Bab II Tinjauan Pustaka

Bab II

Tinjauan Pustaka

II.1Umum

Kebutuhan akan pengetahuan terhadap keberadaan, kekuatan sumber (source

strength), distribusi dan perilaku substansi kimia dalam partikulat semakin

meningkat. Pengetahuan akan hal ini dibutuhkan untuk secara efektif mengurangi konsentrasi substansi kimiawi partikulat tersebut yang dapat membahayakan kesehatan manusia dan lingkungan. Satu-satunya metode yang dapat diterapkan untuk mereduksi pajanan terhadap populasi secara efektif adalah dengan mengidentifikasi sumber yang mengemisikan substansi tersebut. Hasil dari identifikasi sumber ini kemudian dapat digunakan untuk menentukan prioritas pengelolaan sumber emisi/substansi yang memiliki kontribusi signifikan terhadap lingkungan[22]_.

Metode identifikasi sumber emisi ini dikenal dengan nama receptor-oriented

atau model reseptor. Model tersebut berfokus pada perilaku lingkungan

ambien di titik dampak, berbeda dengan model dispersi yang berfokus pada fenomena transportasi, dilusi dan transformasi yang terjadi dari sejak polutan diemisikan hingga ke area sampling[16]. Urutan zat pencemar udara mulai dari sumber hingga terukur di waktu sampling dapat terlihat pada gambar II.1 dibawah ini. Saat ini, metode model reseptor telah banyak diterapkan untuk menganalisis sumber emisi partikulat udara, baik untuk partikel halus (fine)

maupun kasar (coarse).

Prinsip fundamental model reseptor adalah adanya asumsi konservasi massa dan analisis kesetimbangan massa dapat digunakan untuk mengidentifikasi dan memproporsi sumber material partikulat di atmosfer. Pendekatan yang digunakan untuk menghasilkan satu set data yang menjadi data input model

reseptor adalah dengan menganalisis konstituen kimiawi seperti logam, ion dan carbon yang diperoleh dari sejumlah sampel[17].

Gambar II.1 Skema Urutan Pencemar dari Sumber ke Reseptor[16]

Persamaan kesetimbangan massa yang digunakan dalam analisis model reseptor ini dapat diungkapkan sebagai sejumlah m spesi kimiawi yang

terdapat dalam sejumlah n sampel yang berkontribusi terhadap sejumlah p

sumber tertentu, seperti terlihat dibawah ini:

ij p p pj ip ij

=

∑

g

f

+

e

=1

χ

₍₁₎

Dimana : xijadalah konsentrasiyang terukur untuk spesi j pada sampel i,

fpj adalah konsentrasi spesi j dalam material yang teremisikan oleh

sumber p,

gipadalah kontribusi sumber p terhadap sampel i,

eij adalah sebagian data hasil pengukuran yang tidak dapat

dijelaskan oleh model

Dalam model reseptor, terdapat beberapa batasan fisik yang harus diperhatikan dalam mengembangkan model untuk mengidentifikasi dan

memperkirakan kontribusi sumber emisi partikulat udara. Batasan fisik tersebut antara lain :

1. Data asli harus direproduksi oleh model; model tersebut harus dapat menjelaskan hasil observasi

2. Komposisi sumber yang diprediksikan tidak boleh bernilai negatif; suatu sumber emisi tidak mungkin memiliki konsentrasi unsur negatif

3. Kontribusi sumber yang diprediksikan tidak boleh bernilai negatif; suatu sumber emisi tidak mungkin mengemisikan sejumlah massa yang bernilai negatif

4. Jumlah total kontribusi massa yang diprediksikan untuk masing-masing sumber harus lebih kecil atau sama dengan jumlah total massa yang terukur untuk tiap-tiap unsur

Batasan-batasan diatas harus selalu diperhatikan dalam pengembangan dan penerapan model reseptor agar dapat diperoleh hasil yang realistik[17].

