JPPSH, Lembaga Penelitian Undiksha, Desember 2011 158
MEMPREDIKSI HIGHER HEATING VALUE KOMPONEN
BIOGENIK SAMPAH DARI DATA ANALISIS ULTIMATNYA I Made Gunamantha
Jurusan Analis Kimia
FMIPA Universitas Pendidikan Ganesha Abstrak
Penelitian ini bertujuan untuk mengembangkan hubungan empirik berbasis regresi linier antara HHV (higher heating value) dengan data analisis ultimat fraksi biogenik sampah. Korelasi dibuat dari 22 dari 24 data analisis ultimat dan HHV sampel fraksi biogenik sampah yang dikumpulkan dari fasilitas pemilahan secara manual sampah perkotaan yang terdapat di TPA Temesi di Kabupaten Gianyar dan Bengkala di Kabupaten Buleleng. Hasil penelitian ini menunjukkan bahwa korelasi dengan kinerja baik diberikan oleh persamaan HHV= -1.494 + 0.474C - 0.803H + 0.034O + 0.982N dan HHV= -1.309 + 0.475C -0.796H + 0.031O + 1.008N - 1.395S masing-masing dengan koefisien determinasi 0,98 dan dengan rerata kesalahan absolut maupun bias kurang dari 5%. Hasil perbandingan dari kedua korelasi tersebut dengan 8 korelasi yang telah dikembangkan oleh peneliti lain baik dengan menggunakan data primer maupun data sekunder yang dikumpulkan melalui penelitian ini menunjukkan bahwa kedua persamaan tersebut juga dapat diterima sebagai “korelasi umum” untuk mengestimasi HHV dari data analisis ultimatbahan bakar biomassa.
Kata-kata kunci : higher heating value, analisis ultimat, sampah perkotaan, biogenik
Abstract
The research were aimed to develop emphiric correlations between HHV and ultimate analysis data the biogenic solid waste fraction based on linier regression. The correlasions were constructed from 22 of 24 ultimate analysis and HHV data the biogenic solid waste fraction which were collected from manual sparation facilities of municipal solid waste in solid waste disposal site TPA Temesi Gianyar and Bengkala Singaraja. From former research, two correlations HHV = -494 + 0.474C - 0.803H + 0.034O + 0.982N and HHV=-1.309 + 0.475C - 0.796H + 0.031O + 1.008N - 1.395S were the accurate, with 0.98 coefficient determination and average absolute and bias error bellow 5%. The comparation result’s of
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 159
both correlation with eight other correlation from pevious researchers either base on primary or secoundary data showed that the both correlation acceptable as “general correlation” for estimating HHV from ultimate analysis data of biomass fuel. Keywords : higher heating value, ultimate analysis, municipal
solid waste, biogenic
Pendahuluan
Praktik pengelolaan sampah yang umumnya banyak diaplikasikan saat ini adalah landfilling (metode penimbunan). Mengingat semakin terbatasnya ketersediaan lahan untuk lokasi penimbunan dan beberapa persoalan lingkungan yang berkaitannya seperti emisi gas dan lindi yang dihasilkan, diperlukan alternatif-alternatif lain yang selain dapat mengurangi kebutuhan lahan sekaligus juga dapat memanfaatkan potensi energi yang terbuang melalui sampah. Hal ini penting, karena sampah pada dasarnya adalah entropi atau energi yang tidak termanfaatkan.
