produksi metana dapat terhenti karena

beberapa faktor, yaitu digester kelebihan muatan, perubahan suhu, atau masuknya

oksigen dalam jumlah besar (Trisakti, dkk., 2017).

Pada akhirnya gas metana diproduksi dengan dua cara. Pertama adalah

mengkonversikan asetat menjadi karbon dioksida dan metana oleh organisme

asetropik dan cara lainnya adalah dengan mereduksi karbon dioksida dengan hidrogen

oleh organisme hidrogenotropik. Berikut ini adalah reaksi utama (reaksi

metanogenesis) yang terlibat dalam konversi substrat menjadi metana dapat dilihat

pada reaksi dibawah ini.

CH3COOH CH4 + CO2

2C2H5OH + CO2 CH4 + 2CH3COOH

CO2 + 4H2 CH4 +2H2O

Gambar 2.4 Reaksi Metanogenesis (Kim & Whitman, 2014)


2.5 DIGESTER BATCH

Digester batch beroperasi dengan jumlah limbah yang ditentukan, sepenuhnya

ditutup dan hanya dibuka kembali setelah produksi biogas dan mencerna penarikan

untuk memulai siklus baru, yang paling umum adalah kontinu/semi kontinu

biodigester, di mana limbah yang akan dicerna ditempatkan bersamaan dengan

pengumpulannya, tanpa perlu membuka peralatan. Digester anaerob yang tercampur

sempurna adalah dasarnya sistem perawatan anaerob, dengan waktu retensi hidraulik

(HRT) dan padatan yang sama waktu retensi (SRT), memberikan stabilitas proses.

Dimana lebih cocok untuk limbah dengan konsentrasi padatan yang tinggi, kandungan

kebutuhan oksigen kimia (COD) antara 8000 dan 50000 mg / L (Silva, dkk., 2019).

Berikut merupakan berbagai klasifikasi konfigurasi digester anaerob disajikan

pada tabel 2.5 dibawah ini:

Tabel 2.5 Klasifikasi Konfigurasi Digester Anaerob

Digester anaerob pertumbuhan tersuspensi • Continuous stirred-tank reactor (CSTR)

• Up flow anaerobic sludge blanket (UASB)

• Anaerobic sequencing batch reactor (ASBR)

• Anaerobic baffled reactor (ABR)

Digester anaerob pertumbuhan terlampir • Anaerobic filter (AF)

• Expanded-bed reactor (EBR)

• Fluidized-bed reactor (FBR)

Digester anaerob solid-state • Batch digester

• Continuous digester

Digester anaerobik rumah tangga • Digester kubah tetap (tipe Cina)

• Digester drum terapung (tipe India)

Sumber : Nguyen, dkk (2019)

Gambar 2.5 Reaktor Menggunakan Sekat


2.6 BIOGAS

Biogas adalah gas poduk digester dari aktivitas bakteri anaerobic metanogens

yang mendekomposisi senyawa organik. Kehadiran bakteri pada biomassa

memproduksi biogas tersebut melalui reaksi biokimia tanpa oksigen (Atul, 2017).

Prinsip pembuatan biogas adalah adanya dekomposisi bahan organik secara anaerobik

(tertutup dari udara bebas) untuk menghasilkan gas yang sebagian besar adalah berupa

gas metan (gas yang mudah terbakar) dan karbon dioksida (Embrandiri, dkk., 2012).

Biogas dapat mengurangi emisi karbon dioksida dari industri dan pemakaian

bahan bakar fosil..Biogas dengan kandungan metana lebih besar dari 45% bersifat

mudah terbakar (Ayu & Aryati, 2010). Berikut adalah komposisi biogas pada tabel

2.6.

Tabel 2.6 Komposisi Biogas

Komponen Konsentrasi (%)

Metana (CH4) 50 – 75

Karbon dioksida (CO2) 24 – 45

Uap Air (H2O) 2 – 7

Sulfida (H2S) 0 – 1

Nitrogen (N2) 0 - 2

Amonia (NH3) 0 - 1

Hidrogen (H2) 0 - 1

Sumber : Ziemiński & Frac (2012)


Dibawah ini merupakan rangkaian proses produksi biogas secara anaerobik dari

LCPKS ditunjukkan pada Gambar 2.7 berikut:

Gambar 2.6 Proses Produksi Biogas dari LCPKS

(Rajani, dkk., 2019)

2.7 PARAMETER DIGESTASI ANAEROB

2.7.1 Temperatur

Temperatur memainkan peran penting pada proses anaerobik dalam teknologi

UASB, untuk meningkatkan kemampuan mikroorganisme memproduksi biogas.

Temperatur yang sesuai menyediakan viskositas yang rendah dan degadasi yang baik

untuk mikoorganisme. UASB awalnya dioperasikan pada kondisi mesopilik (25 – 40

℃) dan termopilik (40 – 60 ℃) (Kaviyarasan, 2014). Tingkat produksi metana

meningkat dengan meningkatnya suhu. Di sisi lain, peningkatan suhu pada gilirannya

juga akan meningkatkan konsentrasi amonia bebas.


Peningkatan temperatur pada digestasi anaerobik memiliki beberapa

keuntungan yaitu, dapat meningkatkan kelarutan senyawa organik, meningkat laju

reaksi kimia dan biologi, meningkatkan difusi substrat terlarut, meningkatkan tingkat

kematian bakteri patogen, terutama di bawah termofilik kondisi, meningkatkan

degradasi asam lemak rantai panjang, VFA dan produk intermediate lainnya (Fang,

2010). Telah dilakukan observasi bahwa temperatur yang lebih tinggi pada termofilik

dapat mengurangi waktu tinggal.

2.7.2 Derajat Keasaman (pH)

Setiap kelompok mikroba yang terlibat dalam degradasi anaerobik memiliki

rentan pH tertentu untuk pertumbuhan yang optimal. Untuk bakteri asidogen, pH

optimalnya sekitar 6, sedangkan untuk bakteri asetogen dan metanogen, pH yang

optimal sekitar 7. Banyak penelitian menunjukkan bahwa kisaran Ph 6,5-7,5

menghasilkan kinerja dan stabilitas dalam sistem anaerobik yang baik, meskipun

operasi yang stabil dapat juga terjadi di luar kisaran ini (Rahayu, dkk., 2015). kisaran

pH optimal untuk mendapatkan hasil biogas yang maksimal dalam AD adalah 6.5-7.5.

pH yang lebih rendah merupakan indikasi kegagalan sistem atau kapasitas buffer yang

rendah dan dapat menghambat pencernaan. PH tinggi juga dapat membatasi proses

metanogenesis. Nilai pH tergantung pada faktor-faktor berikut: VFA konsentrasi,

konsentrasi bikarbonat, alkalinitas sistem dan fraksi CO2 dalam gas digester.

Hubungan antara VFA dan konsentrasi bikarbonat adalah sangat penting untuk

mempertahankan nilai pH konstan dalam sistem (Sawyerr, dkk., 2019).

2.7.3 Organic Loading Rate (OLR)

Tingkat Beban Organik (OLR) adalah ukuran dari kapasitas konversi biologis

digestasi anaerobik. Parameter penting yang lain untuk mengontrol performa

bioreaktor adalah OLR. Kenaikan OLR menyebabkan masalah operasi. OLR adalah

faktor penting untuk pengurangan COD (Kaviyarasan, 2014). 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. Berbagai penelitian telah membuktikan bahwa OLR lebih

tinggi akan mengurangi efisiensi pengurangan COD (dalam sisitem pengolahan air


limbah). Namun produksi gas akan meningkat dengan OLR sampai tahap metanogen

tidak bisa bekerja cukup cepat untuk mengkonversi asam asetat menjadi metana. OLR

berhubungan dengan konsentrasi substrat dan HRT sehingga keseimbangan yang baik

antara kedua parameter harus diperoleh untuk operasi digester yang baik. HRT pendek

akan mengurangi waktu kontak antara substrat dan biomassa (Prakoso, dkk., 2016).

2.7.4 Pengadukan

`Proses pengadukan berperan penting dalam mengontrol pH dan menjaga

lingkungan yang seragam. Tanpa pengadukan yang memadai, lingkungan mikro yang

tidak menguntungkan dapat terbentuk. Pengadukan berfungsi untuk mendistribusikan

larutan penyangga ke seluruh area digester dan mencegah penumpukan produk

metabolisme berkonsentrasi tinggi yang dapat menghambat pembentukan bakteri

metanogen. Pengadukan umumnya dilakukan dengan menggunakan pengaduk

mekanis, yaitu pengadukan cairan dengan memasukkan POME melalui pipa distribusi,

atau pengadukan dengan menggunakan biogas yang diresirkulasi (Rahayu, dkk.,

2015).

2.7.5 Nutrisi

Biodegradasi yang efisien membutuhkan nutrisi seperti nitrogen, fosfor dan

unsur-unsur lainnya dalam jumlah yang cukup (mikronutrisi). Nutrisi membangun sel-

sel yang membentuk mikroorganisme dan menghasilkan biogas. Unusr-unsur kimia

yang membentuk mikroorganisme antara lain karbon (50%), oksigen (20%), nitrogen

(12%), hidrogen (8%), fosfor (2%), sulfur (1%) dan kalium (1%) (Rahayu, dkk., 2015).

2.7.6 Hydraulic Retention Time (HRT)

Waktu retensi hidrolik atau hydraulic retention time (HRT) adalah lama waktu

rata-rata suatu senyawa yang mudah larut untuk tetap berada didalam bio-degester.

Operator digester harus mengatur HRT sehingga memungkinkan degradasi substrat

yang memadai tanpa membutuhkan volume digester yang terlalu besar. Umumnya,

unit biogas komersil untuk LCPKS memerlukan HRT 20-90 hari. HRT yang terlalu

singkat mengakibatkan proses degradasi tidak tuntas atau mendorong bakteri keluar

dari digester (Rahayu, dkk., 2015).


HRT (d) = VR

QF

(2.1)

Dimana:

VR = Volume Digester (m3)

QF = Debit LCPKS (m3/hari)

2.7.7 Volatile Fatty Acid (VFA)

Dalam proses AD yang beroperasi dalam OLR tinggi, sering terjadi akumulasi

VFA, yang menyebabkan penurunan pH dan produksi CH4 berikutnya. Dalam kasus

tersebut, laju pemberian perlu dikurangi atau dihentikan untuk memungkinkan

konsumsi akumulasi VFA ke tingkat yang direkomendasikan. (Nguyen, dkk., 2019).

2.7.8 Rasio C/N

Rasio C/N merupakan perbandingan antara karbon dan nitrogen pada suatu

bahan organik. Karbon dan nitrogen merupakan dua unsur utama yang membentuk

substrat bahan organik. Keduanya diperlukan sebagai sumber energi mikroorganisme

dalam melakukan perombakan. Mikroorganisme perombak akan beraktivitas optimal

pada tingkat C/N sebesar 25–30. Nilai C/N yang tinggi akan mengakibatkan kinerja

mikroba menjadi rendah sehingga produksi gas metan juga akan rendah. Bahan yang

memiliki kadar C/N yang tinggi seperti bahan hijauan, sebelumnya lebih baik dicacah

atau dipotong terlebih dahulu agar bakteri metanogenik lebih mudah melakukan

dekomposisi dan tidak menimbulkan bau busuk terlebih dahulu (Afrian, 2017).

