ESTIMASI EMISI METANA PADA LINGKUNGAN RUMEN IN VITRO MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
RIDHO FAHROROZI HASYIM
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Estimasi Emisi Metana pada Lingkungan Rumen in Vitro menggunakan Artificial Neural Network adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Februari 2015 Ridho Fahrorozi Hasyim NIM G64100112
ABSTRAK RIDHO FAHROROZI HASYIM. Estimasi Emisi Metana pada Lingkungan Rumen in Vitro menggunakan Artificial Neural Network. Dibimbing oleh AZIZ KUSTIYO dan ANURAGA JAYANEGARA. Produksi gas metana dari ternak ruminansia berkontribusi besar terhadap emisi metana di atmosfer. Metana adalah salah satu gas rumah kaca yang berpotensi menyebabkan pemanasan global 20 kali lebih besar dibandingkan karbondioksida. Pada penelitian ini digunakan Artificial Neural Network (ANN) untuk mengestimasi emisi metana berdasarkan kandungan asam lemak terbang; asetat (C2), propionat (C3), butirat (C4), iso-C4, valerat (C5), dan iso-C5 yang terkandung pada pakan ternak. Pada penelitian ini diperoleh model terbaik dengan input berupa C2, C3 dan C4 dengan NMSE sebesar 0.0182. Hasil tersebut membuktikan bahwa ANN mampu mengestimasi emisi metana pada rumen lebih baik dibandingkan dengan persamaan stoikiometri. Kata kunci: Artificial Neural Network, metana, pakan, ruminansia, stoikiometri
ABSTRACT RIDHO FAHROROZI HASYIM. Estimations of Methane Emissions in Rumen in Vitro Environments using Artificial Neural Networks. Supervised by AZIZ KUSTIYO and ANURAGA JAYANEGARA. The production of methane from ruminants contributes significantly for the total methane emissions in the atmosphere. Methane is one of the greenhouse gases that causes global warming. Its ability to retain heat is of 20 times bigger than that of carbon dioxide. In this research, Artificial Neural Networks (ANNs) are used to estimate the methane emissions from volatile fatty acid (vfa) composition in the rumen in vitro; acetate (C2), propionate (C3), butyrate (C4), iso-C4, (valerate) C5, and iso-C5. In this research, after careful tuning, we obtained the best ANNs with the NMSE of 0.0182. This suggests that ANN outperform the stoichiometric equation in ability to estimate methane emissions in the rumen. Keywords: Artificial Neural Network, forage, methane, ruminant, stoichiometric
ESTIMASI EMISI METANA PADA LINGKUNGAN RUMEN IN VITRO MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
RIDHO FAHROROZI HASYIM
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji: Toto Haryanto, SKom MSi
Judul Skripsi : Estimasi Emisi Metana pada Lingkungan Rumen in Vitro menggunakan Artificial Neural Network Nama : Ridho Fahrorozi Hasyim NIM : G64100112
Disetujui oleh
Aziz Kustiyo, SSi MKom Pembimbing I
Dr Anuraga Jayanegara, SPt MSc Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Penyusunan karya ilmiah ini berdasarkan penelitian yang telah dilakukan pada bulan September sampai Desember 2014. Ucapan terima kasih penulis sampaikan kepada pihak-pihak yang telah membantu dan mendukung dalam penyelesaian tugas akhir ini, yaitu: 1. Kedua orang tua penulis atas segala curahan kasih sayang dan dukungan doa serta semangat dalam rangka kelancaran pendidikan penulis. 2. Aziz Kustiyo, SSi MKom, dan Dr Anuraga Jayanegara, SPt MSc sebagai dosen pembimbing skripsi yang telah memberikan bimbingan dan motivasi hingga penelitian ini selesai. 3. Toto Haryanto, SKom MSi sebagai dosen penguji yang memberikan kritik dan saran untuk perbaikan penelitian ini. 4. Seluruh dosen dan staff Departemen Ilmu Komputer yang membantu penulis selama menempuh perkuliahan. 5. Pemerintah Daerah Kabupaten Lahat yang memberikan dukungan moral dan materi dalam menunjang kelancaran akademik serta pengembangan diri penulis. 6. Keluarga Senior Resident dan Badan Pengelola Asrama TPB IPB atas dukungan semangat dan kebersamaan selama menempuh perkuliahan di IPB. 7. Keluarga, teman, dan semua pihak yang telah mendukung serta membantu selama proses pelaksanaan penelitian ini. Penulis berharap semoga skripsi ini dapat bermanfaat bagi penulis maupun pihak yang memerlukan.. Semoga karya ilmiah ini bermanfaat.
Bogor, Februari 2015 Ridho Fahrorozi Hasyim
DAFTAR ISI
DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian TINJAUAN PUSTAKA Asam Lemak Terbang Metana Rumen Artificial Neural Network (ANN) ANN Propagasi Balik METODE Tahapan Penelitian Pengumpulan Data Penelitian Praproses Data Pembagian Data Penelitian Proses Pelatihan Menggunakan ANN Pengujian Evaluasi Analisis Hasil Lingkungan Pengembangan HASIL DAN PEMBAHASAN Proses Pelatihan Menggunakan ANN Pengujian Evaluasi SIMPULAN DAN SARAN Simpulan Saran DAFTAR PUSTAKA
vi vi vi 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 6 7 7 7 7 8 8 9 9 11 12 15 15 15 16
DAFTAR TABEL 1 2 3 4 5 6 7
8
Kombinasi asam lemak terbang dalam penentuan data input Skema pembagian data latih dan data uji ANOVA kombinasi asam lemak terbang dalam penentuan data input Nilai NMSE estimasi gas metana rumen dengan dua belas algoritma pelatihan ANN untuk 3 neuron input dan 6,9,13 hidden neuron (hn) Struktur ANN untuk mengestimasi emisi gas metana pada rumen Perbandingan nilai rata-rata NMSE estimasi gas metana rumen menggunakan ANN dan persamaan stoikiometri Nilai rata-rata NMSE estimasi gas metana rumen menggunakan ANN untuk delapan (8) kombinasi VFA dengan 6, 9, dan 13 neuron hidden layer ANOVA kombinasi asam lemak terbang untuk algoritma pelatihan LM dan OSS
5 7 8 10 11 12
13 14
DAFTAR GAMBAR 1 Metode penelitian 2 Grafik konvergensi nilai NMSE estimasi gas metana dengan 3-15 hidden layer untuk 1-fold dataset, 3 neuron input (C2, C3, C4) dan algoritma pelatihan LM. 3 Model ANN untuk mengestimasi emisi metana rumen 4 Grafik perbandingan antara data hasil estimasi menggunakan ANN dan persamaan stoikiometri dengan hasil observasi laboratorium
5
9 11 13
DAFTAR LAMPIRAN 1 Kandungan asam lemak terbang tumbuhan dan informasi kimia pakan ternak sebelum praproses data 2 Kandungan asam lemak terbang tumbuhan dan informasi kimia pakan ternak setelah praproses data 3 Nilai NMSE estimasi gas metana rumen menggunakan dua algoritma pelatihan dengan lima kali perulangan untuk 6, 9 dan 13 neuron hidden layer.
17 26
34
PENDAHULUAN Latar Belakang Gas rumah kaca (GRK) adalah gas-gas yang berperan atas terjadinya pemanasan global pada atmosfer bumi atau dikenal dengan istilah global warming. Fenomena ini merupakan fenomena pemanasan udara global layaknya proses yang terjadi pada konstruksi rumah kaca. Gas rumah kaca (GRK) berperan seolah-olah sebagai lapisan kaca pada greenhouse. Pemanasan global merupakan masalah kompleks yang akan mempengaruhi seluruh dunia dan sudah terjadi secara nyata serta bisa membawa perubahan iklim yang dramatis (de Nevers dalam Yuwono 2011). Metana adalah hidrokarbon paling sederhana yang berbentuk gas dengan rumus kimia CH4. Konsentrasi metana di atmosfer pada tahun 1998, dinyatakan dalam fraksi mol sebesar 1.745 nmol/mol (bagian per milyar), naik dari 700 nmol/mol pada tahun 1750. Pada tahun 2008, kandungan gas metana di atmosfer sudah meningkat kembali menjadi 1.800 nmol/mol. Metana merupakan salah satu gas rumah kaca yang berpotensi dalam menyebabkan pemanasan global 20 kali lebih besar dibandingkan dengan karbondioksida. Metana memiliki potensi menyerap radiasi infra merah 30 kali lebih besar dibandingkan dengan karbondioksida. Diperkirakan metana yang dilepaskan ke atmosfer sebesar 520 Tg per tahun dan waktu tinggal gas ini di atmosfer sekitar 8-12 tahun (Hanson dalam Maisaroh 2010). Ruminansia menghasilkan gas metana (CH4) yang berkontribusi terhadap akumulasi gas rumah kaca di atmosfer sehingga berdampak pada pemanasan global (Hartung dan Monteny 2000). Ruminansia tergolong hewan pemamah biak (Ordo Artiodactyla atau hewan berkuku genap, terutama dari subordo Ruminantia) adalah sekumpulan hewan pemakan tumbuhan (herbivora) yang mencerna makanan dalam dua langkah: pertama dengan menelan bahan mentah, kemudian mengeluarkan makanan yang sudah setengah dicerna dari perutnya dan mengunyahnya lagi. Lambung hewan-hewan ini tidak hanya memiliki satu ruang (monogastrik) tetapi lebih dari satu ruang (poligastrik/berperut banyak). Pada rumen, perut pertama ruminansia, metana diproduksi oleh metanogen dengan proses yang disebut metanogenesis. Proses yang memiliki beberapa tahap ini digunakan oleh beberapa mikroorganisme sebagai sumber energi. Produksi gas metana dari ternak ruminansia berkontribusi terhadap 95% dari total emisi metana yang dihasilkan oleh ternak dan manusia, dan sekitar 18% dari total gas kaca di atmosfer (Kreuzer dan Soliva dalam Jayanegara 2011). Pada rumen, pembentukan metana adalah reaksi melepas hidrogen yang dilakukan secara anaerob. Melalui reaksi tersebut diketahui bahwa konsentrasi asam lemak terbang (VFA) mempengaruhi produksi metana dalam rumen. Asetat (C2) dan butirat (C4) meningkatkan produksi metana sedangkan propionat (C3) mengoptimalisasi penggunaan hidrogen sehingga mengurangi emisi metana di rumen (Moss et al. 2000). Selain asam lemak terbang di atas, terdapat asam lemak lain seperti valerat (C5), iso C4 & iso C5 pada pakan ternak yang mempengaruhi emisi gas metana pada rumen (Jayanegara et al. 2011).
2
Artificial Neural Network (ANN) akan menduga hubungan komposisi beberapa asam lemak terbang tersebut. Pemilihan metode tersebut karena input layer berupa nilai numerik dari asam lemak terbang yang nilainya selalu berubah untuk setiap spesies tumbuhan dan hubungan antara asam lemak terbang tersebut dengan nilai emisi metana bukan permasalahan linier. Oleh karena itu, metode ini diduga akan meningkatkan keakuratan persamaan stoikiometri dalam memprediksi emisi gas metana yang dihasilkan oleh rumen ternak ruminansia. Perumusan Masalah Berdasarkan latar belakang penelitian yang telah diuraikan sebelumnya, masalah yang akan diteliti antara lain: 1 Apakah metode Artificial Neural Network (ANN) mampu memprediksi emisi gas metana pada rumen dengan lebih baik dibandingkan dengan persamaan stoikiometri? 2 Apakah C5, iso C4 & iso C5 turut mempengaruhi emisi gas metana yang dihasilkan rumen? 3 Apakah kombinasi beberapa asam lemak terbang yang diprediksi dengan metode ANN akan meningkatkan keakuratan prediksi gas metana? Tujuan Penelitian Tujuan penelitian ini adalah menerapkan metode Artificial Neural Network (ANN) untuk mengestimasi emisi gas metana (CH4) pada rumen, berdasarkan kandungan asam lemak terbang pakan hijauan dan mengetahui kombinasi asam lemak terbaik dalam meningkatkan keakuratan prediksi emisi gas metana. Manfaat Penelitian Penelitian ini bermanfaat bagi para pembuat pakan ternak memformulasi pakan serta bagi penyuluh peternakan dalam memberikan pertimbangan kepada para peternak terkait pemberian pakan ternak ruminansia. Dengan menerapkan pemilihan pakan hijauan berdasarkan nilai emisi gas metana yang telah diestimasi, produktifitas ternak ruminansia dapat dioptimalkan dan berefek jangka panjang dalam mengurangi peningkatan pemanasan global. Ruang Lingkup Penelitian Ruang Lingkup Penelitian Ruang lingkup penelitian ini meliputi: 1 Komposisi reaktan penghasil gas metana rumen difokuskan pada enam jenis asam lemak terbang, yaitu C2 (asetat), C3 (propionat), C4 (butirat), iso C4, (valerat) C5 dan iso C5. 2 Teknik pembelajaran ANN yang digunakan adalah propagasi balik dengan satu lapisan input, satu lapisan tersembunyi dan satu lapisan output.