Pilihan menarik yang dapat dipertimbangkan dalam pengelolaan dan pemungutan energi dari sampah adalah metode pengolahan berbasis konversi dengan cara memanfaatkan energi panas (thermal) seperti insinerasi, gasifikasi, dan pirolisis. Metode-metode tersebut, selain dapat memanfaatkan energi dari sampah, juga dapat mengurangi volume sampah mencapai 90% (Tchobanoglous et al., 1993) sehingga pada akhirnya akan mengurangi kebutuhan lahan untuk landfilling. Gunamantha (2011) melaporkan bahwa, pemungutan energi dari sampah melalui proses thermal lebih menguntungkan baik dari aspek teknis, lingkungan, maupun ekonomi dibandingkan dengan cara landfilling baik tanpa maupun dengan pemungutan energi. Namun demikian, dalam upaya untuk mengevaluasi kelayakan pemungutan energi dari sampah sebagai bagian integral dari sistem pengelolaan sampah, langkah pertama yang harus dilakukan adalah menentukan kandungan energi atau nilai kalor dari sampah. Nilai kalor adalah jumlah panas yang dilepaskan ketika satu satuan massa bahan dibakar secara sempurna. Nilai kalor umumnya dinyatakan dalam dua istilah, higher heating value (HHV) atau gross heating value dan lower heating value (LHV) atau net heating value. HHV merepresentasikan perubahan enthalpi reaktan dan produk secara stokiometri ketika suatu senyawa dibakar pada temperatur acuan dan produk akhirnya juga pada temperatur acuan dan air
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 160
yang dihasilkan dipertimbangkan dalam bentuk likuid. Adapun dalam LHV air dipertimbangkan dalam bentuk uap. Nilai kalor dari suatu bahan bakar dapat ditentukan baik melalui pengukuran maupun pendekatan korelasi secara empirik. Metode pengukuran yang umumnya dilakukan adalah dengan menggunakan bomb calorimeter yang mengukur perubahan enthalpi antara reaktan dan produk. Adapun pendekatan empirik mendasarkan pada model perhitungan untuk memprediksi nilai kalor dari atribut-atribut bahan bakar seperti data analisis proksimat dan ultimatnya. Data analisis proksimat meliputi tingkat kandungan air (misture content), bahan-bahan volatil (volatile matter), abu (ash) dan karbon tetap (fixed karbon), sedangkan data analisis ultimat meliputi persentase kandungan karbon, hidrogen, oksigen, nitrogen, dan sulfur dalam bahan bakar termasuk sampah.
Berdasarkan komponen penyusunnya, sampah terdiri dari bahan dapat dibakar nonbiogenik dan biogenik. Contoh bahan nonbiogenik adalah plastik, sedangkan untuk bahan biogenik adalah kertas, tekstil organik, dan sampah turunan tanaman. Walaupun bahan nonbiogenik umumnya memiliki nilai kalor yang lebih tinggi dibandingkan dengan bahan biogenik (Tchobanoglous et al., 1993), tetapi komposisinya dalam sampah umumnya lebih sedikit. Di Bali misalnya, sampah terdiri dari komponen biogenik turunan tanaman 68,78% (Gunamantha, 2010). Oleh karena itu, kandungan energi dari sampah juga akan sangat dipengaruhi oleh komponen sampah ini. Oleh karena itu, penentuan nilai kalor khusus untuk komponen ini penting untuk dipertimbangkan selain karena kerentanan variasinya terhadap musim juga kemungkinan perubahan tingkat komposisinya terhadap waktu sebagai akibat dari kebijakan-kebijakan terkait seperti program 3R (reduce, reuse, dan recycle). Adapun model yang menghubungkan HHV dengan data analisis proksimat maupun ultimat secara khusus untuk komponen ini belum diupayakan.
Namun demikian, terdapat berbagai upaya yang telah dilakukan sebelumnya untuk menghubungkan nilai kalor kotor (higher heating value, HHV) sampah demikian juga biomassa baik yang berdasarkan data proksimat (Jimennes dan Gonzales; Sheng dan Azevedo; Demirbas; dan Codero et al. dalam Yin (2011)) maupun analisis ultimat (Dulong, Boie, Demibars, Meraz, Steuner, Scheurer-Kestner Tillman (dalam Sheng dan Azevedo, 2005); Thipkhunthod et al. (2005)). Berdasarkan pada permasalahan tersebut, penelitia ini difokuskan pada pengembangan korelasi empirik berbasis regresi linier untuk mempredikasi HHV fraksi biogenik
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 161
sampah dari data analisis ultimatnya. Hasil penelitian ini akan memberikan manfaat di dalam merencanakan dan merancang sistem pengelolaan sampah untuk energi khususnya yang berbasis konversi thermal.