2.7.9 Kandungan Total Solid (TS)

Dalam proses pembentukan biogas bakteri membutuhkan keadaan air yang

sesuai untuk pertumbuhannya, begitu juga bakteri untuk produksi biogas. Berdasarkan

laju pengumpanan (pembebanan), sistem digester anaerobik dibedakan atas sistem

dengan padatan rendah atau low solid (LS) dengan kandungan TS kurang dari 10%,

sistem medium atau medium solid (MS) dengan TS 15-10%, dan sistem padatan tinggi

atau high solid (HS) dengan TS 22%-40%. Peningkatan TS dalam reaktor berarti

penurunan volume digester karena kebutuhan air yang lebih rendah. Semakin banyak


TS yang terkandung akan semakin memudahkan terjadinya penurunan pH. Bakteri

untuk produksi biogas yang

optimal mengkendaki TS sebesar 4–9% pada fermentasi basah. Untuk proses

fermentasi kering TS dapat lebih besar dari 15% (Afrian, 2017).

2.8 PEMODELAN KINETIKA

Pada proses pembentukan biogas ada beberapa hal tinjauan yang digunakan

dalam mengukur kinerja dari bioreaktor tersebut. Pengukuran kinerja bioreaktor

dilakukan dengan tujuan meningkatkan skala (scale up) dari bioreaktor biogas yang

akan digunakan. Pengukuran kinerja pada bioreaktor tersebut dilakukan dengan

menggunakan pemodelan kinetika produksi biogas (Supriyanto, 2016).

Tabel 2.7 Pemodelan Persamaan Kinetika

Model Kinetika Persamaan

First Order Substrate Removal

Model ln

𝑆

𝑆0 = k.t

Grau Second Order Substrate

Removal Model

𝑆0 ×𝑡

𝑆0−𝑆 = bt + a

Modified Stover-Kicannon Model 𝑡

(𝑆0−𝑆) =

𝐾𝑏

𝑅𝑚𝑎𝑥

𝑡

𝑆0 +

1

𝑅𝑚𝑎𝑥

First Order Kinetic Model M(t) = Mmx[1 - e(-kxt)]

Logistic Kinetic Model M(t) =

𝑀𝑚

1+exp{4𝑅𝑚 (λ −1)

𝑀𝑚}+2

Cone Model M(t) =

𝑀𝑚

1+ (𝑘𝑥𝑡)𝑛

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

𝑀𝑚(λ − 1) + 1]}

Sumber : (Cebeci, dkk., 2016; Jijai, dkk., 2015; Li, dkk., 2019; Pramanik, dkk., 2019)


Keterangan:

S0 = Konsentrasi substrat umpan (mg COD/L)

S = Konsentrasi substrat effluent (mg COD/L)

t = Waktu (Hari)

Kb = Saturation Value Constant (mg.L/Hari)

Rmax = Maximum Substrate Removal Rate (mg COD. L/Hari)

a = S0.(Ks.X)-1 (Hari-1)

b = Konstanta Grau

k1 = Konstanta Kinetik orde satu

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

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

k = konstanta proses/reaksi asidogenesis (/hari)

λ = lag phase time (hari)

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

n = Shape factor

μm = laju spesifik pertumbuhan maksimum (/hari)


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 penelitian sebelumnya

2. Sampel LCPKS dari fat pit PKS Rambutan PTPN III

3. Asam klorida (HCl) 0,1 N

4. Aquadest (H2O)

5. Natrium Bikarbonat (NaHCO3)

3.2.2 Peralatan

Rangkaian peralatan yang digunakan dalam proses asidogenesis adalah seperti

yang terlihat pada Gambar 3.1

Starter yang berasal dari penelitian sebelumnya sebanyak 20% dan umpan

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

dioperasikan pada temperatur 550C, Variasi pengadukan 200, 250 dan 300 rpm, dan

pH 5,5 ± 0,2 dengan menggunakan reaktor semi batch. Setiap harinya dilakukan

analisis cairan berupa pH, M-Alkalinity, TS, VS, TSS, dan VSS serta setiap 4 hari

dilakukan analisis COD, SCOD, dan VFA terhadap sampel cairan di dalam fermentor

serta analisis kandungan CO2 dan H2S terhadap produk gas.


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, M –Alkalnity, TS, VS, TSS,VSS, COD, Oil and Grease, Protein,

Karbohidrat.

3.3.2 Variasi pengadukan

Proses variasi pengadukan dilakukan pada fermentor dengan memvariasikan

pengadukan yaitu 200, 250, dan 300 rpm dengan pH 5,5 ± 0,2 pada temperatur 550C.


3.4 Kumpulan Data

Penentuan kinerja proses pembuatan biogas ditentukan dengan menganalisa

parameter-parameter seperti pada Tabel 3.1 di bawah ini:

Tabel 3.1 Metode Analisa pada Proses Pembuatan Biogas

Parameter Metode Frekuensi

Ph Titrasi 1 x / hari

M-Alkalinitas Titrasi 1 x / hari

COD (mg/L) APHA 5220B 1x/3 hari

SCOD (mg/L) APHA 5220B 1x/3 hari

TS (mg/L) APHA 2540B 1 x / hari

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

TSS (mg/L) APHA 2540D 1x/3 hari

VSS (mg/L) APHA 2540E 1x/3 hari

Volume Biogas (L/hari) Gas Meter 1x / hari

VFA GC MS 1x/3 hari

Komposisi Biogas :

H2S (ppm)

CO2 (%)

CH4 (%)

SAZQ Biogas Analyzer

1x / hari

1x / hari

1x / hari

Keterangan : COD : Chemical Oxygen Demand, SCOD : Soluble Chemical Oxygen

Demand, TS : Total Solid, VS : Volatile Solid, TSS : Total Suspended Solid, VSS :

Volatile Suspended Solid

3.5 Analisa Data Kinetika Proses

Penentuan beberapa persamaan dan parameter kinetika dilakukan dengan

menggunakan excel solver serta dilakukan analisis keakuratan model yaitu:

a. Root Mean Square Error/RMSE (Excel Solver)

b. R- Squared/R2 (Excel Solver)

c. Mean Absolute Percentage Error/MAPE (Excel Solver)

d. Akaike Information Criteria/AIC (Metode Maximum Likehood Estimation/MLE

dengan Excel Solver)


3.6 Jadwal 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


BAB IV

HASIL DAN PEMBAHASAN

4.1 PENGARUH LAJU PENGADUKAN TERHADAP DEGRADASI

CHEMICAL OXYGEN DEMAND (COD)

COD atau Chemical Oxygen Demand merupakan jumlah oksigen yang

dibutuhkan untuk mengurai seluruh bahan organik yang terkandung dalam bahan

baku (Nuraini, dkk., 2019). Reduksi nilai COD menunjukkan berkurangnya jumlah

bahan organik yang ada dalam bahan baku (Ghaly, dkk., 2000). Pengaruh laju

pengadukan terhadap COD ditunjukkan pada Gambar 4.1 dibawah ini.

Gambar 4.1 Pengaruh Laju Pengadukan Terhadap Degradasi Chemical Oxygen

Demand (COD)

Dari gambar 4.1 dapat dilihat bahwa nilai COD awal untuk semua laju

pengadukan sama yaitu sebesar 46.400 mg/L, adapun nilai akhir untuk laju

pengadukan 200 rpm sebesar 20.200 mg/L, laju pengadukan 250 rpm sebesar

20.400 mg/L dan laju pengadukan 300 rpm sebesar 20.600 mg/L. Dari gambar

terlihat bahwa nilai COD semakin menurun seiring bertambahnya waktu. Dengan

demikian maka artinya degradasi bahan organik semakin meningkat. Penurunan ini

menunjukkan pembentukan lapisan mikroorganisme berlangsung diikuti dengan

degradasi senyawa-senyawa organik kompleks yang menghasilkan gas metan dan

CO2. Pendegradasian tersebut akan mempengaruhi terhadap nilai COD yang

0

10.000

20.000

30.000

40.000

50.000

0 4 8 12 16 20

CO

D (

mg/L

)

Hari

200 rpm

250 rpm

300 rpm


dihasilkan, berarti jika nilai COD rendah menunjukkan kandungan senyawa organik

didalam air buangan akan rendah juga (Ahmad, dkk., 2011).

4.2 ANALISA KINETIKA PROFIL DEGRADASI CHEMICAL OXYGEN

DEMAND (COD) PADA PROSES ASIDOGENESIS LCPKS

4.2.1 Konstanta Kinetika Degradasi COD Model First Order

Model kinetika orde satu pada degradasi COD diekpresikan pada persamaan

berikut:

ln 𝑆

𝑆0 = k.t

Dimana:



t = Waktu (Hari)

k1 = Konstanta Kinetik orde satu

Penentuan konstanta kinetik orde satu didapat dengan cara memplotkan ln 𝑆

𝑆0 –

vs – waktu (hari) yang ditunjukkan pada gambar 4.2.

Gambar 4.2 Penentuan Konstanta Kinetik k1 Pada Model Kinetika Orde Satu

Grafik diatas merupakan hasil plot ln 𝑆

𝑆0 – vs – t berdasarkan hasil data aktual

hingga diperoleh persamaan regresi linear beserta R2. Analisis koefisien determinasi

(R2) digunakan untuk mengetahui seberapa besar persentase sambungan variabel

independen secara bersamaan terhadap terhadap variabel dependen. Nilai R square

0

0,05

0,1

0,15

0,2

0,25

0,3

0 4 8 12 16 20

(Ln

CO

D A

wal

-L

n C

OD

Ak

hir

)

t (Hari)

200 rpm

250 rpm

300 rpm

Linear (200 rpm)

Linear (250 rpm)

Linear (300 rpm)


dikatakan baik jika diatas 0,5 karena nilai R square berkisar antara 0 sampai 1 (Halin,

dkk., 2017). Nilai k1 dihitung dari slope garis lurus pada grafik. Adapun nilai k1 dan

R2 yang didapat dengan variasi laju pengadukan dapat dilihat pada tabel 4.1.