3
TINJAUAN PUSTAKA Asam Lemak Terbang Asam Lemak Terbang (Volatile Fatty Acid) adalah asam lemak dengan enam rantai karbon atau lebih sedikit. Asam lemak terbang adalah sumber energi utama bagi ruminansia, menyediakan sekitar 70% dari total kebutuhan energi. Tiga asam lemak yang diproduksi ruminansia dari hasis sintesis glukosa (pakan ternak) adalah asam asetat (CH3.COOH), asam propionat (CH3.CH2.COOH) dan asam butirat (CH3.CH2.CH2.COOH) (Czerkawski dalam Nugraha 2001). Metana Metana adalah hidrokarbon paling sederhana yang berbentuk gas dengan rumus kimia CH4. Metana murni tidak berbau, tapi jika digunakan untuk keperluan komersial, biasanya ditambahkan sedikit bau belerang untuk mendeteksi kebocoran yang mungkin terjadi. Pada rumen, pembentukan metana adalah reaksi melepas hidrogen yang dilakukan secara anaerob. Metabolisme hidrogen dalam bentuk pengurangan proton (H) secara singkat digambarkan dalam persamaan reaksi berikut: 2H producing reactions: Glucose →2 pyruvate + 4H (Embden-Meyerhof-Parnas pathway) Pyruvate + H2O → acetate (C2) + CO2 + 2H 2H using reactions: Pyruvate + 4H→propionate (C3) + H2O 2 C2 + 4H→butyrate (C4) + 2H2O CO2 + 8H→methane (CH4) + 2H2O. Tingkat penyerapan kembali hidrogen untuk melakukan reaksi di atas dalam rumen bervariasi antara 78-96% sedangkan rata-rata pengguaan kembali hidrogen dari reaksi yang satu ke reaksi yang lain hingga menghasilkan CH4 adalah sebesar 90% sehingga persamaan stoikiometri produksi CH4: CH4 = 0.45 C2 – 0.75 C3 + 0.40 C4 (Moss et al. 2000) Rumen Rumen merupakan cairan dalam lambung ruminansia. Rumen mengandung hasil-hasil proses pencernaan makanan yang masuk ke dalam tubuhnya. Proses pencernaan pada hewan ruminansia dapat terjadi secara mekanis (dalam mulut), secara hidrolisis oleh enzim pencerna dan secara fermentatif oleh mikroba rumen (Czerkawski dalam Nugraha 2001).
4
Artificial Neural Network (ANN) ANN merupakan suatu sistem pemroses informasi yang memiliki persamaan secara umum dengan cara kerja jaringan syaraf biologis. Di dalam ANN, input akan diproses oleh neuron-neuron ANN dengan bobot tertentu. Bobot hubungan antar elemen atau neuron pada jaringan syaraf disesuaikan berdasaran galat hasil perbandingan antara output dengan target. Penyesuaian bibit dilakukan sampai jaringan mencapai pola target (Mathwork dalam Normakristagaluh 2004). Menurut Fauset (1994), ANN memiliki karakteristik-karakteristik sebagai berikut: 1 Pola hubungan antar-neuron yang disebut arsitektur. 2 Metode penentuan bobot pada hubungan yang disebut pelatihan (training) atau pembelajaran (learning). 3 Fungsi aktivasi yang dijalankan masing-masing neuron pada input jaringan untuk menentukan output. ANN seperti beberapa metode statistik mampu mengolah data yang besar dan membuat suatu prediksi yang kadang-kadang keakuratannya lebih baik, tetapi biasanya lebih lambat. Sebagian besar pendekatan ANN untuk masalah peramalan banyak menggunakan algoritma pembelajaran propagasi balik. ANN Propagasi Balik Menurut Fauset (1994), ada tiga tahap pelatihan pada ANN propagasi balik, yaitu pelatihan input yang bersifat feedforward, perhitungan propagasi balik galat yang diperoleh, dan penyesuaian bobot. Jaringan ini menggunakan merode pembelajaran terbimbing (supervised learning). Adapun cara kerja ANN diawali dengan inisiasi bobot dan bias. Hal ini berpengaruh dalam kecepatan ANN memperoleh kekonvergenan. Dalam metode pembelajaran propagasi balik, fungsi pada input dan output haruslah berbentuk fungsi yang dapat dideferensialkan karena pada proses propagasi (feedforward atau propagasi balik) penghitungan nilai didasarkan pada fungsi yang dipakai. Pada umpan maju, fungsi yang dipakai adalah fungsi yang telah ditentukan untuk ANN, sedangkan pada propagasi balik, fungsi yang digunakan adalah fungsi diferensialnya.
METODE Tahapan Penelitian Penelitian dimulai dengan mengumpulkan literatur pendukung guna memformulasikan masalah secara tepat. Informasi dari berbagai sumber dijadikan referensi untuk menentukan formulasi masalah. Formulasi Masalah Pada tahap ini dilakukan penentuan data input yang merupakan beberapa alternatif dari kombinasi asam lemak terbang yang diduga menentukan nilai emisi gas metana (Jayanegara et al. 2011). Beberapa kombinasi input asam lemak terbang dapat dilihat pada Tabel 1.
5
Tabel 1 Kombinasi asam lemak terbang dalam penentuan data input Kombinasi Jenis Asam Lemak Terbang d C2, C3, C4 A C2, C3, C4, iso-C4, C5, iso-C5 B C2, C3, C4, iso-C4, C5 C C2, C3, C4, iso-C4, iso-C5 D C2, C3, C4, C5, iso-C5 E C2, C3, C4, iso-C4 F C2, C3, C4, C5 G C2, C3, C4, iso-C5 Metode yang digunakan untuk melakukan estimasi emisi metana pada pakan ternak ruminansia pada penelitian ini adalah Artificial Neural Network (ANN). Metode penelitian diilustrasikan pada Gambar 1.
Gambar 1 Metode penelitian Pengumpulan Data Penelitian Data yang digunakan pada penelitian ini adalah data sekunder hasil penelitian Jayanegara et al. (2011). Data diperoleh dari tanaman yang diinkubasikan di dalam alat yang mensimulasikan proses yang terjadi di rumen/perut ternak ruminansia atau dengan kata lain secara in Vitro (di dalam tabung) untuk mensimulasikan jika suatu pakan/hijauan sudah dimakan dan masuk ke rumen (perut ternak ruminansia). Pada dokumen hasil penelitan diketahui sebanyak 27 spesies pakan hijauan dengan berbagai informasi kandungan beberapa kandungan kimia dan informasi lainnya; Gas, OMD, ME, NEL, CH4, pH, NH3, Bacteria, Protozoa, T-SCFA, C2, C3, C4, iso-C4, C5, iso-C5, dan iso-SCFA. Pada penelitian tersebut, untuk tiap-tiap species, dilakukan 8 kali perulangan percobaan, sehingga data yang terkumpul sebanyak 216 (Lampiran 1).
6
Praproses Data Dari database yang disusun, dilakukan praproses data dengan menghapus komponen-komponen yang dianggap tidak mempengaruhi emisi metana atau komponen yang hanya dimiliki spesies-spesies tertentu saja. Selain itu dilakukan pula penghapusan untuk spesies-spesies yang informasi nilai komponen asam lemak terbang atau data kandungan metananya tidak lengkap atau bernilai nol. Data yang telah dibersihkan dari noise kemudian dinormalisasi menggunakan metode rataan standar-deviasi dengan formula sebagai berikut : 𝑥𝑖 𝑥𝑖 ′ = ∑(𝑥 −𝑥̅ ) √ 𝑖 𝑛−1
dengan 𝑥𝑖 = data awal teramati, 𝑥̅ = rata-rata dari data awal yang teramati, 𝑛 = banyak data teramati 𝑥𝑖 ′ = data setelah dinormalisasi (Walpole 1993) Pada tahap ini dilakukan penghapusan data spesies yang informasi nilai komponen kimianya tidak lengkap atau bernilai nol. Selain itu, dilakukan penghapusan beberapa informasi kimia dari tumbuhan pakan ternak. Pada lampiran 1 terdapat sepuluh (10) kolom komponen kimia dan kandungan mikroorganisme yang dihapus. Kolom yang dihapus dikarenakan tidak mewakili informasi yang akan digunakan dalam penelitian kali ini; kolom block, linseed, Gas, OMD, ME, NEL, NH3, Bacteria, protozoa dan T-SCFA dihapus karena data tersebut tidak dibutuhkan dalam penelitian kali ini. Dari proses penghapusan yang telah dilakukan, didapatkan 208 data spesies yang siap digunakan sebagai data latih dan data uji. Komponen-komponen kimia yang terdapat pada lampiran 1 memiliki satuan dan jangkauan nilai yang berbeda satu sama lain. Satuan nilai untuk CH4 adalah persentase dalam milliliter(ml), sedangkan C2, C3, C4, iso-C4, C5, dan iso-C5 dalam mili molar (mmol). Oleh karena itu nilai kandungan CH4 (kolom ke-9, pada Lampiran 1) dikonversi terlebih dahulu ke mili molar (mmol) menggunakan persamaan gas ideal. 𝑃𝑉 = 𝑛𝑅𝑇 dengan 𝑃 = Tekanan (atm), 𝑉 = Volume (dm3), 𝑛 = Molalitas (mol), 𝑅 = Konstanta Gas (8,2056 x10–2 dm3 atm mol-1 K-1) 𝑇 = Suhu ruangan (ºK) (Takeuchi 1996) Selain itu, besar kecilnya konsentrasi sebuah asam lemak terbang belum tentu merepresentasikan kontribusinya dalam mempengaruhi output. Misalnya kandungan iso-C4, C5, dan iso-C5 yang relatif bernilai kecil, bukan berarti tidak berpengaruh dalam emisi gas metana. Selain itu ditambahkan pula data hasil estimasi metana dengan menggunakan persamaan stoikiometri (Moss, et al. 2000). Semua data yang telah dinormalisasi dan siap diolah dapat dilihat pada Lampiran 2.
