Alga, Alternatif Sumber Energi Terbarukan Yang Belum Tergarap

Perubahan iklim semakin hari kian mengkhawatirkan. Peningkatan tinggi permukaan air laut menyebabkan abrasi di banyak garis pantai di dunia, bahkan daerah pesisir yang dulu tidak pernah terkena banjir rob air laut saat ini mulai terkena. Berbagai penelitian juga menyebutkan bahwa suhu bumi semakin meningkat akibat efek rumah kaca hasil dari pencemaran udara. Hal ini membuat es abadi di kutub utara dan selatan mencair dan makin menambah ketinggian air laut. Jika hal ini tidak diatas maka bumi akan mengalami kerusakan ekosistem yang masif yang dapat mengganggu kehidupan biota didalamnya termasuk manusia. Salah satu hal yang dituding sebagai biang kerok terhadap perubahan iklim ini adalah masifnya penggunaan bahan bakar fosil. Bahan bakar fosil adalah sumber energi tidak terbarukan dan tidak berkelanjutan yang digunakan sebagai bahan bakar motor untuk berbagai tujuan seperti transportasi, pembangkit listrik, dan pertanian. 

Kebutuhan bahan bakar fosil untuk transportasi darat di masa depan sudah hampir dapat dipastikan berkurang karena masifnya pengembangan electric vehicle (EV). Diawali dengan pengembangan mobil listrik Tesla yang begitu fenomelal seolah menjadi starting point pengembangan electric vehicle bagi perusahaan otomotif besar lain seperti Hyundai, Nissan bahkan Xiaomi yang selama ini bergerak dibidang teknologi mobile ikut meramaikan pengembangan kendaraan listrik. akan tetapi, listrik yang digunakan untuk menggerakan kendaraan-kendaraan tersebut bukan merupakan energi independen yang artinya baterai yang digunakan pada kendaraan tersebut harus tetap dicharge ataupun disuplai oleh pembangkit listrik. Pada mobil elektrik murni maka baterai harus diisi kembali setelah menempuh perjalanan sekian kilometer dan pada kendaraan hybrid ada yang menggunakan mesin berbahan bakar fosil sebagai pembangkit listrik untuk mengisi baterai yang dimilikinya. Energi listrik yang dihasilkan oleh pembangkit ini sebagian dihasilkan dari alam dan sebagian besar masih dihasilkan dari pembangkit listrik berbahan bakar fosil. Artinya, meskipun kebutuhan akan bahan bakar fosil untuk transportasi darat berkurang akan tetapi kebutuhan untuk pembangkit listrik bisa jadi meningkat. Kebutuhan bahan bakar fosil untuk transportasi udara dan laut masih tetap tinggi karena pengembangan ke arah kendaraan elektrik belum begitu berkembang. Penggunaan bahan bakar fosil yang tinggi dihadapkan pada permasalahan menipisnya cadangan bahan bakar fosil yang ada dan dunia ditantang untuk mencari bahan bakar alternatif. 

Salah satu energi alternatif yang sudah dikembangkan adalah biodiesel. Secara global, biodiesel sebagian besar diproduksi dari minyak sawit (31%), kedelai (27%), minyak lobak (20%), dan minyak goreng bekas (10%). Di Uni Eropa, biodiesel dihasilkan dari minyak lobak (44%), minyak sawit (29%), minyak goreng bekas (15%), dan minyak kedelai (5%) dan sisanya berasal dari bunga matahari, kelapa, kacang tanah, rami, jarak pagar, jagung dan alga.

Dalam tulisan berjudul The Perspective of Large-Scale Production of Algae Biodiesel yang dipublikasikan pada 2020, Bosnjakovic dan Sinaga menyatakan bahwa penggunaan alga sebagai bahan baku produksi biodiesel memiliki hasil yang lebih tinggi dibandingkan dengan tanaman darat sebagai bahan bakunya. Beberapa spesies alga sperti Schizochytrium sp., Nitzschia sp., dan Botyococcus braunii mengandung lebih dari 50% minyak dalam biomassanya dan dapat diekstrak dan diproses menjadi babahn bakar. Beberapa bahan bakar yang dapat diproduksi dari alga diantaranya bioetanol, biodiesel, metana, kerosen, biobutanol, biogas dan biodiesel ramah lingkungan. 