Metodologi
Persiapan sampel
Sampel sampah yang digunakan dalam penelitian ini dikumpulkan dari 2 (dua) fasilitas pemilahan sampah secara manual yang ada di TPA Temisi Gianyar dan TPA Bengkala Singaraja. Fasilitas pemilahan ini bertujuan untuk memisahkan komponen biogenik sampah dari komponen lainnya. Titik-titik sampel diambil secara random dari gundukan sampah biogenik hasil pemilahan. Enam paket sampel masing-masing sebanyak 5 kg sampah diambil dari beberapa titik gundukan-gundukan komponen biorganik sampah. Keenam paket @ sekitar 5 kg sampah tersebut, masing-masing diaduk merata dan selanjutnya dibagi 4. Salah satu dari keempat bagian untuk masing-masing paket tersebut diambil untuk selanjutnya dikeringkan di bawah sinar matahari. Sampah yang sudah kering ini dicacah dan diaduk secara merata untuk selanjutnya dibagi dengan sistem kuarter lagi hingga terakhir dimungkinkan memperoleh sampel untuk analisis laboratorium masing-masing sebanyak 100 gr. Pengambilan sampel dilakukan dalam 4 (empat) bulan yakni dalam bulan Mei, Juni, Juli, dan Agustus. Total 24 (dua puluh empat) sampel dikumpulkan selama empat bulan tersebut.
Karakterisasi sampel
Preparasi sampel sebelum karakterisasi dilakukan mengacu pada ASTM D 2013-86. Prosedur ini mensyaratkan sampel dijadikan dalam bentuk cacahan dengan ukuran maksimum 2,5 cm. Kandungan karbon (C) ditentukan dengan standar ASTM D 5373, hidrogen (H) ditentukan dengan standar ASTM D 5373, kandungan nitrogen (N) ditentukan dengan standar ASTM D 5373, dan kandungan belerang total (S) ditentukan dengan mengacu pada standar ASTM D 4239, dan oksigen ditentukan berdasarkan standar ASTM D 3176. Adapun HHV ditentukan berdasarkan pada standar ASTM D 5865 dengan menggunakan Bomb Calorimeter. Karakterisasi dilakukan di Laboratorium Teknologi Mineral dan Batubara (Tekmira) Bandung.
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 162
Selain menggunakan data primer, data skunder juga digunakan untuk mengevaluasi model dengan menekankan hanya pada nilai kalor dan data analisi ultimat dari bahan biomassa. Data-data tersebut diadopsi dari Jenkins et al. (1998). Harapannya adalah keberterapannya tidak hanya pada biogenik sampah tetapi validitasnya harus sama juga untuk biomassa lainnya.
Pemilihan bentuk korelasi yang sesuai
Mengacu pada pemikiran bahwa nilai kalor adalah fungsi dari elemen-elemen penyusun bahan bakar, 9 (sembilan) korelasi dari beberapa korelasi yang mungkin antara HHV dengan data analisis ultimat (C,H,O,N,S) baik secara individual maupun kombinasinya dikembangkan dan dievaluasi dalam penelitian ini. Dalam hal ini, 22 (dua puluh dua) data nilai kalor dan analisis ultimat dari 24 (dua puluh empat) data sampel fraksi biogenik sampah digunakan untuk menghasilkan korelasi empirik yang menunjukkan pengaruh data analisis ultimat terhadap nilai kalor. Adapun 2 (dua) data lainnya dikeluarkan setelah dilakukan uji normalisasi. Hanya korelasi yang memiliki nilai R2 (koefisien determinasi) lebih dari 0,95 dan dengan RKA (rerata kesalahan absolut) dan RKB (rerata kesalahan bias) yang kurang dari 5% yang dipilih. Ketiga parameter statistik tersebut dinyatakan dengan persamaan sebagai berikut :
Di mana subskrib e dan m berturut-turut menunjukkan nilai yang diestimasi dari model (perhitungan) dan dari hasil pengukuran, adalah rerata HHV dari pengukuran dan n adalah jumlah sampel. Rerata kesalahan absolut mengindikasikan rerata kesalahan korelasi. Suatu nilai rerata kesalahan yang lebih rendah berarti kesalahan korelasinya lebih kecil. Nilai kesalahan absolut yang rendah menunjukkan kesalahan bias dari korelasi juga lebih rendah. Rerata kesalahan bias menunjukkan rerata kesalahan bias korelasi. Nilai rerata kesalahan bias yang positif menyatakan secara tidak langsung
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 163
estimasi melampuai pengukuran, sedangkan nilai negatif mengindikasikan bahwa estimasi di bawah hasil pengukuran. Adapun R2 digunakan secara luas dalam analisis statistik dan regresi yang diaplikasikan sebagai suatu parameter komprehensif untuk mengkuantifikasi keakurasian korelasi. Suatu korelasi dengan nilai R2 yang lebih tinggi menunjukkan estimasi yang lebih baik (korelasi yang sempurna memiliki nilai R2 = 1). Ketiga parameter di atas adalah kriteria statistik mendasar yang digunakan secara luas dalam analisis kesalahan dan juga telah digunakan untuk menilai korelasi nilai bahan bakar (Sheng et al., 2004; Parikh et al., 2005). Oleh karena itu, ketiga parameter tersebut juga diadopsi dalam tulisan ini sebagai parameter evaluasi.