7
Pembagian Data Penelitian Database kandungan asam lemak terbang yang terbentuk dibagi menjadi data latih dan data uji menggunakan metode K-fold cross validation dengan nilai k=4. Data nilai asam lemak terbang untuk data perulangan percobaan masing-masing species dibagi menjadi k buah subset yang saling bebas dengan ukuran yang sama, sebanyak k-1 buah subset digunakan sebagai data latih dan 1 buah subset digunakan sebagai data uji, sebagaimana disampaikan Kohavi (1995). Pembagian dilakukan dengan proporsi data latih sebanyak 3/4 dan data uji sebanyak ¼. Data latih adalah data yang akan dijadikan input untuk pelatihan model ANN, sedangkan data uji digunakan untuk memverifikasi hasil estimasi. Skema pembagian data latih dan data uji ditunjukkan dalam Tabel 2. Tabel 2 Skema pembagian data latih dan data uji Fold ke1 2 3 4
1 - 52 data latih data latih data latih data uji
Data ke53 – 104 105 - 156 data latih data latih data latih data uji data uji data latih data latih data latih
157 - 208 data uji data latih data latih data latih
Proses Pelatihan Menggunakan ANN Pengolahan data latih diawali dengan membangun sebuah struktur ANN. Komponen kimia yang dijadikan input layer pada model ANN adalah adalah kandungan asam lemak terbang (VFA). Adapun output layer adalah emisi metana (CH4). Proses pelatihan dilakukan sebanyak lima kali untuk masing masing skenario percobaan untuk dijadikan perbandingan dan dicari yang terbaik kinerjanya pada proses selanjutnya. Pengujian Hasil pengolahan data menggunakan ANN kemudian diuji menggunakan data uji yang sudah dipersiapkan pada tahap pembagian data. Nilai hasil estimasi emisi metana yang dihasilkan oleh model ANN dibandingkan dengan data hasil observasi laboratorium untuk dievaluasi pada tahap selanjutnya. Evaluasi Kinerja ANN dalam proses estimasi diukur berdasarkan tingkat kesalahan. Parameter pendugaan yang digunakan dalam penelitian ini adalah normalized mean square error (NMSE). Jika diberikan 𝑝 pasangan data aktual (data target, yk) dan nilai pendugaan (y’k), NMSE didefiisikan sebagai berikut : Σ𝑘 ∈ 𝑝 (𝑦𝑘 − 𝑦′𝑘 )2 𝑁𝑀𝑆𝐸 = Σ𝑘 ∈ 𝑝 (𝑦𝑘 − ̅̅̅) 𝑦𝑘 2
8
Penduga NMSE mengukur rata-rata dari kuadrat galat. NMSE yang bernilai nol mempunyai arti bahwa pendugaan mempunyai akurasi yang sempurna (Yao & Tan dalam Pusparianti 2008). Analisis Hasil NMSE dari setiap kombinasi asam lemak terbang akan dianalisis perbedaanya dengan perhitungan nilai ANOVA (Analysis of Variance). Hal ini dilakukan untuk membuktikan tingkat perbedaan antar kombinasi asam lemak terbang dan neuron hidden layer dalam pendugaan emisi metana. Sesuai dengan penelitian ini akan digunakan ANOVA dua arah tanpa interaksi, disajikan dalam Tabel 3. Tabel 3 ANOVA kombinasi asam lemak terbang dalam penentuan data input (Walpole 1993) Sumber Jumlah Derajat Kuadrat f hitung f tabel Keragaman Kuadrat Bebas (db) Tengah (SK) (JK) (KT) Banyaknya JKB db numer1 s2B = KTB f hitung α= 𝐽𝐾𝐵 𝐾𝑇𝐵 hidden = r-1 db numer1= = 𝑟−1 = 𝐾𝑇𝐺 neuron) db denum= f tabel 2 Kombinasi JKK db numer2 s K = KTK f hitung α= 𝐾𝑇𝐾 𝐽𝐾𝐾 VFA) = k-1 db numer2= = = 𝐾𝑇𝐺 𝑘−1 db denum= f tabel Galat JKG db denum s2G = KTG 𝐽𝐾𝐺 = (r-1)(k- = (𝑟−1)(𝑘−1) 1) Total JKT r.k - 1 Penetapan H0 dan H1 untuk tabel ANOVA di atas sebagai berikut : H0 : Semua perlakuan (banyaknya hidden neuron, kombinasi VFA) memiliki rata-rata yang bernilai sama. H1 : Sedikitnya ada satu perlakuan (banyaknya hidden neuron, kombinasi VFA) yang memiliki rata-rata yang bernilai tidak sama (berbeda). Lingkungan Pengembangan Spesifikasi perangkat keras yang digunakan untuk penelitian ini adalah prosesor Intel Core i5 M450 2.4 GHz, memori 4GB, hardisk 500 GB. Adapun perangkat lunak yang digunakan untuk penelitian ini adalah MATLAB R2012a dan Microsoft Excel 2013.
9
HASIL DAN PEMBAHASAN Proses Pelatihan Menggunakan ANN Proses pelatihan dilakukan dengan terlebih dahulu mendefinisikan parameter-parameter dari sebuah struktur ANN. Input layer terdiri atas tiga sampai dengan enam (3-6) neuron yang merepresentasikan komponen-komponen kimia penentu emisi gas metana dalam tumbuhan pakan, yaitu C2, C3, C4, iso-C4, C5, dan iso-C5. Output layer terdiri atas satu (1) neuron yang merepresentasikan emisi gas yang diestimasi, yaitu metana (CH4). Pada penelitian ini fungsi transfer yang digunakan pada hidden layer adalah fungsi tan-sigmoid, sedangkan pada output layer adalah fungsi linear. Pelatihan dilakukan untuk beberapa variasi jumlah neuron pada hidden layer, yaitu enam(6), sembilan(9), dan tiga belas(13) neuron. Pemilihan tiga variasi neuron pada hidden layer ini merujuk kepada hasil pelatihan pada 1-fold dataset (208 komponen kimia) dengan fungsi pelatihan Levenberg-Marquardt (LM) untuk 3 neuron input (C2, C3, C4). Pada Gambar 2, grafik konvergensi maksimum lokal nilai NMSE ditemukan pada jumlah neuron pada hidden layer ke 6, 9 dan 13. 0.0196 0.0194 0.0192
Nilai NMSE
0.019 0.0188 0.0186 0.0184 0.0182 0.018 0.0178 0.0176 3
4
5
6
7
8
9
10
11
12
13
14
15
Jumlah neuron pada hidden layer
Gambar 2 Grafik konvergensi nilai NMSE estimasi gas metana dengan 3-15 hidden layer untuk 1-fold dataset, 3 neuron input (C2, C3, C4) dan algoritma pelatihan LM. Diterapkan dua algoritma pelatihan pada struktur ANN, yaitu LevenbergMarquardt (LM) dan One Step Secant (OSS). Pemilihan dua algoritma pelatihan ini diawali oleh hasil pelatihan terhadap 1-fold dataset (208 komponen kimia) dengan 3 neuron input (C2, C3 dan C4) dan 6,9,13 neuron pada hidden layer untuk 12 algoritma pelatihan dengan masing-masing 5 kali perulangan (Beale et al. 2014). Pada Tabel 4 dibawah ini, dua algoritma pelatihan diatas menghasilkan rata-rata NMSE dengan nilai paling rendah. .
10
Tabel 4 Nilai NMSE estimasi gas metana rumen dengan dua belas algoritma pelatihan ANN untuk 3 neuron input dan 6,9,13 hidden neuron (hn) Percobaan Ke -
1
2
6 9 13
0.018921 0.019427 0.01871
0.01802 0.018029 0.01868
6 9 13
0.019211 0.018644 0.019822
0.01857 0.019219 0.018619
6 9 13
0.0187 0.018845 0.018485
0.018543 0.018938 0.018847
6 9 13
0.019042 0.018982 0.018736
0.018223 0.019269 0.018646
6 9 13
0.018671 0.018714 0.01898
0.019151 0.01882 0.023244
6 9 13
0.018997 0.018754 0.019194
0.01893 0.018355 0.018615
6 9 13
0.018278 0.019941 0.018824
0.019097 0.018551 0.018748
6 9 13
0.018554 0.018791 0.019295
0.018809 0.018784 0.018586
6 9 13
0.017883 0.018356 0.020082
0.023542 0.024385 0.018836
6 9 13
0.018784 0.019266 0.019051
0.018515 0.019076 0.018836
6 9 13
0.020651 0.018948 0.017511
0.020017 0.019306 0.028283
6 9 13
0.017348 0.017723 0.018628
0.019319 0.018768 0.019053
3 trainlm 0.017569 0.019079 0.018157 trainrp 0.018864 0.018995 0.018853 trainbr 0.018207 0.018931 0.018522 trainbfg 0.019208 0.01879 0.01827 traingdx 0.018233 0.02328 0.019428 traincgp 0.018848 0.018569 0.019126 traincgb 0.018997 0.018906 0.018699 traincgf 0.01924 0.018618 0.018538 traingdm 0.0177 0.020107 0.017725 trainscg 0.019064 0.018685 0.018772 traingd 0.019619 0.022591 0.022089 trainoss 0.01872 0.018157 0.019038
4
5
rata-rata
0.019572 0.017031 0.018998
0.018951 0.01758 0.018693
0.018495
0.019188 0.017608 0.018873
0.018483 0.019026 0.018547
0.018835
0.018625 0.019134 0.018838
0.018827 0.018753 0.018713
0.018727
0.018942 0.018341 0.019144
0.020949 0.019182 0.018913
0.018976
0.017512 0.019021 0.021879
0.018782 0.018646 0.018647
0.019534
0.018948 0.018673 0.018406
0.019235 0.019044 0.019006
0.018847
0.018785 0.018816 0.019065
0.018272 0.019056 0.019202
0.018883
0.018427 0.018581 0.018716
0.018574 0.018767 0.018815
0.01874
0.019286 0.017113 0.022912
0.024997 0.021482 0.022609
0.020468
0.019064 0.018865 0.018691
0.018865 0.017962 0.018919
0.018828
0.017402 0.0198 0.021157
0.025487 0.017797 0.018813
0.020631
0.019109 0.018753 0.019222
0.018504 0.019445 0.018904
0.018713
11
Hal ini dilakukan untuk mengetahui struktur ANN yang menghasilkan estimasi terbaik terhadap data yang diujikan. Struktur ANN yang dibangun dalam penelitian ini ditunjukkan pada Tabel 5. Tabel 5 Struktur ANN untuk mengestimasi emisi gas metana pada rumen Struktur ANN Keterangan Input layer 3,4,5,6 neuron Hidden layer 1 layer dengan 6, 7 dan 8 neuron Output layer 1 neuron Fungsi pelatihan Levenberg-Marquardt (LM) dan One Step Secant (OSS) Fungsi transfer Hidden layer : tan-sigmoid Output layer : linear Bias 1 bias per layer Epoch 1000 (maksimum) Dari struktur ANN yan telah didefinisikan sebelumnya, dibangun sebuah model ANN untuk mengestimgasi emisi metana rumen yang ditunjukkan pada Gambar 3.
Gambar 3 Model ANN untuk mengestimasi emisi metana rumen Pengujian Pengujian dilakukan pada data kandungan kimia (asam lemak terbang dan metana hasil observasi laboraturium) yang telah dibagi menjadi data latih dan data uji menggunakan metode K-fold cross validation. Pengujian ANN dilakukan berdasarkan skema pembagian k seperti ditunjukkan Tabel 2. Setiap skema pembagian data, dilakukan pengujian untuk struktur ANN dengan jumlah neuron 6, 9, dan 13; baik dengan menggunakan fungsi pelatihan Levenberg-Marquardt (LM) maupun One Step Secant (OSS). Hasil pengujian pada setiap fold dicatat dan dibandingkan dengan hasil observasi laboratorium untuk dievaluasi pada tahap selanjutnya.