Tabel 4.1 Konstanta Kinetik dan Persamaan Degradasi COD Model Orde Satu

Laju

Pengadukan

( rpm)

Konstanta Kinetik

K1 (Hari-1)

Fitting Error

(R2)

Persamaan

Kinetika Orde

Satu

200 0,0105 0,910 ln

𝑆

𝑆0 = 0,0105t

250 0,0092 0,816 ln

𝑆

𝑆0 = 0,0092t

300 0,0088 0,763 ln

𝑆

𝑆0 = 0,0088t


4.2.2 Konstanta Kinetika Degradasi COD Model Kinetika Grau Second Order

Model kinetika Grau Second Order pada degradasi COD dapat diekspresikan

pada persamaan berikut:

𝑆0 ×𝑡

𝑆0−𝑆 = bt + a

a = S0.(Ks.X)-1

Dimana:



t = Waktu (Hari)

X = Konsentrasi biomassa pada reaktor (mg VSS/L)

a = S0.(Ks.X)-1 (Hari-1)

b = Konstanta Grau

Pada persamaan diatas konstanta kinetik yang perlu ditentukan adalah a dan b,

penentuan konstanta kinetik tersebut dilakukan dengan memplotkan persamaan diatas

pada grafik 𝑆0 ×𝑡

𝑆0−𝑆 – vs- t yang ditunjukkan pada gambar 4.3.

Gambar 4.3 Penentuan Konstanta Kinetik a dan b Pada Model Kinetika Grau

Grafik diatas merupakan hasil plot berdasarkan data aktual hingga diperoleh

persamaan regresi linear beserta R2. Analisis koefisien determinasi (R2) digunakan

untuk mengetahui seberapa besar persentase sambungan variabel independen secara

0

20

40

60

80

100

120

140

0 4 8 12 16 20

(t*C

OD

Aw

al)

/ (C

OD

Aw

al

-

CO

D A

kh

ir)

t (Hari)

200 rpm

250 rpm

300 rpm

Linear (200 rpm)

Linear (250 rpm)

Linear (300 rpm)


bersamaan terhadap terhadap variabel dependen. Nilai R square dikatakan baik jika

diatas 0,5 karena nilai R square berkisar antara 0 sampai 1 (Halin, dkk., 2017).Grafik

pada gambar 4.3 menghasilkan persamaan regresi untuk menentukan konstanta a dan

b yang didapat dari slope dan intercept persamaan garis lurus pada gambar 4.3. Adapun

nilai a dan b pada variasi laju pengadukan dapat dilihat pada tabel 4.2.

Tabel 4.2 Konstanta Kinetik dan Persamaan Degradasi COD Model Grau Second

Order

Laju

Pengadukan

( rpm)

A

(Hari-1) b

Fitting

Error

(R2)

Persamaan Kinetika

Grau

200 15,553 4,617 0,902 𝑆0 ×𝑡

𝑆0−𝑆 = 4,617t + 15,553

250 11,181 5,165 0,935 𝑆0 ×𝑡

𝑆0−𝑆 = 5,165t + 11,181

300 9,760 5,392 0,956 𝑆0 ×𝑡

𝑆0−𝑆 = 5,392t + 9,760


4.2.3 Konstanta Kinetika Degradasi COD Model Kinetika Stover-Kicannon

Model kinetika Stover-Kicannon pada degradasi COD dapat diekspresikan

pada persamaan berikut:

𝑡

(𝑆0−𝑆) =

𝐾𝑏

𝑅𝑚𝑎𝑥

𝑡

𝑆0 +

1

𝑅𝑚𝑎𝑥

Dimana:



t = Waktu (Hari)

Kb = Saturation Value Constant (mg.L/Hari)

Rmax = Maximum Substrate Removal Rate (mg COD. L/Hari)

Pada persamaan diatas konstanta kinetik yang perlu ditentukan adalah Kb dan

Rmax penentuan konstanta kinetik tersebut dilakukan dengan cara memplotkan

persamaan diatas pada grafik 𝑡

𝑆0 – vs -

𝑡

(𝑆0−𝑆) yang ditunjukkan pada gambar 4.4.

Gambar 4.4 Penentuan Konstanta Kinetik Kb dan Rmax Pada Model Kinetika Stover-

Kicannon

Grafik diatas merupakan hasil plot berdasarkan data aktual hingga diperoleh

persamaan regresi linear beserta nilai R2. Analisis koefisien determinasi (R2)

digunakan untuk mengetahui seberapa besar persentase sambungan variabel

independen secara bersamaan terhadap terhadap variabel dependen. Nilai R square

dikatakan baik jika diatas 0,5 karena nilai R square berkisar antara 0 sampai 1 (Halin,

0

0,1

0,2

0,3

0,4

0,5

0,6

0 0,02 0,04 0,06 0,08 0,1

t/(C

OD

Aw

al-

CO

D A

kh

ir)

t/(COD Awal)

200 rpm

250 rpm

300 rpm

Linear (200 rpm)

Linear (250 rpm)

Linear (300 rpm)


dkk., 2017). Grafik pada gambar 4.4 menghasilkan persamaan regresi untuk

menentukan konstanta Kb dan Rmax yang didapat dari slope dan intercept garis lurus

pada gambar 4.4. Adapun nilai konstanta Kb dan Rmax pada variasi laju pengadukan

dapat dilihat pada tabel 4.3.

Tabel 4.3 Konstanta Kinetik dan Persamaan Degradasi COD Model Stover-Kicannon

Laju

Pengadu

kan

( rpm)

Kb

(mg.L/Hari)

Rmax

(mg

COD.L/Hari

)

Fitting

Error

(R2) Persamaan Kinetika

Stover-Kicannon

200 113,123 24,449 0,954 𝑡

(𝑆0−𝑆) =

113,123

24,449

𝑡

𝑆0 +

1

24,449

250 182,890 35,087 0,971 𝑡

(𝑆0−𝑆) =

182,890

35,087

𝑡

𝑆0 +

1

35,087

300 291,510 51,813 0,984 𝑡

(𝑆0−𝑆) =

291,510

51,813

𝑡

𝑆0 +

1

51,813


4.3 LAJU PENGADUKAN DEGRADASI CHEMICAL OXYGEN DEMAND

(COD) TERBAIK

4.3.1 Pengaruh Laju Pengadukan terhadap Degradasi COD Terbaik

Gambar 4.5 Pengaruh Laju Pengadukan Terhadap Degradasi COD Terbaik

Gambar 4.5 menunjukkan bahwa pada pengadukan 200 rpm diperoleh reduksi

COD sebesar 56,46 %, pada pengadukan 250 rpm sebesar 56,03 %, dan pada

pengadukan sebesar 55,60 %..

Oleh sebab itu pada proses asidogenesis LCPKS dengan temperatur 550C, laju

pengadukan yang optimum diperoleh pada 200 rpm dengan nilai reduksi COD

tertinggi sebesar 56,46 %. Peningkatan laju pengadukan memberikan dampak yang

signifikan dimana seiring dengan bertambahnya laju pengadukan diperoleh nilai

reduksi COD yang semakin meningkat.

0

20

40

60

80

150 200 250 300 350

CO

D R

emo

va

l (%

)

Laju Pengadukan (rpm)

COD Removal %


4.4 EVALUASI DAN PERBANDINGAN BERBAGAI MODEL KINETIKA

PADA DEGRADASI CHEMICAL OXYGEN DEMAND (COD)

TERBAIK

Evaluasi berbagai persamaan model kinetika dilakukan dengan melihat

seberapa tepatnya prediksi COD effluent dengan data aktual yang ada. Prediksi COD

effluent dihitung menggunakan persamaan yang sudah ditentukan konstanta

kinetiknya pada masing-masing model. Berikut merupakan grafik perbandingan

prediksi COD effluent dengan data aktual pada masing-masing model kinetika.

Gambar 4.6 Perbandingan Data Aktual Dengan Prediksi COD Effluent Pada

Berbagai Persamaan Model Kinetika

Gambar 4.6 menunjukkan hasil prediksi konsentrasi substrat keluaran (S) pada

berbagai model yang dibandingkan dengan data aktual. 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, dkk., 2008). Gambar 4.6 menunjukkan akurasi

berbagai model dalam memprediksi nilai COD keluaran reaktor yang digambarkan

pada kedekatan data prediksi pada garis y=x.

Berdasarkan gambar 4.6 diperoleh bahwa peridiksi COD pada model Orde

Satu, Grau Second Order dan Stover Kicannon sama-sama dapat diterima karena

nilainya yang hampir mendekati dari data aktual. Model kinetika terbaik yang

prediksinya paling mendekati data aktual adalah model Grau Second Order dengan

0

10000

20000

30000

40000

50000

60000

0 10.000 20.000 30.000 40.000 50.000

Pre

dic

ted

S

Measured S

Orde Satu

Grau 2nd Order

Stover-Kicannon

Linear (Orde Satu)

Linear (Grau 2nd Order)

Linear (Stover-Kicannon)


nilai prediksi sebesar 46.400, 40.945, 35.854, 30.245, 25.208 dan 20.855 mg COD/L.

Nilai prediksi tersebut mendekati data aktual dengan akurasi 99%.

Berdasarkan perbandingan tersebut maka model persamaan terbaik dalam

mengestimasi degradasi COD effluent adalah model Grau Second Order.

Berdasarkan gambar 4.6 dapat disimpulkan juga bahwa semua model persamaan

cocok untuk memprediksi kadar COD effluent.


4.5 PENGARUH LAJU PENGADUKAN TERHADAP PROFIL

PERTUMBUHAN MIKROBA

Proses pengadukan berperan penting dalam mengontrol pH dan menjaga

lingkungan yang seragam. Tanpa pengadukan yang memadai, lingkungan mikro yang

tidak menguntungkan dapat terbentuk. (Rahayu, dkk., 2015). Dengan adanya

pengadukan, maka kontak substrat dengan mikroorganime akan semakin cepat dan

seragam pada setiap titik. Pengadukan berfungsi untuk meratakan kontak sel dengan

substrat dan menjaga agar mikroorganisme tidak mengendap dibawah. Selain itu

pengadukan juga berfungsi sebagai pemecah sel berkoloni sehingga sel - sel

mikroorganisme tidak menyatu membentuk gumpalan (flok) yang akan mengganggu

perkembangbiakan sel yang tidak mendapatkan nutrisi yang cukup dari substrat

(Wibowo, dkk., 2015).

Gambar 4.7 Pengaruh Laju Pengadukan Terhadap Profil Pertumbuhan Mikroba

Gambar 4.7 menunjukkan profil pertumbuhan mikroba. Pertumbuhan

mikroorganisme di dalam bioreaktor diamati sebagai VSS yang merupakan

konsentrasi padatan tersuspensi yang menguap (Silalahi, dkk., 2018). Konsentrasi VSS

dapat menjadi indikator pertumbuhan mikroba aktif dalam reaktor. Gambar 4.7

menunjukkan bahwa profil konsentrasi VSS cenderung meningkat dan menandakan

adanya pertumbuhan mikroba. Profil VSS pada variasi laju pengadukan; 200; 250; dan

300 rpm mengalami fluktuasi. Pada semua variasi laju pengadukan didapat data yang

tidak stabil, dimana pada setiap variasi laju pengadukan terjadi penurunan konsentrasi

0

2

4

6

8

10

12

0 2 4 6 8 10 12 14 16 18 20 22

200 RPM

250 RPM

300 RPM

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)


VSS yang cukup besar, penurunan konsentrasi VSS bisa terjadi dikarenakan gangguan

pada kondisi operasi, seperti matinya motor pengaduk yang menyebabkan terhentinya

pengadukan pada fermentor.

