Optimasi Sterilisasi Buah Kelapa Sawit dengan Energi Gelombang Mikro: Faktor-Faktor yang Mempengarhi Generasi Panas Chapter III V

BAB III
METODOLOGI PENELITIAN
3.1 BAHAN DAN PERALATAN PENELITIAN
Bahan-bahan yang digunakan adalah buah kelapa sawit sebagai bahan baku
CPO, natrium hidroksida (NaOH) 0,25 M sebagai larutan alkali untuk titrasi pada
analisa FFA, phenolphthalein (C20H14O4) sebagai larutan indikator, dan etanol
(C2H5OH) 95%. Peralatan utama yang digunakan adalah microwave oven (R-249
IN (S)/(W)) dengan frekuensi 2450 MHz, termokopel tipe K (Krupp dan Closs
berdiameter 3 x 300 mm (Mineral Insulated) dipasang dengan kabel 2 m)
dihubungkan dengan pengontrol suhu (Shimaden), dan hydraulic press. Sedangkan
software yang digunakan untuk perancangan eksperimen dan pengolahan data
adalah minitab 17 trial version.

3.2 LANGKAH-LANGKAH PENELITIAN
Penelitian ini dilakukan dengan langkah-langkah seperti pada Gambar 3.1.
Mulai

Menentukan jumlah run dan level setiap variabel
menggunakan minitab 17 trial version

Menyusun rancangan percobaan orde I menggunakan

minitab 17 trial version

Melakukan percobaan sesuai rancangan orde I

Mengolah hasil percobaan orde I menggunakan minitab
17 trial version

A

21
Universitas Sumatera Utara

A

Menyusun rancangan percobaan orde II menggunakan
minitab 17 trial version

Melakukan percobaan sesuai rancangan orde II

Mengolah hasil percobaan orde II menggunakan minitab 17

trial version

Menentukan persamaan model optimasi
menggunakan minitab 17 trial version

Memasukkan level setiap variabel yang digunakan ke dalam
persamaan model dan membandingkannya dengan hasil yang
diperoleh dari percobaan

Menentukan kondisi optimum

Selesai

Gambar 3.1 Flowchart Langkah-Langkah Penelitian

3.3 PROSEDUR PERCOBAAN
3.3.1 Seleksi Jumlah Percobaan
Seleksi jumlah percobaan ini dilakukan menggunakan software minitab 17
trial version dengan RSM. Adapun variabel-variabel beserta level dalam penelitian
ini meliputi:

1. Variabel respon, yaitu temperatur, moisture loss, dan kadar FFA.

22
Universitas Sumatera Utara

2. Variabel bebas/faktor terdiri dari :


Massa sampel (X1), dengan range antara 500 gram sampai dengan
1000 gram.



Daya (X2), dengan range antara Medium Low sampai dengan
Medium High.



Waktu (X3), dengan range antara 8 menit sampai dengan 16 menit.

Optimasi menggunakan metode permukaan respon dilakukan dalam dua
tahap, yaitu eksperimen tahap I dan eksperimen tahap II. Desain eksperimen yang
digunakan pada percobaan tahap I adalah desain faktorial dua level, sedangkan
desain eksperimen yang digunakan pada eksperimen tahap II adalah Central
Composite Design (CCD). Setelah dilakukan seleksi jumlah percobaan
menggunakan software minitab 17 trial version, maka diperoleh jumlah percobaan
yang akan dilakukan dan level yang digunakan dari setiap variabel bebas untuk
percobaan tahap I dan II. Pada rancangan tahap I jumlah pengamatan n = 2 3 = 8
(titik faktorial), sedangkan untuk rancangan tahap II terdiri dari titik faktorial n f =
23 ditambah 6 titik pusat dan 6 titik sumbu (aksial), sehingga total pengamatan
adalah 20, dengan nilai α = (nf)1/4 = (8)1/4 = 1,682. Gambar 3.2 dan 3.3 adalah hasil
seleksi run dari software Minitab 17 trial version untuk percobaan tahap I dan II.

Gambar 3.2 Rancangan Percobaan untuk Eksperimen Tahap I

23
Universitas Sumatera Utara

Keterangan :
StdOrder (Standard Order) = urutan percobaan yang tidak acak, berguna untuk

membandingkan suatu desain dengan desain yang
ditemukan pada aplikasi lainnya.
RunOrder
= urutan percobaan yang harus dilakukan, tujuannya
untuk mengurangi potensi bias jika melakukan
percobaan secara acak.
CenterPt (Center Point) = titik tengah yang mewakili jumlah percobaan dengan
seluruh level faktor diatur setengah antara titik
terendah dan tertinggi (1 adalah titik sudut dan 0
adalah titik pusat).
Blocks
= variabel kategoris yang mengidentifikasi kelompok
percobaan yang dilakukan di bawah kondisi yang
relatif homogen, berguna untuk meminimalkan bias
dan variansi kesalahan karena faktor yang tidak
terkendali.

Gambar 3.3 Rancangan Percobaan untuk Eksperimen Tahap II
24
Universitas Sumatera Utara

Keterangan :
StdOrder (Standard Order) = urutan percobaan yang tidak acak, berguna untuk
membandingkan suatu desain dengan desain yang
ditemukan pada aplikasi lainnya.
RunOrder
= urutan percobaan yang harus dilakukan, tujuannya
untuk mengurangi potensi bias jika melakukan
percobaan secara acak.
PtType
= jenis titik pada desain eksperimen (1 adalah titik
sudut, 0 adalah titik pusat, -1 adalah titik aksial, dan
2 adalah titik tepi).
Blocks
= variabel kategoris yang mengidentifikasi kelompok
percobaan yang dilakukan di bawah kondisi yang
relatif homogen, berguna untuk meminimalkan bias
dan variansi kesalahan karena faktor yang tidak
terkendali.
Level untuk setiap variabel bebas ditampilkan dalam bentuk nilai kode seperti yang

ditunjukkan pada Tabel 3.1.
Tabel 3.1 Kode dan Level Setiap Variabel
Variabel

Kode
Variabel

Massa Sampel
Daya
Waktu

X1
X2
X3

Level
-1
500
Medium Low
8

0
750
Medium
12

+1
1000
Medium High
16

Penetapan level-level faktor untuk variabel-variabel di atas, ditunjukkan
sebagai berikut.
1. Level-level faktor yang berkaitan dengan rancangan faktorial 23
a. Faktor massa sampel, dengan level faktor:


Massa sampel sebesar 500 gram (kode X1 = -1)



Massa sampel sebesar 1000 gram (kode X1 = 1)

b. Faktor daya, dengan level faktor:


Daya dengan level medium low (kode X2 = -1)



Daya dengan level medium high (kode X2 = 1)

c. Faktor waktu, dengan level faktor:


Waktu selama 8 menit (kode X3 = -1)



Waktu selama 16 menit (kode X3 = 1)

25
Universitas Sumatera Utara

2. Level-level faktor pada titik pusat
a. Faktor massa sampel, dengan titik pusat:
+

= 75 ���

(kode X1 = 0)

b. Faktor daya, dengan titik pusat level medium (kode X2 = 0)
c. Faktor waktu, dengan titik pusat :
8+

=

� �� (kode X3 = 0)

3. Level-level faktor yang bersesuaian dengan titik sumbu (aksial)
Level faktor yang bersesuaian dengan titik sumbu dapat dihitung menggunakan
Persamaan 3.1 [35].
Xi =
dimana :

xi- [xmax + xmin ]/2
[xmax - xmin ]/2

(3.1)

Xi = nilai kode tak berdimensi dari variabel xi
xi

= nilai sesungguhnya dari variabel massa sampel, daya, dan waktu

xmax = nilai maksimum dari variabel massa sampel, daya, dan waktu
xmin = nilai minimum dari variabel massa sampel, daya, dan waktu

a. Faktor massa sampel, dengan titik sumbu (aksial):
X1

=

X1

=

massa- [1000 + 500]/2
[1000 - 500]/2
massa-750
250

250X1 = massa – 750
massa = 250X1 + 750
 Untuk X1 = -1,682 maka massa = 250(-1,682) + 750 = 330 gram
 Untuk X1 = 1,682 maka massa = 250(1,682) + 750 = 1171 gram
a. Faktor daya, dengan titik sumbu (aksial):
 Untuk X2 = -1,682 maka daya pada level low
 Untuk X2 = 1,682 maka daya pada level high
b. Faktor waktu, dengan titik sumbu (aksial):
X3

=

waktu- [8+ 16]/2
[16- 8]/2
26
Universitas Sumatera Utara

waktu-12
4

X3

=

4X3

= waktu – 12

waktu = 4X3 + 12
 Untuk X3 = -1,682 maka waktu = 4(-1,682) + 12 = 5,272 menit
 Untuk X3 = 1,682 maka waktu = 4(1,682) + 12 = 18,728 menit

Berdasarkan perhitungan tersebut, level setiap variabel untuk percobaan tahap I
dan II ditunjukkan pada Tabel 3.2 dan Tabel 3.3.