12
Evaluasi Untuk membuktikan keakuratan hasil estimasi emisi metana dengan ANN lebih baik dibandingkan dengan persamaan stoikiometri (Moss, et al. 2000) maka hasil estimasi metana output dari ANN dihitung selisihnya dengan hasil uji laboratorium. Hal ini dilakukan untuk algoritma pelatihan LM dan OSS dengan kombinasi tiga (3) asam lemak terbang, yaitu C2, C3, dan C4 (kombinasi: d pada Tabel 1). Begitu pula dengan nilai hasil operasi persamaan stoikiometri. Nilai selisih ini dikuadratkan untuk mendapatkan masing-masing nilai NMSE dari ANN dan persamaan stoikiometri. Perhitungan NMSE selengkapnya dapat dilihat pada Lampiran 3, sedangkan rata-rata NMSE hasil estimasi disajikan pada Tabel 6 dibawah ini. Tabel 6 Perbandingan nilai rata-rata NMSE estimasi gas metana rumen menggunakan ANN dan persamaan stoikiometri Metode Estimasi NMSE Neuron hidden LM OSS layer 6 0.0191 0.0189 Artificial Neural Network (ANN) 9 0.0191 0.0182 13 0.0195 0.0190 Stoikiometri (Moss, et al. 2000) 0.0356 Kinerja ANN relatif stabil untuk semua algoritma pelatihan, hal ini ditunjukkan dari selisih nilai NMSE yang kecil dari setiap perulangan dengan jumlah neuron pada hidden layer yang berbeda. Dari percobaan diatas, nilai ratarata NMSE terkecil diperoleh dari ANN dengan fungsi pelatihan One Step Secant (OSS) dengan dengan jumlah neuron hidden layer sebanyak sembilan neuron, yaitu sebesar 0,0182. Nilai ini adalah nilai paling rendah bila dibandingkan dengan ratarata NMSE untuk jumlah neuron hidden layer lain (dengan algoritma pelatihan OSS) maupun algoritma pelatihan LM untuk semua variasi jumlah neuron pada hidden layer yang digunakan. Nilai NMSE sebesar 0,0182 di atas diperoleh dari rata-rata NMSE hasil simulasi model ANN untuk ke-4 fold dengan lima kali perulangan untuk masingmasing fold. NMSE terendah diperoleh dari fold ke-4, yaitu sebesar 0.0129 dan nilai NMSE terendah pada fold ke-4 ini diperoleh dari hasil simulasi model ANN pada percobaan pertama sebesar 0.0107 (selengkapnya dapat dilihat pada Lampiran 3). Berdasarkan tabel perbandingan NMSE di atas, rata-rata NMSE hasil output dari ANN jauh lebih rendah (mendekati nol) dibandingkan dengan output persamaan stoikiometri (Moss et al. 2000). Hal ini membuktikan bahwa ANN mampu memprediksi emisi metana pada rumen lebih baik dibandingkan dengan persamaan stoikiometri. Pada Gambar 4, disajikan grafik hasil simulasi model ANN pada percobaan pertama untuk fold ke-4 dengan NMSE sebesar 0.0107 dibandingkan dengan output estimasi emisi metana menggunakan persamaan stoikiometri untuk sejumlah data uji yang sama.
13
Perbandingan Hasil Estimasi 0.5 0.45
Hasil Laboraturium
0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 0.00000
0.05000
0.10000
0.15000
0.20000
0.25000
Hasil Estimasi STOIKIOMETRI
ANN
LAB
Linear (LAB)
Gambar 4 Grafik perbandingan antara data hasil estimasi menggunakan ANN dan persamaan stoikiometri dengan hasil observasi laboratorium Selanjutnya pelatihan ANN dilanjutkan untuk delapan (8) kombinasi asam lemak terbang yang diduga turut mempengaruhi emisi metana. Seperti halnya percobaan sebelumnya, hasil estimasi metana dari ANN dihitung selisihnya dengan hasil uji laboratorium. Nilai selisih ini dikuadratkan untuk mendapatkan nilai NMSE. Nilai NMSE estimasi emisi metana untuk setiap kombinasi asam lemak terbang pada setiap fold dengan masing-masing lima kali perulangan dapat dilihat pada Lampiran 3. Nilai rata-rata NMSE untuk delapan (8) kombinasi VFA dengan 6, 9 dan 13 neuron pada hidden layer dapat dilihat pada Tabel 7 dibawah ini. Tabel 7 Nilai rata-rata NMSE estimasi gas metana rumen menggunakan ANN untuk delapan (8) kombinasi VFA dengan 6, 9, dan 13 neuron hidden layer Neuron Kombinasi Asam Lemak Terbang Hidden d A B C D E F G Layer Levenberg-Marquardt (LM) 6 0.0191 0.0195 0.0196 0.0193 0.0185 0.0197 0.0194 0.0191 7 0.0191 0.0196 0.0192 0.0194 0.0184 0.0201 0.0192 0.0190 8 0.0195 0.0190 0.0187 0.0188 0.0191 0.0190 0.0200 0.0189 One Step Secant (OSS) 6 0.0189 0.0191 0.0194 0.0190 0.0184 0.0194 0.0183 0.0185 7 0.0182 0.0191 0.0195 0.0190 0.0187 0.0196 0.0189 0.0196 8 0.0190 0.0191 0.0199 0.0197 0.0190 0.0190 0.0193 0.0192
14
Berdasarkan Tabel 7 di atas, kinerja ANN masih stabil untuk setiap skenario percobaan. Nilai NMSE untuk setiap kondisi cukup bervariasi. Nilai rata-rata NMSE terendah untuk semua ANN dengan jumlah neuron hidden layer yang berbeda didominasi oleh algoritme pelatihan OSS. Nilai rata-rata NMSE terendah untuk variasi jumlah neuron hidden layer diperoleh dari Kombinasi d(C2,C3,C4) dengan 9 neuron menggunakan algoritma pelatihan OSS, B(C2,C3,C4,iso-C4,C5) dengan 13 neuron menggunakan algoritma pelatihan LM, D(C2,C3,C4, C5,iso-C5) dengan 6, 9 neuron menggunakan algoritma pelatihan LM maupun dengan 13 neuron menggunakan algoritma pelatihan OSS dan F(C2,C3,C4,C5) dengan 9 neuron menggunakan algoritma pelatihan OSS. Nilai rata-rata NMSE terendah diperolah dari algoritme pelatihan OSS dengan sembilan (9) neuron hidden layer pada kombinasi d. Selanjutnya, Nilai NMSE pada Tabel 7 di atas akan dianalisis keragamannya dengan metode ANOVA dua arah tanpa interaksi. Analisis keragaman akan dilakukan pada nilai rata-rata NMSE hasil pelatihan ANN untuk masing-masing algoritma pelatihan. Hal ini dilakukan untuk membuktikan interpretasi hasil perbedaannya. Hasil f hitung dan Prob>F pada rata-rata baris (kombinasi VFA) dan rata-rata kolom (variasi hidden neuron) disajikan dalam Tabel 8 berikut. Tabel 8 ANOVA kombinasi asam lemak terbang untuk algoritma pelatihan LM dan OSS SK JK db KT f hitung Prob > F Levenberg-Marquardt (LM) Variasi hidden neuron 6.34 7 9.07 1.33 0.30 Kombinasi VFA 1.84 2 9.21 1.35 0.29 Galat 9.52 14 6.80 Total 1.77 23 One Step Secant (OSS) Variasi hidden neuron 2.53 7 3.62 1.03 0.45 Kombinasi VFA 5.15 2 2.58 0.07 0.93 Galat 4.93 14 3.52 Total 7.51 23 Berdasarkan Tabel 8 di atas, hasil penelitian menunjukkan rata-rata baris (variasi hidden neuron) dan kolom (kombinasi VFA) dari nilai rata-rata NMSE untuk semua algorime pelatihan dengan jumlah neuron hidden layer yang bervariasi (6,9,13), nilai F hitung berada di daerah penerimaan H0, dengan α = 0,01 , α = 0,025 maupun α = 0,05. Hal ini berarti, delapan (8) kombinasi asam lemak terbang dan variasi hidden neuron dalam mengestimasi emisi metana tidak berbeda nyata (memiliki rata-rata yang bernilai sama) sehingga tidak terbukti adanya asam lemak tertentu atau kombinasi dari beberapa asam lemak yang benar-benar mendominasi pembentukan emisi metana pada rumen.
15
SIMPULAN DAN SARAN Simpulan Penelitian ini telah berhasil membuat model ANN yang dapat melakukan estimasi emisi metana pada rumen dengan baik, ditunjukkan oleh nilai NMSE yang lebih kecil dibandingan dengan NMSE hasil persamaan stoikiometri pembentukan emisi metana rumen. Model ANN dengan input asam lemak terbang C2, C3, dan C4 menghasilkan nilai rata-rata NMSE paling rendah, yaitu sebesar 0.0182. Penambahan asam lemak terbang iso-C4, C5, dan iso-C5 pada input model ANN serta banyaknya hidden neuron tidak signifikan menurunkan galat (error) estimasi emisi metana rumen. Saran Referensi jumlah spesies dan informasi kandungan asam lemak terbang yang diteliti laboratorium pakan ternak patut dicobakan dengan lebih banyak jenis pakan tanaman tropika guna lebih memperkuat estimasi kebutuhan pakan ternak lokal.
16
DAFTAR PUSTAKA Apriyanti N. 2006. Optimasi Jaringan Syaraf Tiruan dengan Algoritme Genetika untuk Peramalan Curah Hujan. JIIK. 4(1):1-9. Beale MH, Hagan MT, Demuth, HB. 2014. Neural Network ToolboxTM User’s Guide. Massachusetts (US): The MathWorks, Inc. Fauset, L. 1994. Fundamentals of Neural Network. New Jersey (US): Prentice Hall. Hartung E, Monteny GJ, 2000. Methane (CH4) and nitrous oxide (N2O) emissions from animal husbandry. ATF. 6: 62–69. Jayanegara A, Wina E, Soliva CR, Marquardt S, Kreuzer M, Leiber F. 2011. Dependence of forage quality and methanogenic potential of tropical plants on their phenolic fractions as determined by principal component analysis. AFST. 163: 1863–1870. Jayanegara A, Marquardt S, Kreuzer M, Leiber F. 2011. Nutrient and energy content, in vitro ruminal fermentation characteristics and methanogenic potential of alpine forage plant species during early summer. J Sci Food Agric. 91: 1863–1870. Kohavi R. 1995. A study of cross validation and bootstrap for accuracy estimation and model selection. Di dalam: Mellish CS, editor. The 14th International Joint Conference on Artificial Intelligence (IJCAI); 1995 Agu 2025; Quebec, Canada. San Francisco (US): Morgan Kaufmann. hlm 1137-1143. Maisaroh. 2010. Aktivitas Enzim Nitrogenase dan Oksidasi Metan Bakteri Metanotrof asal Sawah [tesis]. Bogor (ID): Institut Pertanian Bogor. Moss AR, Jouany JP, Newbold J. 2000. Methane production by ruminants: its contribution to global warming. Ann Zoot. 49: 231–243. Normakristaguluh P. 2004. Penerapan Jaringan Syaraf Tiruan untuk Peramalan Curah Hujan dalam Statistical Downscaling [skripsi]. Bogor (ID): Institut Pertanian Bogor. Pusparianti AR. 2008. Peramalan Kurs Rupiah terhadap Dolar dengan Jaringan Syaraf Tiruan Propagasi Balik [skripsi]. Bogor (ID): Institut Pertanian Bogor. Takeuchi Y. 1996. Pengantar Kimia. Ismunandar, penerjemah. Tokyo (JP): Iwanami Publishing Company. Terjemahan dari: Introductory Chemistry Series (1). Yuwono AS. 2011. Strategi Reduksi Emisi Gas Rumah Kaca Tingkat Kabupaten/Kota melalui Identifikasi dan Karakterisasi Sumber Emisi. Di dalam: Sudiana, Eming, editor. Pengelolaan Sumberdaya Alam dan Lingkungan Hidup Berbasis Kearifan Lokal [Internet].[Waktu dan tempat pertemuan tidak diketahui]. Purwokerto (ID): PPLH-LPPM UNSOED. Hlm [diunduh 2014 Jan 18]. Tersedia pada: 57-64; http://repository.ipb.ac.id/handle/123456789/65308 Walpole RE. 1993. Pengantar Statistika. Ed ke-3. Jakarta (ID): Gramedia.
17 Lanjutan Lampiran 1 Kandungan asam lemak terbang tumbuhan dan informasi kimia pakan ternak sebelum praproses data No.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Plant
Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Melia azadirach Melia azadirach Melia azadirach Melia azadirach Melia azadirach Melia azadirach Melia azadirach Melia azadirach Acacia mangium Acacia mangium Acacia mangium Acacia mangium Acacia mangium Acacia mangium Acacia mangium Acacia mangium Calliandra calothyrsus Calliandra calothyrsus
Blk
1 1 3 3 4 4 6 6 2 2 4 4 5 5 6 6 1 1 3 3 4 4 5 5 1 1
Lins.