II.2Model Reseptor

Berdasarkan persamaan (1) diatas, terlihat bahwa analisis model reseptor memiliki dua variabel yang tidak diketahui nilainya, yaitu komponen gip dan

fpj. Namun pada kasus tertentu, komponen fpj dapat diketahui melalui

serangkaian penelitian terhadap profil sumber yang terdapat di suatu daerah sehingga kita dapat memperkirakan langsung kontribusi dari suatu sumber emisi terhadap pencemaran udara di daerah tersebut. Oleh karenanya, metode model reseptor dapat dibagi dua yaitu :

1. Model reseptor dengan sumber yang sudah diketahui 2. Model reseptor dengan sumber yang tidak diketahui

II.2.1 Sumber Diketahui

Terdapat beberapa pendekatan yang bisa digunakan untuk memecahkan persamaan (1) diatas tergantung pada informasi apa yang tersedia. Jika jumlah

dan sumber emisi di suatu daerah diketahui (dinotasikan sebagai p dan fik),

maka satu-satunya hal yang tidak diketahui adalah kontribusi massa tiap-tiap sumber terhadap tiap-tiap sampel (gkj). Pendekatan ini pertama kalinya

disarankan oleh Winchester dan Nifong dan oleh Miller et al. Problem

tersebut dipecahkan dengan menggunakan pendekatan effective-variance

least-square yang saat ini dikenal dengan nama model Chemical Mass

Balance (CMB). Model ini dapat diperoleh secara gratis dengan cara mengunduh dari website US Environmental Protection Agency di

www.epa.gov/ttn/SCRAM. [17]_{. Berikut ini adalah ilustrasi penggunaan model} CMB dalam memprediksi kontribusi sumber emisi.

Gambar II.2 Ilustrasi Prinsip Penerapan Chemical Mass Balance (CMB)[22]

Model CMB ini juga diaplikasikan oleh Hidy dan Friedlander tahun 1972 serta Knip et al; tahun 1973. Aplikasi awalnya menggunakan spesi kimiawi unik yang berhubungan dengan tipe sumbernya (biasa disebut tracer).

Friedlander memperkenalkan pemecahan dengan kuadrat terkecil dilengkapi dengan “ pembobotan” pada persamaan CMB. Namun persamaan ini hanya memperhitungkan ketidakpastian (uncertainty) pada konsentrasi partikulat di

reseptor, sementara ketidakpastian di profil sumber diabaikan[19]. Kelebihan penggunaan model CMB ini adalah hanya sedikit jumlah sampel yang diperlukan (Koistinen et al.,2002). Namun kekurangannya adalah bahwa

metode ini membutuhkan informasi jumlah sumber dan profil kimiawi emisinya[22].

Model CMB ini disusun berdasar prinsip konservasi massa. Apabila terdapat jumlah p sumber emisi yang ada dan diasumsikan tidak ada interaksi

diantaranya, maka konsentrasi massa yang terukur di reseptor diperoleh dengan penjumlahan kontribusi (Sj) oleh tiap sumber emisi sebagaimana

dalam persamaan :

∑

=

=

p j j

S

C

1 (2)

Konsentrasi Ci dari komponen i dalam sampel ditunjukkan dalam persamaan

(3) dibawah dimana aijadalah fraksi massa kontribusi sumber j yang memiliki

komponen i pada reseptor :

∑

=

=

p j j ij

S

a

C

1 (3)

Diasumsikan bahwa jumlah komponen n dianalisa pada sumber dan reseptor,

kemudian sebuah persamaan dibuat untuk tiap komponen. Jika jumlah n ≥

jumlah p, akan didapatkan penyelesaiannya dengan menghitung persamaan

liner sejumlah p.

Untuk memperoleh keakuratan dicari nilai χ2 _{yang disimbolkan :}

∑

∑

= − =

⎟⎟

⎠

⎞

⎜⎜

⎝

⎛

−

=

n i _i p j j ij i

w

S

a

C

1 2 2 1 2

χ

(4)

dimana wiadalah pembobotan sesuai dengan kesalahan waktu pengukuran.

Persamaan (5) dibawah merupakan matriks realisasi persamaan (3) : C = A S (5)

Dimana C adalah vektor dimensional n dari konsentrasi komponen, A adalah

matriks p dari fraksi massa sumber dan S adalah vektor dimensi n dari

kontribusi sumber-sumber. Umumnya, penyelesaian dengan metode kuadrat terkecil sesuai persamaan berikut :

S = ( tAWA )-1tAWC (6)

Dimana W adalah matriks diagonal dengan komponen diagonal wi2 . tA adalah transpose matriks A dan X-1 adalah inverse matriks X. Error estimasi untuk kontribusi sumber tergantung pada pemilihan konstanta ( wi ). Bila w tidak dimasukkan, maka solusi persamaan diatas menjadi solusi persamaan regresi kuadrat terkecil secara umum. Faktor w dimasukkan sebagai pembobotan atas

lebarnya rentang konsentrasi antar elemen dari ng/m3 - µg/m3. Faktor ketidakpastian di profil sumber juga sudah dimasukkan ke dalam faktor w ini

dengan memasukkan standar deviasi dari fraksi pengukuran di sumber[19].