Tabel 3.2 Level Setiap Variabel untuk Percobaan Tahap I
No.

Massa Sampel (gram)

Daya

Waktu (menit)

1
2
3
4
5
6
7
8

1000
500
1000
500
500
1000
1000
500

Medium High
Medium High
Medium Low
Medium Low
Medium Low
Medium High
Medium Low
Medium High

8
8
16
8
16
16
8
16

27
Universitas Sumatera Utara

Tabel 3.3 Level Setiap Variabel untuk Percobaan Tahap II
No.

Massa Sampel (gram)

Daya

Waktu (menit)

1

750

Medium

12

2

1000

Medium Low

8

3

750

Medium

12

4

330

Medium

12

5

750

Medium

12

6

1000

Medium High

16

7

500

Medium High

8

8

500

Medium High

16

9

750

Low

12

10

750

Medium

18,728

11

750

High

12

12

1000

Medium Low

16

13

500

Medium Low

8

14

750

Medium

12

15

750

Medium

12

16

500

Medium Low

16

17

1171

Medium

12

18

750

Medium

12

19

1000

Medium High

8

20

750

Medium

5,272

Setelah diperoleh jumlah run yang akan dilakukan, selanjutnya dilakukan
verifikasi data di laboratorium dengan melakukan percobaan sesuai dengan
rancangan tersebut.

28
Universitas Sumatera Utara

3.3.2 Sterilisasi Buah Kelapa Sawit dengan Energi Gelombang Mikro
Persiapan sampel dilakukan dengan melepas buah kelapa sawit dari
tandannya, kemudian ditimbang hingga berat yang ditentukan, lalu disimpan dalam
tempat yang kering. Untuk melakukan sterilisasi, buah kelapa sawit dimasukkan
dalam wadah kaca kemudian diletakkan pada tengah turn-table yang ada di dalam
microwave oven dan dilakukan iradiasi gelombang mikro pada level daya yang
ditentukan. Proses sterilisasi dilakukan dalam waktu tertentu sesuai dengan run
percobaan yang diakukan. Setelah sterilisasi selesai, perubahan temperatur diukur
dengan cara mengeluarkan sampel dari microwave oven dan diukur dengan
menggunakan termokopel yang ditancapkan pada sampel serta berat sampel
ditimbang. Setelah proses sterilisasi selesai, buah kelapa sawit dikempa dengan
screw press hingga diperoleh minyaknya.
Mulai

Buah kelapa sawit dilepas dari tandannya

Sampel ditimbang hingga beratnya 1000 gram

Sampel disusun merata dengan jarak berdekatan pada
wadah kaca

Wadah kaca dimasukkan ke microwave oven

Microwave oven dihidupkan dengan level daya Medium High

Setelah waktu sterilisasi 8 menit, sampel dikeluarkan dari
microwave oven dan diukur temperaturnya dengan
termokopel dan dicatat

A

29
Universitas Sumatera Utara

A

Berat sampel setelah sterilisasi ditimbang dan dicatat

Sampel yang telah disterilisasi selanjutnya dikempa untuk
mendapatkan minyaknya
Prosedur diulangi untuk variasi massa, daya, dan waktu lainnya

Selesai
Gambar 3.4 Flowchart Sterilisasi Buah Kelapa Sawit dengan Energi Gelombang
Mikro Run 1 Tahap 1

3.3.3 Analisa Moisture Loss
Analisa moisture loss dilakukan dengan cara menimbang berat sampel
sebelum dan sesudah disterilisasi. Berdasarkan Malaysian Palm Oil Board,
moisture loss dihitung dengan Persamaan 3.2 [36].

dimana:

% Moisture Loss= [

ε1 - ε2
ε1

] x 100%

(3.2)

M1 = berat awal sampel (sebelum disterilisasi)
M2 = berat akhir sampel (setelah disterilisasi)
Mulai

Sampel ditimbang dan dicatat beratnya

Dilakukan sterilisasi selama waktu tertentu

A

30
Universitas Sumatera Utara

A

Berat sampel setelah disterilisasi ditimbang

Moisture loss dihitung menggunakan Persamaan 3.2

Selesai
Gambar 3.5 Flowchart Analisa Moisture Loss

3.3.4 Analisa Kadar Asam Lemak Bebas
Analisa FFA dilakukan berdasarkan metode tes AOCS Official Method Ca
5a-40. Sampel minyak sawit sebanyak 7,05 ± 0,05 gram dimasukkan ke dalam
erlenmeyer. Larutan etanol 95% sebanyak 75 ml dimasukkan ke dalam erlenmeyer.
Campuran dikocok kuat dan diteteskan indikator phenolphthalein sebanyak 2 ml.
Kemudian dititrasi dengan NaOH 0,25 M hingga diperoleh warna merah rosa yang
bertahan selama 30 detik [37]. Kadar FFA dihitung menggunakan Persamaan 3.3.
FFA=

25,6 x ε x V
m

(3.3)

dimana:
M = molaritas larutan standar NaOH (M)
V = volume larutan standar NaOH yang digunakan (ml)
m = massa sampel yang digunakan (gram)

31
Universitas Sumatera Utara

Mulai

Sampel minyak sawit sebanyak 7,05 ± 0,05 gram dimasukkan ke
dalam erlenmeyer

Larutan etanol 95% sebanyak 75 ml dimasukkan ke
dalam erlenmeyer

Campuran dikocok kuat dan diteteskan indikator
phenolphthalein sebanyak 2 ml

Campuran dititrasi dengan NaOH 0,25 M

Apakah larutan sudah

Tidak

berubah warna
menjadi merah rosa?

Ya
Volume NaOH 0,25 M yang terpakai dicatat

Kadar FFA dihitung menggunakan Persamaan 3.3

Selesai
Gambar 3.6 Flowchart Analisa Kadar Asam Lemak Bebas

32
Universitas Sumatera Utara

3.3.5 Analisis Varians (ANOVA)
Setelah semua nilai parameter diperoleh, yaitu temperatur, moisture loss,
dan kadar FFA, selanjutnya data-data yang diperoleh dari percobaan diolah
menggunakan minitab 17 trial version. Kemudian dilakukan analisis varians
(ANOVA) untuk mendapatkan persamaan model dan menguji tingkat signifikan
dari persamaan model yang diperoleh.
ANOVA dilakukan untuk masing-masing respon (temperatur, moisture
loss, dan kadar FFA). Dari ANOVA tersebut akan diperoleh persamaan regresi
untuk masing-masing respon. Persamaan regresi tersebut menyatakan pengaruh
massa sampel, daya, dan waktu terhadap temperatur, moisture loss, dan kadar FFA.
Model empiris yang berhubungan dengan respon untuk orde satu
dinyatakan dengan Persamaan 3.4 [38].
Y= β0 + ∑ni=1 βi Xi

(3.4)

Sedangkan model empiris yang berhubungan dengan respon untuk orde dua
dinyatakan dengan Persamaan 3.5 [35].

dimana:

n
Y= β0 + ∑ni=1 βi Xi + ∑ni=1 βii X21 + ∑n-1
i=1 ∑j=i+1 βij Xi Xj

(3.5)

Y = respon temperatur, moisture loss, dan kadar FFA
β0 = koefisien konstanta
βis = koefisien linier
βiis = koefisien kuadratik
βijs = koefisien interaksi
Xi dan Xj = kode variabel bebas
Dari analisis varians akan diperoleh P-value, dimana P-value digunakan
untuk memeriksa tingkat signifikan masing-masing koefisien, yang dapat
menunjukkan pola interaksi antara variabel. Semakin kecil P-value maka semakin
signifikan kesesuaian antara koefisien. Jika persamaan model yang diperoleh dari
percobaan tahap I tidak sesuai, maka analisis dilanjutkan pada persamaan model
dari percobaan tahap II.
Jika persamaan model telah diperoleh, kemudian level setiap variabel yang
digunakan dimasukkan ke dalam persamaan tersebut untuk masing-masing respon

33
Universitas Sumatera Utara

(temperatur, moisture loss, dan FFA). Nilai respon yang diperoleh dari persamaan
model dibandingkan dengan nilai respon yang diperoleh dari percobaan.

