Electronic Theses and Dissertation

Ekoenzim merupakan produk hasil fermentasi limbah organik buah dan sayuran yang memiliki potensi sebagai pupuk organik cair karena mengandung unsur hara yang dibutuhkan tanaman, salah satunya fosfor. Analisis kandungan fosfor secara laboratorium umumnya membutuhkan waktu, biaya, dan penggunaan bahan kimia yang relatif tinggi. Oleh karena itu, penelitian ini bertujuan untuk memprediksi kandungan fosfor pada ekoenzim berdasarkan jenis limbah organik menggunakan teknologi Fourier Transform Near-Infrared (FT-NIR).
Penelitian ini bertujuan untuk memprediksi kandungan fosfor pada ekoenzim yang dibuat dari berbagai jenis limbah organik menggunakan teknologi Fourier Transform Near-Infrared (FT-NIR). Penelitian dilakukan karena analisis kandungan fosfor secara laboratorium membutuhkan waktu yang relatif lama, biaya yang tinggi, serta menggunakan bahan kimia, sehingga diperlukan metode alternatif yang lebih cepat, akurat, dan bersifat non-destruktif. Sebanyak 35 sampel ekoenzim dibuat dari berbagai kombinasi limbah organik buah dan sayuran yang difermentasi selama tiga bulan dengan perbandingan bahan organik : molase : air sebesar 3:1:10. Kandungan fosfor aktual dianalisis menggunakan metode Atomic Absorption Spectrophotometry (AAS), sedangkan data spektrum diperoleh menggunakan FT-NIR pada rentang bilangan gelombang 15000–4000 cm⁻¹. Selanjutnya, model prediksi dikembangkan menggunakan metode Partial Least Squares (PLS) dan Principal Component Regression (PCR) dengan 5 perlakuan pretreatment, yaitu Raw Spectrum, Standard Normal Variate (SNV), Mean Normalization (MN), De-Trending (DT), dan Derivative 1 (D1).
Hasil penelitian menunjukkan bahwa kandungan fosfor ekoenzim berkisar antara 2,11% hingga 3,85%, dengan kandungan tertinggi terdapat pada kombinasi kulit pisang, tomat, dan kulit nanas (3,85%), sedangkan kandungan terendah terdapat pada kombinasi kulit pisang, tomat, dan kulit semangka (2,11%). Perbandingan model kalibrasi menunjukkan bahwa metode PLS menghasilkan performa yang lebih baik dibandingkan metode PCR. Hal ini ditunjukkan oleh nilai koefisien korelasi (r) 0,9823 dan koefisien determinasi (R²) 0,9649 yang lebih tinggi serta nilai Root Mean Square Error of Calibration (RMSEC) yang lebih rendah di angka 0,0666. Dari seluruh pretreatment yang diuji, Derivative 1 (D1) menghasilkan model terbaik karena mampu meningkatkan kualitas informasi spektral dan menghasilkan akurasi prediksi yang paling tinggi. Dengan demikian, teknologi FT-NIR yang dikombinasikan dengan metode PLS-D1 dapat digunakan sebagai metode yang cepat, akurat, dan non-destruktif untuk memprediksi kandungan fosfor pada ekoenzim.

Eco-enzyme is a product derived from the fermentation of organic fruit and vegetable waste; it holds potential as a liquid organic fertilizer due to its content of plant-essential nutrients, such as phosphorus. Laboratory-based analysis of phosphorus content generally entails significant time, cost, and chemical usage. Therefore, this study aimed to predict the phosphorus content of eco-enzymes derived from various types of organic waste using Fourier Transform Near-Infrared (FT-NIR) technology. The study was conducted because conventional laboratory analysis for phosphorus is time-consuming, costly, and chemical-intensive, necessitating a faster, accurate, and non-destructive alternative method. A total of 35 eco-enzyme samples were prepared using various combinations of organic fruit and vegetable waste, fermented for three months at an organic matter-to-molasses-to-water ratio of 3:1:10. Actual phosphorus content was analyzed using Atomic Absorption Spectrophotometry (AAS), while spectral data were acquired via FT-NIR within the 15,000–4,000 cm⁻¹ wavenumber range. Subsequently, prediction models were developed using Partial Least Squares (PLS) and Principal Component Regression (PCR) methods, incorporating five pretreatment approaches: Raw Spectrum, Standard Normal Variate (SNV), Mean Normalization (MN), De-Trending (DT), and First Derivative (D1). The results indicated that the phosphorus content of the eco-enzymes ranged from 2.11% to 3.85%; the highest content was found in the combination of banana peel, tomato, and pineapple peel (3.85%), while the lowest was found in the combination of banana peel, tomato, and watermelon rind (2.11%). A comparison of the calibration models demonstrated that the PLS method yielded superior performance compared to the PCR method. This is demonstrated by a higher correlation coefficient (r) of 0.9823 and coefficient of determination (R²) of 0.9649, alongside a lower Root Mean Square Error of Calibration (RMSEC) value of 0.0666. Among all the pretreatments tested, Derivative 1 (D1) yielded the best model, as it enhanced spectral information quality and achieved the highest prediction accuracy. Consequently, FT-NIR technology combined with the PLS-D1 method can serve as a rapid, accurate, and non-destructive approach for predicting the phosphorus content in eco-enzymes.