MODEL TRANSPORTASI KELAPA DAN COCODIESEL

Ada beberapa asumsi dasar yang melandasi program linier. Asumsi tersebut adalah : 1. Linearitas, yaitu perbandingan antara input dengan input lainnya atau suatu input dengan output biasanya tepat dan tidak tergantung pada tingkat produksi. 2. Proporsionalitas, yaitu naik turunnya nilai fungsi tujuan Z dan penggunaan sumberdaya atau fasilitas yang tersedia akan berubah secara sebanding proporsional dengan perubahan tingkat kegiatan. 3. Additivitas, yaitu nilai tujuan tiap kegiatan tidak saling mempengaruhi, atau kenaikan dari nilai tujuan Z yang diakibatkan oleh kenaikan suatu kegiatan dapat ditambahkan tanpa mempengaruhi bagian nilai Z yang diperoleh dari kegiatan lain. 4. Divisibilitas, yaitu peubah-peubah keputusan Xj jika diperlukan dapat berupa bilangan pecahan. 5. Deterministik, yaitu semua parameter yang terdapat dalam model program linier aij, bi, cj dapat diperkirakan dengan pasti meskipun jarang dengan tepat Subagyo et al., 1989 Integer linear programming berhubungan dengan penyelesaian masalah- masalah program matematis yang mengasumsikan beberapa atau semua variabelnya bernilai integer non negatif. Suatu program linier disebut campuran atau murni tergantung pada apakah beberapa atau semua variabelnya terbatas untuk nilai-nilai integer. Metode integer programming dapat dikelompokkan ke dalam metode pemotongan cutting method dan metode penelusuran search method Taha, 1992.

D. MODEL TRANSPORTASI

Metoda transportasi merupakan metode yang digunakan untuk mengatur distribusi dari sumber-sumber yang menyediakan produk yang sama, ke tempat-tempat yang membutuhkan secara optimal. Alokasi produk ini harus diatur sedemikian rupa, karena terdapat perbedaan biaya-biaya alokasi dari satu sumber ke tempat-tempat tujuan berbeda-beda, dan dari beberapa sumber ke suatu tempat tujuan juga berbed-beda. Yolanda, 2005. Menurut Russel dan Taylor 2003, model transportasi adalah suatu teknik kuantitatif yang digunakan untuk menentukan cara menyelenggarakan transportasi dengan biaya seminimal mungkin. Model transportasi merupakan salahsatu bentuk khusus atau variasi dari program linier yang dikembangkan khusus untuk memecahkan masalah-masalah yang berhubungan dengan transportasi dan distribusi produk dari berbagai sumber ke berbagai tujuan. Ciri khusus dari suatu model transportasi ini adalah : 1. Terdapat sejumlah sumber dan sejumlah tujuan tertentu 2. Kuantitas barang yang didistribusikan dari setiap sumber dan kuantitas yang dibutuhkan oleh setiap tujuan 3. Kesesuaian jumlah barang terhadap permintaan maupun kapasitas suatu sumber 4. Biaya pengangkutan tertentu dari suatu sumber ke suatu tujuan Model umum untuk permasalahan transportasi adalah : Minimukan ∑∑ = = = m i n j ij ij X C Z 1 1 Kendala ∑ = = n j i ij a X 1 , i = 1, 2, 3, ….m ∑ = = n i j ij b X 1 , j = 1, 2, 3, …. n Dan ≥ ij X untuk seluruh i dan j …………………………………….. 1.4