3.3.6 Penentuan Kondisi Optimum
Representasi grafis dari persamaan model yang diperoleh disebut dengan
permukaan respon dan kurva permukaan respon diperoleh dengan menggunakan
Response Surface Methodology (RSM) pada software minitab 17 trial version.
Kondisi optimum dapat dilihat dari kurva permukaan respon yang dihasilkan.

34
Universitas Sumatera Utara

BAB IV
HASIL DAN PEMBAHASAN
Analisis terhadap variabel-variabel bebas yang paling berpengaruh dalam
menentukan kondisi yang menghasilkan respon optimum dilakukan dengan 2 tahap
yaitu tahap penyaringan faktor menggunakan desain faktorial dua level (2k) dan
tahap optimasi menggunakan Central Composite Design (CCD). Terdapat tiga
variabel bebas yang diperkirakan mempengaruhi temperatur, moisture loss, dan
kadar FFA, yaitu massa buah sawit (X1), daya microwave (X2) dan waktu sterilisasi
(X3).

4.1 HASIL PENELITIAN
Tabel 4.1 dan 4.2 menunjukkan hasil eksperimen untuk tahap I dan tahap II.
Tabel 4.3 Data Eksperimen Tahap I
Massa
Waktu
Daya
(gram)
(menit)
1
1000
Medium High
8
2
500
Medium High
8
3
1000
Medium Low
16
4
500
Medium Low
8
5
500
Medium Low
16
6
1000
Medium High
16
7
1000
Medium Low
8
8
500
Medium High
16
*)
Kadar FFA tanggal 20 Juli 2017
No.

Temperatur
(oC)
51,1
70,9
48,3
57,6
58,4
55,7
44,2
69,7

Moisture
loss (%)
4,2
8,7
2,2
1,5
6,0
6,9
0,9
16,1

FFA FFA*)
(%)
(%)
0,82
6,81
0,54
6,45
2,45
8,44
1,36 10,89
0,91 10,17
0,82 11,17
0,45
3,09
0,64
3,36

Tabel 4.4 Data Eksperimen Tahap II
No.
1
2
3
4
5
6
7
8
9

Massa
(gram)
750
1000
750
330
750
1000
500
500
750

Daya
Medium
Medium Low
Medium
Medium
Medium
Medium High
Medium High
Medium High
Low

Waktu
(menit)
12
8
12
12
12
16
8
16
12

Temperatur
(oC)
76,3
44,2
53,0
63,9
59,3
55,7
70,9
69,7
42,1

Moisture
loss (%)
4,20
0,90
5,07
19,88
4,67
6,90
8,70
16,10
0,27

FFA
(%)
0,36
0,45
1,09
0,82
1,00
0,82
0,54
0,64
7,53

FFA*)
(%)
3,18
3,09
14,80
5,36
33,13
11,17
6,45
3,36
14,16

35
Universitas Sumatera Utara

10
750
Medium
18,728
11
750
High
12
12
1000
Medium Low
16
13
500
Medium Low
8
14
750
Medium
12
15
750
Medium
12
16
500
Medium Low
16
17
1171
Medium
12
18
750
Medium
12
19
1000
Medium High
8
20
750
Medium
5,272
*)
Kadar FFA tanggal 20 Juli 2017

Keterangan:
Low
Medium Low
Medium
Medium High
High

79,8
69,9
48,3
57,6
65,3
51,8
58,4
65,4
66,4
51,1
49,0

13,53
10,80
2,20
1,50
4,40
4,44
6,00
1,96
3,73
4,20
1,20

0,91
1,00
2,45
1,36
0,73
0,18
0,91
0,27
0,27
0,82
1,45

9,08
5,81
8,44
10,89
7,26
4,90
10,17
9,62
6,72
6,81
15,16

= 80 watt
= 240 watt
= 400 watt
= 560 watt
= 800 watt

4.2 PENYARINGAN FAKTOR
Untuk mengetahui apakah variabel bebas yang digunakan pada eksperimen
berpengaruh signifikan atau tidak, maka dilakukan analisis statistik ANOVA.
Dalam penelitian ini ditetapkan nilai α (tingkat siginifikansi) yang menunjukkan
error yang diizinkan adalah 1-confidence level. Confidence level yang digunakan
adalah 95% sehinga diperoleh nilai α = 0,05, artinya hasil penelitian memiliki
kesempatan untuk benar sebesar 95% dan toleransi kesalahan maksimal 5%. Dalam
uji ANOVA perlu dibuat hipotesis yang akan diuji yaitu H0 dan H1 dengan definisi:
H0 : tidak terdapat efek antar variabel bebas dan tidak terdapat efek interaksi antar
variabel bebas yang berpengaruh terhadap respon.
H1 : paling sedikit ada satu variabel input yang berpengaruh.
Dari uji ANOVA juga akan dilihat nilai R-square (R2) yang menunjukkan
koefisien determinasi, dengan nilai antara 0-1. Semakin kecil nilai R2 maka
hubungan antara variabel semakin lemah, sebaliknya jika nilai R 2 semakin
mendekati 1, maka hubungan antara variabel semakin kuat. Nilai R2 ini akan
ditampilkan dalam bentuk persen untuk mempermudah dalam melihat besar
kecilnya pengaruh variabel bebas terhadap parameter yang diukur.

36
Universitas Sumatera Utara

4.2.1 Pengaruh Massa, Daya, dan Waktu terhadap Temperatur
Dari pengolahan data dengan menggunakan Minitab diperoleh hasil
ANOVA yang ditunjukkan pada Tabel A.1 pada Lampiran A. Persamaan 4.1
merupakan persamaan model untuk temperatur.
Y = 56,987 – 7,163X1 + 4,863X2 + 1,037X3

(4.1)

Keterangan:
Y = respon temperatur
X1 = variabel massa sampel
X2 = variabel daya
X3 = variabel waktu
Dari output Minitab tersebut, p-value untuk massa sampel, daya, dan waktu
masing-masing adalah 0,001; 0,005; dan 0,303. p-value massa sampel dan daya
lebih kecil dari α (5%), dan p-value waktu lebih besar dari α. Berdasarkan p-value
tersebut dapat dilihat bahwa faktor yang signifikan secara statistik adalah massa
sampel dan daya microwave karena p-value lebih kecil dari 5%. Hal ini berarti
masih ada variabel yang signifikan berpengaruh terhadap respon sehingga dapat
disimpulkan H1 diterima dan H0 ditolak.
Dari uji parameter persamaan model secara serentak diperoleh p-value =
0,003 atau lebih kecil dari derajat signifikansi α = 5%. Hal ini mengindikasikan
bahwa variabel-variabel bebas telah mewakili model. Dari Tabel A.1 pada
Lampiran A diperoleh nilai R2 sebesar 96,10% yang artinya sumbangan pengaruh
massa, daya, dan waktu terhadap temperatur sebesar 96,10%, sedangkan sisanya
dipengaruhi oleh variabel lain yang tidak dimasukkan dalam persamaan model
tersebut.
Berdasarkan hasil ANOVA tersebut, dapat disimpulkan variabel yang
paling berpengaruh secara signifikan terhadap temperatur adalah massa dan daya,
seperti yang ditunjukkan pada Gambar 4.1.