0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5
Gas
39.00 40.50 42.33 42.33 37.50 40.00 38.50 41.00 40.33 41.33 30.50 41.00 33.67 44.67 41.50 39.00 10.00 11.00 16.83 16.83 12.50 16.00 14.67 16.17 . 19.00
OMD
% ME
NEL
53.31 54.72 64.92 64.92 57.21 59.92 55.21 57.71 53.73 54.64 49.66 61.01 47.96 58.17 58.23 55.73 25.39 26.33 35.18 35.18 29.51 33.29 29.62 31.01 . 34.50
7.54 7.75 9.36 9.36 8.13 8.55 7.82 8.20 7.54 7.68 6.96 8.66 6.73 8.21 8.22 7.84 4.16 4.25 5.18 5.18 4.57 4.97 4.58 4.73 . 5.13
4.26 4.41 5.58 5.58 4.68 4.98 4.46 4.73 4.27 4.36 3.86 5.07 3.70 4.74 4.75 4.48 2.14 2.18 2.71 2.71 2.35 2.58 2.36 2.44 . 2.68
ml CH4
NH3
6.44 6.20 6.99 6.90 6.03 6.05 6.51 6.50 5.91 5.50 4.13 5.44 4.88 6.47 6.14 5.58 1.45 0.00 2.51 2.37 1.69 1.71 2.01 2.04
15.91 16.56 36.43 28.71 15.81 14.27 14.22 14.10 24.09 17.43 15.49 14.22 24.51 19.20 15.06 15.43 9.88 8.86 15.01 12.74 8.98 7.72 12.38 10.87 9.26 9.26
2.07
Bact.
5.46 6.15 2.62 2.62 3.62 2.77 3.85 5.00 2.69 2.77 3.38 2.69 2.38 2.77 3.69 3.69 7.15 7.92 2.08 4.15 4.62 5.62 3.23 4.15 6.92 6.54
Prot.
0.67 1.56 1.11 0.67 3.11 2.44 1.33 1.33 2.89 1.33 2.22 2.67 3.56 2.89 2.67 1.56 1.78 2.00 4.00 2.89 2.89 2.67 4.67 2.89 1.78 0.89
mmol/liter T-SCFA 72.60 77.73 86.47 79.02 61.43 59.39 82.13 82.86 51.99 74.44 57.28 61.88 79.23 78.81 87.32 88.84 38.52 42.99 53.71 53.49 35.76 36.46 49.12 51.14 46.74 55.08
C2
C3
1.53 1.67 1.78 1.69 1.23 1.19 1.73 1.81 1.04 1.69 1.17 1.37 1.73 1.70 1.89 1.94 0.85 0.97 1.18 1.18 0.80 0.81 1.10 1.16 1.09 1.24
0.44 0.45 0.58 0.45 0.47 0.45 0.50 0.45 0.41 0.41 0.40 0.32 0.41 0.42 0.46 0.46 0.21 0.22 0.28 0.28 0.19 0.20 0.25 0.25 0.21 0.29
mmol isoC4 0.15 0.03 0.16 0.03 0.19 0.02 0.18 0.02 0.09 0.03 0.09 0.03 0.17 0.05 0.17 0.04 0.09 0.01 0.10 0.01 0.09 0.02 0.12 0.02 0.18 0.02 0.18 0.03 0.22 0.02 0.22 0.01 0.07 0.01 0.08 0.01 0.13 0.01 0.12 0.02 0.07 0.00 0.07 0.01 0.11 0.01 0.11 0.00 0.08 0.01 0.09 0.02
C4
C5 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.00 0.01 0.01 0.01 0.02 0.01 0.02 0.01 0.00 0.01 0.01 0.01 0.01 0.01 0.00 0.01 0.01 0.01
isoC5 0.02 0.02 0.01 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.02 0.01 0.02 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.00 0.01 0.01
% H2 Recovery 52.54 49.07 53.29 50.89 61.97 62.96 50.51 47.23 67.15 44.87 51.70 48.71 42.09 48.36 45.13 42.49 35.82 24.61 38.11 37.26 37.71 38.22 35.42 34.46 21.12 34.30
18 Lanjutan No.
27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53
Plant
Calliandra calothyrsus Calliandra calothyrsus Calliandra calothyrsus Calliandra calothyrsus Calliandra calothyrsus Calliandra calothyrsus Carica papaya Carica papaya Carica papaya Carica papaya Carica papaya Carica papaya Carica papaya Carica papaya Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Psidium guajava Psidium guajava Psidium guajava Psidium guajava Psidium guajava
Blk
2 2 4 4 5 5 2 2 3 3 4 4 6 6 1 1 3 3 5 5 6 6 2 2 3 3 5
Lins.
0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0
Gas
17.83 19.33 17.00 19.00 21.67 20.17 41.33 41.83 43.33 45.33 . 41.50 43.00 43.50 12.50 14.00 19.33 19.83 16.67 17.17 17.50 17.00 11.33 12.33 14.83 15.83 13.67
OMD
% ME
NEL
33.03 34.41 35.03 37.20 36.78 35.38 55.18 55.64 66.61 68.89 . 62.09 60.26 60.76 28.10 29.51 38.39 38.96 31.83 32.30 33.87 33.37 26.45 27.37 32.95 34.09 28.73
4.97 5.12 5.19 5.43 5.38 5.23 7.83 7.90 9.65 10.04 7.74 8.90 8.61 8.69 4.45 4.59 5.57 5.64 4.83 4.88 5.05 5.00 4.25 4.34 4.92 5.05 4.48
2.59 2.68 2.72 2.87 2.84 2.74 4.47 4.52 5.80 6.09 . 5.24 5.03 5.09 2.30 2.37 2.95 2.99 2.51 2.54 2.64 2.61 2.18 2.23 2.55 2.63 2.30
ml CH4
NH3
2.03 2.09 1.96 2.00 2.55 2.28 6.66 5.90 7.46 7.71
9.82 9.53 8.41 5.15 12.23 13.59 21.68 20.08 29.85 31.95 21.95 22.68 21.48 8.92 8.51 8.47 16.55 15.49 15.67 13.10 8.89 8.46 8.21 8.21 17.76 17.21 10.26
5.85 7.41 7.35 1.01 1.39 2.53 2.32 1.73 1.66 2.03 1.80 1.11 1.18 2.08 2.01 1.45
Bact.
2.46 3.38 3.00 2.77 2.23 3.00 3.69 2.92 2.54 3.08 4.38 3.23 4.00 3.31 5.92 4.69 3.46 3.23 3.54 4.15 4.23 3.69 5.00 3.00 2.77 2.77 3.46
Prot.
0.89 0.67 2.89 1.33 3.33 2.00 2.00 0.67 4.89 3.78 2.22 1.56 2.00 2.00 2.67 2.00 5.56 2.89 3.56 3.56 1.56 2.22 2.22 0.67 2.22 2.67 2.67
mmol/liter T-SCFA 55.45 59.46 44.16 45.07 64.44 61.89 58.41 73.66 74.34 97.25 75.83 78.62 81.07 94.34 44.52 45.63 60.94 65.95 55.33 62.48 68.08 64.06 37.80 38.47 60.20 60.31 45.97
C2
C3
1.26 1.34 1.02 1.05 1.56 1.34 1.19 1.50 1.50 2.04 1.54 1.60 1.76 2.05 1.07 1.07 1.39 1.49 1.28 1.39 1.56 1.48 0.80 0.84 1.34 1.34 1.04
0.27 0.30 0.19 0.20 0.23 0.37 0.36 0.49 0.44 0.52 0.45 0.47 0.43 0.46 0.18 0.20 0.30 0.34 0.24 0.31 0.32 0.28 0.24 0.23 0.29 0.30 0.20
mmol isoC4 0.10 0.02 0.09 0.02 0.09 0.01 0.08 0.01 0.12 0.01 0.12 0.01 0.12 0.05 0.14 0.05 0.18 0.03 0.23 0.05 0.16 0.04 0.16 0.04 0.18 0.02 0.22 0.03 0.06 0.01 0.08 0.01 0.12 0.02 0.13 0.01 0.11 0.01 0.12 0.03 0.14 0.01 0.15 0.00 0.08 0.01 0.07 0.01 0.14 0.01 0.14 0.01 0.11 0.02
C4
C5 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.03 0.03 0.03 0.02 0.02 0.00 0.00 0.01 0.00 0.01 0.01 0.01 0.01 0.00 0.00 0.01 0.01 0.00
isoC5 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.06 0.05 0.05 0.06 0.02 0.05 0.01 0.01 0.01 0.00 0.02 0.01 0.01 0.01 0.00 0.00 0.02 0.01 0.01
% H2 Recovery 33.19 33.19 33.56 33.03 28.74 37.62 61.66 53.17 56.14 48.31 28.97 49.18 50.54 45.42 25.16 29.12 34.45 34.00 29.65 31.29 30.86 29.80 37.51 35.67 33.39 33.40 31.16
19 Lanjutan No.
54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
Plant
Psidium guajava Psidium guajava Psidium guajava Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Acacia villosa Acacia villosa Acacia villosa Acacia villosa Acacia villosa Acacia villosa Acacia villosa Acacia villosa Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia
Blk
5 6 6 1 1 3 3 4 4 6 6 1 1 2 2 3 3 5 5 1 1 2 2 3 3 5 5
Lins.
5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5
Gas
14.17 13.00 11.50 27.00 28.00 30.33 30.33 26.50 25.00 30.00 30.00 3.00 3.00 5.33 6.33 4.83 3.83 8.17 8.17 26.00 27.00 25.83 24.83 25.83 27.83 28.17 28.67
% ME
NEL
ml CH4
NH3
OMD 29.20 29.06 27.55 42.23 43.17 51.44 51.44 45.52 43.90 46.90 46.90 19.43 19.43 21.50 22.42 22.12 20.98 24.19 24.19 41.25 42.19 40.55 39.63 46.27 48.55 42.99 43.45
4.53 4.51 4.36 6.04 6.16 7.27 7.27 6.46 6.25 6.65 6.65 3.67 3.67 3.85 3.93 3.90 3.80 4.09 4.09 5.93 6.05 5.85 5.73 6.57 6.88 6.15 6.21
2.33 2.32 2.24 3.25 3.33 4.07 4.07 3.53 3.39 3.65 3.65 1.93 1.93 2.01 2.04 2.03 1.99 2.12 2.12 3.18 3.26 3.13 3.06 3.60 3.81 3.32 3.36
1.39 1.65 1.46 3.18 3.28 4.45 4.33 3.01 2.68 3.63 3.72 0.18 0.20 0.32 0.37 0.50 0.44 0.59 0.57 2.76 2.78 2.77 2.53 3.68 3.78 3.17 3.21
10.02 8.43 12.84 14.79 13.10 24.26 24.26 15.37 12.52 13.26 12.94 9.96 9.96 8.90 8.18 16.75 16.36 10.26 11.60 10.62 10.75 11.43 11.48 23.25 24.27 15.48 16.12
Bact.
3.85 3.00 5.38 4.08 5.38 3.31 3.23 3.69 3.31 3.92 4.00 9.38 6.31 4.00 4.15 3.23 3.00 3.85 2.85 8.00 5.38 0.08 0.92 2.38 2.31 3.54 3.69
Prot.