Pada laju pengadukan 200 rpm diperoleh konsentrasi VSS sebesar 6,34 – 8,82

g/L, pada 250 rpm sebesar 6,38 – 9,12 g/L, dan pada 300 rpm nilai VSS sebesar 6,36

– 8,93 g/L. Profil pertumbuhan mikroba terbaik untuk setiap variasi pH dapat dilihat

pada Gambar 4.7. Pengadukan pada digester akan memungkinkan kontak secara

langsung antara mikroorganisme dengan bahan (substrat). Semakin tinggi frekuensi

peengadukan, semakin tinggi pula kesempatan mikroorgansisme mendegradasi

subsrat (Suryani, dkk., 2018).


4.6 ANALISIS KINETIKA PROFIL PERTUMBUHAN MIKROBA PADA

PROSES ASIDOGENESIS LCPKS

4.6.1 Model Kinetika Orde Satu/First Order

4.6.1.1 Parameter/Konstanta Laju Pertumbuhan Mikroba fungsi waktu

terhadap pengaruh Laju Pengadukan Proses Asidogenesis

Gambar 4.8 Perbandingan Data Eksperimental dan Model Orde Satu pada Laju

Pengadukan; 200; 250 dan 300 rpm

Volatile Suspended Solid yang diukur pada masing-masing laju pengadukan:

200, 250 dan 300 rpm adalah 7,626 g/L; 7,822 g/L; dan 8,083 g/L, sedangkan model

kinetika orde satu memperkirakan Volatile Suspended Solid kumulatif menjadi 7,206

g/L; 7,353 g/L; dan 7,663 g/L, dimana adanya perbedaan nilai data yang terukur dan

nilai model berturutturut sebesar 5,507 %; 5,996 %; dan 5,195 %.

Pada Tabel 4.4 dapat dilihat bahwa nilai konstanta reaksi pada setiap variasi

laju pengadukan berbeda-beda. Hal ini menunjukkan nilai tersebut dipengaruhi oleh

kondisi laju pengadukan yang berbeda. Sementara untuk potensi pertumbuhan

maksimum mikroba (Mm) mengalami fluktuasi dengan nilai tertinggi pada laju

pengadukan 250 rpm. Hal ini mengindikasikan variasi laju pengadukan berpengaruh

signifikan terhadap pertumbuhan mikroba, Semakin tinggi frekuensi peengadukan,

0

1

2

3

4

5

6

7

8

9

10

0 2 4 6 8 10 12 14 16 18 20 22

Data 200 rpm Estimasi 200 rpm


Data 300 rpm Estimasi 300 rpmPer

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)


semakin tinggi pula kesempatan mikroorgansisme mendegradasi subsrat (Suryani,

dkk., 2018).

Nilai koefisien determinasi (R2) untuk reaktor dengan variasi laju pengadukan:

200; 250; dan 300 rpm dengan pemodelan kinetika orde 1 adalah 0,925; 0,931; dan

0,938. Analisis koefisien determinasi (R2) digunakan untuk mengetahui seberapa besar

persentase sambungan variabel independen secara bersamaan terhadap terhadap

variabel dependen. Nilai R square dikatakan baik jika diatas 0,5 karena nilai R square

berkisar antara 0 sampai 1 (Halin, dkk., 2017). Selain itu, diperoleh nilai RMSE berada

di antara 2,005 dan 2,074. Root Mean Square Error (RMSE) merupakan besarnya

tingkat kesalahan hasil prediksi, dimana semakin kecil (mendekati 0) nilai RMSE

maka hasil prediksi akan semakin akurat (Suprayogi, dkk., 2012).


Tabel 4.4 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model First Order

Laju

Pengadukan

(rpm)

Konstanta Kinetika Populasi Mikroba (VSS)

(g/L)

Fitting error

Persamaan Kinetika Orde Satu Mm

(g/L)

k

(hari-1)

M(exp) M(t) dP (%) R2 RMSE

200 7,566 13,289 7,626 7,206 5,507 0,925 2,074 P=7,5661-exp(-13,289t)]

250 7,721 22,826 7,773 7,353 5,402 0,931 2,023 P=7,721[1-exp(-22,826t)]

300 8,046 13,229 8,083 7,663 5,195 0,938 2,005 P=8,046[1-exp(-13,229t)]


4.6.1.2 Penentuan Konstanta Laju Pertumbuhan mikroba Fungsi Laju

Pengadukan

Pada penelitian ini dilakukan penentuan persamaan konstanta pertumbuhan

mikroba fungsi laju pengadukan. Untuk menentukan persamaan konstanta tersebut,

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

(hari-1) pada tiap variasi laju pengadukan digestasi. Data konstanta produksi biogas

fungsi laju pengadukan ditunjukkan pada Tabel 4.5. Dengan memplot data laju

pengadukan dan konstanta simulasi model orde pertama, diperoleh grafik persamaan

regresi polinomial pada masing-masing variabel seperti yang ditunjukkan pada

Gambar 4.9.

Tabel 4.5 Konstanta Laju Pertumbuhan Mikroba Fungsi Laju Pengadukan Digestasi

Anaerob

Laju Pengadukan (rpm) Mm (g/L) k (hari-1)

200 7,566 13,289

250 7,721 22,826

300 8,046 13,229

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

variasi laju pengadukan digestasi anaerob untuk mendapatkan persamaan regresi

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

mensimulasikan model persamaan orde satu.

Nilai konstanta yang diperoleh akan disubstitusikan ke dalam bentuk umum

persamaan orde satu sehingga nantinya akan didapat 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 variasi laju

pengadukan Penentuan persaman konstanta model orde satu dijelaskan oleh Gambar

4.9


(a)

(b)

Gambar 4.9 Tren Konstanta

(a) Mm, g/L, Potensi Pertumbuhan Maksimum Mikroba (VSS),

(b) k, hari-1 , Konstanta Reaksi/Proses Fungsi Laju Pengadukan

Gambar 4.9 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi laju

pengadukan. Persamaan regresi polinomial untuk konstanta potensi pertumbuhan

mikroba fungsi variasi laju pengadukan ditunjukkan pada persamaan berikut

Mm(f(x)) = 0,00005x2 – 0,0123x + 8,654

Persamaan untuk konstanta reaksi/proses fungsi laju pengadukan (x)

ditunjukkan pada persamaan berikut:

k(f(x)) = -0,0038x2 + 1,9127x – 216,19

y = 3E-05x2 - 0,0123x + 8,6541

R² = 15

6

7

8

9

10

150 200 250 300 350


y = -0,0038x2 + 1,9127x - 216,19

R² = 10

5

10

15

20

25

150 200 250 300 350

k (

Hari

-1)

Mm

(g/L

)


Dimana:

Mm (f(x)) = Potensi pertmbuhan maksimum mikroba fungsi laju pengadukan

(g/L)

f(x) = Fungsi laju Pengadukan

k(f(x)) = Konstanta reaksi fungsi laju pengadukan (hari-1)

Dengan menggunakan persamaan tersebut, kita dapat mengestimasi harga

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

data laju pengadukan digestasi anaerob. Sehingga dapat lebih memudahkan dalam hal

menentukan variabel yang digunakan.


4.6.2 Model Kinetika Persamaan Logistik



Gambar 4.10 Perbandingan Data Eksperimental dan Model Persamaan Logistik pada

Laju Pengadukan; 200; 250 dan 300 rpm



persamaan logistik memperkirakan Volatile Suspended Solid kumulatif menjadi 7,294

g/L; 7,492 g/L; dan 7,753 g/L, dimana adanya perbedaan nilai data yang terukur dan

nilai model berturut-turut sebesar 4,351 %; 4,229 %; dan 4,075 %.

Pada Tabel 4.6 dapat dilihat bahwa nilai Rm (laju pertumbuhan maksimum

mikroba) dan Mm potensi pertumbuhan maksimum mikroba) mengalami fluktuasi

seiring dengan kenaikan laju pengadukan, adapun nilai Rm dan Mm tertinggi diperoleh

pada laju pengadukan 300 rpm.. Hal ini mengindikasikan perubahan laju pengadukan

berpengaruh terhadap potensi dan laju pertumbuhan mikroba proses. Semakin tinggi

frekuensi peengadukan, semakin tinggi pula kesempatan mikroorgansisme

mendegradasi subsrat (Suryani, dkk., 2018).

Dalam kasus ini, nilai λ adalah 0 yang menunjukkan bahwa mikroba tidak

membutuhkan waktu untuk beradaptasi. Hal disebabkan karena kondisi proses seperti

pH dijaga konstan dan masih sesuai dengan pH pertumbuhan mikroba.

0

2

4

6

8

10

0 2 4 6 8 10 12 14 16 18 20 22

Data 200 rpm Estimasi 200 rpmData 250 rpm Estimasi 250 rpmData 300 rpm Estimasi 300 rpm

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)


Nilai koefisien determinasi (R2) untuk reaktor dengan laju pengadukan 200;

250; dan 300 rpm dengan pemodelan persamaan logistik adalah adalah 0,938; 0,945;

dan 0,949 Analisis koefisien determinasi (R2) digunakan untuk mengetahui seberapa

besar persentase sambungan variabel independen secara bersamaan terhadap terhadap







Tabel 4.6 Konstanta Kinetik dan Persamaan Laju Pertumbuhan Mikroba Model Logistik

Laju

Pengadukan

(rpm)

Konstanta Kinetik Populasi Mikroba (VSS)

(g/L)

Fitting error

Persamaan Kinetika Logistik Rm

(g/L. Hari)

Mm

(g/L)

λ

(Hari)


200 40,985 7,614 0 7,626 7,294 4,351 0,938 1,893 M(t) =

7,614

1 + exp {4 × 40,985 (−1)

7,614 } + 2

250 34,940 7,820 0 7,822 7,492 4,229 0,945 1,821 M(t) =

7,820

1 + exp {4 × 34,940(−1)

7,820 } + 2

300 41,655 8,093 0 8,083 7,753 4,075 0,949 1,804 M(t) =

8,093

1 + exp {4 × 41,655 (−1)

8,093 } + 2



Pengadukan



maka diperlukan data konstanta laju pertumbuhan mikroba yaitu Mm (g/L), dan λ (hari)

serta laju pertumbuhan Rm pada tiap variasi laju pengadukan digestasi. Data konstanta

produksi biogas fungsi laju pengadukan ditunjukkan pada Tabel 4.7. Dengan memplot

data laju pengadukan dan konstanta simulasi model persamaan logistik, diperoleh

grafik persamaan regresi polinomial pada masing-masing variabel seperti yang

ditunjukkan pada Gambar 4.11.


Anaerob

Laju Pengadukan

(rpm)

Mm (g/L) Rm

(g/L.hari)

λ (hari)

200 7,614 40,985 0

250 7,820 34,940 0

300 8,093 41,655 0




mensimulasikan model persamaan logistik.


persamaan logistik sehingga nantinya akan didapat prediksi potensi proses digestasi




pengadukan Penentuan persaman konstanta model orde satu dijelaskan oleh Gambar

4.11.