37
Universitas Sumatera Utara

Faktor
Keterangan:
A = Massa
B = Daya
C = Waktu

Faktor

Efek Standar

Gambar 4.1 Diagram Pareto Pengaruh Massa, Daya, dan Waktu terhadap
Temperatur

Dari diagram pareto tersebut dapat dilihat variabel apa saja yang
berpengaruh secara signifikan terhadap temperatur. Base line pada diagram
menunjukkan posisi α = 0,05, dimana variabel yang berada di sebelah kiri base line
menunjukkan bahwa variabel tersebut tidak berpengaruh secara signifikan terhadap
temperatur.

4.2.2 Pengaruh Massa, Daya, dan Waktu terhadap Moisture Loss
Hasil ANOVA untuk moisture loss ditunjukkan pada Tabel A.2 pada
Lampiran A. Persamaan 4.2 merupakan persamaan model untuk moisture loss.
Y = 5,813 – 2,262X1 + 3,162X2 + 1,988X3

(4.2)

Keterangan:
Y = respon moisture loss
X1 = variabel massa sampel
X2 = variabel daya
X3 = variabel waktu
p-value yang diperoleh untuk massa sampel, daya, dan waktu masingmasing adalah 0,050; 0,018; dan 0,071. Variabel yang memiliki p-value lebih kecil
dari α adalah daya, sehingga faktor yang signifikan secara statistik adalah daya

38
Universitas Sumatera Utara

microwave.. Hal ini berarti masih ada variabel yang signifikan berpengaruh
terhadap respon sehingga dapat disimpulkan H1 diterima dan H0 ditolak.
Dari uji parameter persamaan model secara serentak diperoleh p-value = 0,027 atau
lebih kecil dari derajat signifikansi α = 5%, hal ini mengindikasikan bahwa
variabel-variabel bebas telah mewakili model. Dari Tabel A.2 pada Lampiran A
dapat dilihat bahwa sumbangan pengaruh massa, daya, dan waktu terhadap
moisture loss sebesar 87,80%, sedangkan sisanya dipengaruhi oleh variabel lain
yang tidak dimasukkan dalam persamaan model tersebut.
Gambar 4.2 merupakan diagram pareto yang menunjukkan sebaerapa besar
pengaruh ketiga variabel bebas terhadap moisture loss.

Faktor
Keterangan:
A = Massa
B = Daya
C = Waktu

Efek Standar

Gambar 4.2 Diagram Pareto Pengaruh Massa, Daya, dan Waktu terhadap
Moisture Loss

Dari diagram pareto tersebut dapat dilihat variabel apa saja yang
berpengaruh secara signifikan terhadap moisture loss. Base line pada diagram
menunjukkan posisi α = 0,05, dimana variabel yang berada di sebelah kiri base line
menunjukkan bahwa variabel tersebut tidak berpengaruh secara signifikan terhadap
moisture loss.

39
Universitas Sumatera Utara

4.2.3 Pengaruh Massa, Daya, dan Waktu terhadap Kadar FFA
Dari pengolahan data dengan menggunakan Minitab diperoleh hasil ANOVA yang
ditunjukkan pada Tabel A.3 pada Lampiran A. Persamaan 4.3 merupakan
persamaan model untuk kadar FFA.
Y = 0,999 + 0,136X1 – 0,294X2 + 0,206X3

(4.3)

Keterangan:
Y = respon FFA
X1 = variabel massa sampel
X2 = variabel daya
X3 = variabel waktu
p-value untuk massa sampel, daya, dan waktu masing-masing adalah 0,593; 0,280;
dan 0,430. p-value untuk massa sampel, daya, dan waktu semuanya lebih besar dari
α. Berdasarkan p-value tersebut dapat dilihat bahwa tidak ada faktor yang signifikan
secara statistik. Hal ini berarti tidak terdapat efek antar variabel bebas dan tidak
terdapat efek interaksi antar variabel bebas yang berpengaruh terhadap respon
sehingga dapat disimpulkan H0 diterima dan H1 ditolak.
Dari uji parameter persamaan model secara serentak diperoleh p-value = 0,519, hal
ini mengindikasikan bahwa variabel-variabel bebas tidak mewakili model. Dari
Tabel A.3 pada Lampiran A dapat dilihat bahwa sumbangan pengaruh massa, daya,
dan waktu terhadap moisture loss sebesar 39,99%, sedangkan sisanya dipengaruhi
oleh variabel lain yang tidak dimasukkan dalam persamaan model tersebut.
Berdasarkan hasil ANOVA tersebut, dapat disimpulkan tidak ada variabel
berpengaruh secara signifikan terhadap kadar FFA. Namun jika dilihat dari p-value
maka urutan variabel yang memberikan pengaruh paling besar hingga yang paling
kecil adalah daya, waktu, dan massa, seperti yang ditunjukkan pada Gambar 4.3.

40
Universitas Sumatera Utara

Faktor
Keterangan:
A = Massa
B = Daya
C = Waktu

Efek Standar

Gambar 4.3 Diagram Pareto Pengaruh Massa, Daya, dan Waktu terhadap Kadar
FFA
Dari diagram pareto tersebut dapat dilihat seberapa besar pengaruh ketiga
variabel terhadap kadar FFA. Base line pada diagram menunjukkan posisi α = 0,05,
dimana variabel yang berada di sebelah kiri base line menunjukkan bahwa variabel
tersebut tidak berpengaruh secara signifikan terhadap kadar FFA.
Jika ditinjau dari analisis yang dilakukan terhadap ketiga parameter yaitu
temperatur, moisture loss, dan kadar FFA, dapat disimpulkan bahwa setiap
parameter dipengaruhi oleh variabel yang berbeda-beda. Sehingga untuk percobaan
tahap optimasi tetap digunakan ketiga variabel bebas tersebut.

4.3 ANALISIS PERSAMAAN MODEL
Pada analisis persamaan model terdapat beberapa uji yang dilakukan, yaitu
pengujian koefisien regresi (secara individu dan serentak), pengujian kesesuaian
model regresi (Lack of Fit), pengujian asumsi residual yang meliputi uji
independensi, uji keidentikan, dan uji distribusi normal.

4.3.1 Analisis Persamaan Model Temperatur
Dari pengolahan data dengan menggunakan Minitab diperoleh hasil
ANOVA yang ditunjukkan pada Tabel A.4 pada Lampiran A. Persamaan 4.4 adalah
persamaan model temperatur.

41
Universitas Sumatera Utara

Y = 62,17 – 4,01X1 + 6,27X2 + 4,40X3 – 0,06X12 – 3,11X22 – 0,14X32 1,29X1X2 + 1,14X1X3 – 0,19X2X3

(4.4)

Keterangan:
Y = respon temperatur
X1 = variabel massa sampel
X2 = variabel daya
X3 = variabel waktu
1. Pengujian Koefisien Regresi
a. Pengujian koefisien regresi secara individu
Pada pengujian dengan α = 0,05 diperoleh p-value untuk massa sampel,
daya, dan waktu masing-masing adalah 0,159; 0,038; dan 0,126. Dapat
dilihat bahwa p-value untuk massa sampel dan waktu lebih besar dari α
dan p-value untuk daya lebih kecil dari α. Hal ini berarti hanya daya
microwave yang mempunyai pengaruh signifikan terhadap respon.
b. Pengujian koefisien regresi secara serentak
Dapat dilihat pada Tabel A.4 dimana p-value untuk regresi linier dan
kuadratik lebih besar dari α. Hal ini berarti secara linier dan kuadratik,
variabel-variabel bebas tidak memberikan kontribusi signifikan
terhadap model yang terbentuk.
2. Pengujian Kesesuaian Model
Hasil uji lack of fit ditunjukkan melalui tabel ANOVA dimana p-value
untuk uji lack of fit bernilai 0,418. Dengan hipotesis:
H0 = tidak ada lack of fit (model sesuai)
H1= ada lack of fit (model tidak sesuai)
Dapat disimpulkan bahwa p-value lebih besar dari α (0,05) sehingga H0
diterima dan H1 ditolak, yang berarti terdapat kesesuaian model.
3. Pangujian Asumsi Residual
Dalam menduga model diperlukan asumsi bahwa residual bersifat identik,
independen, dan berdistribusi normal.
a. Uji identik
Pengujian asumsi identik bertujuan untuk memeriksa apakah varians
residual

dari

model

yang

diperoleh

sama

penyebarannya

(homokedastisitas). Pada Gambar 4.4 dapat dilihat hubungan residual
42
Universitas Sumatera Utara

temperatur dengan nilai temperatur. Residual tersebar secara acak dan
tidak membentuk pola tertentu. Hal ini menunjukkan bahwa asumsi

Residual Temperatur (°C)

residual identik terpenuhi.