II.2.2 Sumber Tidak Diketahui

Saat ini, metode identifikasi sumber pencemar menggunakan model reseptor berkembang pesat untuk metode yang digunakan bila profil sumber emisinya tidak diketahui. Metode ini merupakan suatu bentuk Analisis Faktor namun berbeda dengan metode Principal Component Analysis tradisional dan

metode-metode terkait lainnya. Pada Analisis Faktor, model dikembangkan untuk memperkirakan kontribusi dan juga profil sumber emisi dari sekumpulan data/sampel. Persamaan dasar yang digunakan adalahpersamaan kesetimbangan kimia, seperti terlihat pada persamaan (1).

Salah satu pendekatan yang banyak digunakan untuk analisis model reseptor terhadap sumber yang tidak diketahui adalah model Positive Matrix Factorization (PMF). Positive Matrix Factorization adalah suatu metode yang dikembangkan oleh Paatero dan Tapper (1993,1994) dan berkembang semakin pesat dalam sepuluh tahun terakhir. Prinsip-prinsip yang diterapkan dalam pengembangan model ini adalah dengan mencari solusi terhadap

masalah-masalah yang muncul pada metode Principal Component Analysis

(Paatero et al.,2005) dan menerapkan metode tersebut untuk mengidentifikasi sumber emisi yang belum diketahui profil sumbernya (Hopke.,2003).

Paatero dan Tapper menemukan bahwa Principal Component Analysis tidak

dapat memberikan solusi yang bermakna karena tiap-tiap unsur dalam matrix data mengalami penyesuaian (scaled). Pada awalnya, masalah ini diselesaikan

dengan menggunakan metode alternating least-squares sebagai dasar analisis

faktor PMF. Pada metode ini, salah satu matrixnya, G atau F, diasumsikan telah diketahui dan nilai chi-kwadratnya diminimisasi sesuai dengan matrix lainnya. Kemudian nilai G dan F dihitung kembali setelah diperoleh hasil kalkulasi matrix yang tetap dengan cara meminimisasi nilai Q. Proses ini terus berlangsung hingga diperoleh hasil yang konvergen. Akan tetapi, saat ini Dr. Paatero telah berhasil mengembangkan suatu skema optimasi global yang dapat menghasilkan kedua solusi diatas secara langsung.

Bila pada persamaan (7) X merupakan matrix dari data hasil sampling, maka

Residual Matrix-nya, atau E, adalah :

hj p h ih ij ij ij

X

X

X

G

F

E

=

−

=

−

∑

•

=1

ˆ

(8) Dimana i = 1,…, m unsur j = 1,…, n sampel h = 1,…, p sumber

Fungsi Tujuan (Q) yang harus diminimisasi merupakan fungsi dari G dan F sebagai berikut : 2 1 1

)

(

∑∑

= =

⎥

⎥

⎦

⎤

⎢

⎢

⎣

⎡

=

m i n j ij ij

s

E

E

Q

₍₉₎

Dimana sij merupakan estimasi ketidakpastian (uncertainty) pada unsur i dalam sampel j. Tahap berikutnya adalah bagaimana meminimisasi Q(E) yang

merupakan fungsi dari G dan F dengan batasan dimana seluruh unsur-unsur G dan F tidak boleh bernilai negatif. Paatero dan Tapper telah menunjukkan bahwa hal tersebut tidak dapat dipecahkan dengan menggunakan metode

singular value decomposition sehingga analisis PCA tidak akan memberikan

hasil yang bermakna. Oleh karenanya, batasan non-negatif diatas diterapkan melalui penggunaan fungsi penalti pada fungsi yang telah dimodifikasi, Q.