(a)

(b)

Gambar 4.11 Tren Konstanta

(a) Mm, g/L, Potensi Pertumbuhan Maksimum Mikroba (VSS),

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

Gambar 4.11 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi

laju pengadukan (x) Persamaan regresi polinomial untuk konstanta potensi

pertumbuhan maksimum mikroba fungsi laju pengadukan (x) ditunjukkan pada

persamaan berikut.

Mm(f(x))) = 0,00001x2 - 0,002x + 7,6453

Persamaan regresi polinomial untuk konstanta laju pertumbuhan maksimum

mikroba fungsi laju pengadukan (x) ditunjukkan pada persamaan berikut.

Rm(f(x)) = 0,0026x2 - 1,2694x + 192,78

y = 1E-05x2 - 0,002x + 7,4653

R² = 1

5

6

7

8

9

150 200 250 300 350

Mm

(g/L

)


y = 0,0026x2 - 1,2694x + 192,78

R² = 132

34

36

38

40

42

44

150 200 250 300 350



Persamaan untuk konstanta lag phase time (λ) fungsi laju pengadukan tidak

ada, hal ini karena nilai konstanta tersebut 0 di setiap variasi laju pengadukan

Dimana:

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

pengadukan (g/l)

Rm(f(x)) = Konstanta laju pertumbuhan maksimum mikroba fungsi laju

pengadukan (g/l.hari)

f(x) = Fungsi laju pengadukan


konstanta Mm dan Rm pada laju pertumbuhan mikroba/pertambahan VSS berdasarkan




4.6.3 Model Kinetika Cone



Gambar 4.12 Perbandingan Data Eksperimental dan Model Cone pada Laju




cone memperkirakan Volatile Suspended Solid kumulatif menjadi 7,206 g/L; 7,353

g/L; dan 7,663 g/L, dimana adanya perbedaan nilai data yang terukur dan nilai model

berturut-turut sebesar 5,506 %; 5,995 %; dan 5,195 %.

Pada Tabel 4.8 dapat dilihat bahwa nilai potensi pertumbuhan maksimum

mikroba (Mm) mengalami fluktuasi dengan nilai tertinggi pada laju pengadukan proses

sama dengan 300 rpm. Dapat dilihat pula, konstanta laju reaksi asidogenesis dan shape

factor mengalami fluktuasi. Hal ini mengindikasikan perubahan laju pengadukan

berpengaruh signifikan terhadap pertumbuhan mikroba shape faktor dan konstanta laju

reaksi asidogenesisnya. Semakin tinggi frekuensi peengadukan, semakin tinggi pula

kesempatan mikroorgansisme mendegradasi subsrat (Suryani, dkk., 2018).



0

1

2

3

4

5

6

7

8

9

10

0 2 4 6 8 10 12 14 16 18 20 22



Data 300 rpm Estimasi 300 rpmPer

tum

bu

ha

n M

ikro

ba

, V

SS

(g

/L)

Waktu (Hari)


dan 0,938 Analisis koefisien determinasi (R2) digunakan untuk mengetahui seberapa








Tabel 4.8 Konstanta Kinetika dan Persamaan Laju Pertumbuhan Mikroba Model Kinetika Cone

Laju

Pengadukan

(rpm)


(g/L)

Fitting error

Persamaan Kinetika Cone Mm

(g/L)

K

(/Hari)

N M(exp) M(t) dP (%) R2 RMSE

200 7,567 6,081 8,571 7,626 7,206 5,506 0,925 2,074 M(t) =

7,567

1 + (6,081𝑥𝑡)8,571

250 7,721 3,688 14,706 7,822 7,353 5,995 0,931 2,023 M(t) =

7,721

1 + (3,688𝑥𝑡)14,706

300 8,046 7,354 10,853 8,083 7,663 5,195 0,938 2,005 M(t) =

8,046

1 + (7,354𝑥𝑡)10,853



Pengadukan



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

N pada tiap variasi laju pengadukan digestasi. Data konstanta produksi biogas fungsi

laju pengadukan ditunjukkan pada Tabel 4.9. Dengan memplot data laju pengadukan

dan konstanta simulasi model kinetika cone, diperoleh grafik persamaan regresi

polinomial pada masing-masing variabel seperti yang ditunjukkan pada Gambar 4.13.


Anaerob

Laju Pengadukan

(rpm)

Mm

(g/L)

K

(Hari-1)

N

200 7,567 6,081 8,571

250 7,721 3,688 14,706

300 8,046 7,354 10,853




mensimulasikan model persamaan cone.


kinetika Cone sehingga nantinya akan didapat prediksi potensi proses digestasi




pengadukan Penentuan persaman konstanta model kinetika Cone dijelaskan oleh

Gambar 4.13.


(a)

(b)

y = 3E-05x2 - 0,0123x + 8,654

R² = 1

5

6

7

8

9

150 200 250 300 350


y = 0,0012x2 - 0,5931x + 76,235

R² = 1

0

2

4

6

8

150 200 250 300 350

k (

Hari

-1)


Mm

(g/L

)


(c)

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

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

Gambar 4.13 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi

laju pengadukan. Persamaan regresi polinomial untuk konstanta potensi pertumbuhan

maksimum mikroba fungsi laju pengadukan ditunjukkan pada persamaan berikut.

Mm(f(x)) = 0,00003x2 - 0,0123x + 8,654

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

fungsi laju pengadukan f(x) ditunjukkan pada persamaan berikut

K(f(x)) = 0,0012x2 - 0,5931x + 76,235

Persamaan regresi polinomial untuk konstanta Shape Factor (n) fungsi laju

pengadukan f(x) ditunjukkan pada persamaan berikut.

N(f(x)) = -0,002x2 + 1,0216x – 115,84

Dimana:

Mm(f(x)) = Potensi pertumbuhan maksimum mikroba (VSS) fungsi laju

pengadukan (g/L)

K(f(x)) = Konstanta proses/reaksi asidogenesis fungsi laju pengadukan (hari-1)

N(f(x)) = Shape factor fungsi laju pengadukan


y = -0,002x2 + 1,0216x - 115,84

R² = 1

0

3

6

9

12

15

150 200 250 300 350

N




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




4.6.4 Model Kinetika Gompertz yang dimodifikasi



Gambar 4.14 Perbandingan Data Eksperimental dan Model Gompertz pada Laju




Gompertz memperkirakan Volatile Suspended Solid kumulatif menjadi 7,206 g/L;

7,453 g/L; dan 7,714 g/L, dimana adanya perbedaan nilai data yang terukur dan nilai

model berturut-turut sebesar 5,506 %; 4,721 %; dan 4,559 %.

Pada Tabel 4.10 dapat dilihat bahwa nilai potensi pertumbuhan maksimum

mikroba (Mm) mengalami fluktuasi dengan nilai tertinggi pada laju pengadukan proses

sama dengan 300 rpm. 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 eksperimen. Dalam kasus ini, nilai λ adalah 0 yang menunjukkan bahwa

mikroba dapat langsung beradaptasi. Semakin tinggi frekuensi peengadukan, semakin

tinggi pula kesempatan mikroorgansisme mendegradasi subsrat (Suryani, dkk., 2018).

0

1

2

3

4

5

6

7

8

9

10

0 2 4 6 8 10 12 14 16 18 20 22




Per

tum

bu

ha

n M

ikro

ba

, V

SS

(g

/L)

Waktu (Hari)




dan 0,944. Analisis koefisien determinasi (R2) digunakan untuk mengetahui seberapa








Tabel 4.10 Konstanta Kinetika dan Persamaan Laju Pertumbuhan Mikroba Model Kinetika Gompertz

Laju

Pengadukan

(rpm)


(g/L)

Fitting error

Persamaan Kinetika Gompertz Mm

(g/L)

Rm

(g/L.

Hari)

λ

(hari)


200 7,567 70,104 0 7,626 7,206 5,506 0,925 2,074 M(t) =

7,567𝑒𝑥𝑝 {−𝑒𝑥𝑝 [70,104𝑒

7,567(0 − 1) + 1]}

250 7,800 53,313 0 7,822 7,453 4,721 0,940 1,907 M(t) =

7,800𝑒𝑥𝑝 {−𝑒𝑥𝑝 [53,313𝑒

7,800(0 − 1) + 1]}

300 8,073 55,186 0 8,083 7,714 4,559 0,944 1,894 M(t) =

8,073𝑒𝑥𝑝 {−𝑒𝑥𝑝 [55,186𝑒

8,073(0 − 1) + 1]}



Pengadukan



maka diperlukan data konstanta laju pertumbuhan mikroba Mm (g/L), dan λ (hari) serta

laju pertumbuhan Rm pada tiap variasi laju pengadukan digestasi. Data konstanta

produksi biogas fungsi laju pengadukan ditunjukkan pada Tabel 4.11. Dengan

memplot data laju pengadukan dan konstanta simulasi model kinetika Gompertz,

diperoleh grafik persamaan regresi polinomial pada masing-masing variabel seperti

yang ditunjukkan pada Gambar 4.15.


Anaerob

Laju Pengadukan

(rpm)

Mm

(g/L)

Rm

(g/L. Hari)

λ

(hari)

200 7,567 70,104 0

250 7,800 53,313 0

300 8,073 55,186 0




mensimulasikan model persamaan Gompertz.


kinetika Gompertz sehingga nantinya akan didapat prediksi potensi proses digestasi




pengadukan Penentuan persaman konstanta model Gompertz dijelaskan oleh Gambar

4.15.


(a)

(b)

Gambar 4.15 Tren Konstanta (a) Mm, g/l, Potensi Pertumbuhan Maksimum Mikroba

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

Gambar 4.15 menunjukkan tren konstanta laju pertumbuhan mikroba fungsi laju

pengadukan f(x). Persamaan regresi polinomial untuk konstanta potensi laju

pertumbuhan mikroba fungsi laju pengadukan f(x) ditunjukkan pada persamaan

berikut.

Mm(f(x) = 0,000008x2 + 0,0011x + 7,0338

Persamaan regresi polinomial untuk konstanta laju pertambahan mikroba

maksimum fungsi laju pengadukan f(x) ditunjukkan pada persamaan berikut.

Rm(f(x)) = 0,0037x2 - 2,0156x + 323,91

y = 8E-06x2 + 0,0011x + 7,0338

R² = 1

5

6

7

8

9

150 200 250 300 350

Mm

(g/L

)


y = 0,0037x2 - 2,0156x + 323,91

R² = 1

40

45

50

55

60

65

70

75

150 200 250 300 350



Persamaan untuk konstanta lag phase time (λ) fungsi laju pengadukan tidak ada,

hal ini karena nilai konstanta tersebut 0 di setiap variasi laju pengadukan.