Temperatur
(°C)
Temperatur

Gambar 4.4 Grafik Residual Temperatur dengan Nilai Temperatur
b. Uji Independen
Asumsi independensi bertujuan untuk mengetahui apakah antara
sesama variabel bebas saling berhubungan atau berkorelasi. Pada
Gambar 4.5

terlihat bahwa sebaran data residual versus urutan

pengamatan temperatur cenderung acak dan tidak berpola, sehingga

Residual Temperatur (°C)

dapat dikatakan bahwa asumsi independensi dipenuhi.

Urutan Pengamatan Temperatur

Gambar 4.5 Grafik Residual Temperatur dengan Urutan Pengamatan Temperatur

43
Universitas Sumatera Utara

c. Uji Distribusi Normal
Uji distribusi normal dilakukan untuk mengamati penyimpangan
model. Residual dikatakan telah mengikuti distribusi normal jika pada
kurva kenormalan residual, titik residual yang dihasilkan telah sesuai
atau mendekati garis lurus yang ditentukan. Gambar 4.6 menunjukkan
hasil statistik Kolmogorov-Smirnov (KS) untuk uji distribusi normal
dengan derajat signifikansi α = 0,05. Hipotesis:
H0 : residual model regresi berdistribusi normal
H1 : residual model regresi tidak berdistribusi normal
Nilai statistik Kolmogorov-Smirnov (KShitung) yang diperoleh adalah
0,097, sementara nilai Kolmogorov-Smirnov dari Tabel B.1 (KStabel)
pada Lampiran B [39] untuk α = 0,05 dan jumlah pengamatan 20 adalah
0,294. Karena KShitung < KStabel maka H0 diterima, berarti residual dari

Persen Residual Temperatur (%)

model yang diperoleh telah berdistribusi normal.

Temperatur (ᵒC)

Gambar 4.6 Grafik Uji Kenormalan Residual Temperatur
Dengan ketiga analisis residual di atas, dapat disimpulkan bahwa uji residual
bersifat identik, independen, dan berdistribusi normal telah terpenuhi.

Selanjutnya dilakukan uji T berpasangan terhadap data temperatur yang
diperoleh dari eksperimen dan data temperatur prediksi Minitab yang ditunjukkan
oleh Tabel C.1 dan D.2 pada Lampiran C. Uji T berpasangan ini bertujuan untuk

44
Universitas Sumatera Utara

menguji perbedaan antara dua pengamatan, yaitu berdasarkan eksperimen dan
prediksi. Hipotesis yang digunakan adalah:
H0: µ 1 = µ 2
Ha: µ 1 ≠ µ2
Berdasarkan uji T yang dilakukan terhadap temperatur eksperimen dan
prediksi, diperoleh T-value = -0,00 dan P-value = 1,000. Nilai T hitung dengan
derajat kebebasan = n – 1 = 19 dan derajat signifikan α = 0,05 dapat dilihat pada
Tabel D.1 pada Lampiran D [40] yaitu 2,093. Nilai Thitung = -0,00 < Ttabel = 2,093,
sehingga dapat disimpulkan bahwa H0 diterima, yang berarti tidak ada perbedaan
nilai temperatur eksperimen dan prediksi.

4.3.2 Analisis Persamaan Model Moisture Loss
Tabel A.5 pada Lampiran A menunjukkan hasil ANOVA untuk moisture loss.
Persamaan model moisture loss ditunjukkan pada Persamaan 4.5.
Y = 4,49 – 3,532X1 + 3,149X2 + 2,683X3 + 1,805X12 – 0,099X22 +
0,548X32 – 1,162X1X2 – 0,988X1X3 + 0,538X2X3

(4.5)

Keterangan:
Y = respon moisture loss
X1 = variabel massa sampel
X2 = variabel daya
X3 = variabel waktu
1. Pengujian Koefisien Regresi
a. Pengujian koefisien regresi secara individu
Pada pengujian dengan α = 0,05 diperoleh p-value untuk massa sampel,
daya, dan waktu masing-masing adalah 0,000; 0,001; dan 0,002. Dapat
dilihat bahwa p-value untuk massa sampel, daya dan waktu lebih kecil
dari α. Hal ini berarti massa sampel, daya microwave, dan waktu
mempunyai pengaruh signifikan terhadap respon.
b. Pengujian koefisien regresi secara serentak
Dapat dilihat pada Tabel A.5 dimana p-value untuk regresi linier lebih
kecil dari α, sedangkan p-value untuk regresi kuadratik lebih besar dari
α. Hal ini berarti secara linier, variabel-variabel bebas memberikan
kontribusi signifikan terhadap model yang terbentuk. Namun secara
45
Universitas Sumatera Utara

kuadratik, variabel-variabel bebas tidak memberikan kontribusi
signifikan terhadap model yang terbentuk.
2. Pengujian Kesesuaian Model
Hasil uji lack of fit ditunjukkan melalui tabel ANOVA dimana p-value untuk
uji lack of fit bernilai 0,000. Dengan hipotesis:
H0 = tidak ada lack of fit (model sesuai)
H1= ada lack of fit (model tidak sesuai)
Dapat disimpulkan bahwa p-value lebih kecil dari α (0,05) sehingga H0
ditolak dan H1 diterima, yang berarti terdapat ketidaksesuaian model.
3. Pengujian Asumsi Residual
Dalam menduga model diperlukan asumsi bahwa residual bersifat identik,
independen, dan berdistribusi normal.
a. Uji identik
Pada Gambar 4.7 dapat dilihat hubungan residual moisture loss dengan
nilai moisture loss. Residual tersebar secara acak dan tidak membentuk
pola tertentu. Hal ini menunjukkan bahwa asumsi residual identik

Residual Moisture Loss (%)

terpenuhi.

Moisture Loss (%)

Gambar 4.7 Grafik Residual Moisture Loss dengan Nilai Moisture Loss

46
Universitas Sumatera Utara

b. Uji Independen
Pada Gambar 4.8 terlihat bahwa sebaran data residual versus urutan
(order) cenderung acak dan tidak berpola, sehingga dapat dikatakan

Residual Moisture Loss (%)

bahwa asumsi independensi dipenuhi.

Urutan Pengamatan Moisture Loss

Gambar 4.8 Grafik Residual Moisture Loss dengan Urutan Pengamatan Moisture
Loss
c. Uji Distribusi Normal
Gambar 4.9 menunjukkan hasil statistik Kolmogorov-Smirnov (KS)
untuk uji distribusi normal dengan derajat signifikansi α = 0,05.
Hipotesis:
H0 : residual model regresi berdistribusi normal
H1 : residual model regresi tidak berdistribusi normal
Nilai statistik Kolmogorov-Smirnov (KShitung) yang diperoleh adalah
0,222, sementara nilai Kolmogorov-Smirnov dari Tabel B.1 (KStabel)
pada Lampiran B [39] untuk α = 0,05 dan jumlah pengamatan 20 adalah
0,294. Karena KShitung < KStabel maka H0 diterima, berarti residual dari
model yang diperoleh telah berdistribusi normal.