Regularisasi juga dapat diterapkan untuk mengurangi rotational freedom

sehingga fungsi yang telah dimodifikasi tersebut menjadi :

)

(

)

(

)

(

)

(

)

(

)

,

,

(

E

G

F

Q

E

P

G

P

G

R

G

R

F

Q

=

+

+

+

+

∑∑

∑∑

∑∑

∑∑

∑∑

= = = = = = = = = =

+

+

−

−

⎥

⎥

⎦

⎤

⎢

⎢

⎣

⎡

=

m i n k ih m i n k ih m i n k hj m i n k ih m i n k ij ij

F

G

F

G

s

E

1 1 2 1 1 2 1 1 1 1 2 1 1

log

log

δ

γ

β

α

P(G) dan P(F) merupakan fungsi penalti yang akan mencegah faktor G dan F menjadi negatif. R(G) dan R(F) merupakan fungsi regularisasi yang akan menghilangkan beberapa hasil rotasi yang tidak sesuai. Pada kondisi tidak terdapat batasan, maka nilai α dan β ditetapkan dengan nilai nol (0). Namun, regularisasi tetap dilakukan dalam analisis tersebut[16].

II.2.3 Unsur Penanda (Fingerprint Elements)

Pada analisis model reseptor, khususnya untuk model yang belum diketahui sumber emisinya, perlu diketahui unsur unik penanda (fingerprint elements)

dari suatu sumber emisi tertentu agar dapat diperkirakan profil sumber dan kontribusi sumber tersebut. Senyawa-senyawa yang dapat membedakan emisi-emisi sumber, baik karena jumlahnya yang berlimpah ataupun karena proporsionalitasnya, sangat penting untuk diketahui sebagai unsur penanda. Disamping itu spesi sumber tracer yang digunakan harus dipilih terlebih

dahulu dengan pertimbangan sumber-sumber apa yang ada di wilayah yang diteliti, serta melihat faktor korelasi antar elemen. Elemen-elemen yang konsisten berkorelasi kuat cenderung berasal dari sumber yang sama[19]. Tabel II.1 dan II.2 dibawah menunjukkan unsur-unsur penanda dari sumber emisi tertentu. Khusus untuk gambar II.2, tabel unsur penanda diperoleh dari data profil sumber yang berasal dari Asian Institute of Technology yang secara lengkap dapat dilihat di lampiran.

Tabel II.1 Unsur-unsur Penanda Sumber Emisi tertentu[14] Sumber-sumber emisi Unsur – Unsur Penanda

Tanah Al,Si,Sc,Ti,Fe,Sm,Ca Debu jalan Ca,Al,Sc,Si,Ti,Fe,Sm

Garam laut Na,Cl,Na+_{, Cl}-_{,Br,I,Mg, Mg}2+

Pembakaran minyak V, Ni, Mn, Fe, Cr, As,S, SO4

Pembakaran batubara Al,Sc,Se,Co,As.Ti,Th,S Industri besi baja Mn,Cr,fe,Zn,W,Rb Industri non besi/logam Zn,Cu,As,Sb,Pb,Al Industri gelas Sb,As,Pb

Industri semen Ca

Insinerator K,Zn,Pb,Sb Pembakaran straw K,Cele,Corg,Br

Bensin motor Cele, Corg, S, SO42-, NO3

-Diesel motor Corg,Cele, S, SO42-, NO3

Tabel II.2 Unsur Penanda Pada Profil Sumber AIT

Sumber Emisi Unsur Penanda

Pembakaran Biomassa BC,SO4=,K,Cl

Pembakaran Minyak V,Ni,Zn Bensin bertimbal Fe,Pb

Tanah Si,Al,K,Ca,Ti,Fe,Mg,Na Garam Laut Na,Cl

Industri Besi BC,SO4=,Si,Fe

Debu Konstruksi Ca,Si,Al,Fe NaNO3 Na,NO3

-(NH4)2SO4 NH4+, SO4=

NH4NO3 NH4+, NO3

-Saat ini, penelitian mengenai profil sumber di kota Bandung sudah mulai berkembang. Salah satu studi mengenai profil sumber di kota Bandung dilakukan oleh Puji Lestari pada tahun 2006. Pada studi ini, identifikasi profil sumber dilakukan terhadap kendaraan bermesin diesel dan kendaraan roda dua bermesin 2 tak dan 4 tak. Hasil penelitian tersebut dapat dilihat pada tabel dibawah ini.