2.44 2.67 1.33 1.78 1.56 3.33 3.11 1.56 2.67 1.33 1.56 1.56 1.78 1.11 1.56 3.33 3.56 3.56 3.11 0.67 1.11 2.44 1.78 3.33 3.78 2.89 2.00
mmol/liter T-SCFA 47.27 53.70 52.97 56.40 43.24 79.34 75.04 55.18 53.16 73.14 73.09 31.31 39.21 39.46 37.15 53.79 55.45 37.71 44.68 53.86 56.57 63.99 50.87 75.89 66.68 62.18 56.10
C2
C3
1.10 1.19 1.18 1.26 0.94 1.75 1.66 1.24 1.19 1.61 1.63 0.67 0.82 0.86 0.82 1.13 1.15 0.81 0.97 1.21 1.27 1.44 1.13 1.66 1.49 1.42 1.24
0.19 0.24 0.23 0.32 0.26 0.44 0.41 0.30 0.29 0.40 0.40 0.17 0.23 0.23 0.21 0.32 0.35 0.18 0.22 0.30 0.31 0.35 0.33 0.40 0.34 0.30 0.26
mmol isoC4 0.10 0.02 0.16 0.00 0.17 0.00 0.08 0.01 0.07 0.01 0.16 0.02 0.15 0.01 0.09 0.01 0.09 0.01 0.16 0.01 0.13 0.02 0.07 0.01 0.10 0.01 0.07 0.01 0.07 0.01 0.13 0.01 0.13 0.01 0.09 0.03 0.13 0.01 0.09 0.01 0.09 0.01 0.09 0.02 0.05 0.00 0.16 0.02 0.12 0.03 0.11 0.02 0.13 0.02
C4
C5 0.00 0.01 0.00 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.01 0.00 0.02 0.02 0.00 0.00 0.00 0.00 0.01 0.01 0.01 0.01 0.01 0.01
isoC5 0.00 0.00 0.00 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.00 0.00 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02
% H2 Recovery 28.48 32.54 31.24 40.84 47.88 41.22 41.58 39.65 38.85 39.25 39.11 29.03 30.45 29.64 28.58 31.64 32.30 29.35 29.48 38.81 38.64 36.07 41.40 38.61 39.51 36.42 38.95
20 Lanjutan No.
81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107
Plant
Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni Eugenia aquea Eugenia aquea Eugenia aquea Eugenia aquea Eugenia aquea Eugenia aquea Eugenia aquea Eugenia aquea Myristica fragran Myristica fragran Myristica fragran Myristica fragran Myristica fragran Myristica fragran Myristica fragran Myristica fragran Pithecelobium jiringa Pithecelobium jiringa Pithecelobium jiringa
Blk
1 1 2 2 4 4 5 5 1 1 2 2 5 5 6 6 2 2 4 4 5 5 6 6 1 1 3
Lins.
0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0
Gas
18.00 15.00 21.83 23.33 20.00 17.00 24.17 21.17 6.50 . 8.33 7.33 8.67 8.17 8.50 9.00 18.33 17.33 15.00 19.00 19.17 18.67 21.30 19.50 14.00 15.00 18.83
OMD
% ME
NEL
32.94 30.12 36.08 37.46 37.65 34.41 38.47 35.69 21.82 . 23.36 22.45 23.76 23.30 24.22 24.72 32.49 31.57 31.87 36.19 33.45 32.99 36.97 35.17 29.23 30.17 37.55
4.92 4.62 5.27 5.43 5.45 5.08 5.55 5.23 3.82 3.57 3.96 3.87 3.99 3.95 4.04 4.08 4.85 4.75 4.78 5.27 4.96 4.91 5.36 5.15 4.58 4.68 5.49
2.55 2.38 2.76 2.86 2.87 2.65 2.93 2.73 1.96 1.85 2.03 1.99 2.04 2.02 2.07 2.09 2.51 2.45 2.47 2.75 2.57 2.54 2.81 2.68 2.37 2.42 2.90
ml CH4
NH3
1.20 1.06 1.51 1.52 1.22 0.94 1.95 1.65 0.53
6.62 7.38 6.53 6.92 6.50 6.29 9.46 10.78 8.44 8.17 9.06 8.87 11.27 13.76 12.84 9.88 10.33 22.00 6.26 6.91 13.16 16.93 8.57 8.57 10.88 11.89 26.04
0.70 0.60 0.87 0.77 1.02 0.95 1.57 1.56 1.46 1.42 2.02 1.83 2.14 1.99 1.06 1.04 2.24
Bact.
11.84 4.00 5.85 5.54 5.69 5.62 3.77 4.00 7.69 6.31 4.00 2.31 3.08 2.62 3.08 3.15 2.31 4.46 6.00 7.00 4.23 4.31 3.38 2.38 6.46 6.46 3.69
Prot.
2.44 0.44 1.33 0.67 1.56 2.44 2.22 2.67 1.56 1.56 0.44 0.67 2.89 2.44 1.56 1.11 2.22 1.33 4.22 4.00 2.00 4.44 2.67 1.33 2.00 2.44 3.11
mmol/liter T-SCFA 48.50 58.17 47.92 49.00 43.65 46.27 56.42 56.52 33.61 34.55 40.75 40.34 44.08 43.58 55.04 51.52 49.32 45.57 43.66 45.83 55.94 55.63 65.42 67.35 47.17 50.21 66.89
C2
C3
1.15 1.30 1.05 1.08 1.00 1.08 1.29 1.30 0.78 0.79 0.92 0.91 1.01 1.02 1.27 1.15 1.04 1.04 1.02 1.09 1.28 1.29 1.51 1.55 1.08 1.13 1.40
0.23 0.33 0.25 0.26 0.22 0.22 0.26 0.27 0.15 0.17 0.19 0.19 0.18 0.17 0.22 0.21 0.29 0.21 0.19 0.19 0.23 0.22 0.26 0.27 0.23 0.27 0.42
mmol isoC4 0.06 0.01 0.07 0.02 0.09 0.01 0.08 0.03 0.07 0.01 0.06 0.01 0.12 0.01 0.11 0.01 0.07 0.00 0.07 0.00 0.09 0.01 0.09 0.01 0.12 0.01 0.11 0.00 0.14 0.01 0.15 0.01 0.09 0.03 0.08 0.01 0.08 0.01 0.08 0.00 0.14 0.01 0.14 0.01 0.17 0.01 0.17 0.01 0.08 0.01 0.09 0.01 0.13 0.02
C4
C5 0.00 0.02 0.00 0.01 0.00 0.01 0.01 0.01 0.00 0.00 0.00 0.00 0.01 0.00 0.01 0.01 0.01 0.01 0.01 0.00 0.01 0.01 0.01 0.01 0.01 0.01 0.02
isoC5 0.01 0.01 0.02 0.02 0.01 0.01 0.01 0.01 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.01 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.00 0.02
% H2 Recovery 27.83 29.89 33.45 33.17 31.01 27.15 31.71 30.62 26.47 23.24 28.37 27.79 27.23 25.40 26.49 27.99 36.29 31.18 29.62 28.28 31.30 30.01 30.12 29.29 29.26 30.67 38.59
21 Lanjutan No.
108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134
Plant
Pithecelobium jiringa Pithecelobium jiringa Pithecelobium jiringa Pithecelobium jiringa Pithecelobium jiringa Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Clidemia hirta Clidemia hirta Clidemia hirta Clidemia hirta Clidemia hirta Clidemia hirta
Blk
3 5 5 6 6 1 1 2 2 3 3 6 6 1 1 2 2 4 4 5 5 1 1 3 3 4 4
Lins.
5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5
Gas
18.33 11.17 15.67 16.50 15.50 36.00 35.00 33.83 37.33 35.83 33.83 34.50 34.50 31.00 30.50 31.33 32.33 28.00 29.00 29.17 26.17 19.50 21.50 22.83 21.33 18.00 15.00
% ME
NEL
ml CH4
NH3
OMD 36.98 26.45 30.63 32.60 31.60 50.93 49.99 48.18 51.39 57.95 55.67 51.64 51.64 45.56 45.09 45.21 46.13 46.71 47.79 43.52 40.74 34.25 36.13 41.95 40.24 35.39 32.15
5.43 4.30 4.72 4.93 4.83 7.27 7.14 6.89 7.33 8.30 7.95 7.37 7.37 6.38 6.32 6.33 6.45 6.53 6.68 6.11 5.76 5.04 5.25 5.96 5.74 5.17 4.81
2.86 2.22 2.45 2.57 2.50 4.07 3.98 3.81 4.11 4.80 4.55 4.14 4.14 3.47 3.42 3.43 3.52 3.57 3.67 3.29 3.07 2.62 2.75 3.19 3.05 2.70 2.48
2.11 1.13 1.41 1.65 1.56 5.11 4.95 5.02 5.42 6.12 5.37 5.75 5.61 3.46 3.18 3.57 3.67 3.04 2.99 3.72 3.25 1.78 1.88 2.78 2.64 1.86 1.41
28.15 17.00 13.37 11.08 10.86 22.52 21.28 19.80 18.61 37.73 39.70 18.70 20.21 8.37 8.93 9.19 9.46 6.94 7.23 12.23 13.26 6.54 6.31 15.07 14.38 7.03 6.34
Bact.
2.92 3.15 3.31 6.15 5.46 6.62 7.08 4.31 2.62 2.54 2.69 4.62 2.54 6.31 10.92 2.46 3.08 4.31 4.23 4.38 1.77 5.85 5.08 2.77 2.23 2.46 1.46
Prot.
1.56 1.56 1.11 1.56 1.11 1.78 1.56 1.33 1.11 1.33 2.67 2.44 1.78 1.56 2.00 1.33 0.89 2.44 2.00 2.67 2.67 2.00 1.56 1.56 1.33 3.56 1.78
mmol/liter T-SCFA 66.92 48.24 52.64 56.58 64.26 67.65 64.10 67.69 70.55 76.66 71.82 87.28 101.29 61.95 59.32 59.66 58.24 54.91 57.47 69.14 69.37 47.77 45.25 63.10 66.39 41.03 39.11
C2
C3
1.48 1.13 1.25 1.29 1.45 1.43 1.37 1.46 1.55 1.65 1.51 1.90 2.23 1.37 1.34 1.36 1.32 1.24 1.24 1.58 1.58 1.06 1.10 1.41 1.45 0.94 0.88
0.34 0.19 0.20 0.23 0.26 0.40 0.34 0.37 0.37 0.39 0.40 0.40 0.47 0.34 0.30 0.30 0.29 0.26 0.34 0.31 0.33 0.24 0.17 0.29 0.38 0.19 0.19
mmol isoC4 0.15 0.01 0.10 0.01 0.11 0.01 0.14 0.01 0.17 0.01 0.14 0.02 0.15 0.03 0.13 0.04 0.14 0.03 0.18 0.03 0.15 0.03 0.23 0.03 0.22 0.04 0.11 0.02 0.11 0.02 0.11 0.01 0.11 0.01 0.12 0.01 0.11 0.01 0.14 0.01 0.14 0.01 0.09 0.02 0.06 0.02 0.16 0.02 0.13 0.01 0.09 0.00 0.09 0.00
C4
C5 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.03 0.01 0.01 0.00 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.00 0.00
isoC5 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.04 0.04 0.03 0.05 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01
% H2 Recovery 33.28 26.27 26.68 29.52 28.51 48.46 47.11 46.22 46.02 46.75 47.16 41.73 38.22 40.60 38.37 39.62 40.66 38.35 41.69 36.69 35.53 34.36 28.94 35.39 37.73 34.72 33.49
22 Lanjutan No.
135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161
Plant
Clidemia hirta Clidemia hirta Pakis Pakis Pakis Pakis Pakis Pakis Pakis Pakis Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Canya indica Canya indica Canya indica Canya indica Canya indica Canya indica Canya indica Canya indica Ipomoea batatas
Blk
6 6 2 2 3 3 4 4 6 6 1 1 4 4 5 5 6 6 2 2 3 3 5 5 6 6 2
Lins.
0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0
Gas
22.50 22.50 18.33 18.33 17.83 18.33 14.00 16.00 19.00 16.50 36.00 31.00 33.00 33.50 37.67 38.67 37.50 40.00 12.33 12.33 8.83 10.33 9.67 9.67 12.00 12.00 41.33
% ME
NEL
ml CH4
NH3
OMD 38.45 38.45 33.39 33.39 36.88 37.45 31.69 33.85 35.57 33.07 49.53 44.84 51.39 51.93 50.69 51.62 53.25 55.75 27.84 27.84 26.58 28.29 25.49 25.49 28.52 28.52 54.51
5.53 5.53 4.92 4.92 5.31 5.38 4.73 4.97 5.16 4.88 6.94 6.30 7.21 7.28 7.11 7.24 7.48 7.85 4.30 4.30 4.18 4.35 4.08 4.08 4.37 4.37 7.67
2.92 2.92 2.55 2.55 2.79 2.83 2.45 2.58 2.70 2.53 3.85 3.41 4.03 4.09 3.96 4.05 4.22 4.49 2.21 2.21 2.14 2.23 2.09 2.09 2.24 2.24 4.36
2.56 2.39 2.25 2.18 3.02 3.00 1.84 1.91 2.73 2.37 4.21 3.52 4.16 3.86 5.34 5.04 5.15 5.82 1.71 1.77 1.99 1.91 1.73 1.63 1.92 2.03 5.62
7.13 6.98 10.87 12.21 20.84 33.17 8.48 8.48 10.90 10.86 7.69 8.01 5.21 5.59 13.54 14.62 8.19 8.16 11.99 9.96 18.90 19.43 14.45 22.32 10.34 10.47 13.22
Bact.