47
Universitas Sumatera Utara

Persen Residual Moisture Loss (%)

Moisture Loss (%)

Gambar 4.9 Grafik Uji Kenormalan Residual Model Moisture Loss
Dengan ketiga analisis residual di atas, dapat disimpulkan bahwa uji residual
bersifat identik, independen, dan berdistribusi normal telah terpenuhi.

Selanjutnya dilakukan uji T berpasangan terhadap data moisture loss yang
diperoleh dari eksperimen dan data moisture loss prediksi Minitab yang
ditunjukkan oleh Tabel C.3 dan D.4 pada Lampiran C. Hipotesis yang digunakan
adalah:
H0: µ 1 = µ 2
Ha: µ 1 ≠ µ2
Berdasarkan uji T yang dilakukan terhadap moisture loss eksperimen dan
prediksi, diperoleh T-value = 0,00 dan P-value = 1,000. Nilai T hitung dengan
derajat kebebasan = n – 1 = 19 dan derajat signifikan α = 0,05 dapat dilihat pada
Tabel D.1 pada Lampiran D [40] yaitu 2,093. Nilai Thitung = 0,00 < Ttabel = 2,093,
sehingga dapat disimpulkan bahwa H0 diterima, yang berarti tidak ada perbedaan
nilai moisture loss eksperimen dan prediksi.

4.3.3 Analisis Persamaan Model Kadar FFA
Dari pengolahan data dengan menggunakan Minitab diperoleh hasil
ANOVA yang ditunjukkan pada Tabel A.6 pada Lampiran A. Persamaan model
untuk kadar FFA ditunjukkan oleh Persamaan 4.6.
48
Universitas Sumatera Utara

Y = 0,640 + 0,012X1 – 0,976X2 + 0,054X3 – 0,250X12 + 1,066X22 –
0,025X32 – 0,021X1X2 + 0,294X1X3 – 0,181X2X3

(4.6)

Keterangan:
Y = respon kadar FFA
X1 = variabel massa sampel
X2 = variabel daya
X3 = variabel waktu
1. Pengujian Koefisien Regresi
a. Pengujian koefisien regresi secara individu
Pada pengujian dengan α = 0,05 diperoleh p-value untuk massa sampel,
daya, dan waktu masing-masing adalah 0,972; 0,015; dan 0,873. Dapat
dilihat bahwa p-value untuk massa sampel dan waktu lebih besar dari
α. Sedangkan p-value untuk daya microwave lebih kecil dari α. Hal ini
berarti daya microwave mempunyai pengaruh signifikan terhadap
respon.
b. Pengujian koefisien regresi secara serentak
Dapat dilihat pada Tabel A.6 dimana p-value untuk regresi linier lebih
besar dari α dan p-value untuk regresi kuadratik lebih kecil dari α. Hal
ini berarti secara linier, variabel-variabel bebas tidak memberikan
kontribusi signifikan terhadap model yang terbentuk. Namun secara
kuadratik, variabel-variabel bebas memberikan kontribusi signifikan
terhadap model yang terbentuk.
2. Pengujian Kesesuaian Model
Hasil uji lack of fit ditunjukkan melalui tabel ANOVA dimana p-value untuk
uji lack of fit bernilai 0,003. Dengan hipotesis:
H0 = tidak ada lack of fit (model sesuai)
H1= ada lack of fit (model tidak sesuai)
Dapat disimpulkan bahwa p-value lebih kecil dari α (0,05) sehingga H0
ditolak dan H1 diterima, yang berarti terdapat ketidaksesuaian model.
3. Pangujian Asumsi Residual
Dalam menduga model diperlukan asumsi bahwa residual bersifat identik,
independen, dan berdistribusi normal.

49
Universitas Sumatera Utara

a. Uji identik
Pada Gambar 4.10 dapat dilihat hubungan residual FFA dengan kadar
FFA. Residual tersebar secara acak dan tidak membentuk pola tertentu.

Residual FFA (%)

Hal ini menunjukkan bahwa asumsi residual identik terpenuhi.

Kadar FFA (%)

Gambar 4.10 Grafik Residual FFA dengan Nilai FFA
b. Uji Independen
Pada Gambar 4.11 terlihat bahwa sebaran data residual versus urutan
(order) cenderung acak dan tidak berpola, sehingga dapat dikatakan

Residual FFA (%)

bahwa asumsi independensi dipenuhi.

Urutan Pengamatan FFA

Gambar 4.11 Grafik Residual FFA dengan Urutan Pengamatan FFA

50
Universitas Sumatera Utara

c. Uji Distribusi Normal
Gambar 4.12 menunjukkan hasil statistik Kolmogorov-Smirnov (KS)
untuk uji distribusi normal dengan derajat signifikansi α = 0,05.
Hipotesis:
H0 : residual model regresi berdistribusi normal
H1 : residual model regresi tidak berdistribusi normal
Nilai statistik Kolmogorov-Smirnov (KShitung) yang diperoleh adalah
0,332, sementara nilai Kolmogorov-Smirnov dari Tabel B.1 (KStabel)
pada Lampiran B [39] untuk α = 0,05 dan jumlah pengamatan 20 adalah
0,294. Karena KShitung > KStabel maka H0 ditolak dan H1 diterima, berarti

Persen Residual Kadar FFA (%)

residual dari model yang diperoleh tidak berdistribusi normal.

Kadar FFA (%)

Gambar 4.12 Grafik Uji Kenormalan Residual Model Kadar FFA
Dengan ketiga analisis residual di atas, dapat disimpulkan bahwa uji residual
bersifat identik dan independen telah terpenuhi.

Selanjutnya dilakukan uji T berpasangan terhadap data kadar FFA yang
diperoleh dari eksperimen dan data kadar FFA prediksi Minitab yang ditunjukkan
oleh Tabel C.3 dan D.4 pada Lampiran C. Hipotesis yang digunakan adalah:
H0: µ 1 = µ 2
Ha: µ 1 ≠ µ2

51
Universitas Sumatera Utara

Berdasarkan uji T yang dilakukan terhadap kadar FFA eksperimen dan
prediksi, diperoleh T-value = 0,00 dan P-value = 1,000. Nilai T hitung dengan
derajat kebebasan = n – 1 = 19 dan derajat signifikan α = 0,05 dapat dilihat pada
Tabel D.1 pada Lampiran D [40] yaitu 2,093. Nilai Thitung = 0,00 < Ttabel = 2,093,
sehingga dapat disimpulkan bahwa H0 diterima, yang berarti tidak ada perbedaan
nilai kadar FFA eksperimen dan prediksi.

4.4 PENENTUAN KONDISI OPTIMUM
4.4.1 Pengaruh Massa, Daya, dan Waktu terhadap Temperatur
Model permukaan respon akan ditunjukkan dengan membuat gambar profil
respon (temperatur) dengan tiga faktor yang mempengaruhi respon yaitu massa
buah sawit, daya microwave, dan waktu sterilisasi. Untuk menggambar profil,
respon akan digambarkan dalam tiga dimensi, sehingga salah satu variabel akan
dijadikan patokan (nilainya dibuat tetap) sebagai bentuk penyederhanaan. Hasil
running untuk program RSM menghasilkan dua gambar berupa grafik permukaan
dan profil dari respon. Grafik pengaruh daya dan waktu terhadap temperatur
ditunjukkan oleh Gambar 4.13.

Temperatur (°C)

Waktu (menit)

Daya (Watt)

(a)

52
Universitas Sumatera Utara

Temperatur (°C)

Waktu (menit)

Daya (Watt)

(b)

Temperatur (°C)

Waktu (menit)

Daya (Watt)

(c)

Temperatur (°C)

Waktu (menit)

Daya (Watt)

(d)

53
Universitas Sumatera Utara

Temperatur (°C)

Waktu (menit)

Daya (Watt)

(e)

Gambar 4.13 Grafik Pengaruh Daya dan Waktu terhadap Temperatur pada Massa
(a) 330 gram, (b) 500 gram, (c) 750 gram, (d) 1000 gram, dan (e) 1171 gram
Gambar 4.13 menampilkan grafik pengaruh daya dan waktu terhadap
temperatur dalam bentuk tiga dimensi. Dapat dilihat pada setiap massa sampel yang
digunakan, temperatur akan meningkat dengan semakin besarnya daya dan semakin
lamanya waktu sterilisasi, demikian juga sebaliknya. Gambar profil pengaruh daya
dan waktu terhadap temperatur ditunjukkan pada Gambar 4.14.