Flow chart proses pembuatan biodiesel dari alga

Proses pembuatan biofuel dari alga diawali dengan penumbuhan dan produksi alga. Hal yang perlu diperhatikan dalam tahap ini adalah kecukupan nutrient, CO2 dan sinar matahari. Seperti tanaman pada umumnya, alga membutuhkan sinar matahari dan CO2 untuk melakukan fotosintesis dan nutrien untuk pertumbuhannya. Tahap berikutnya adalah seleksi dan pemanenan. Seleksi dilakukan untuk memilah alga yang memiliki kandungan biofuel yang tinggi dalam biomassanya. Setelah dilakukan pemanenan, alga kemudian dikeringkan dan lemak diekstrak dengan cara merusak sel secara kimiawi maupun mekanis. Tahap selanjutnya adalah memisahkan lemak dengan asam lemak untuk diproses menjadi biodiesel. 

Penulis : Iwan Malhani Al Wazzan - LRMPHP

Read More

Pengawasan Otomatis Mutu Daging Ikan Menggunakan Machine Vision

Karena sifat daging ikan yang cepat mengalami kebusukan oleh proses biokimiawi maupun aktifitas bakteri, dalam industri perikanan selalu dibutuhkan pengawasan yang ketat terhadap mutu ikan sepanjang proses produksi, contohnya adalah yang berlangsung pada industri tuna dan salmon segar.

Pengujian mutu produk tersebut biasanya merupakan pekerjaan yang terus menerus atau berulang-ulang dan sifatnya sangat subjektif ditentukan oleh seorang ahli atau pengawas mutu terlatih. Seorang ahli mutu biasanya menentukan kualitas produk ikan segar melalui panca inderanya, dengan cara dilihat, dicium atau dirasa. Oleh karenanya, kualitas mutu ikan segar menjadi sangat subjektif karena dipengaruhi oleh kemampuan pengawas mutu, dan juga dipengaruhi faktor lainnya seperti kelelahan, dan kesalahan manusia.

Mutu ikan segar sebenarnya berhubungan erat dengan warna dan penampakan dagingnya. Hal ini menjadikan peluang untuk pemanfaatan aplikasi machine vision dalam industri produk ikan segar, yaitu untuk mendapatkan hasil penilaian kualitas produk yang lebih cepat dan lebih objektif. Aplikasi serupa sebenarnya juga telah dikembangkan pada produk-produk daging sapi atau unggas, seperti yang dilakukan oleh Garavand dkk. (2019) dalam menentukan kualitas daging ayam potong beku, yaitu menggunakan informasi perubahan warna produk yang disimpan selama 13 hari. Informasi warna daging ayam yang diambil sebagai dataset oleh Garavand dkk. yaitu rentang warna red, green, blue (RGB) dan L*A*B*. Kemudian untuk produk ikan segar, Garavand (2019) dkk. juga melakukan hal yang sama untuk menentukan kesegaran ikan mas selama penyimpanan dingin. Sedangkan Lugatiman dkk. (2019) melakukannya untuk menentukan kesegaran ikan tuna ekor kuning.

Informasi warna daging ikan yang diperoleh melalui kamera selanjutnya akan dibaca oleh mesin komputer sebagai bentuk angka-angka. Setelah informasi warna didapatkan melalui proses akuisisi gambar, biasanya dilanjutkan dengan proses pengkelasan (clustering) informasi warna tersebut, misalkan menjadi kelas “segar”, “kurang segar” dan “tidak segar” dengan menggunakan algoritma seperti  support vector machine (SVM), K-nearest neighbor (KNN) atau artificial neural network (ANN).

Contoh hasil ekstraksi fitur warna daging ikan (a) salmon dan (b) tuna (sumber: Medeiros dkk., 2021)

Semakin banyak dataset gambar daging ikan yang dilatihkan menggunakan algoritma machine learning (ML) maka semakin baik atau akurat model yang dihasilkan. Model dari hasil pelatihan dataset inilah yang kemudian diinstal atau di deploy pada mesin atau komputer untuk menentukan mutu daging ikan pada proses produksi. 

Ilustrasi inspeksi kualitas daging ikan menggunakan machine vision (sumber: www.toptal.com)

Dengan menggunakan teknologi machine vision, maka inspeksi mutu produk ikan yang dihasilkan oleh industri menjadi lebih terjamin dan lebih seragam karena pengawasan dilakukan secara objektif serta meminimalkan kekeliruan akibat kesalahan manusia.

Penulis: Bakti Berlyanto Sedayu - LRMPHP

Read More

Pengaruh Penambahan Jumlah Gliserol terhadap Kadar Air dan Sifat Fisik Pellet Bioplastik Berbahan Dasar Karagenan

Timbunan sampah tiap orang di Indonesia diperkirakan akan mencapai 2,1 kg/hari pada tahun 2020, disampaikan oleh Saputro pada tahun 2017 dalam Jurnal Kimia dan Pendidikan Kimia. Sampah plastik susah untuk diurai organisme pengurai, membutuhkan waktu ratusan tahun agar bisa terurai sempurna. Selain itu, sampah plastik dapat menimbulkan masalah pencemaran lingkungan, diantaranya yaitu mengenai marine debris. Salah satu alternatif untuk mengatasi masalah ini yaitu dengan bioplastik, yaitu plastik yang sebagian atau hampir seluruh komponennya berasal dari bahan baku yang dapat diperbaharui. 