Tabel II.3 Unsur Penanda Sumber Transportasi di Bandung[25] Sumber Emisi Unsur Penanda

Kendaraan Diesel BC, Cl-_{, SO}

42-, NO3-, NH4+, Zn, Fe

Motor 2-tak BC, Cl-_{, SO}

42-, NO3-, NH4+, Fe, Pb, Ca, Mg, Al, K, Na, Si

Motor 4-tak BC, Cl-, SO42-, NO3-, NH4+, Fe, Ca, Mg, Al, K, Na

Umumnya unsur partikel halus terdiri atas rentang nucleation/ultrafine particles (< 0.08 µm) serta rentang akumulasi (0.08 – 2.5 µm).

Partikel-partikel ini berasal dari emisi langsung dari proses pembakaran, kondensasi spesies yang volatil, konversi gas-partikel serta partikel tanah yang halus. Sementara partikel kasar (2.5 - 10 µm) berasal dari aktivitas penggerusan tanah, spora, daun-daun dan gerusan ban kendaraan. Partikel-partikel pada ukuran yang lebih besar jenis kasar juga terjadi ketika titik-titik awan dan

kabut terbentuk pada lingkungan terpolusi kemudian mengalami pengeringan setelah diserap oleh partikel dan gas lain[9].

Sesuai dengan karakteristik masing-masing senyawanya, keberadaan elemen tertentu dalam partikulat pencemar yang terukur yang digolongkan kategori halus (PM2.5) dan kasar (PM2.5 – PM10) mengikuti kecenderungan sebagai

berikut :

Tabel II.4 Rentang Ukuran Komposisi Kimia Partikulat Udara[29] Umumnya halus Umumnya kasar Variabel

Sulfat Besi Klorida Jelaga karbon Kalsium Nikel

Senyawa organik Titanium Timah

Air Magnesium Vanadium Timbal Aluminium Tembaga Ammonium Silikon Seng

Arsen Potasium Antimoni Selenium Fosfat Mangan Merkuri Krom Kadmium

II.3Hasil-hasil Penelitian Menggunakan Model reseptor

II.3.1 Penelitian di Luar negeri 1. Atlanta, Amerika Serikat

Kim et al (2004) melakukan analisis PMF terhadap data PM2.5 yang

diperoleh dari stasiun monitoring Jefferson Street, Atlanta. Pada analisis ini, partikulat Carbon dianalisis dengan menggunakan metode Thermal

Optical Reflectance yang membagi Carbon menjadi empat Organic

Carbon (OC), Pyrolized Organic Carbon (POC), dan tiga Elemental

Carbon (EC). Jumlah sampel yang dianalisis sebanyak 529 sampel dan 28

2000. PMF berhasil mengidentifikasi sebelas sumber emisi, yaitu : sulfate-rich secondary aerosol I (50%), on-road diesel emissions (11%), nitrate-rich secondary aerosol (9%), wood smoke (7%), gasoline vehicle (6%), sulfate-rich secondary aerosol II (6%), metal processing (3%), airborne soil (3%), railroad traffic (3%), cement kiln/carbon-rich (2%), dan bus maintenance facility/highway traffic (2%).

2. Dhaka dan Rajshahi, Bangladesh

Begum et al (2004) melakukan penelitian di kawasan Dhaka pada periode Juni 2001 hingga Juni 2002 dan Rajshahi pada bulan Agustus 2001 hingga Agustus 2002. Pengumpulan sampel dilakukan dengan menggunakan sampler ‘Gent’ yang dapat mengumpulkan sampel dalam dua fraksi, halus dan kasar. Model PMF menunjukkan bahwa di kota Dhaka terdapat 6 sumber emisi untuk fraksi kasar dan tujuh sumber emisi untuk fraksi halus. Sementara di kota Rajshahi terdapat lima sumber emisi baik untuk fraksi halus maupun kasar. Sumber emisi yang teridentifikasi antara lain soil dust, road dust, cement, sea salt, motor vehicles dan biomass burning. 3. Korea Selatan

Seung S Park (1998-1999) melakukan penelitian sumber pencemar udara ambien dengan CMB di kawasaan industri yang kompleks dengan tempat residensial. Sampling dengan Dichotomous Sampler, analisa dengan ICP-MS (elemen logam), IC (spesies ion) dan TMO (spesies karbon). Senyawa (NH4)2SO4 menjadi kontributor utama partikel PM2.5 disusul dengan emisi

organik karbon non-trafik dan NH4NO3. Sekitar 37 – 89 % PM10 terdiri

atas PM2.5. Dengan analisis back trajektory disimpulkan bahwa kawasan

reseptor tersebut dipengaruhi oleh sumber pencemar dari laut dan daratan (Mongolia dan Cina). Dari jenis pencemarnya didominasi oleh sumber lokal antropogenik di area industri serta adanya long-range transport.