Waktu (menit)

Temperatur (°C)

Daya = 310,526 Watt
Waktu = 11,1624 menit
Temperatur = 62,5087°C

Daya (Watt)

(a)

54
Universitas Sumatera Utara

Temperatur (°C)

Waktu (menit)

Daya = 427,980 Watt
Waktu = 11,2571 menit
Temperatur = 66,7447°C

Daya (Watt)

(b)

Waktu (menit)

Temperatur (°C)

Daya = 515,927 Watt
Waktu = 12,2043 menit
Temperatur = 65,2946°C

Daya (Watt)

(c)

55
Universitas Sumatera Utara

Waktu (menit)

Temperatur (°C)

Daya = 486,846 Watt
Waktu = 13,9566 menit
Temperatur = 62,5139°C

Daya (Watt)

(d)
Temperatur (°C)

Waktu (menit)

Daya = 485,616 Watt
Waktu = 16,7983 menit
Temperatur = 63,8088°C

Daya (Watt)

(e)
Gambar 4.14 Profil Pengaruh Daya dan Waktu terhadap Temperatur pada Massa
(a) 330 gram, (b) 500 gram, (c) 750 gram, (d) 1000 gram, dan (e) 1171 gram

Gambar 4.14 menunjukkan profil pengaruh daya dan waktu terhadap
temperatur, di mana profil tersebut terdiri dari berbagai variasi warna. Masing-

56
Universitas Sumatera Utara

masing variasi warna menunjukkan range besarnya temperatur yang dihasilkan.
Pengaruh massa dan daya terhadap temperatur ditunjukkan oleh Gambar 4.15.

Temperatur (°C)

Daya (Watt)

Massa (gram)

(a)

Temperatur (°C)

Daya (Watt)

Massa (gram)

(b)

57
Universitas Sumatera Utara

Temperatur (°C)

Daya (Watt)

Massa (gram)

(c)

Temperatur (°C)

Daya (Watt)

Massa (gram)

(d)

Temperatur (°C)

Daya (Watt)

Massa (gram)

(e)
Gambar 4.15 Grafik Pengaruh Massa dan Daya terhadap Temperatur pada Waktu
(a) 5,272 menit, (b) 8 menit, (c) 12 menit, (d) 16 menit, dan (e) 18,728 menit

58
Universitas Sumatera Utara

Gambar 4.15 menampilkan grafik pengaruh massa dan daya terhadap
temperatur dalam bentuk tiga dimensi. Dapat dilihat pada setiap waktu sterilisasi
yang digunakan, temperatur akan meningkat dengan semakin sedikitnya massa dan
semakin besarnya daya, demikian juga sebaliknya. Gambar profil pengaruh massa
dan daya terhadap temperatur ditunjukkan pada Gambar 4.16.

Temperatur (°C)

Daya (Watt)

.

Massa (gram)

(a)

Daya(Watt)
(Watt)
Daya

Temperatur (°C)

Massa(gram)
(gram)
Massa

(b)

59
Universitas Sumatera Utara

Daya (Watt)

Temperatur (°C)

Massa (gram)

(c)

Daya (Watt)

Temperatur (°C)

Massa (gram)

(d)

60
Universitas Sumatera Utara

Daya (Watt)

Temperatur (°C)

Massa (gram)

(e)
Gambar 4.16 Profil Pengaruh Massa dan Daya terhadap Temperatur pada Waktu
(a) 5,272 menit, (b) 8 menit, (c) 12 menit, (d) 16 menit, dan (e) 18,728 menit

Gambar 4.16 menunjukkan profil pengaruh massa dan daya terhadap
temperatur, di mana profil tersebut terdiri dari berbagai variasi warna. Masingmasing variasi warna menunjukkan range besarnya temperatur yang dihasilkan.
Grafik pengaruh massa dan waktu terhadap temperatur ditunjukkan oleh Gambar
4.17.

Temperatur (°C)

Waktu (menit)

Massa (gram)

(a)

61
Universitas Sumatera Utara

Temperatur (°C)

Waktu (menit)

Massa (gram)

(b)

Temperatur (°C)

Waktu (menit)

Massa (gram)

(c)

Temperatur (°C)

Waktu (menit)

Massa (gram)

(d)

62
Universitas Sumatera Utara

Temperatur (°C)

Waktu (menit)

Massa (gram)

(e)
Gambar 4.17 Grafik Pengaruh Massa dan Waktu terhadap Temperatur pada Daya
(a) 80 watt, (b) 240 watt, (c) 400 watt, (d) 560 watt, dan (e) 800 watt

Gambar 4.17 menampilkan grafik pengaruh massa dan waktu terhadap
temperatur dalam bentuk tiga dimensi. Dapat dilihat pada setiap daya microwave
yang digunakan, temperatur akan meningkat dengan semakin sedikitnya massa dan
semakin lamanya waktu, demikian juga sebaliknya. Gambar profil pengaruh massa
dan waktu terhadap temperatur ditunjukkan pada Gambar 4.18.

Waktu (menit)

Temperatur (°C)

Massa (gram)

(a)

63
Universitas Sumatera Utara

Waktu (menit)

Temperatur (°C)

Massa (gram)

(b)

Waktu (menit)

Temperatur (°C)

Massa (gram)

(c)

64
Universitas Sumatera Utara

Waktu (menit)

Temperatur (°C)

Massa (gram)

(d)

Waktu (menit)

Temperatur (°C)

Massa (gram)

(e)

Gambar 4.18 Profil Pengaruh Massa dan Waktu terhadap Temperatur pada Daya
(a) 80 watt, (b) 240 watt, (c) 400 watt, (d) 560 watt, dan (e) 800 watt

65
Universitas Sumatera Utara

Gambar 4.18 menunjukkan profil pengaruh massa dan waktu terhadap
temperatur, di mana profil tersebut terdiri dari berbagai variasi warna. Masingmasing variasi warna menunjukkan range besarnya temperatur yang dihasilkan.

Penentuan kondisi optimum untuk temperatur bisa dilihat pada Gambar 4.13
dan 4.14, dimana variabel massa dijadikan variabel tetap dikarenakan dari ketiga
variabel bebas yang digunakan, massa memberikan pengaruh paling sedikit
terhadap temperatur. Pada Gambar 4.13 dapat dilihat pada setiap massa sampel
yang digunakan, temperatur akan meningkat dengan semakin besarnya daya dan
semakin lamanya waktu sterilisasi.
Hal ini disebabkan jika daya yang digunakan semakin tinggi maka putaran
senyawa polar (air) semakin kuat sehingga friksi yang ditimbulkan oleh gesekan
antara molekul polar terhadap molekul non polar semakin besar. Gesekan ini akan
menimbulkan panas yang menyebabkan temperatur semakin tinggi apabila friksi
semakin besar [41]. Begitu juga dengan semakin lama waktu maka senyawa polar
semakin lama berputar sehingga temperatur semakin tinggi.
Kondisi paling maksimal untuk profil pada Gambar 4.14 berada pada warna
hijau tua. Pada massa 330 gram dihasilkan temperatur lebih dari 75 oC, pada massa
500 gram dihasilkan temperatur lebih dari 70 oC, pada massa 750 gram dihasilkan
temperatur lebih dari 70oC, pada massa 1000 gram dihasilkan temperatur lebih dari
65oC, dan pada massa 1171 gram dihasilkan temperatur lebih dari 60 oC. Untuk
penentuan kombinasi level-level variabel yang dapat menghasilkan respon yang
optimal, digunakan fitur plant flag yang ada pada minitab melalui random di pusat
profil optimum.
Berdasarkan hasil penelitian, dari 20 percobaan yang telah dilakukan hanya
1 percobaan yang menghasilkan kadar FFA melebihi batas maksimum, yaitu pada
temperatur 42,1oC dengan kadar FFA 7,53%. Di mana menurut Malaysian Palm
Oil Board (MPOB), standar kadar FFA maksimum dalam CPO adalah 5% [42].
Dapat disimpulkan bahwa sterilisasi pada temperatur 42,1 oC belum bisa
menonaktifkan enzim lipase yang memicu peningkatan FFA. Adapun nilai
temperatur terendah hingga tertinggi yang dapat menonaktifkan enzim lipase
berdasarkan dari penelitian yang telah dilakukan adalah 44,2oC hingga 79,8oC atau