Validasi dari korelasi
Untuk mengkonfirmasi validitas dari korelasi yang telah dikembangkan, dilakukan dengan membandingkan hasil estimasi nilai HHV dari model yang telah dikembangkan sebelumnya dengan menggunakan data yang dikumpulkan dari penelitian ini. Validasi model juga dilakukan dengan mengkonfirmasinya menggunakan 8 (delapan) data analisis ultimat dan HHV biomassa yang diadopsi dari Jenkins et al. (1998). Keakurasian dari korelasi yang dikembangkan dalam penelitian ini selanjutnya ditetapkan dengan membandingkan prediksinya dengan prediksi dari beberapa korelasi yang telah dikembangkan. Namun demikian, penting untuk dicatat disini bahwa korelasi-korelasi yang telah dipublikasikan tersebut telah dinyatakan valid untuk bahan bakar dari mana persamaan tersebut diurunkan. Oleh karena itu, perbandingan dilakukan semata-mata untuk kepentingan akademik. Untuk membandingkan korelasi yang dihasilkan dalam penelitian ini dengan yang sudah ada, 8 (delapan) korelasi telah dipilih dari literatur (Tabel 1).
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 164
Tabel 1
Daftar Model Berbasis Analisis Ultimat yang telah Dikembangkan Sebelumnya
Nama
Model Model
Satuan
HHV Referensi Dulong HHV=81C+342,5(H-0/8)+22,5S-6(9H+M) Kcal/mg Sheng and
Azevedo Steuner HHV=81(C-3/8O)+171/8O+342,5(H-1/16O)+25S-6(9H+M) Kcal/mg Sheng and
Azevedo
Scheurer-Kestner HHV=81(C-3/8O)+342,5H+22,55S+171/4O-6(9H+M) Kcal/mg
Sheng and Azevedo Boie HHV=0,35160C+1,16225H-0,11090O+0,06280N +0,10465S mJ/kg Sheng and
Azevedo Sheng and Azevedo 1 HHV=0,3259C+3,4597 mJ/kg Sheng and Azevedo Sheng and Azevedo 1 HHV=-1,3675+0,3137C+0,7009H+0,0318O mJ/kg Sheng and Azevedo Demibars HHV=0,335C+1,423H-0,154O-1,145N mJ/kg Sheng and
Azevedo Meraz HHV=370,8C+1.112,4H-139,1O+317,8N+139,1S kJ/kg Sheng and
Azevedo
Hasil dan Pembahasan
Karakteristik Fraksi Biogenik Sampah
Tabel 2 menunjukkan data karakteristik sampel fraksi biogenik sampah. Komposisi dari fraksi biogenik sampah terutama adalah oksigen dengan rerata kandungan karbon 40,19%, selanjutnya diikuti oleh kandungan oksigen 40,18%, hidrogen 5,55%, nitrogen 1,51% dan sulfur 0,12%, dan sisanya abu 13,50% basis kering. Kandungan abu yang relatif tinggi ini karena sampel mengandung berbagai jenis fraksi biogenik. Karakteristik dari sampel-sampel biomassa lainnya juga dikumpulkan dari berbagai literatur untuk perbandingan dan disajikan dalam Tabel 3. Teramati bahwa, nilai kalor dari sampel dalam penelitian ini lebih rendah dari yang dilaporkan dalam literatur sesuai dengan kandungan karbonnya yang lebih rendah.