E. ALGORITMA GENETIKA

Pada buku berjudul Adaptation in Natural and Artificial Systems tahun 1975 oleh John Holland, seorang professor di Universitas Michigan, ditemukan sebuah konsep baru pencarian secara tersusun untuk optimasi solusi masalah yang rumit dan komplek menggunakan persamaan matematika berdasarkan evolusi tiruan artificial evolution yang dikenal dengan nama algoritma genetika Strafaci, 2002. Pada tahun 1989, David Goldberg, meluncurkan buku berjudul Genetic Algorithm in Search, Optimization, and Machine Learning setelah berhasil mengaplikasikan algoritma genetika untuk perancangan sistem perpipaan distribusi gas alam. Berdasarkan hasil risetnya, ia berhasil membuktikan bahwa algoritma genetika menghasilkan solusi untuk menyelesaikan permasalahan perancangan sistem perpipaan distribusi gas alam berdasarkan parameter-parameter kesuksesan sistem perancangan pipa. Saat ini algorima genetika diaplikasikan pada berbagai bidang antara lain, seperti pada desain mesin jet pesawat terbang, prediksi tingkat suku bunga, pengendalian persediaan inventori, perencanaan dan penjadwalan produksi, dan otomatisasi sistem produksi. Algoritma genetika dapat mencari solusi minimum dan maksimum dari fungsi satu variabel bebas dengan representasi dasar atau biner. Untuk fungsi yang lebih kompleks atau lebih dari satu variabel bebas dapat menggunakan representasi float atau integer. Hal tersebut dilakukan untuk penyederhanaan sistem, karena gen biner akan menyebabkan besarnya ukuran kromosom. Basuki, 2003. Algoritma genetika telah terbukti dapat digunakan untuk menyelesaikan permasalahan searching dan optimasi yang mempunyai kompleksitas yang tinggi seperti TSP Travelling Salesman Problem, penjadwalan flow shop, dan job shop. TSP adalah suatu permasalahan dimana seorang sales harus mengunjungi sejumlah-n kota dengan jarak yang paling pendek, dengan syarat satu kota hanya dikunjungi satu kali. Solusi TSP adalah jalur yang melewati semua kota dan jaraknya paling pendek Basuki, 2003. Penjadwalan flow shop adalah masalah penempatan sejumlah-n job pada sejumlah-m mesin tanpa urutan proses. Sedangkan penjadwalan job shop masalah penempatan sejumlah-n job pada sejumlah-m mesin dengan urutan proses. Solusi terbaik dari kedua permasalahan tersebut adalah meminimumkan waktu penyelesaian semua job makespan Mattfeld, 2003. Michaelewicz, Vignaux, dan Hobbs telah mengembangkan algoritma genetika untuk menyelesaikan masalah transportasi nonliner yang disebut dengan program GENETIC-2. Program tersebut mampu menyelesaikan masalah transportasi Tailor dan menangani beberapa tipe dari fungsi biaya Gen dan Cheng, 1997. Algoritma genetika telah berhasil diaplikasikan oleh Tate dan Smith dalam masalah perancangan tata letak pabrik. Tata letak pabrik berkaitan dengan pengaturan fasilitas fisik dan tata letak mesin-mesin. Masalah tersebut merupakan masalah kombinatorial sehingga teknik heuristik seperti algoritma genetik dapat diterapkan dengan baik Gen dan Cheng, 1997. Algoritma genetika mampu menyelesaikan masalah time series forecasting yaitu teknik peramalan data berdasarkan data-data pada periode sebelumnya. Time series forecasting dirumuskan sebagai berikut : ∑ = + + = n i i i n a x a x 1 1 Keberhasilan peramalan di dalam time series forecasting sangat ditentukan oleh nilai a i dan jumlah periode data yang digunakann. Algoritma genetika dapat digunakan untuk mengoptimasi a i Basuki, 2006.

1. Prosedur Umum Algoritma Genetika

Prosedur umum algoritma genetika adalah sebagai berikut : Langkah 1 : Pengkodean encoding calon solusi dan set-up beberapa parameter awal : jumlah individu, probabilitas, penyilangan dan mutasi, dan jumlah generasi maksimum Langkah 2 : t 0 {inisialisasi awal} Pembangkitan acak sejumlah n kromosom pada generasi ke-0 Langkah 3 : Evaluasi masing-masing kromosom dengan menghitung nilai fitness-nya x i : data pada periode ke-i a i : bobot pengaruh dari periode ke-i a : error perkiraan Langkah 4 : Seleksi beberapa kromosom dari sejumlah n individu yang memiliki nilai fitness terbaik Langkah 5 : Rekombinasikan kromosom terpilih dengan cara melakukan penyilangan crossover dan mutasi mutation Langkah 6 : t t + 1 Update jumlah generasi dan kembali ke Langkah 2 sampai jumlah generasi maksimum tercapai Algoritma genetika melakukan pencarian pada sejumlah solusi fisibel yang direpresentasikan sebagai jumlah kromosom yang disebut populasi. Kromosom-kromosom pada populasi dibangun secara acak dan berevolusi melalui beberapa generasi iterasi berurutan. Kromosom yang dihasilkan pada suatu generasi diharapkan lebih baik dari generasi sebelumnya. Kriteria penghentian stopping criteria dalam pencarian solusi optimal pada algoritma genetik dapat dilakukan dengan cara menetukan jumlah generasi maksimum, menentukan selisih nilai fitness rata-rata tertentu antara suatu generasi dengan generasi sebelumnya, dan menentukan tingkat keragaman homogenitas struktur kromosom.