Dimana:

Mm(f(x)) = Konstanta potensi laju pertmbuhan mikroba fungsi laju pengadukan

(g/L)

Rm(f(x)) = Konstanta laju pertambahan mikroba maksimum fungsi laju

pengadukan (g/l.hari)

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



konstanta Mm, Rm dan λ pada laju pertumbuhan mikroba/pertambahan VSS

berdasarkan data laju pengadukan digestasi anaerob. Sehingga dapat lebih

memudahkan dalam hal menentukan variabel yang digunakan.


4.7 LAJU PENGADUKAN PERTUMBUHAN MIKROBA TERBAIK

4.7.1 Pengaruh Laju Pengadukan terhadap Pertumbuhan Mikroba Terbaik

Gambar 4.16 Pengaruh Laju Pengadukan Terhadap Pertumbuhan Mikroba

Terbaik

Gambar 4.16 menunjukkan profil VSS terbaik untuk setiap variasi laju

pengadukan. Profil pertumbuhan mikroba terbaik dicapai pada hari ke-1 dengan laju

pengadukan 250 rpm sebesar 9,12 g/L. Adapun nilai VSS pada laju pengadukan 200

rpm adalah 8,82 g/L, pada laju pengadukan 250 rpm sebesar 9,12 g/L dan pada laju

pengadukan 300 rpm sebesar 8,93 g/L. Fluktuasi pada nilai VSS kemungkinan

disebabkan oleh perubahan pH. Setiap kelompok mikroba yang terlibat dalam

degradasi anaerobik memiliki rentan pH tertentu untuk pertumbuhan yang optimal.

Untuk bakteri asidogen, pH optimalnya sekitar 6 sehingga mempengaruhi banyaknya

VSS yang dihasilkan (Rahayu, dkk., 2015). pH yang lebih rendah merupakan indikasi

kegagalan sistem atau kapasitas buffer yang rendah dan dapat menghambat proses

penguraian. pH tinggi juga dapat membatasi proses sistem (Sawyerr, dkk., 2019).

Gambar 4.16 menunjukkan profil VSS terbaik dicapai pada laju pengadukan 250 rpm

dimana mikroorganisme asidogenik bekerja dengan optimal dan memiliki konsentrasi

VSS yang lebih tinggi.

0

2

4

6

8

10

12

150 200 250 300 350

Per

tum

bu

ha

nM

ikro

ba

, V

SS

(g

/L)



4.7.2 Evaluasi dan Perbadingan Berbagai Model Kinetika pada Laju

Pengadukan Pertumbuhan Mikroba Terbaik

Gambar 4.17 Perbandingan Data dan berbagai Model kinetika pertumbuhan

mikroba terhadap waktu pada laju pengadukan 250 rpm

Gambar 4.17 menunjukkan profil pertumbuhan mmikroba terbaik (VSS, g/l)

pada proses asidogenesis pada laju pengadukan 250 rpm yang dibandingkan antara

data eksperimen 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, dkk., 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 4.12.

0

2

4

6

8

10

0 2 4 6 8 10 12 14 16 18 20 22

Data

Orde satu

Logistic

Gompertz

Cone

Per

tum

bu

han

Mik

rob

a, V

SS

(g/L

)

Waktu (Hari)


Tabel 4.12 Perbandingan Parameter Berbagai Model Kinetika

Parameter Model Kinetika

A B C D Satuan

Mm 7,721 7,820 7,7215 7,800 g/L

Lamda - 0 - 0 Hari

K 22,826 - 3,688 - L/Hari

Rm - 34,940 - 53,313 g/L.Hari

N - - 14,706 - -

Keterangan:

A = Orde 1

B = Persamaan logistik

C = Cone

D = Gompertz

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

beda. Pada keempat model/persamaan kinetika tersebut hanya parameter Mm yang

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

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

Logistik menghasilkan nilai parameter Mm tertinggi sementara nilai terendah berada

pada model kinetika orde satu. Akan tetapi, nilai ini tidak dapat menjadi acuan bahwa

model tersebut merupakan model terbaik yang menggambarkan proses asidogenesis

LCPKS pada laju pengadukan 250 rpm dengan sistem anaerob. Kriteria kebaikan

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). Hasil dari analisa keakuratan model-

model/persamaan kinetika pada penelitian ini ditampilkan pada Table 4.13.


Tabel 4.13 Perbandingan Tingkat Keakurasian Berbagai Model Kinetika

Parameter A B C D

R2 0,931 0,945 0,931 0,940

MAD 0,420 0,330 0,420 0,369

MSE 4,095 3,319 4,095 3,640

RMSE 2,023 1,821 2,023 1,907

MAPE 10,892 9,794 10,890 10,006

AIC 0,508 0,440 0,558 0,491

Keterangan:

A = Orde 1

B = Persamaan logistik

C = Cone

D = Gompertz

Pada Tabel 4.13 dapat dilihat bahwa nilai R2 terbesar terdapat pada persamaan

logistik yaitu 0,945. Analisis koefisien determinasi (R2) digunakan untuk mengetahui

seberapa besar persentase sambungan variabel independen secara bersamaan terhadap

terhadap variabel dependen. Nilai R square dikatakan baik jika diatas 0,5 karena nilai

R square berkisar antara 0 sampai (Halin, dkk., 2017). Pada analisis MAD persamaan

logistik memiliki nilai terkecil dari pada model persamaan lainnya yaitu sebesar 0,330.

MAD adalah rata rata kesalahan mutlak selama periode tertentu tanpa memperhatikan

apakah hasil peramalan lebih besar atau lebih kecil disbanding kenyataannya, dengan

kata lain MAD adalah rata-rata dari nilai absolut simpangan (Saputro & Purwanggono,

2016). Kecilnya nilai MAD menunjukkan kecilnya kesalahan pada model tersebut.

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

dari pada model lainnya yaitu sebesar 3,319. MSE dihitung dengan menjumlahkan

kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan

jumlah periode peramalan (Saputro & Purwanggono, 2016). 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. Berdasarkan nilai RMSE tersebut, persamaan

logistik unggul dari pada model lainnya.


Mean Absolute Percentage Error merupakan ukuran kesalahan relatif. MAPE

biasanya lebih berarti dibandingkan MAD karena MAPE menyatakan persentase

kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang

akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah,

dengan kata lain MAPE merupakan rata-rata kesalahan mutlak selama periode tertentu

yang kemudian dikalikan 100% agar mendapatkan hasil secara persentase (Saputro &

Purwanggono, 2016). Berdasarkan tabel diatas, semua model kinetika memiliki

kemampuan estimasi sudah cukup baik karena nilai MAPE-nya berada dibawah 20 %.

Nilai MAPE terkecil menunjukkan kemampuan peramalan/estimasi terbaik yaitu pada

persamaan logistic sebesar 9,794%.

Efisiensi berbagai model/persamaan kinetika dapat ditentukan dengan

membandingkan nilai AIC nya. Jika model telah memenuhi semua uji, maka akan

dipilih model terbaik berdasarkan nilai Akaike Information Criterion (AIC) terkecil

(Prabhadika, dkk., 2018). Pada berbagai persamaan atau model kinetika yang dibahas

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

dengan nilai 0,440 yang menjadikannya sebagai persamaan yang paling cocok dalam

menggambarkan proses asidogenesis LCPKS pada laju pengadukan 250 rpm.

Berdasarkan kelima perbandingan keakuratan tersebut, dapat disimpulkan

bahwa persamaan logistik adalah persamaan yang paling cocok untuk menggambarkan

pertumbuhan mikroba proses asidogenesis dengan laju pengadukan 250 rpm. Melalui

penelitian ini juga, dapat dilihat berdasarkan Tabel 4.13 bahwa ke-4 model persamaan

lainnya juga cocok menggambarkan proses tersebut karena memiliki keakuratan yang

baik juga.


BAB V

KESIMPULAN DAN SARAN

5.1 KESIMPULAN

Kesimpulan yang diperoleh dari penelitian ini adalah:

1. Degradasi COD terbaik diperoleh pada laju pengadukan 200 rpm dengan COD

removal sebesar 56,46 %.

2. Pertumbuhan VSS terbaik didalam digester anaerob diperoleh pada laju

pengadukan 250 rpm hari ke-1 dengan konsentrasi VSS sebesar 9,12 g/L.

3. Model kinetika degradasi COD dengan kemampuan memprediksi kadar COD

effluent terbaik digambarkan oleh model kinetika Grau Second Order.

4. Model kinetika pertumbuhan VSS dengan keakuratan terbaik digambarkan

melalui model persamaan logistik.

5. Nilai konstanta kinetik pada model kinetika degradasi COD terbaik yaitu nilai

a dan b masing-masing sebesar 15,553hari-1 dan 4,617 konstanta Grau.

6. Nilai konstanta kinetik pada model pertumbuhan VSS terbaik yaitu nilai Mm

dan Rm masing-masing sebesar 7,820 g/L dan 34,940 g/L hari.

5.2 SARAN

Saran yang diberikan setelah melakukan penelitian ini adalah:

1. Perlu dilakukan analisis/perhitungan VFA dengan range waktu yang lebih

rapat misalnya setiap hari, agar dapat dianalisis laju pembentukannya melalui

persamaan kinetika.

2. Perlu dilakukan analisis degradasi substrat dengan data lain misalnya

menggunakan data reduksi VS.

3. Perlu dilakukan analisis konstanta kinetik menggunakan persamaan lainnya

seperti persamaan Dual Pooled-Orde Satu dan Chan & Hashimoto.


DAFTAR PUSTAKA

Afrian, C. 2017. Produksi Biogas dari Campuran Kotoran Sapi dengan Rumput Gajah

(Pennisetum Purpureum). Bandar Lampung: Universitas Lampung.

Ahmad, A., Syarfi., Melissa, A. 2011. Penyisihan Chemical Oxygen Demand ( COD )

dan Produksi Biogas Limbah Cair Pabrik Kelapa Sawit Dengan Bioreaktor

Hibrid Anaerob Bermedia Cangkang Sawit. Riau: Universitas Riau.

Ahmed, Y., Yaakob, Z., Akhtar, P., & Sopian, K. 2015. Production of biogas and

performance evaluation of existing treatment processes in palm oil mill effluent

(POME). Renewable and Sustainable Energy Reviews, 42, 1260–1278.

Atul, G. 2017. Biogas as a Sustainable Energy Source in India. SSRG International

Journal of Mechanical Engineering, (April), 66–72.

Ayu, A., & Aryati, V. D. 2010. Biogas production using anaerobic biodigester from

cassava starch effluent with ruminant bacteria as biocatalyst. Semarang:

Diponegoro University.

Azmi, N. S., & Khairul, K. F. 2014. Effect of regenerated cellulose of ultrafiltration

membranes on POME treatment. Jurnal Teknologi (Sciences and Engineering),

70(2), 81–86.

Azmi, N. S., Md Yunos, K. F., Baharuddin, A. S., & Dom, Z. M. 2013. The effect of

operating parameters on ultrafiltration and reverse osmosis of palm oil mill

effluent for reclamation and reuse of water. BioResources, 8(1), 76–87.