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 165
Tabel 2
Data Analisis Ultimat dan Nilai Kalor Komponen Biogenik Sampah
Variabel Satuan Rerata Min Mak Standar
Deviasi N Higher Heating Value (HHV) mJ/kg 14,98 38,680 42,890 2,11 22 Karbon (C), % berat kering 40.19 4,85 6,070 1.03 22 Hidrogen (H) % berat kering 5,55 0,740 1,870 0,46 22 Nitrogen (N) % berat kering 1,51 0,090 0,190 0,39 22 Sulfur (S) % berat kering 0,12 37.630 41,710 0,04 22 Oksigen (O) % berat kering 40,18 10,445 17.308 2,56 22 Abu % berat kering 13,50 38,680 42,890 1,79 22
Sumber : penelitian ini
Tabel 3
Data Analisis Ultimat (% berat) dan Nilai Kalor (mJ/kg) Berbagai Jenis Biomassa
Bahan HHV Karbon Hidrogen Nitrogen Sulfur Oksigen
Alfalfa Stems 18,67 47,170 5,990 2,680 0,200 38,190
Wheat straw 17,94 44,920 5,460 0,440 0,160 41,770
Rice hull 15,84 38,830 4,750 0,520 0,050 35,470
Rice straw 15,09 38,240 5,200 0,870 0,180 36,260
Switch grass 18,06 46,680 5,820 0,770 0,190 37,380
Sugar cane bagasse 18,99 48,640 5,870 0,160 0,040 42,820
Willow wood 19,59 49,900 5,900 0,610 0,070 41,800
Hybrid poplar 19,02 50,180 6,060 0,600 0,020 40,430
Sumber : Jenkins et al., 1998
Menurut Jenkins et al. (1998) bila nilai kalor dihubungkan dengan konsentrasi karbon, pada setiap peningkatan 1% karbon nilai kalor meningkat 0.39 MJ kg-1. Kandungan karbon yang lebih tingi akan menghasilkan proporsi karbondioksida yang lebih besar sehingga energi yang dilepaskanpun menjadi lebih besar.
Korelasi antara HHV dengan Data Analisis Proksimat
Dalam penelitian ini, pada awalnya diupayakan korelasi sederhana dengan penekanan pada korelasi antara nilai kalor dengan setiap data analisis ultimat yakni dibuat dengan memplotkan HHV sebagai fungsi dari kandungan karbon, hidrogen, nitrogen, sulfur, dan oksigen (Gambar 1). Hal
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 166
ini dimaksudkan untuk menunjukkan secara kuantitatif korelasi antara HHV dengan masing-masing data analisis ultimat. Kecenderungan secara jelas dapat dilihat dalam Gambar (1a, 1c, dan 1e) yakni HHV naik dengan meningkatnya kandungan dalam fraksi biogenik sampah. Korelasi ini sesuai dengan pengamatan yang telah dilakukan oleh Thipkhunthod et al. (2005). Tabel 4 menunjukkan koefisien determinasi yang diberikan oleh hubungan antara HHV dengan masing-masing elemen dalam data analisis ultimat. Tabel 4 menunjukkan elemen C, N, dan O secara individual berkontribusi positif terhadap HHV tetapi hubungan yang ditunjukkan sangat lemah. Hal ini ditegaskan oleh nilai koefisien diterminasinya (R2) berturut-turut hanya 0,55; 0,51 dan 0,38 untuk hubungan anara HHV dengan C, N, dan O. Berbeda halnya dengan korelasi yang ditunjukkan antara HHV dengan H dan S. Pengaruh kedua elemen tersebut terhadap HHV selain lemah juga memberikan kontribusi negatif terhadap HHV (Gambar 1b dan 1d). Padahal, secara teoritik pembakaran sempurna dari suatu bahan bakar akan mengkonversi H dan S berturut-turut menjadi H2O dan H2S dengan melepaskan energi masing-masing sebesar -142,915 untuk H2O dan -296,80 untuk SO2 kJ mol-1. Mengingat lemahnya korelasi (<<<0,95) antara HHV dengan elemen-elemen tersebut sehingga penetapan formula untuk mengestimasi HHV dari variabel-variabel tersebut secara individual dianggap gagal.
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 167 Gambar 1a.
Hubungan antara HHV dengan C
Gambar 1b.
Hubungan Antara HHV dengan H
Gambar 1c.