4. Sao Paulo, Brasil

Claudio D Alonzo (1986) melakukan studi karakteristik aerosol di Sao Paulo. Sekitar 700 sampel yang diperoleh dengan Dichotomous Sampler, HVS dan LVS dianalisa unsur elemennya dengan XRF. Anionnya diperiksa dengan IC dan OC - EC dengan Xertex Dohrman analyzer. Dari analisis CMB diperoleh bahwa kendaraan bermotor (dengan penanda unsur karbonnya) menjadi polutan utama disusul oleh karbon sekunder sulfat.

II.3.2 Penelitian di Indonesia 1. Jakarta

Bapedal dan JICA yang melakukan studi bulan November 1995 – November 1996 dengan analisis CMB menyimpulkan bahwa kontributor utama pencemar ukuran SPM di Jakarta adalah kendaraan diesel (50%). Sedangkan untuk ukuran TSP, sekitar 40% kontributor pencemar adalah unsu tanah, disusul kendaraan diesel (25%) dan lain-lain. Analisis CMB digunakan sebagai pelengkap analisis model dispersi. PCI dengan Bapedal melakukan studi pada bulan November 1995 – Desember 1996 yang memfokuskan pada sumber partikulat halus (PM2.5). Sampling partikulat

digunakan alat cyclone.Analisis elemen digunakan IBA (Ion Beam Analysis) sedangkan untuk spesies ion SO42- dan Cl- digunakan IC. Hasil

studi dengan CMB 7.0 didapatkan bahwa kontributor pencemar PM2.5 di Jakarta adalah kendaraan bermotor 21%, asap pembakaran 22% dan industri 8%.

2. Bandung

Haryono S. Huboyo (2003) melakukan studi identifikasi sumber emisi pencemar partikulat di kota Bandung pada dua musim, hujan dan kemarau. Pada musim hujan, partikel halus didominasi oleh aerosol sekunder (33 – 42%), disusul pembakaran minyak (7-14%), kendaraan bermotor, tanah dan asap pembakaran. Sementara di partikel kasar, debu kapur

mendominasi kontributor pencemar (34-36%), diikuti limbah padat (13-18%) dan industri logam (13 – 14%). Pada musim kemarau, di partikel halus, sekitar 42-43% dikontribusi oleh aerosol sekunder, kendaraan bermotor (16-28%), pembakaran minyak hanya mengkontribusi 5-6%. Di partikel kasar debu tanah menempati 13 – 35%, partikel NaNO3 (21 –

22%), industri logam (7 – 9%) serta asap pembakaran (8 – 21%). 3. Bandung

Sri Mahendra S.W. (2004) melakukan studi penentuan kontribusi sumber pencemar partikulat dengan menggunakan PMF. Studi dilakukan di dua lokasi, yaitu Tegalega dan Dago Pakar pada dua musim berbeda (hujan dan kemarau). Peralatan yang digunakan pada penelitian ini adalah Low Volume Sampler dan Dichotomous Sampler. Pada musim hujan, partikel halus terkontribusi oleh kendaraan bermotor, NH4NO3, (NH4)2SO4,

industri logam, kegiatan konstruksi, pembakaran biomassa, limbah padat, pembakaran minyak, dan debu tanah. Partikel halus terkontribusi oleh limbah padat, pembakaran biomassa, kegiatan konstruksi, kendaraan bermotor, pembakaran minyak, industri logam, dan debu tanah. Pada musim kemarau, partikel halus terkontribusi oleh pembakaran minyak, NH4NO3, (NH4)2SO4, limbah padat, industri logam, kendaraan bermotor,

kegiatan konstruksi, dan debu tanah. Partikel kasar terkontribusi oleh pembakaran minyak, NaNO3, industri logam, limbah padat, debu tanah,