Thivaly, Diffa Althafania and Hendrix Yulis Setyawan, STP, M.Si, PhD and Mohd Zulkhairi Mohd Yusoff, Assoc. Prof. Dr. (2023) Optimization of Biochar from Young Coconut Waste (Cocos nucifera) as an Adsorbent using Artificial Neural Network (ANN). Sarjana thesis, Universitas Brawijaya.
Abstract
Indonesia is a tropical country that produced the largest coconut in the world and 1st place as a coconut producer country from 2008-2019 according to FAOSFAT (2019). In 2021, the total production of coconut in Indonesia reaches 2.85 million tons, which makes many coconut industries grow rapidly ranging from food, beverages, personal care, and medicine. The high production of young coconuts also causes a high amount of waste produced, especially young coconut shells since this waste is large and able to pollute the environment. Young coconut shells are waste that contains high lignin and cellulose around 35% and 39%, making this waste have the potential to be used as biochar or active carbon to treat heavy metals. Biochar is a charcoal-like product made from biomass under several conditions usually using the pyrolysis method. This research aims to analyze the prediction and optimization of several parameters of biochar from young coconut shells as an adsorbent using Artificial Neural Network (ANN). The research done at Laboratory of Biopolymer and Derivatives (BADs), Institute of Tropical Forestry and Forest Products (INTROP), Faculty of Biotechnology and Biomolecular Science of Universiti Putra Malaysia. The experimental designs in this research were obtained using Central Composite Design (CCD) with the result of 20 experiments. The factors or features in this research are pyrolysis time, pyrolysis temperature, and KOH activator concentration. Meanwhile, the responses or targets are biochar yield (%) and iodine number. The pyrolysis temperature range is 400oC, 500oC, and 600oC, and the pyrolysis time range is 90 mins, 145 mins, and 200 mins, while the KOH concentration is 2 M, 3.5 M, and 5 M. The result shows that pyrolysis time and temperature have a strong correlation to biochar yield, but KOH concentration has no correlation to it. The correlation coefficient of pyrolysis temperature, pyrolysis time, and KOH concentration toward biochar yield is -0.0704112, 0.552024, and -0.080916. The same result analysis for iodine number, the pyrolysis time and temperature show a strong correlation while KOH activator have no correlation to iodine number. The correlation coefficient of pyrolysis temperature, pyrolysis time, and KOH concentration toward iodine number is 0.609157, -0.627664, and -0.087547. The prediction of the responses of young coconut waste activated biochar is done using Deep Neural Network which is the branch of Artificial Neural Network (ANN). The coding used to build the model is Python with library such as TensorFlow, Keras, Pandas, and NumPy. There are 50 data obtained from the experiments and literature reviews as the secondary data. The best DNN model with lowest loss function composed of input layer, 4 hidden layers which are dense layer with 64 neurons, batch normalization layer, dense layer with 128 neurons, and batch normalization layer, the dropout layer, and the last layer is output layer. The lowest training loss (MAE) of biochar yield and iodine number is 4.847 and 6.596, meanwhile the validation loss (MAE) of biochar yield and iodine number respectively is 3.107 and 5.158. Another metrics analysis used to assess the DNN model’s performance is R2, the R2 value of biochar yield is 0.8238 and the iodine number is 0.7324. Based on that, the DNN model is able to explain the actual value from biochar yield and iodine number from the predicted value around 82% and 73% respectively.