Budiyono, Syaichurrozi, I., & Siswo, S. 2014. Kinetic model of biogas yield

production from vinasse at various initial pH: Comparison between modified

gompertz model and first order kinetic model. Research Journal of Applied

Sciences, Engineering and Technology, 7(13), 2798–2805.

Cebeci, M. S., Senturk, I., & Guvenin, U. 2016. Investigation Of Aerobic Degradation

Of Industrial Wastewater Containing High Organic Matter: Kinetic Study.

European Scientific Journal, 12(10), 124–132.

Choong, Y. Y., Chou, K. W., & Norli, I. 2018. Strategies for improving biogas

production of palm oil mill effluent (POME) anaerobic digestion: A critical

review. Renewable


and Sustainable Energy Reviews, 82(January), 2993–3006.

Dioha, I. J., Ikeme, C., Nafi, T., Soba, N. I., & Mbs, Y. 2013. Effect of Carbon To

Nitrogen Ratio on Biogas Production. International Research Journal of Natural

Sciences, 1(3), 1–10.

Direktorat Jendral Perkebunan. 2018. Produksi Kelapa Sawit Menurut Provinsi di

Indonesia.

Embrandiri, A., Rupani, P. F., Quaik, S., Ibrahim, M. H., & Rajeev, P. 2012.

Environmental Sustainability in the Palm Oil Industry ; Palm Waste as Nutrient

Supplement and Effects on Plant Growth Characteristics. International

Conference on Environmental, Biomedical and Biotechnology IPCBEE vol.41

Fang, C. 2010. Biogas production from food-processing industrial wastes by anaerobic

digestion. In Water Research (Vol. 19).

Ghaly, A. E., Ramkumar, D. R., Sadaka, S. S., & Rochon, J. D. 2000. Effect of

reseeding and pH control on the performance of a two-stage mesophilic anaerobic

digester operating on acid cheese whey. Canadian Agricultural Engineering Vol

42. No. 4.

Hagos, K., Zong, J., Li, D., Liu, C., & Lu, X. 2017. Anaerobic co-digestion process

for biogas production: Progress, challenges and perspectives. Renewable and

Sustainable Energy Reviews 76 1485–1496.

Halin, H., Hendry, W., & Rinda, Y. 2017. Pengaruh Harga Jual Kaca Patri Jenis

Silver Terhadap Nilai Penjualan Pada CV. KARUNIA KACA PALEMBANG

Tahun 2004-2015. Vol 2. No. 2 2017. ISSN: 2540-816X.

Jijai. S., Chairat, S., Sompong, O., Norli, I. 2015. Kinetic Models For Prediction of

COD Effluent From Upflow Anaerobic Sludge Blanket (UASB) Reactor for

Cannery Seafood Wastewater Treatment. Jurnal Teknologi 78: 5-6.

Kaman, S. P. D., Tan, I. A. W., & Lim, L. L. P. 2016. Palm oil mill effluent treatment

using coconut shell - Based activated carbon: Adsorption equilibrium and

isotherm. MATEC Web of Conferences, 87, 1–6.

Kaviyarasan, K. 2014. Application of UASB Reactor in Industrial Wastewater

Treatment–A Review. International Journal of Scientific & Engineering

Research, 5(1), 584–589.

Kementerian Lingkungan Hidup. 2014. Baku Mutu Air Limbah.


Kim, W., & Whitman, W. B. 2014. Methanogens. Encyclopedia of Food

Microbiology: Second Edition, 2, 602–606.

Kismurtono, M., Julendra, H., Mahajoeno, E., & Korniawan, M. 2016. Development

of enhanced biogas production from palm oil mill effluent (POME). Proceedings

of the International Conference on Cogeneration, Small Power Plants and

District Energy, ICUE.

Lang, Ling Yu. 2007. Treatability of Palm Oil Mill Effluent (POME) Using Black

Liquor in An Aerobic Treatment Process.

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).

Liew, W. L., Kassim, M. A., Muda, K., Loh, S. K., & Affam, A. C. 2014. Conventional

methods and emerging wastewater polishing technologies for palm oil mill

effluent treatment: A review. Journal of Environmental Management, 149, 222–

235.

Lu, Jinquan. 2007. Optimization of Anaerobic Digestion of Sewage Sludge Using

Thermophilic Anaerobic Optimization of anaerobic digestion of sewage sludge

using thermophilic anaerobic pre-treatment.

Majeed, Z., Mansor, N., Ismail, S., Mathialagan, R., & Man, Z. 2016. Gompertz

Kinetics of Soil Microbial Biomass in Response to Lignin Reinforcing of Urea-

Crosslinked Starch Films. Procedia Engineering, 148, 553–560.

Megawati, & Aji, K. W. 2014. Pengaruh Penambahan EM4 (Effective Microorganism-

4) Pada Pembuatan Biogas dari Eceng Gondok dan Rumen Sapi. Jurnal Bahan

Alam Terbarukan, 3(2), 42–49.

Muda, I., Siregar, H. S., Sembiring, S. A., Ramli, Manurung, H., & Zein, Z. 2018.

Economic Value of Palm Plantation in North Sumatera and Contribution to

Product Domestic Regional Bruto. IOP Conference Series: Materials Science

and Engineering, 288(1).

Nguyen, D. D., Byeong, H. J., Jae, H. J., Eldon, R. R., Rajesh, B., Balasubramani, R.,

Cuong, M. V., Huu, H. N., Wenshan, G., & Soon, W. C. (2019). Thermophilic

anaerobic digestion of model organic wastes : Evaluation of biomethane

production and multiple kinetic models analysis. Bioresource Technology, 280,


269–276.

Nguyen, D., Nitayavardhana, S., Sawatdeenarunat, C., Surendra, K. C., & Khanal, S.

K. 2019. Biogas Production by Anaerobic Digestion: Status and Perspectives. In

Biofuels: Alternative Feedstocks and Conversion Processes for the Production of

Liquid and Gaseous Biofuels.

Ni’mah, L. 2014. Biogas From Solid Waste of Tofu Production and Cow Manure

Mixture: Composition Effect. CHEMICA: Jurnal Teknik Kimia, 1(1).

Norfadilah, N., Raheem, A., Harun, R., & Ahmadun, F. 2016. Bio-hydrogen

production from palm oil mill effluent (POME): A preliminary study.

International Journal of Hydrogen Energy, 41(28), 11960–11964.

Nuraini, E., Tantri, F., & Fajar, L. 2019. Penentuan Nilai BOD dan COD Limbah Cair

Inlet Laboratorium Pengujian Fisis Politeknik ATK Yogyakarta. Integrated Lab

Journal Vol 07. No. 2.

Ohimain, E. I., & Izah, S. C. 2017. A review of biogas production from palm oil mill

effluents using different configurations of bioreactors. Renewable and

Sustainable Energy Reviews.

Ometto, F., Karlsson, A., Ejlertsson, J., Björn, A. V., & Shakeri, S. Y. 2019.

Anaerobic digestion: an engineered biological process. In Substitute Natural Gas

from Waste (pp. 63–74). Elsevier.

Osuji, C., Nwabueze, E., Akunna, T., & Ahaotu, E. 2013. Rapid Fermentation Process

of Fruit Waste and Abattoir Effluent. International Journal of Applied Sciences

& Engineering, 1(2), 52–55.

Prabhadika, I. P. Y., Ketut, N., Tastrawati, T., Putu, L., & Harini, I. 2018. Peramalan

Persediaan Infus Menggunakan Metode Autoregressive Integrated Moving

Average (ARIMA) Pada Rumah Sakit Umum Pusat Sanglah. E-Jurnal

Matematika Vol 7(2), 129–133.

Prakoso, R. A., & Trisakti, B. 2016. Pengaruh Laju Pengadukan Pada Proses

Asidogenesis Limbah Cair Pabrik Kelapa Sawit (LCPKS) pada Temperatur

45oC. Medan: Universitas Sumatera Utara.

Pramanik, S. K., Fatihah, B. S., Mojtaba, P., & Biplob K. P. 2019. Performance and

Kinetic Model of a Single-Stage Anaerobic Digestion System Operated at

Different Successive Operating Stages for The Treatment of Food Waste. Journal


of Processes.

Rahayu, A. S., Karsiwulan, D., Yuwono, H., Trisnawati, I., Mulyasari, S., Rahardjo,

S., Paramita, V. 2015. Buku Panduan Konversi POME Menjadi Biogas

Pengembangan Proyek di Indonesia. Winrock International.

Rajani, A., Kusnadi, Santosa, A., Saepudin, A., Gobikrishnan, S., & Andriani, D. 2019.

Review on biogas from palm oil mill effluent (POME): Challenges and

opportunities in Indonesia. IOP Conference Series: Earth and Environmental

Science, 293(1).

Saelor, S., Kongjan, P., & O-Thong, S. 2017. Biogas Production from Anaerobic Co-

digestion of Palm Oil Mill Effluent and Empty Fruit Bunches. Energy Procedia,

138, 717–722.

Saputro, A., & Purwanggono, B. 2016. Peramalan Perencanaan Produksi Semen

dengan Metode Exponential Smoothing Pada PT. SEMEN INDONESIA.

Semarang: Universitas Diponegoro.

Sawyerr, N., Trois, C., Workneh, T., & Okudoh, V. 2019. An Overview of Biogas

Production: Fundamentals, Applications and Future Research. International

Journal of Energy Economics and Policy, 9(2), 105–116.

Schnürer, A., & Jarvis, A. 2010. Microbiological Handbook for Biogas Plants. Swedish

Gas Centre Report 207, 138.

Seadi Teodorita Al, Domiik Rutz, Heinz Prassl, Michael Kottner, Tobias

Finsterwalder, Silke Volk, R. J. 2008. Biogas Handbook.

Shin, J., Park, S., Kim, S., Duangmanee, J., & Lee, P. 2008. Potential Methane

Production on Anaerobic Co-digestion of Swine Manure and Food Waste

Potential Methane Production on Anaerobic Co-digestion of Swine Manure and

Food Waste. Korean Journal of Enviromental Agriculture Vol 27. No. 2 (145-

149).

Silalahi, F. T. N., Halimatuddahliana, Amir, H. 2018. Pengolahan Limbah Cair Tahu

Menggunakan Bioreaktor Anaerob Satu Tahap dan Dua Tahap Secara Batch.

Jurnal Teknik Kimia USU Vol 7. No. 1

Silva, De Farias, C. E., Gois, G. N. S. B., Abud, A. K. S., Amorim, N. C. S., Girotto,

F., Markou, G., Amorim, E. L. 2019. Anaerobic Digestion: Biogas Production

from Agro-industrial Wastewater, Food Waste, and Biomass.


Suprayogi, I., Trimaijon., Mahyudin. 2012. Model Prediksi Liku Kalibrasi

Menggunakan Pendekatan Jaringan Saraf Tiruan (JST) ( Studi Kasus : Sub DAS

Siak Hulu )

Supriyanto. 2016. Produksi Biogas dari Campuran Limbah Cair Pabrik Kelapa Sawit

dan Kotoran Sapi menggunakan Bioreaktor CSTR. Bandar Lampung: Universitas

Lampung.