2. Representasi Kromosom

Dalam memulai penerapan suatu algoritma genetika untuk memecahkan masalah optimasi, perlu adanya pengkodean sebagai variabel keputusan. Representasi kromosom yang pertama kali diperkenalkan oleh Holland 1975 adalah representasi string biner. Dalam representasi ini, sebuah kromosom terdiri dari beberapa elemen yang disimbolkan dengan angka nol 0 dan satu 1. Gen dan Chen 1997, memperkenalkan bentuk representasi baru yang disebut permutation representation, path representation atau order- based representation. Dalam perkembangannya, David 1996 menggunakan representasi kromosom berbentuk matrik untuk menyelesaikan masalah transportasi. Gambar 3. Representasi kromosom string biner Syarif dan Mitsuo, 2003 Gambar 4. Representasi kromosom string integer Gambar 5. Permutation Representation untuk Travelling Salesman Gen dan Cheng, 1997 Gambar 6. Representasi kromosom bentuk matrik untuk masalah transportasi David, 1996

3. Fungsi Fitness

Kromosom-kromosom pada setiap generasi dievaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness suatu kromosom menunjukkan kualitas kromosom tersebut dalam suatu populasi. Bentuk fungsi fitness didefinisikan sesuai masalah yang akan diselesaikan. Suatu fungsi fitness digunakan untuk memberikan ciri dan mengukur seberapa baik sebuah solusi Chen, Ian dan Cao, 2003. Fungsi fitness adalah fungsi yang akan mengukur tingkat kebugaran suatu kromosom dalam populasi. Semakin besar nilai fitness, semakin bugar 1 1 1 1 1 1 1 2 3 4 5 . . . n 3 2 5 4 7 1 6 9 8 1 2 3 4 5 . . . n 5 3 4 1 2 1 2 i . . . j 5 7 3 1 2 8 7 3 5 7 9 6 3 1 1 2 3 4 5 . . . n pula kromosom dalam populasi sehingga semakin besar kemungkinan kromosom tersebut dapat tetap bertahan pada generasi berikutnya.