Hubungan antara HHV dengan N
Gambar 1d.
Hubungan antara HHV dengan S
Gambar 1e.
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 168
Berdasarkan pertimbangan bahwa semua elemen dalam data analisis ultimat (C, H, O, N, dan S), peneliti-peneliti sebelumnya telah mengusulkan suatu persamaan untuk menghubungkan HHV dengan mengkombinasikan diantara elemen-elemen tersebut sebagaimana yang ditunjukkan dalam persamaan (7) – (9) dalam Tabel 5. Dalam penelitian ini, 3 (tiga) dari hubungan yang mungkin tersebut digunakan untuk mengembangkan persamaan korelasi antara HHV dengan data analisis ultimatnya. Koefisien determinasi dan rerata kesalahan absolut dan bias dari masing-masing persamaan disajikan dalam Tabel 4. Dari empat pola kombinasi yang diusulkan hanya persamaan (8) dan (9) dalam Tabel 4 yang menunjukkan hubungan yang signifikan antara HHV dengan C, H, O, N, atau S. Korelasi ini memberikan koefisien determinasi yang signifikan 0,98 baik untuk persamaan (8) maupun (9). Selain itu, kedua persamaan tersebut memberikan baik nilai RKA maupun RKB kurang dari 5%.
Tabel 4
Daftar Persamaan yang Dikembangkan dalam Penelitian ini dan Oleh Peneliti Sebelumnya. Pers. Model Korelasi Persamaan R 2 Kesalahan Relatif RKA RKB (1) Penelitian ini HHV=-1.258+0.366C 0,55 15,62 -15,62 (2) Penelitian ini HHV=19.412-0.622H 0,42 2,95 0,15 (3) Penelitian ini HHV=14.622+0.888N 0,51 3,23 0,13 (4) Penelitian ini HHV=16.060-0.803S 0,04 1,76 0,18
(5) Penelitian ini HHV=11.936+0.100O 0,38 3,19 0,10
(6) Penelitian ini HHV=1.668+0.485*C-0,935H 0,81 2,04 0,10 (7) Penelitian ini HHV=2.205+0.508*C-1.105H-0.025O 0,82 2,04 0,15 (8) Penelitian ini HHV=-1.494+0.474C-0.803H+0.034O+0.982N 0,98 0,75 -0,06 (9) Penelitian ini HHV=-1.309+0.475C-0.796H+0.031O+1.008N-1.395S 0,98 0,71 0,01 (10) Dulong HHV=81C+342,5(H-0/8)+22,5S-6(9H+M) 0,52 18,855 -18,855 (11) Steuner HHV=81(C-3/8O)+171/8O+342,5(H-1/16O)+25S-6(9H+M) 0,68 6,297 -5,784 (12) Scheurer-Kestner HHV=81(C-3/8O)+342,5H+22,55S+171/4O-6(9H+M) 0,83 39,254 39,254 (13) Boie HHV=0,35160C+1,16225H-0,11090O+0,06280N+0,10465S 0,74 6,859 1,900 (14) Sheng and Azevedo 1 HHV=0,3259C+3,4597 0,77 4,592 3,879 (15) Sheng and Azevedo 2 HHV=-1,3675+0,3137C+0,7009H+0,0318O 0,85 20,118 20,118 (16) Demibars HHV=0,335C+1,423H-0,154O-1,145N 0,33 15,504 -15,504 (17) Meraz HHV=370,8C+1.112,4H-139,1O+317,8N+139,1S 0,66 5,312 -1,368
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 169
Perbedaan yang paling menonjol dari hubungan empirik yang dihasilkan dalam penelitian ini (persamaan (8) dan (9)) dengan korelasi-korelasi yang dihasilkan oleh peneliti-peneliti sebelumnya adalah terutama terletak pada koefisien dari varibel H. Pada penelitian ini, kedua persamaan tersebut memberikan nilai koefisien variabel H negatif. Artinya H berkontribusi negatif terhadap HHV. Padahal, secara teoritis variabel H berkontribusi positif terhadap HHV sebagaimana yang telah diuraikan sebelumnya. Hal lain yang membedakan adalah pada variabel O. Pada kedua persamaan terpilih dari hasil penelitian ini, O memberikan kontribusi positif terhadap HHV. Adapun pada hubungan empirik yang dikembangkan oleh Boie, Demibars, maupun Meraz untuk bahan bakar biomassa, O memberikan kontribusi negatif terhadap HHV (Tabel 5). Hal yang menarik disini adalah, baik H maupun O disamping berikatan dengan C juga kedua elemen tersebut adalah komponen dari inherent moisture content dalam bahan bakar. Oleh karena itu, perbedaan tersebut sangat mungkin disebabkan oleh variasi inherent moisture content dari bahan bakar khususnya bahan bakar padat. Penting untuk dicatat bahwa korelasi yang ditunjukkan dalam persamaan Dulong, Steuner, dan Scheurer-Kestner adalah representasi dari korelasi secara teoritik.