2.00 3.08 2.46 2.62 3.23 3.69 2.77 2.54 3.15 2.31 4.62 5.38 4.00 2.46 4.23 3.23 3.92 2.77 1.38 1.85 3.23 4.08 2.08 2.62 2.62 2.31 4.77
Prot.
1.56 0.44 0.22 0.44 1.33 2.22 2.67 2.22 1.33 1.78 1.56 2.44 1.78 3.78 1.78 2.44 1.78 0.89 0.22 1.11 1.56 1.11 1.11 0.89 0.89 1.56 1.78
mmol/liter T-SCFA 60.62 60.93 51.43 43.41 64.49 62.76 40.79 36.16 66.46 63.53 60.76 61.16 60.98 56.80 66.36 67.02 60.69 63.84 36.75 42.37 52.53 55.77 45.54 44.58 89.72 87.80 64.23
C2
C3
1.35 1.36 1.15 0.99 1.40 1.38 0.92 0.81 1.48 1.42 1.33 1.31 1.34 1.24 1.47 1.48 1.33 1.39 0.82 0.94 1.14 1.20 1.02 1.00 1.95 1.93 1.46
0.27 0.27 0.25 0.20 0.35 0.33 0.19 0.16 0.29 0.27 0.30 0.33 0.33 0.31 0.33 0.33 0.27 0.30 0.18 0.21 0.27 0.30 0.19 0.20 0.47 0.45 0.31
mmol isoC4 0.17 0.01 0.17 0.01 0.11 0.01 0.09 0.01 0.14 0.01 0.14 0.02 0.09 0.01 0.09 0.01 0.19 0.01 0.17 0.01 0.11 0.06 0.12 0.05 0.12 0.02 0.12 0.01 0.16 0.01 0.16 0.02 0.18 0.02 0.18 0.02 0.08 0.01 0.10 0.01 0.13 0.01 0.14 0.02 0.13 0.01 0.12 0.01 0.21 0.03 0.20 0.02 0.13 0.01
C4
C5 0.01 0.01 0.01 0.01 0.01 0.01 0.00 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.00 0.00 0.01 0.01 0.00 0.00 0.02 0.02 0.01
isoC5 0.01 0.01 0.01 0.01 0.02 0.02 0.01 0.01 0.02 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
% H2 Recovery 34.74 33.97 35.36 36.05 39.03 38.28 34.88 36.95 34.30 33.06 43.06 41.78 44.18 44.73 46.02 44.71 46.33 48.93 36.88 36.15 36.05 35.91 32.97 32.90 32.01 31.44 46.37
23 Lanjutan No.
162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188
Plant
Ipomoea batatas Ipomoea batatas Ipomoea batatas Ipomoea batatas Ipomoea batatas Ipomoea batatas Ipomoea batatas Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Lantana camara Lantana camara Lantana camara Lantana camara
Blk
2 3 3 4 4 5 5 1 1 2 2 3 3 4 4 1 1 2 2 4 4 6 6 1 1 3 3
Lins.
5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5
Gas
41.33 36.33 30.33 39.50 38.00 . 31.17 27.00 27.50 20.83 27.33 26.33 25.33 23.00 22.00 19.50 9.00 17.83 10.33 18.00 18.00 11.50 19.00 34.00 35.00 31.83 33.33
OMD
% ME
NEL
54.51 57.96 51.13 59.25 57.63 . 45.50 42.34 42.81 36.11 42.08 46.99 45.85 41.84 40.76 34.41 24.55 32.47 25.58 35.55 35.55 27.60 35.11 48.19 49.13 52.54 54.24
7.67 8.20 7.18 8.40 8.15 . 6.41 6.02 6.08 5.27 5.98 6.62 6.47 5.96 5.82 5.03 4.02 4.82 4.12 5.16 5.16 4.32 5.11 6.79 6.92 7.40 7.65
4.36 4.73 4.01 4.88 4.70 . 3.49 3.24 3.27 2.77 3.21 3.63 3.53 3.20 3.11 2.62 2.06 2.49 2.11 2.69 2.69 2.21 2.66 3.74 3.83 4.17 4.34
ml CH4
NH3
5.45 5.64 4.84 4.99 4.63
14.59 26.04 29.73 11.07 12.12 15.29 22.23 18.03 18.40 23.83 21.52 36.29 33.43 12.68 13.76 12.23 10.04 12.84 13.03 8.98 9.44 11.73 11.45 10.00 8.47 22.10 22.80
4.36 3.78 3.87 3.16 3.71 4.88 4.55 3.28 3.02 2.43 0.87 2.71 1.28 2.51 2.21 1.44 2.79 3.78 4.04 4.86 5.28
Bact.
2.92 3.46 3.77 3.77 2.92 4.00 3.38 4.92 3.54 3.23 2.15 2.23 2.92 3.69 2.46 . . 3.00 1.69 1.92 2.00 3.31 3.00 . . 3.69 3.15
Prot.
1.56 3.33 3.78 3.78 2.44 4.44 2.89 0.89 2.89 1.11 1.56 1.78 2.22 3.33 2.22 2.22 0.89 2.44 1.33 2.22 2.00 2.67 2.00 2.22 1.78 1.33 1.56
mmol/liter T-SCFA 65.04 86.06 85.65 63.14 63.80 74.80 70.84 54.22 48.07 61.77 61.79 72.76 69.08 58.85 54.80 49.98 54.39 52.15 51.53 48.66 49.10 74.08 66.06 60.45 61.14 78.71 76.83
C2
C3
1.45 1.92 1.82 1.38 1.42 1.69 1.62 1.16 1.01 1.37 1.38 1.56 1.47 1.28 1.17 1.07 1.14 1.19 1.16 1.05 1.08 1.64 1.46 1.30 1.31 1.74 1.72
0.34 0.41 0.50 0.32 0.31 0.34 0.32 0.28 0.26 0.31 0.30 0.39 0.39 0.31 0.30 0.30 0.36 0.25 0.26 0.29 0.26 0.37 0.33 0.38 0.38 0.37 0.35
mmol isoC4 0.13 0.02 0.19 0.03 0.19 0.03 0.15 0.01 0.15 0.02 0.17 0.02 0.16 0.02 0.12 0.05 0.10 0.04 0.13 0.02 0.12 0.02 0.17 0.02 0.16 0.02 0.12 0.02 0.12 0.01 0.09 0.02 0.09 0.02 0.09 0.01 0.10 0.01 0.09 0.01 0.10 0.02 0.16 0.02 0.15 0.02 0.10 0.01 0.10 0.02 0.20 0.01 0.20 0.02
C4
C5 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.01 0.01 0.01 0.01 0.01
isoC5 0.01 0.01 0.02 0.02 0.01 0.01 0.01 0.01 0.01 0.02 0.01 0.03 0.02 0.03 0.03 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.02 0.01
% H2 Recovery 47.29 41.46 43.18 46.44 43.77 23.20 38.96 44.76 49.12 38.15 39.93 44.25 45.09 40.45 41.55 41.15 34.30 36.99 30.73 41.93 37.63 29.86 36.10 45.37 46.45 40.73 41.64
24 Lanjutan No.
189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215
Plant
Lantana camara Lantana camara Lantana camara Lantana camara Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Hibiscus tiliaceous Hibiscus tiliaceous Hibiscus tiliaceous Hibiscus tiliaceous Hibiscus tiliaceous Hibiscus tiliaceous Hibiscus tiliaceous Hibiscus tiliaceous Persea americana Persea americana Persea americana Persea americana Persea americana Persea americana Persea americana
Blk
4 4 5 5 1 1 3 3 4 4 6 6 2 2 4 4 5 5 6 6 2 2 3 3 5 5 0
Lins.
0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 0 5 14.50
Gas
30.00 30.00 31.67 31.67 37.50 40.00 35.33 35.83 33.00 33.00 35.00 33.00 15.33 10.33 14.00 11.00 13.67 13.17 . 16.00 16.33 16.33 18.33 18.83 14.67 15.17 30.45
OMD
% ME
NEL
48.69 48.69 45.66 45.66 52.18 54.53 57.23 57.80 52.63 52.63 51.99 49.99 30.14 25.55 31.19 27.95 28.75 28.28 . 32.07 30.93 30.93 36.83 37.40 29.55 30.02 4.68
6.86 6.86 6.45 6.45 7.34 7.68 8.09 8.17 7.41 7.41 7.31 7.03 4.60 4.14 4.71 4.38 4.46 4.41 3.95 4.80 4.73 4.73 5.38 5.45 4.58 4.63 2.41
3.79 3.79 3.51 3.51 4.12 4.36 4.65 4.72 4.17 4.17 4.10 3.91 2.37 2.12 2.43 2.25 2.29 2.26 2.03 2.48 2.44 2.44 2.83 2.87 2.36 2.39 2.32
ml CH4
NH3
3.74 3.46 4.45 4.29 4.65 5.29 6.10 6.15 4.44 4.53 5.69 5.05 0.00 0.00 2.58 1.84 2.96 2.36
6.66 6.66 10.69 9.58 16.04 15.46 39.70 38.03 14.75 14.45 16.54 17.23 11.94 12.52 9.83 8.52 11.04 11.69 10.47 10.68 8.33 9.71 23.07 23.99 9.62 10.06 3.62
2.94 2.06 1.77 3.14 3.09 2.51 2.15 8.89
Bact.
2.62 3.46 3.08 2.62 . . 4.46 3.00 3.85 3.00 2.62 3.85 4.00 3.46 3.08 2.92 4.23 2.92 3.31 2.92 2.38 3.85 2.15 2.31 3.69 3.00 1.11
Prot.
2.22 2.89 2.00 2.00 2.00 1.33 2.00 2.22 3.11 4.00 1.33 1.11 2.00 0.67 2.67 3.11 3.33 3.33 1.56 2.00 1.78 1.78 3.78 2.22 2.00 2.44 69.99
mmol/liter T-SCFA 56.14 51.40 62.60 61.79 60.90 61.04 79.32 87.15 65.54 63.17 90.44 89.16 46.02 48.10 41.09 39.57 49.13 50.77 65.78 64.64 46.30 47.01 61.90 65.08 47.68 48.85 1.59
C2
C3
1.21 1.14 1.43 1.41 1.34 1.37 1.74 1.90 1.37 1.34 1.97 2.00 1.01 1.07 0.92 0.88 1.11 1.16 1.47 1.45 1.07 1.07 1.41 1.45 1.09 1.12 0.31
0.31 0.26 0.28 0.28 0.34 0.34 0.40 0.47 0.42 0.39 0.49 0.47 0.22 0.25 0.18 0.19 0.21 0.23 0.29 0.30 0.23 0.22 0.25 0.30 0.20 0.20 0.16
mmol isoC4 0.13 0.02 0.11 0.01 0.14 0.01 0.14 0.01 0.09 0.05 0.08 0.02 0.17 0.04 0.16 0.04 0.11 0.05 0.12 0.01 0.20 0.01 0.15 0.02 0.11 0.01 0.09 0.02 0.11 0.02 0.09 0.02 0.12 0.01 0.12 0.01 0.17 0.02 0.16 0.02 0.07 0.01 0.09 0.01 0.15 0.02 0.16 0.03 0.12 0.01 0.13 0.01 0.02 0.01
C4
C5 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.02 0.01 0.01 0.02 0.02 0.01 0.00 0.00 0.00 0.01 0.00 0.01 0.01 0.01 0.00 0.01 0.01 0.00 0.00 0.01
isoC5 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.01 0.02 0.02 0.02 0.01 0.01 0.01 0.00 0.01 0.01 0.01 0.01 0.01 0.00 0.01 0.01 0.01 0.00 31.49
% H2 Recovery 44.53 42.91 41.42 41.11 46.73 48.70 45.90 45.04 48.39 47.93 42.87 39.91 24.80 24.66 39.98 36.11 38.33 34.95 23.63 35.74 34.61 33.17 35.06 36.65 35.85 33.89
25 Lanjutan No.
Plant
Blk
Lins.