4. Operator-Operator Algoritma Genetik

Pencarian kromosom solusi baru pada populasi dilakukan dengan menggunakan operator-operator genetik yang terdiri atas operator seleksi selection, penyilangan crossover, dan mutasi mutation. Diagram alir algoritma genetik dapat dilihat pada Gambar 7 : Gambar 7. Diagram alir algoritma genetika Wang, 1999 Representasi solusi ke dalam kromosom Inisialisasi Initialization Evaluasi Evaluation Selesai Terminate ? Seleksi Selection Selesai Penyilangan Crossover Mutasi Mutation Evaluasi Evaluation Perbaikan Repair Penggantian Replacement a. Seleksi Selection kromosom Setelah populasi awal terbentuk, setiap kromosom dalam populasi dievaluasi dengan menghitung nilai fungsi fitnessnya. Setelah itu proses pembentukan generasi baru diawali dengan seleksi kromosom. Seleksi adalah proses pemilihan beberapa kromosom untuk dijadikan sebagai kromosom induk bagi generasi berikutnya. Menurut Syarif dan Mitsuo 2003, kromosom terpilih untuk masing-masing populasi di dalam generasi yang berikutnya berdasarkan nilai fitness. Populasi kromosom untuk generasi berikutnya dihasilkan menggunakan salah satu teknik seleksi kromosom yaitu seleksi cakram rolet roulette wheel selection. Teknik ini disebut seleksi rolet sebab dapat dipandang sebagai pemutaran suatu cakram rolet. Setiap kromosom menempati suatu daerah slot pada cakram rolet dengan proporsi luasnya sebanding dengan proporsi nilai fitness masing- masing kromosom dalam populasi. Proporsi dalam cakram rolet juga menunjukkan peluang masing-masing kromosom untuk terpilih menjadi induk parent pada generasi berikutnya. Teknik seleksi lainnya adalah seleksi turnamen tournament selection. Seleksi ini akan membandingkan antara dua buah kromosom dalam populasi yang dipilih secara acak. Salah satu dari kromosom akan terpilih apabila memenuhi atau mendekati nilai fitness. Hopgood, 2001 b. Penyilangan Crossover kromosom Setelah proses penyeleksian kromosom, langkah berikutnya adalah melakukan penyilangan terhadap pasangan-pasangan kromosom. Penyilangan crossover dikenal sebagai operator penggabungan ulang recombination yang paling utama dalam algoritma genetik. Syarif dan Mitsuo, 2003. Menurut Chen, Ian dan Cao 2003, penyilangan akan menukar informasi genetik antara dua kromosom induk yang terpilih dari proses seleksi untuk membentuk dua anak. Operator penyilangan bekerja pada sepasang kromosom induk untuk menghasilkan dua kromosom anak dengan menukarkan beberapa elemen gen yang dimiliki masing-masing kromosom induk. Operator penyilangan biasanya dihubungkan dengan peluang penyilangan. Peluang penyilangan Pc adalah rasio antara jumlah kromosom yang diharapkan mengalami penyilangan dalam setiap generasi dengan jumlah kromosom total dalam populasi. Nilai Pc biasanya cukup tinggi berkisar antara 0,6 – 1. Proses penyilangan akan terjadi pada sepasang kromosom jika suatu bilangan yang dibangkitkan secara acak r, 0 r 1, nilainya kurang dari atau sama dengan Pc. Bilangan acak tersebut dibangkitkan setiap kali akan menyilangkan sepasang kromosom. Tingkat penyilangan yang tinggi menyebabkan semakin besar kemungkinan algoritma genetik mengeksplorasi ruang pencarian sekaligus mempercepat ditemukannya solusi optimum. Peluang penyilangan yang tepat dan efektif hanya dapat diketahui melalui pengujian experiment khusus terhadap masalah yang bersangkutan. Misalnya ditentukan nilai Pc = 0.9. Operator penyilangan yang sering digunakan dalam algoritma genetic sederhana simple genetic algorithm adalah penyilangan satu titik one point crossover Holland, 1975. Penyilangan satu titik ini cocok digunakan untuk kromosom dengan representasi biner 1 dan 0. Berikut Gambar 8 adalah ilustrasi proses penyilangan satu titik : Gambar 8. Penyilangan satu titik one point crossover 1 1 1 1 1 1 Parent 1 1 1 1 1 1 1 Parent 2 1 1 1 1 1 Offspring 1 1 1 1 1 1 1 1 Offspring 2 Pada beberapa kasus, penyilangan satu titik tidak cocok digunakan karena dapat menghasilkan kromosom yang ilegal. Untuk itu Goldberg dan Lingle 1985 memperkenalkan teknik PMX Partially Mapped Crossover untuk mencegah timbulnya kromosom ilegal dengan adanya metode perbaikan repairing procedure. Gambar 9. Ilustrasi Metode PMX Gen dan Cheng, 1997 1 2 3 4 5 6 7 8 9 Parent 1 5 4 6 9 2 1 7 8 3 Parent 2 1 2 3 4 5 6 7 8 9 Proto-child 1 5 4 6 9 2 1 7 8 3 Proto-child 2 1. Tentukan mapping section pada sepasang kromosom 2. Tukarkan kedua buah mapping section untuk membentuk dua kromosom anak 3 4 5 6 6 9 2 1 1 6 3 2 5 9 4 3. Legalkan kromosom anak dengan kaidah mapping relationship 3 5 6 9 2 1 7 8 4 Offspring 1 2 9 3 4 5 6 7 8 1 Offspring 2 4. Tentukan kaidah mapping relationship c. Mutasi Mutation kromosom Operator mutasi bekerja pada sebuah gen dalam suatu kromosom. Operator mutasi hanya operator tambahan atau operator sekunder tetapi dapat berperan sangat besar dalam menemukan solusi yang optimum. Operasi ini akan menjadi sangat penting apabila nilai fitness kromosom dalam populasi cenderung sama atau sudah mencapai konvergen bias premature konvergen. Akibatnya, operator seleksi akan mengalami kesukaran memilih kromosom terbaik untuk dilakukan penyilangan. Dengan adanya operator mutasi, struktur suatu kromosom dapat dimodifikasi agar dihasilkan kromosom dengan struktur baru yang memiliki nilai fitness lebih baik. Menurut Syarif dan Mitsuo 2003, mutasi pada umumnya digunakan untuk mencegah tidak adanya kehilangan informasi sehingga dilaksanakan dengan pertukaran informasi di dalam kromosom. Operator mutasi dapat bersifat konstruktif maupun destruktif terhadap suatu kromosom, tetapi karena probabilitasnya yang kecil maka terjadinya mutasi akan sangat kecil karena didominasi oleh operator penyilangan. Peluang mutasi Pm adalah rasio antara jumlah gen yang diharapkan mengalami mutasi pada setiap generasi dengan jumlah gen total dalam populasi. Nilai Pm yang digunakan biasanya sangat kecil berkisar antara 0,001 – 0,2. Proses mutasi akan terjadi pada suatu gen, jika suatu bilangan yang dibangkitkan secara acak r, 0 r 1, nilainya kurang dari atau sama dengan Pm. Gambar 10. Ilustrasi Operator Mutasi 1 1 1 1 1 Chromosome e 1 1 1 1 1 1 Chromosome