Data yang dikumpulkan dalam penelitian ini juga diaplikasikan pada model yang dihasilkan oleh peneliti-peneliti sebelumnya dan hasilnya disajikan dalam Tabel 4 (persamaan (10) – (17)). Teramati bahwa, semua persamaan tersebut menunjukan nilai koefisien determinasi jauh lebih rendah dari 0,95. Walupun demikian, nilai koefisien determinasi yang ditunjukkan oleh persamaan Sheng dan Azevedo 2 dapat dikatakan cukup signifikan dengan nilai R2 0,85. Namun demikian, kedelapan persamaan tersebut dipertimbangkan menunjukkan tingkat keakurasian rendah untuk mengestimasi HHV komponen biogenik sampah. Selain itu, semuanya menunjukkan RKB dan KKA yang melampuai 5%.
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 170
Tabel 5
Perbandingan Kontribusi dari masing-masing Variabel Bebas Terhadap HHV
No.
Pers. Model Korelasi Kontibusi Variabel terhadap HHV
C H O N S (8) Penelitian ini + - + + (9) Penelitian ini + - + + + (13) Boie + + - + + (16) Demibars + + - - (17) Meraz + + - + +
Kedua persamaan hasil dari penelitian ini yang memiliki nilai koefisien determinasi lebih dari 0,95 tersebut (persamaan (8) dan (9)) selanjutnya dipilih untuk dievaluasi keakurasiannya dengan menggunakan data analisis ultimat biomassa yang diperoleh dari Jenkins et al. (1998). Cara yang sama juga dilakukan untuk persamaan-persamaan yang telah dikembangkan sebelumnya (persamaan (10) – (17)) untuk dibandingkan tingkat keakurasiannya walaupun memiliki nilai R2 jauh lebih rendah dari 0,95 ketika diaplikasikan dengan data yang dikumpulkan dalam penelitian ini. Hal ini dimaksudkan untuk menunjukkan keberterapan dari model-model tersebut berdasarkan jenis bahan bakarnya. Bila dibandingkan dengan keakurasian yang ditunjukkan oleh korelasi yang telah tersedia dalam literatur, hanya persamaan Scheurer-Kestner, Sheng and Azevedo 1, dan Sheng and Azevedo 2 yang memiliki R2 > 0,95 (Tabel 6). Adapun persamaan yang diusulkan dalam penelitian ini (persamaan (8) dan (9)) memberikan koefisien determinasi kurang dari 0,95. Artinya, tingkat keakurasian model tersebut untuk jenis bahan bakar yang berbeda dari pembentuknya lebih rendah dibandingkan dengan persamaan-persamaan empirik yang dihasilkan oleh Scheurer-Kestner, Sheng and Azevedo 1, dan Sheng and Azevedo 2. Namun demikian, mengingat R2 yang diberikan lebih dari 0,9, kedua persamaan tersebut (persamaan (8) dan (9)) dapat dikatakan telah menunjukkan keberterapan yang lebih luas.