66
Universitas Sumatera Utara

rata-rata temperatur dari hasil penelitian adalah 60,8 oC. Dapat disimpulkan bahwa
enzim lipase dapat dinonaktifkan pada temperatur 60,8 oC.
Temperatur ini lebih rendah dibandingkan sterilisasi TBS secara komersial
yang pada umumnya dilakukan pada suhu 131oC pada tekanan 40 psi, beberapa
pabrik pengolahan kelapa sawit masih melakukan operasi pada tekanan atmosfer
(steam temperatur 100oC) menggunakan alat sterilisasi kontinu. Pada suhu 131 oC
ataupun 100oC, kondisi ini cukup memadai karena enzim lipase, yang dapat
menurunkan

kualitas

minyak

(mempercepat

pembentukan

FFA),

dapat

dinonaktifkan pada suhu sekitar 55oC [43]. Selanjutnya nilai temperatur 60,8oC ini
dijadikan sebagai patokan untuk menentukan range pada profil di mana temperatur
optimal berada.
Berdasarkan Gambar 4.14 dapat dilihat kondisi-kondisi yang menghasilkan
temperatur mendekati 60,8oC, yaitu pada massa sampel 330 gram dan 1000 gram
dengan temperatur ± 62,5oC. Namun dengan pertimbangan bahwa CPO yang
dihasilkan akan lebih sedikit jika menggunakan massa yang lebih kecil
dibandingkan massa yang lebih besar, maka dipilih kondisi terbaik pada massa
1000 gram dengan daya 486,8 watt, dan waktu 13,96 menit dengan temperatur yang
diperoleh adalah 62,51oC. Sedangkan kondisi terbaik yang diperoleh dari penelitian
yang dilakukan adalah pada saat massa sawit 1000 gram, daya 240 watt, dan waktu
8 menit dengan temperaturnya adalah 44,2oC, di mana dengan temperatur tersebut
dapat dihasilkan CPO dengan FFA yang memenuhi standar.

67
Universitas Sumatera Utara

4.4.2 Pengaruh Massa, Daya, dan Waktu terhadap Moisture Loss
Grafik pengaruh massa, daya, dan waktu terhadap moisture loss dapat
dilihat pada Gambar 4.19, 4.21, dan 4.23.

Moisture Loss (%)

Daya (Watt)

Massa (gram)

(a)

Moisture Loss (%)

Daya (Watt)

Massa (gram)

(b)

Moisture Loss (%)

Daya (Watt)

Massa (gram)

(c)

68
Universitas Sumatera Utara

Moisture Loss (%)

Daya (Watt)

Massa (gram)

(d)

Moisture Loss (%)

Daya (Watt)

Massa (gram)

(e)
Gambar 4.19 Grafik Pengaruh Massa dan Daya terhadap Moisture Loss pada
Waktu (a) 5,272 menit, (b) 8 menit, (c) 12 menit, (d) 16 menit, dan (e) 18,728
menit

Gambar 4.19 menampilkan pengaruh massa dan daya terhadap moisture loss
dalam bentuk tiga dimensi. Dapat dilihat pada setiap waktu sterilisasi yang
digunakan, moisture loss akan meningkat dengan semakin sedikitnya massa dan
semakin besarnya daya yang digunakan, demikian juga sebaliknya. Gambar profil
pengaruh massa dan daya terhadap moisture loss dapat dilihat pada Gambar 4.20.

69
Universitas Sumatera Utara

Daya (Watt)

Massa = 335,340 gram
Daya = 663,919 Watt
Moisture Loss = 16,2137%

Moisture
Loss (%)

Massa (gram)

(a)
Moisture
Loss (%)

Daya (Watt)

Massa = 352,820 gram
Daya = 637,397 Watt
Moisture Loss = 17,3538%

Massa (gram)

(b)

70
Universitas Sumatera Utara

Moisture
Loss (%)

Daya (Watt)

Massa = 355,780 gram
Daya = 641,186 Watt
Moisture Loss = 21,8361%

Massa (gram)

(c)
Moisture
Loss (%)

Daya (Watt)

Massa = 357,832 gram
Daya = 635,503 Watt
Moisture Loss = 27,1506%

Massa (gram)

(d)

71
Universitas Sumatera Utara

Moisture
Loss (%)

Daya (Watt)

Massa = 350,698 gram
Daya = 639,291 Watt
Moisture Loss = 32,0711%

Massa (gram)

(e)
Gambar 4.20 Profil Pengaruh Massa dan Daya terhadap Moisture Loss pada
Waktu (a) 5,272 menit, (b) 8 menit, (c) 12 menit, (d) 16 menit, dan (e) 18,728
menit

Gambar 4.20 menunjukkan profil pengaruh massa dan daya terhadap
moisture loss, di mana profil tersebut terdiri dari berbagai variasi warna. Masingmasing variasi warna menunjukkan range besarnya moisture loss yang dihasilkan.
Grafik pengaruh waktu dan daya terhadap moisture loss ditunjukkan oleh Gambar
4.21.

Moisture Loss (%)

Waktu (menit)

Daya (Watt)

(a)
72
Universitas Sumatera Utara

Moisture Loss (%)

Waktu (menit)

Daya (Watt)

(b)

Moisture Loss (%)

Waktu (menit)

Daya (Watt)

(c)

Moisture Loss (%)

Waktu (menit)

Daya (Watt)

(d)

73
Universitas Sumatera Utara

Moisture Loss (%)

Waktu (menit)

Daya (Watt)

(e)
Gambar 4.21 Grafik Pengaruh Waktu dan Daya terhadap Moisture Loss pada
Massa (a) 330 gram, (b) 500 gram, (c) 750 gram, (d) 1000 gram, dan (e) 1171
gram

Gambar 4.21 menunjukkan pengaruh waktu dan daya terhadap moisture loss
dalam bentuk tiga dimensi. Dapat dilihat pada setiap massa yang digunakan,
moisture loss akan meningkat dengan semakin lamanya waktu dan semakin
besarnya daya yang digunakan, demikian juga sebaliknya. Gambar profil pengaruh
waktu dan daya terhadap moisture loss dapat dilihat pada Gambar 4.22.

Waktu (menit)

Moisture
Loss (%)

Daya (Watt)

(a)

74
Universitas Sumatera Utara

Waktu (menit)

Moisture
Loss (%)

Daya (Watt)

(b)

Waktu (menit)

Moisture
Loss (%)

Daya (Watt)

(c)

75
Universitas Sumatera Utara

Waktu (menit)

Moisture
Loss (%)

Daya (Watt)

(d)

Waktu (menit)

Moisture
Loss (%)

Daya (Watt)

(e)

Gambar 4.22 Profil Pengaruh Waktu dan Daya terhadap Moisture Loss pada
Massa (a) 330 gram, (b) 500 gram, (c) 750 gram, (d) 1000 gram, dan (e) 1171
gram

76
Universitas Sumatera Utara

Gambar 4.22 menunjukkan profil pengaruh waktu dan daya terhadap
moisture loss, di mana profil tersebut terdiri dari berbagai variasi warna. Masingmasing variasi warna menunjukkan range besarnya moisture loss yang dihasilkan.
Grafik pengaruh massa dan waktu terhadap moisture loss ditunjukkan oleh Gambar
4.23.

Moisture Loss (%)

Waktu (menit)

Massa (gram)

(a)

Moisture Loss (%)

Waktu (menit)

Massa (gram)

(b)

77
Universitas Sumatera Utara

Moisture Loss (%)

Waktu (menit)

Massa (gram)

(c)

Mo