5. Perbandingan Algoritma Genetik dengan Teknik Optimasi Konvensional

Perbedaan algoritma genetik dengan teknik optimasi konvensional Goldberg, 1989 adalah sebagai berikut : a. Algoritma genetik bekerja pada sekumpulan solusi itu sendiri yang telah dikodekan, bukan pada solusi itu sendiri Ruang pencarian search space pada algoritma genetik dapat didikritkan, meskipun fungsi objektifnya berupa fungsi kontinyu karena bekerja dengan pengkodean variabel solusi. Keuntungan menggunakan fungsi diskrit adalah tidak memerlukan usaha tambahan extra cost seperti pencarian gradien pada fungsi kontinyu. Sehingga algoritma genetik dapat diterapkan untuk oprimasi di berbagai jenis fungsi dan bidang aplikasi. b. Algoritma generik melakukan pencarian pada suatu populasi banyak titik kandidat solusi, bukan hanya pada satu titik Teknik pencarian pada teknik optimasi konvensional dilakukan hanya pada satu titik tunggal. Titik ini kemudian diperbaiki perlahan- lahan dengan arah menaik fungsi maksimasi atau menuru fungsi minimasi melalui sejumlah iterasi hingga ditemukan solusi optimum. Teknik pencarian seperti ini dapat terjebak ke dalam solusi optimum lokal. c. Algoritma genetik secara langsung memanfaatkan informasi fungsi objektif, bukan turunan atau informasi tambahan lainnya Pada umumnya algoritma untuk menyelesaikan masalah optimasi adalah berupa langkah-langkah komputasi yang secar asimtotik menuju solusi optimum. Teknik optimasi konvensional membangun deretan yang dimaksud berdasarkan gradien turunan fungsi objektif atau fungsi kendala untuk memperbaiki solusi tunggal. Algoritma genetik tidak memerlukan informasi dan asumsi-asumsi demikian. Algoritma generik hanya memerlukan informasi nilai fungsi objektif dan memperbaiki sekumpulan solusi fisibel dengan operator-operator genetika, yang pada akhirnya diharapkan dapat menghasilkan solusi optimum. d. Algoritma genetik bekerja menggunakan aturan probabilistik, bukan aturan deterministik Tidak ada operator algoritma genetik yang bekerja secara deterministik. Operator seleksi, penyilangan, maupun mutasi bekerja menggunakan aturan probabilistik atau pemilihan secara acak.