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 171
Tabel 6
Validasi Model dengan Data HHV, C, H, O, N, dan S Berbagai Biomassa yang Diadopsi dari Jenkins et al. (1998)
No. Nama Peneliti Model RKA (%) RKB (%) R 2
(8) Penelitian ini HHV=-1.494+0.474C-0.803H+0.034O+0.982N 3,350 -1,104 0,908 (9) Penelitian ini HHV=-1.309+0.475C-0.796H+0.031O+1.008N-1.395S 3,401 -1,033 0,917 (10) Dulong HHV=81C+342,5(H-0/8)+22,5S-6(9H+M) 15,19 -15,19 0,866 (11) Steuner HHV=81(C-3/8O)+171/8O+342,5(H-1/16O)+25S-6(9H+M) 4,01 -3,78 0,898 (12) Scheurer-Kestner HHV=81(C-3/8O)+342,5H+22,55S+171/4O-6(9H+M) 35,56 35,56 0,949 (13) Boie HHV=0,35160C+1,16225H-0,11090O+0,06280N+0,10465S 3,44 2,01 0,905 (14) Sheng and Azevedo 1 HHV=0,3259C+3,4597 2,37 2,37 0,968 (15) Sheng and Azevedo 2 HHV=-1,3675+0,3137C+0,7009H+0,0318O 14,62 14,62 0,957 (16) Demibars HHV=0,335C+1,423H-0,154O-1,145N 9,16 -9,16 0,792 (17) Meraz HHV=370,8C+1.112,4H-139,1O+317,8N+139,1S 3,22 -0,51 0,888 Kesimpulan
Dua dari sembilan korelasi antara data analisis ultimat fraksi biogenik sampah dengan kandungan energi (HHV) yang dikembangkan dalam penelitian ini menunjukkan kinerja baik adalah persamaan HHV = -1.494+0.474C-0.803H+0.034O+0.982N dan HHV = -1.309+0.475C-0.796H+0.031O+1.008N-1.395S. Kedua persamaan tersebut selain memberikan koefisien determinasi yang tinggi (0,98) juga memberikan baik nilai RKA maupun RKB kurang dari 5%. Pilihan ini juga didukung dari tingkat keakurasiannya ketika digunakan untuk mengestimasi HHV dari data analisis ultimat biomassa yang diadopsi dari literatur, koefisien determinasi (R2) yang ditunjukkan cukup signifikan (>0,90) dengan RKA dan RKB juga kurang dari 5%. Dengan kata lain, korelasi yang terbangun dari kedua persamaan tersebut dapat diterima sebagai “korelasi umum” untuk mengestimasi HHV dari data ultimat bahan bakar biomassa pada basis kering. Namun demikian, karena R2 belum mendekati atau mencapai 1 maka pengaruh variasi dalam sampel atau biomassa masih ada.
Daftar Rujukan
Gunamantha, I.M. (2010). Life Cycle Assessment Sistem Pengelolaan Sampah : Studi Kasus pada Wilayah SARBAGITA Bali. Jurnal Purifikasi. Vol. 1(1).
JPPSH, Lembaga Penelitian Undiksha, Desember 2011 172
Gunamantha, I.M. (2011). Analisis Teknik Ekonomi, dan Lingkungan Potensi Produksi Energi dari Sampah. Disampikan dalam Seminar Nasional VII – IATPI Penelitian Masalah Lingkungan di Indonesia Dan Seminar Nasional VIII ITS Teknologi Lingkungan untuk mengatasi Permasalahan Lingkungan di Negara Tropis, diselenggarakan oleh Jurusan Teknik Lingkungan ITS Tanggal 22 Juni 2011.
Jenkins, B.M., Baxter, L.L., Miles, T.R., (1998). Combustion Properties of Biomass. Fuel Processing Technology. 54. 17 – 46.
Parikh J, Channiwalab S.A, Ghosal G.K. (2005). A correlation for calculating HHV from proximate analysis of solid fuels. Fuel 84. 487–494.
Sheng. C., dan Azevedo, J.L.T. (2005). Estimating the Higher Heating Value of Biomass Fuels from Basic Analysis Data. Biomass and Bioenergy. 28. 499-507.
Tchobanoglous, G.; Theisen, H.; Vigil, S. (1993). Integrated Solid Waste Management : Engineering Principles and Management Issues; McGraw-Hill: New York
Thipkhunthoda P, Meeyoob V, Rangsunvigita P, Kitiyanana B, Siemanonda K, Rirksomboon T. (2005). Predicting the heating value of sewage sludges in Thailand from proximate and ultimate analyses. Fuel, Vol. 84. 849-857
Yin, C-Y. (2011). Prediction of higher heating values of biomass from proximate and ultimate analyses. Fuel, 90. 1128-1132