Suryani, F., Ozkar, F. H., & Mahmud, B. 2018. Analisis pH dan Pengadukan Terhadap

Produksi Biogas dari Limbah Cair Kelapa Sawit. Jurnal Riset Sains dan

Teknologi Vol 2. No.1.

Trisakti, B., Irvan, M., Taslim, & Turmuzi, M. 2017. Effect of temperature on

methanogenesis stage of two-stage anaerobic digestion of palm oil mill effluent

(POME) into biogas. IOP Conference Series: Materials Science and Engineering,

206(1).

Trisakti, Bambang, Manalu, V., Taslim, I., & Turmuzi, M. 2015. Acidogenesis of Palm

Oil Mill Effluent to Produce Biogas: Effect of Hydraulic Retention Time and pH.

Procedia - Social and Behavioral Sciences, 195, 2466–2474.

USDA. 2016. Oilseeds and Products Annual Report 2016.

USDA. 2019. Indonesia Oilseeds and Products Annual 2019.

Wibowo, F., Chairul., & Irdoni, S. 2015. Pengaruh Kecepatan Pengaduk dan Waktu

Fermentasi Terhadap Konsentrasi Bioetanol Pada Fermentasi Nira Nipah

Kental Menggunakan Saccharomyces Cerevisiae. JOM FTEKNIK Vol 2. No.1.

Wongfaed, N., Kongjan, P., & O-Thang, S. 2015. Effect of Substrate and Intermediate

Composition on Foaming in Palm Oil Mill Effluent Anaerobic Digestion System.

Energy Procedia.

Zainal, B. S., Akhbari, A., Zinatizadeh, A. A., Mohammadi, P., Danaee, M., Mohd, N.

S., & Ibrahim, S. 2018. UASFF start-up for biohydrogen and biomethane

production from treatment of Palm Oil Mill Effluent. International Journal of

Hydrogen Energy, 1–13.

Zheng, Y., Zhao, J., Xu, F., & Li, Y. 2014. Pretreatment of lignocellulosic biomass for

enhanced biogas production. Progress in Energy and Combustion Science.

Ziemiński, K., & Magdalena, F. 2012. Methane fermentation process as anaerobic

digestion of biomass: Transformations, stages and microorganisms. African


Journal of Biotechnology, 11(18), 4127–4139.

LA-1 Universitas Sumatera Utara

LAMPIRAN A

DATA HASIL ANALISA

LA.1 KARAKTERISTIK LIMBAH CAIR PABRIK KELAPA SAWIT

Tabel LA.1 Hasil Analisis Karakteristik LCPKS dari PTPN III PKS Rambutan

No. Parameter Satuan Hasil Uji Metode Uji

1. pH - 4,50 APHA 4500-H

2. Chemical Oxygen

Demand (COD)

mg/L 46.400 Spektrofotometri

3. Total Solid (TS) mg/L 29.020 APHA 2540B

4. Volatile Solid (VS) mg/L 23.920 APHA 2540E

5. Total Suspended

Solid (TSS)

mg/L 9.1000 APHA 2540D

6. Volatile Suspended

Solid (VSS)

mg/L 8.820 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

10. Volatile fatty acids

- Asam asetat

- Asam propionat

- Asam butirat

mg/L

1.709,801

675.0358

1.199,254

* Laporan hasil uji laboratorium terlampir


LA.2 DATA HASIL PENELITIAN VARIASI PENGADUKAN

Tabel LA.2 Data Hasil Analisis Pengadukan, Alkalinitas, TS, VS, TSS dan VSS

pada Variasi Laju Pengadukan

Pengadukan Hari ke pH Alkalinitas TS VS TSS VSS

200 rpm

1 5,3 1400 27880 23360 `14520 8230

2 5,5 1450 26640 20960 8840 8340

3 5,5 1400 27080 21520 15120 8440

4 5,5 1450 27580 20400 7620 8480

5 5,5 1350 28180 20020 8720 7330

6 5,5 1400 28320 21860 8020 7520

7 5,5 1450 27240 21680 5460 6760

8 5,5 1450 27580 20940 5820 6500

9 5,5 1350 28120 20380 6900 6340

10 5,5 1400 26240 20520 7120 6720

11 5,5 1400 27620 21900 6130 8130

12 5,5 1400 26600 20200 7310 6620

13 5,5 1450 27200 20540 4850 7210

14 5,5 1200 26900 20080 9020 8240

15 5,5 1300 27080 19680 8120 6700

16 5,5 1900 27360 21860 8540 7800

17 5,5 1650 26400 26660 11320 8420

18 5,5 1300 25020 19560 5660 6640

19 5,5 1900 26760 23320 9160 8200

20 5,5 1600 27100 22620 10440 8720


1 5,3 1450 25040 20000 `11180 9120

2 5,5 1500 24920 28840 6780 7890

3 5,5 1450 26660 20640 12060 7440

4 5,5 1500 25980 19080 6440 8660

5 5,5 1400 23980 23580 9120 7800


250 rpm

6 5,5 1450 26040 21060 8980 7450

7 5,5 1500 23400 22660 5620 6380

8 5,5 1500 22480 20580 5180 8200

9 5,5 1500 23440 19300 4890 7780

10 5,5 1550 25700 21700 4860 8210

11 5,5 1550 21220 20320 5380 8240

12 5,5 1550 23400 19620 4980 7880

13 5,5 1450 22240 20640 5720 7600

14 5,5 1500 21820 19140 7300 7520

15 5,5 1550 20600 21320 4300 7390

16 5,7 2000 22680 22120 6560 7910

17 5,7 2200 23660 25580 11180 7500

18 5,7 2500 20520 20260 7580 6500

19 5,7 3000 21480 22640 7320 6860

20 5,7 2300 21437 21900 12540 8100


300 rpm

1 5,3 1450 22240 17340 `11880 8550

2 5,5 1500 20320 24960 11680 8930

3 5,5 1500 21360 19520 10880 8560

4 5,5 1550 20700 18780 7620 8720

5 5,5 1550 21380 21720 8180 7880

6 5,5 1500 19680 22080 8580 7890

7 5,5 1450 19640 21220 8480 8130

8 5,5 1500 19140 20480 5340 8230

9 5,5 1450 21140 21180 5420 7780

10 5,5 1350 21320 25780 8760 8360

11 5,5 1350 22180 21700 6020 7450

12 5,5 1350 18280 21200 5920 7330

13 5,5 1500 19060 22380 6700 6360

14 5,5 1650 19400 21160 8020 7500


15 5,5 1650 20860 22440 5140 8670

16 5,7 2000 22840 24080 10380 7890

17 5,7 2000 22860 26020 13860 8340

18 5,7 2000 19180 23360 9860 8160

19 5,7 2900 20520 22160 13500 7880

20 5,7 3300 21600 20840 13680 8320

(Alkalinitas, TS, VS, TSS dan VSS dalam satuan mg/L)

Tabel LA.3 Data Hasil Analisis Chemical Oxygen Demand (COD) pada Variasi

Pengadukan

Pengadukan

(rpm)

Hari

ke

COD

Awal (t0)

(mg/L)

Akhir (ti)

(mg/L)

200

4

46.400

42.300

8 36.400

12 30.700

16 25.600

20 20.200

250

4

46.400

41.300

8 35.700

12 30.800

16 24.900

20 20.400

300

4

46.400

42.200

8 35.800

12 30.300

16 24.700

20 20.600


Tabel LA.4 Data Hasil Analisis Pembentukan Volatile Fatty Acid (VFA) pada

Variasi pengadukan Hari ke-4

Variasi

Pengadukan

(rpm)

VFA (mg/L)

Asetat Propionat Butirat Total

200 1.938,899 992.423 1.328,423 4.260,194

250 2.525,187 1.204,501 2.125,253 5.854,940

300 1.323,894 866,490 1.771,533 3.961,918

Tabel LA.5 Data Perhitungan Rasio VFA/Alkalinitas pada Variasi Pengadukan Hari

ke-4

Variasi

Pengadukan

(rpm)

Rata-Rata

Total VFA (mg/L)

Rata-Rata

Alkalinitas (mg/L) VFA/Alkalinitas

200 4.260,194 1.450 2,9381

250 5.854,940 1.500 3,9033

300 3.961,918 1.500 2,6413

LB-1 Universitas Sumatera Utara

LAMPIRAN B

CONTOH PERHITUNGAN

LB.1 PERHITUNGAN REDUKSI COD

Dari Tabel LA.3 diperoleh:

Pada pengadukan 250 rpm hari ke-4

COD awal (t0) = 46.400 mg/L

COD hari ke-20 (t8) = 20.400 mg/L

Degradasi COD (%) = %100COD

COD COD

awal

akhirawal

= %100400.46

400.20 46.400

= 56,03 %

LB-2 PERHITUNGAN MEAN ABSOLUTE DEVIATION (MAD)

Sampel: Kinetika Pertumbuhan VSS Model Persamaan Logistik Laju

Pengadukan 250 rpm

∑ |𝑀exp − 𝑀(𝑡)|𝑛𝑡=0 = 6,947

n = 21

MAD = ∑ |𝑀exp−𝑀(𝑡)|𝑛

𝑡=0

𝑛

= 6,947

21

= 0,3308


LB-3 PERHITUNGAN MEAN SQUARE ERROR (MSE)


Pengadukan 250 rpm

∑ |𝑀exp − 𝑀(𝑡)|𝑛𝑡=0

2 = 69,711

n = 21

MSE = ∑ |𝑀exp−𝑀(𝑡)| 2𝑛

𝑡=0

𝑛

= 69,711

21

= 3,319

LB-4 PERHITUNGAN ROOT MEAN SQUARE ERROR (RMSE)


Pengadukan 250 rpm

RMSE = MSE0,5

RMSE = (3,319)0,5

RMSE = 1,821

LB-5 PERHITUNGAN MEAN ABSOLUTE PERCENT ERROR (MAPE)


Pengadukan 250 rpm

∑ |𝑀exp−𝑀(𝑡)

Mexp|𝑛

𝑡=0 = 2,056

n = 21

MAPE = ∑

𝑀exp−𝑀(𝑡)

Mexp

𝑛𝑡=0

𝑛 x 100%

= 2,056

21

= 9,79 %


LB-6 PERHITUNGAN AKAIKE INFORMATION CRITERION (AIC)


Pengadukan 250 rpm

∑ |𝑀exp − 𝑀(𝑡)|𝑛𝑡=0 = 6,947

n = 21

k = 3

AIC =𝑒2𝑘

𝑛 ∑ |𝑀exp−𝑀(𝑡)|𝑛

𝑡=0

𝑛

=𝑒(2)(3)

21 6,947

21

= 0,4402

STUDI KINETIKA DEGRADASI CHEMICAL OXYGEN DEMAND …

Documents

Transcript of STUDI KINETIKA DEGRADASI CHEMICAL OXYGEN DEMAND …