F. KELAPA DAN COCODIESEL

Kelapa Cocos nucifera L. adalah salahsatu jenis tanaman palem yang tersebar di hampir semua negara tropis, terutama di daerah dekat pantai. Hal ini merupakan petunjuk bahwa tanaman kelapa berasal dari daerah tropis, walaupun sulit menentukan negara mana tepatnya. Kelapa dikenal sebagai tanaman serba guna karena seluruh bagian tanaman ini bermanfaat bagi kehidupan manusia Palungkun, 1998 Secara umum, buah kelapa mempunyai komposisi 35 sabut, 12 tempurung, 28 daging biji, dan 25 air kelapa. Buah kelapa pada umumnya dapat dipanen setelah 11-12 bulan sejak bunga betina diserbuki Samosir, 1992. Buah kelapa yang normal terdiri dari beberapa bagian yaitu kulit luar epicarp, sabut mesocarp, tempurung endocarp, kulit daging buah testa, daging buah endosperm, air kelapa dan lembaga. Palungkun, 1998. Berikut ini adalah gambar pohon kelapa Gambar 11 dan gambar penampang melintang kelapa Gambar 12 Air kelapa Daging buah Tempurung Sabut kelapa Gambar 11. Pohon kelapa Gambar 12. Penampang melintang kelapa Kelapa dengan kadar lemak tinggi dan asam lemak bebas rendah adalah bahan baku yang baik untuk industri minyak kelapa dan kelapa parut kering. Minyak kelapa memiliki banyak kegunaan antara lain sebagai minyak masak dan shortening, lotion rambut, dan badan, untuk obat lecet dan kulit terbakar, bahan pembuat sabun dan detergen, pembuatan VCO Virgin Coconut Oil, dan baru-baru ini digunakan sebagai bahan bakar pengganti solar yang disebut dengan cocodiesel atau biodiesel dari minyak kelapa Foale, 2003. Minyak kelapa adalah minyak yang diperoleh dengan cara mengepres kopra berasal daging buah kelapa yang telah dikeringkan atau hasil ekstraksi bungkil kopra. Standar mutu dari kelapa dapat dilihat pada Tabel 1 SNI 01-2902-1992. Tabel 1. Standar mutu minyak kelapa Kriteria Jumlah Air Maksimum 0.5 Kotoran Maksimum 0.05 Bilangan iod gram iod 100 gram contoh 8-10 Bilangan penyabunan mg KOH gram contoh 255-265 Bilangan peroksida mg oksigen gram contoh Maksimum 5.0 Asam lemak bebas dihitung sebagai asam laurat Maksimum 5 Warna dan bau Normal Minyak pelikan Negatif Indonesia merupakan salah satu negara penghasil minyak bumi di dunia namun sampai saat ini masih mengimpor bahan bakar minyak BBM untuk mencukupi kebutuhan bahan bakar minyak di sektor transportasi dan energi. Kenaikan harga minyak mentah dunia akhir-akhir ini memberi dampak yang besar pada perekonomian nasional, terutama dengan adanya kenaikan harga BBM. Kenaikan harga BBM secara langsung berakibat pada naiknya biaya transportasi, biaya produksi industri dan pembangkitan tenaga listrik. Dalam jangka panjang impor BBM ini akan makin mendominasi penyediaan energi nasional apabila tidak ada kebijakan pemerintah untuk melaksanakan penganekaragaman energi dengan memanfaatkan energi terbarukan dan lain- lain. Oleh karena itu pemakaian energi alternatif terbarukan sebagai subsisdi BBM di Indonesia sangatlah penting, salah satunya adalah biodiesel. Biodiesel salah satu bahan bakar alternatif yang ramah lingkungan, tidak mempunyai efek terhadap kesehatan yang dapat dipakai sebagai bahan bakar kendaraan bermotor dapat menurunkan emisi bila dibandingkan dengan minyak diesel. Biodiesel merupakan bahan bakar yang terdiri dari campuran mono--alkyl ester dari rantai panjang asam lemak, yang dipakai sebagai alternatif bagi bahan bakar dari mesin diesel dan terbuat dari sumber terbaharui seperti minyak sayur atau lemak hewan. Minyak kelapa dapat diproses menjadi bahan bakar alternatif sebagai biodiesel cocodiesel. Cocodiesel dapat langsung digunakan sebagai bahan bakar mesin diesel ataupun dicampur dengan solar dengan perbandingan tertentu. Cocodiesel merupakan perpaduan antara minyak kelapa dengan methanol yang merupakan reaksi transenterifikasi menggunakan katalis pada suhu dan waktu tertentu. Berikut reaksi kimia pembuatan biodiesel dari minyak tanaman kelapa cocos nucifera dengan reaksi transesterifikasi. CH 2 OOCR1 CH 2 OH R1COOR’ CH OOCR2 + R’OH CHOH + R2COOR’ CH 2 OOCR3 CH 2 OH R3COOR’ 1 minyak kelapa 3 alkohol 1 gliserin 3 metil ester Gambar 13. Reaksi transesterifikasi cocodiesel Hamilton, 2004 Diagram alir pengolahan cocodiesel dapat dilihat pada Gambar 14. Hasil pembakaran dari minyak ini tidak beracun dan tidak mengeluarkan asap, sehingga aman dipakai serta ramah lingkungan dan senyawanya mudah terurai. Minyak cocodiesel ini memiliki emisi rendah, titik nyalanya tinggi, dan senyawa mono alkil ester dari trigliserida ester cukup baik. Bahan baku tersedia melimpah, dapat mengatasi bila ada kelangkaan solar di daerah terpencil serta ramah lingkungan Anonim, 2007. Gambar 14. Diagram alir pengolahan biodiesel dari minyak kelapa M inyak kelapa + M etanol + KOH Est erif ikasi Pendiaman Pengendapan Pemisahan Hasil Reaksi I + M et anol + KOH Gliserin Transest erif ikasi Pendiaman Pengendapan Pemisahan Gliserin Biodiesel Kasar Pencucian Pengeringan Vakum COCODIESEL

G. PENELITIAN TERDAHULU