Data dari Kementerian Kelautan dan Perikanan serta Badan Pusat Statistik menyebutkan bahwa jumlah produksi rumput laut di Indonesia tahun 2019 mencapai 9.746.946 ton. Karaginan, salah satu hasil olahan rumput laut, menunjukkan kemampuan pembentukan film yang baik dan dapat digunakan sebagai bahan baku pembuatan bioplastik.

Pada tahun 2020, LRMPHP telah menciptakan serangkaian alat pembuat biji/pellet bioplastik, yaitu mixer, single screw extruder, dan pelletizer. 

Rangkaian alat pembuat biji/pellet bioplastik(a) Single screw extruder, (b) conveyor dan (c) pelletizer. (Sumber : Wullandari, et al., 2021. Prosiding Seminar Nasional Tahunan XVIII Hasil Penelitian Perikanan dan Kelautan)

Untuk mendukung performansi alat tersebut, peneliti LRMPHP telah melakukan penelitian mengenai pengaruh penambahan jumlah gliserol terhadap kadar air dan sifat fisik pellet bioplastik berbahan dasar karagenan. Tahapan pembuatan pellet bioplastik yaitu : pencampuran dengan food processor, ekstrusi menggunakan single screw extruder hasil rancangan Loka Riset Mekanisasi Pengolahan Hasil Perikanan (LRMPHP), dan pemotongan dengan pelletizer hasil rancangan LRMPHP. Variasi penambahan gliserol sebagai plasticizer masing – masing sebanyak 20%, 30% dan 40%, sedangkan campuran tepung Refined Carrageenan (RC) dan Poli Vinil Alkohol (PVA) masing – masing sebanyak 80%, 70% dan 60%. Hasil penelitian menunjukkan bahwa penambahan jumlah gliserol tidak berpengaruh secara nyata terhadap kadar air dan diameter pellet bioplastik namun berpengaruh secara nyata terhadap panjang dan warna pellet bioplastik. 

Pellet bioplastik dengan formulasi RC : PVA : gliserol = (a) 30% : 30% : 40%, (b) 35% : 35% : 30% dan (c) 40% : 40% : 20%

Penulis : Putri Wullandari - LRMPHP

Read More

LRMPHP Terima Kunjungan DKP Kota Pekalongan

Kunjungan ke ruang display alsinkan hasil riset LRMPHP 

LRMPHP menerima kunjungan dari Dinas Kelautan dan Perikanan Kota Pekalongan pada 17 Desember 2021. Kunjungan  ini dipimpin Drs. Sugiyo selaku Sekretaris Dinas KP didampingi Kabid Perikanan Budidaya, Kabid Perikanan Tangkap, Kepala UPTD Technopark Terikanan, Kepala UPTD TPI Kota Pekalongan dan Kasubdit Perekonomia Bappeda Pekalongan. Kunjungan ke LRMPHP ini dalam rangka studi banding untuk pengembangan pengelolaan Kawasan Sains Technopark (KST) di Pekalongan.

Dalam sambutannya Kepala LRMPHP Luthfi Assadad menyampaikan bahwa selama ini kerjasama antara kedua instansi sudah terjalin melalui uji terap ALTIS-2 (Alat Transportasi Ikan segar Roda 2) kepada pedagang ikan keliling di Pekalongan tahun 2019 dan Aerator Tipe Kincir Terkontrol Untuk Kolam Ikan Budidaya Intensif tahun 2021. 

Sementara itu Drs. Sugiyo mengapresiasi alsinkan hasil riset LRMPHP yang sudah diuji terap di Pekalongan. Hal ini mengingat produksi hasil perikanan di Pekalongan cukup tinggi namun masih dijual dalam bentuk raw material sehingga melalui uji terap ini diharapkan dapat meningkatkan hasil pengolahan produk perikanan sekaligus perekonomian masyarakat.

Dalam kunjungannya ini dibahas penguatan jejaring kerjasama antar kedua instansi untuk mendukung pengembangan Technopark Pekalongan melalui sharing tenaga ahli dan pemanfaatan alsinkan hasil riset LRMPHP. Selain itu DKP Pekalongan juga berkesempatan melihat alsinkan hasil riset LRMPHP di ruang display serta fasilitas pendukungnya. Selama kunjungannya ini dilakukan pemaparan mengenai fungsi dan mekanisme kerja beberapa peralatan hasil rancang bangun LRMPHP.

