Electronic Theses and Dissertation

Limbah penyulingan serai wangi (Cymbopogon nardus) merupakan biomassa lignoselulosa yang berpotensi dijadikan pakan ternak alternatif, namun masih memiliki kadar lignin dan serat kasar tinggi. Fermentasi padat Solid State Fermentation (SSF) menggunakan jamur pelapuk putih dapat menurunkan lignin dan meningkatkan kualitas nutrisinya. Selama fermentasi, parameter kadar air (moisture) dan pH perlu dipantau karena memengaruhi aktivitas mikroba dan kestabilan proses. Pemantauan konvensional bersifat destruktif dan memerlukan waktu lama, sehingga teknologi Near-Infrared Spectroscopy (NIRS) digunakan sebagai metode non-destruktif, cepat, dan akurat. Penelitian ini bertujuan mengembangkan model kalibrasi Partial Least Squares Regression (PLSR) berbasis spektrum NIR untuk memprediksi kadar air dan pH selama fermentasi limbah serai wangi. Proses fermentasi dilakukan selama 28 hari menggunakan empat jenis jamur pelapuk putih, yaitu Phanerochaete chrysosporium, Pleurotus ostreatus, Trichoderma viride, dan Lentinula edodes. Pengukuran spektrum dilakukan pada panjang gelombang 1000–2500 nm menggunakan NIRFlex N-500, dengan tujuh metode koreksi spektrum, yaitu Peak Normalization, Mean Normalization, Multiplicative Scatter Correction (MSC), Savitzky–Golay Smoothing (SGS), serta kombinasinya. Hasil penelitian menunjukkan bahwa dengan penerapan koreksi spektrum dapat menghasilkan performa terbaik pada kedua parameter. Untuk parameter moisture, dengan koreksi spektrum Mean Normalization diperoleh R² = 0.99, RMSEC = 0.0011356, dan RPD = 22.1, sedangkan untuk parameter pH, dengan koreksi spektrum kombinasi Mean Normalization + Savitzky–Golay Smoothing (SGS) diperoleh R² = 0.99, RMSEC = 0.0005321, dan RPD = 23.4. Nilai R² yang tinggi dan RPD di atas 3 menunjukkan akurasi prediksi yang sangat baik. Hasil ini dapat disimpulkan bahwa NIRS dengan metode PLSR dan koreksi spektrum mampu memprediksi parameter fermentasi limbah serai wangi secara cepat, akurat, dan non-destruktif. Teknologi ini berpotensi digunakan sebagai alat pemantauan real-time pada proses fermentasi biomassa untuk mendukung efisiensi dan keberlanjutan industri pakan serta pengolahan limbah pertanian.

The valorization of lignocellulosic biomass residues, such as Lemongrass (Cymbopogon nardus L.) waste, as livestock feed represents a strategic approach to enhance sustainable animal production while reducing environmental burdens. However, the high lignin and crude fiber contents of this residue limit its digestibility, necessitating solid-state fermentation (SSF) using white-rot fungi to improve its nutritional quality. During SSF, pH and moisture content are critical process indicators, yet conventional analytical methods remain inefficient for rapid monitoring. This study evaluated the application of near-infrared spectroscopy (NIRS) combined with partial least squares regression (PLSR) to predict pH and moisture content in fermented citronella waste using four spectral pretreatment techniques: Peak Normalization (PN), Mean Normalization (MN), Multiplicative Scatter Correction (MSC), and Savitzky–Golay Smoothing (SGS). The results demonstrated that MN provided the highest predictive performance for moisture content (R² = 0.99; RPD = 22.5), while SGS yielded the most accurate model for pH prediction (R² > 0.99). PN and MSC further improved spectral linearity across different fermentation stages. Overall, NIRS proved to be a rapid, accurate, and non-destructive tool for monitoring SSF of citronella waste, highlighting its strong potential for real-time process control in lignocellulosic biomass–based feed production systems.