English Abstract
Indonesia merupakan negara tropis penghasil kelapa terbesar di dunia dan menduduki peringkat 1 sebagai negara penghasil kelapa dari tahun 2008-2019 menurut FAOSFAT (2019). Pada tahun 2021, total produksi kelapa di Indonesia mencapai 2,85 juta ton, yang membuat banyak industri kelapa berkembang pesat mulai dari makanan, minuman, perawatan pribadi, dan obat-obatan. Tingginya produksi kelapa muda juga menyebabkan banyaknya limbah yang dihasilkan, terutama batok kelapa muda karena limbah ini berukuran besar dan dapat mencemari lingkungan. Batok kelapa muda merupakan limbah yang mengandung lignin dan selulosa tinggi sekitar 35% dan 39%, sehingga limbah ini berpotensi untuk dijadikan biochar atau karbon aktif untuk mengolah logam berat. Biochar adalah produk mirip arang yang dibuat dari biomassa dengan beberapa kondisi biasanya menggunakan metode pirolisis. Penelitian ini bertujuan untuk menganalisis prediksi dan optimasi beberapa parameter biochar dari tempurung kelapa muda sebagai adsorben menggunakan Artificial Neural Network (ANN). Penelitian dilakukan di Laboratory of Biopolymer and Derivatives (BADs), Institute of Tropical Forestry and Forest Products (INTROP), Fakultas Bioteknologi dan Ilmu Biomolekuler, Universiti Putra Malaysia. Rancangan percobaan dalam penelitian ini diperoleh dengan menggunakan Central Composite Design (CCD) dengan hasil 20 percobaan. Faktor atau ciri dalam penelitian ini adalah waktu pirolisis, suhu pirolisis, dan konsentrasi aktivator KOH. Sedangkan respon atau targetnya adalah hasil biochar (%) dan bilangan iodin. Rentang suhu pirolisis adalah 400oC, 500 oC, dan 600 oC, rentang waktu pirolisis adalah 90 menit, 145 menit, dan 200 menit, sedangkan konsentrasi KOH adalah 2 M, 3,5 M, dan 5 M. Hasil menunjukkan bahwa waktu pirolisis dan suhu memiliki korelasi yang kuat dengan biochar yield (%), tetapi konsentrasi KOH tidak memiliki korelasi dengan biochar yield (%). Koefisien korelasi suhu pirolisis, waktu pirolisis, dan konsentrasi KOH terhadap hasil biochar adalah -0,0704112, 0,552024, dan -0,080916. Hasil analisis yang sama untuk iodine number, waktu dan temperatur pirolisis menunjukkan korelasi yang kuat sedangkan aktivator KOH tidak berkorelasi dengan bilangan iodin. Koefisien korelasi suhu pirolisis, waktu pirolisis, dan konsentrasi KOH terhadap bilangan iodine adalah 0,609157, -0,627664, dan -0,087547. Prediksi respon biochar teraktivasi limbah kelapa muda dilakukan dengan menggunakan Deep Neural Network yang merupakan cabang dari Artificial Neural Network (ANN). Coding yang digunakan untuk membangun model adalah Python dengan library seperti TensorFlow, Keras, Pandas, dan NumPy. Ada 50 data yang diperoleh dari eksperimen dan studi literatur sebagai data sekunder. Model DNN terbaik dengan loss function terendah terdiri dari lapisan input, 4 hidden layer yaitu dense layer dengan 64 neuron, lapisan batch normalization, dense layer dengan 128 neuron, dan lapisan batch normalization, lapisan dropout, dan lapisan terakhir adalah lapisan output. Training loss (MAE) biochar yield dan bilangan iodine terendah adalah 4,847 dan 6,596, sedangkan validasi loss (MAE) biochar yield dan bilangan iodine berturut-turut adalah 3,107 dan 5,158. Analisis metrik lain yang digunakan untuk menilai kinerja model DNN adalah R2, nilai R2 hasil biochar adalah 0,8238 dan bilangan yodium 0,7324. Berdasarkan hal tersebut, model DNN mampu menjelaskan nilai sebenarnya dari hasil biochar dan bilangan iodin dari nilai prediksi masing-masing sekitar 82% dan 73%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 052310 |
| Uncontrolled Keywords: | Activated Biochar, Adsorbent, Artificial Neural Network (ANN), Pyrolysis, Prediction, Young Coconut Waste-Adsorben Limbah, Artificial Neural Network (ANN), Biochar, Pirolisis, Prediksi, Tempurung Kelapa Muda |
| Divisions: | Fakultas Teknologi Pertanian > Teknologi Industri Pertanian |
| Depositing User: | Unnamed user with email y13w@ub.ac.id |
| Date Deposited: | 15 Jan 2024 07:39 |
| Last Modified: | 15 Jan 2024 07:39 |
| URI: | http://repository.ub.ac.id/id/eprint/210339 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Diffa Althafania Thivaly.pdf Restricted to Registered users only until 31 December 2025. Download (5MB) |
Actions (login required)
 |
View Item |