Read More

Deteksi Ikan Menggunakan Algoritma YOLO

Obyek Deteksi Menggunakan YOLO

Potongan scene dalam sebuah film bergenre science fiction menggambarkan visualisasi dari robot yang mampu mendeteksi berbagai bentuk obyek disekitarnya. Hmm.. jika kita agak kurang kerjaan sedikit dengan memikirkan software apa yang digunakan agar si robot tersebut bisa mendeteksi obyek disekitarnya? Rupanya teknologi tersebut sudah dapat kita jumpai dikehidupan kita sehari hari hari. Beberapa sistem cctv yang canggih telah menerapkan metode obyek deteksi untuk pengenalan beberapa jenis obyek. Obyek deteksi merupakan suatu proses yang digunakan untuk menentukan keberadaan obyek tertentu, biasanya obyek tersebut divisualisasikan dalam sebuah penanda berupa kotak. 

Obyek deteksi tersebut dapat dibuat menggunakan metode deep learning. Saat ini telah banyak berkembang algoritma yang dapat menfasilitasi metode tersebut. YOLO dikenal sebagai algoritma obyek deteksi yang memiliki performa yang bagus. YOLO dikenalkan pertama kali oleh penciptanya Joseph Redmon pada sebuah konferensi internasional IEEE Conference on Computer Vision and Pattern Recognition pada tahun 2016. Hingga saat ini, YOLO telah berkembang hingga YOLOV5 dimana pada setiap seri terdapat perbaikan dan penyempurnaan algoritma. Kabar baiknya dari setiap seri YOLO tersebut beredar bebas di internet tepatnya di laman github.com dan tentu saja tutorial terpisahnya di media sosial youtube.

Untuk membangun sebuah weight custom (sesuai keinginan kita) diawali degan pengumpulan dataset, setidaknya diatas 100 gambar untuk setiap obyek. Dilanjutkan dengan anotasi gambar tersebut atau bahasa awam “menandai” dimana letak gambar itu. Selanjutnya mengubah beberapa file konfigurasi yang disesuaikan dengan data latih yang akan kita bangun. Jika ingin melatih weight dengan personal computer (pc) kita sepertinya diperlukan spesifikasi yang cukup tinggi dibanding dengan kebutuhan pc untuk mengetik misalnya. Namun demikian, sebuah web editor dengan nama google colab dapat dimanfaatkan untuk mendapatkan fasilitas setara computer dengan performa tinggi. Selama waktu training beberapa parameter dapat diketahui untuk melihat apakah weight yang kita training telah cukup baik untuk digunakan mendeteksi atau perlu lebih lama lagi waktu trainingnya, diantaranya accuracy training, accuracy loss, validasi training dan validasi loss. Semakin tinggi nilai accuracy dan semakin rendah nilai loss maka model tersebut semakin baik. 

Dalam paper yang ditulis oleh Joseph Redmon diatas disebutkan bahwa YOLO memiliki tingkat akurasi yang tinggi untuk mendeteksi suatu obyek benda. namun demikian rupanya belum banyak yang menerapkannya pada ikan. LRMPHP telah berhasil membangun deteksi gambar berbasis pada arsitektur YOLO pada sebuah paper berjudul Deteksi Ikan Nila Menggunakan Arsitektur YOLO pada Iterasi yang Berbeda. Paper tersbut diterbitkan pada buku Prosiding Semnaskan UGM ke XVIII tahun 2021 oleh Departemen Perikanan Fakultas Pertanian UGM. 

Dalam penelitian tersebut digunakan 97 ekor ikan nila sebagai data latih untuk membangun weight dan digunakan 19 ikan yang berbeda sebagai data uji. Perlakuan berupa perbedaan iterasi selama training. Tiga perlakuan iterasi digunakan yaitu I1 menggunakan 500 iterasi, I2 menggunakan 1000 iterasi dan I3 menggunakan 2000 iterasi. Untuk mempermudah selama training data latih menggunakan web editor berupa google colab. Hasil penelitian menunjukkan bahwa kelompok I2 menunjukkan nilai akurasi, sensitivitas dan spesivitas lebih baik dibandingkan dengan kelompok yang lain. Dimana nilai akurasi, sensitivitas dan spesivitas mencapai 84,2 %, 90 % dan 77,78 %

Kira kira, adakah yang tertarik untuk mencoba metode obyek deteksi tersebut ? <smile>

Penulis : Koko Kurniawan - LRMPHP

Read More