Gas OMD
216
Persea americana
5
16.00
31.95
4.84
% ME
ml CH4
NH3
NEL
2.50
2.55
8.60
4.46
Bact.
0.89
Prot.
66.23
mmol/liter T-SCFA 1.50
C2
C3
0.29
0.16
mmol isoC4 0.01 0.01
C4
C5 0.01
isoC5 33.16
% H2 Recovery
26 Lanjutan Lampiran 2 Kandungan asam lemak terbang tumbuhan dan informasi kimia pakan ternak setelah praproses data No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Plant Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Morinda citrifolia Melia azadirach Melia azadirach Melia azadirach Melia azadirach Melia azadirach Melia azadirach Melia azadirach Melia azadirach Acacia mangium Acacia mangium Acacia mangium Acacia mangium Acacia mangium Acacia mangium Acacia mangium Calliandra calothyrsus Calliandra calothyrsus Calliandra calothyrsus
CH4
C2
C3
C4
iso-C4
C5
iso-C5
Estimasi CH4 dgn Stoikiometri
0.236 0.236 0.242 0.252 0.254 0.254 0.270 0.273 0.161 0.191 0.213 0.215 0.218 0.231 0.240 0.253 0.057 0.066 0.067 0.079 0.080 0.093 0.098 0.076 0.078 0.079
4.183 4.063 5.668 5.219 6.171 5.897 5.746 6.067 3.988 5.869 4.651 5.733 6.615 3.529 6.426 5.798 2.908 2.707 2.749 3.747 3.942 4.003 4.007 3.466 3.562 4.294
5.293 5.125 5.063 4.920 5.062 5.610 5.066 6.528 4.530 4.650 3.644 4.681 5.189 4.607 5.232 4.766 2.395 2.103 2.246 2.780 2.801 3.117 3.119 2.191 2.221 3.096
2.380 2.205 4.219 3.831 4.286 4.363 4.684 4.784 2.360 4.594 2.989 2.655 5.658 2.278 5.605 4.694 1.808 1.915 1.776 2.817 2.918 3.111 3.366 2.307 2.157 2.503
2.523 2.387 2.378 2.431 3.597 4.345 1.606 1.953 1.854 1.894 2.131 0.924 1.143 1.174 1.459 2.432 0.737 0.448 0.490 0.563 0.373 1.443 1.239 0.633 0.580 1.481
1.725 1.673 1.923 2.502 2.231 2.172 2.342 2.057 2.457 3.275 2.679 1.313 2.905 1.009 3.179 2.590 0.939 1.109 1.067 0.865 1.078 1.443 1.161 1.295 1.288 1.338
1.746 1.467 1.943 2.255 0.696 0.598 2.392 1.614 2.305 2.711 1.528 1.492 1.590 0.838 1.951 1.780 0.638 0.663 0.765 0.636 0.490 0.864 0.765 0.968 1.302 0.740
0.380 0.375 0.494 0.479 0.537 0.503 0.530 0.513 0.312 0.453 0.437 0.479 0.513 0.344 0.531 0.523 0.158 0.175 0.175 0.222 0.231 0.248 0.257 0.228 0.236 0.239
27 Lanjutan No 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53
Plant Calliandra calothyrsus Calliandra calothyrsus Calliandra calothyrsus Calliandra calothyrsus Carica papaya Carica papaya Carica papaya Carica papaya Carica papaya Carica papaya Carica papaya Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Albizzia falcataria Psidium guajava Psidium guajava Psidium guajava Psidium guajava Psidium guajava Psidium guajava Psidium guajava Psidium guajava
CH4
C2
C3
C4
iso-C4
C5
iso-C5
Estimasi CH4 dgn Stoikiometri
0.081 0.082 0.089 0.100 0.228 0.230 0.260 0.287 0.289 0.292 0.301 0.039 0.054 0.065 0.067 0.070 0.079 0.090 0.099 0.043 0.046 0.054 0.057 0.057 0.064 0.079 0.081
4.222 4.567 4.558 5.300 5.454 5.102 4.043 6.965 5.989 5.097 6.922 3.632 3.642 4.743 4.349 5.017 5.302 5.062 4.720 2.709 2.843 3.745 3.531 4.020 4.055 4.571 4.559
3.223 3.442 4.172 2.594 5.331 5.519 4.103 5.199 4.909 4.943 5.919 2.080 2.253 3.501 2.661 3.193 3.589 3.869 3.337 2.684 2.548 2.125 2.262 2.587 2.758 3.378 3.288
2.405 2.350 2.988 3.181 4.039 3.664 3.181 5.582 4.695 4.745 6.030 1.530 2.055 3.176 2.877 3.758 3.628 3.291 3.049 2.104 1.887 2.590 2.891 4.254 4.059 3.494 3.579
1.502 2.094 1.016 0.657 3.709 4.217 4.739 3.084 1.379 3.110 4.233 1.111 0.750 2.599 0.679 0.407 0.902 1.010 1.370 0.969 0.996 1.839 1.706 0.378 0.439 0.855 0.837
1.442 1.858 2.035 1.330 6.164 1.700 2.048 5.080 3.213 3.301 5.364 0.984 0.966 1.778 2.320 1.200 1.626 1.023 1.278 0.623 0.841 1.027 0.718 1.025 1.466 1.805 1.884
0.960 1.439 1.127 0.863 6.202 2.657 1.655 5.196 2.607 6.626 5.729 0.792 0.652 1.028 1.673 0.830 0.754 0.385 0.565 0.505 0.458 0.303 0.647 0.398 0.551 1.350 1.863
0.236 0.246 0.236 0.347 0.465 0.433 0.422 0.632 0.573 0.519 0.623 0.156 0.186 0.207 0.228 0.236 0.257 0.266 0.286 0.115 0.130 0.190 0.181 0.182 0.198 0.235 0.244
28 Lanjutan No 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
Plant Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Leucaena leucocephala Acacia villosa Acacia villosa Acacia villosa Acacia villosa Acacia villosa Acacia villosa Acacia villosa Acacia villosa Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Leucaena diversifolia Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni
CH4
C2
C3
C4
iso-C4
C5
iso-C5
Estimasi CH4 dgn Stoikiometri
0.105 0.117 0.124 0.128 0.142 0.145 0.169 0.174 0.007 0.008 0.013 0.014 0.017 0.019 0.022 0.023 0.099 0.108 0.108 0.108 0.124 0.126 0.144 0.148 0.037 0.041 0.047
4.053 4.207 4.296 3.207 5.489 5.538 5.637 5.945 2.278 2.787 2.918 2.804 3.917 3.844 3.299 2.743 3.844 4.129 4.908 4.312 4.823 4.224 5.656 5.052 3.660 4.425 3.902
3.279 3.348 3.601 2.909 4.475 4.478 4.653 4.948 1.970 2.603 2.634 2.363 3.918 3.607 2.487 2.068 3.767 3.331 3.895 3.550 3.387 2.964 4.530 3.820 2.535 3.679 2.611
2.362 2.427 2.180 1.861 4.037 3.396 3.920 4.053 1.911 2.471 1.922 1.673 3.311 3.403 3.424 2.359 1.159 2.321 2.301 2.423 2.731 3.268 4.112 3.138 1.436 1.876 1.573
0.718 1.100 1.118 0.609 0.957 1.629 1.284 1.421 0.818 0.709 0.752 0.713 1.005 0.779 0.542 3.144 0.419 0.604 2.208 0.889 1.453 1.626 1.815 2.724 1.342 1.613 0.478
1.588 1.763 1.232 1.765 1.448 2.369 2.045 2.332 1.436 3.306 1.117 0.808 3.645 3.595 0.932 0.488 1.300 0.559 1.274 0.797 1.712 2.573 2.658 1.661 1.624 3.277 0.948
0.611 0.764 0.793 1.011 1.038 0.718 0.605 1.054 0.563 0.734 0.463 0.459 0.876 0.678 0.743 1.458 0.714 0.775 1.326 0.763 1.904 2.383 2.221 1.848 1.017 1.306 0.617
0.270 0.296 0.305 0.268 0.362 0.371 0.407 0.422 0.024 0.025 0.043 0.050 0.054 0.061 0.075 0.078 0.239 0.278 0.300 0.281 0.339 0.322 0.373 0.374 0.135 0.138 0.168
29 Lanjutan No 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107
Plant Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni Swietenia mahagoni Eugenia aquea Eugenia aquea Eugenia aquea Eugenia aquea Eugenia aquea Eugenia aquea Eugenia aquea Myristica fragran Myristica fragran Myristica fragran Myristica fragran Myristica fragran Myristica fragran Myristica fragran Myristica fragran Pithecelobium jiringa Pithecelobium jiringa Pithecelobium jiringa Pithecelobium jiringa Pithecelobium jiringa Pithecelobium jiringa Pithecelobium jiringa
CH4
C2
C3
C4
iso-C4
C5
iso-C5
Estimasi CH4 dgn Stoikiometri
0.048 0.059 0.059 0.065 0.076 0.021 0.023 0.027 0.030 0.034 0.037 0.040 0.056 0.057 0.061 0.061 0.071 0.078 0.079 0.084 0.041 0.042 0.044 0.055 0.061 0.064 0.082
3.398 3.576 3.660 4.413 4.403 2.639 3.091 3.119 3.466 3.425 3.916 4.321 3.703 3.468 3.522 3.541 4.376 5.283 4.366 5.121 3.832 3.675 3.859 4.254 4.946 4.402 5.041
2.521 2.864 2.907 3.004 2.911 1.704 2.160 2.177 1.864 2.009 2.370 2.475 2.189 2.093 2.356 3.258 2.510 3.007 2.570 2.924 3.044 2.646 2.122 2.265 2.894 2.615 3.794
1.854 2.336 2.078 2.883 3.000 1.801 2.380 2.409 2.839 2.965 3.941 3.601 1.934 2.027 2.027 2.304 3.552 4.495 3.668 4.334 2.395 2.070 2.532 2.738 4.487 3.580 3.735
0.520 1.171 2.381 0.658 0.776 0.419 0.773 0.885 0.446 0.877 1.134 0.878 0.432 0.547 1.261 2.762 0.720 1.162 0.785 1.162 0.584 0.540 1.033 0.753 1.152 1.351 1.329
0.631 0.894 2.492 1.293 1.370 0.670 0.880 0.982 0.824 1.433 2.086 1.573 0.427 1.514 1.830 2.295 1.246 1.311 1.295 1.828 1.177 1.418 1.467 1.520 2.853 1.710 4.010
0.681 2.732 1.945 0.723 0.965 0.396 0.521 0.482 0.438 0.635 0.971 0.480 1.144 1.415 2.369 2.129 0.870 0.789 1.071 0.862 0.507 0.782 0.876 0.653 1.872 1.037 1.154
0.153 0.176 0.179 0.211 0.240 0.079 0.085 0.096 0.119 0.125 0.133 0.151 0.197 0.193 0.196 0.169 0.238 0.266 0.253 0.277 0.133 0.142 0.168 0.206 0.213 0.218 0.247
30 Lanjutan No 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134
Plant Pithecelobium jiringa Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Manihot esculenta Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Artocarpus heterophyllus Clidemia hirta Clidemia hirta Clidemia hirta Clidemia hirta Clidemia hirta Clidemia hirta Clidemia hirta Clidemia hirta Pakis Pakis
CH4
C2
C3
C4
iso-C4
C5
iso-C5
Estimasi CH4 dgn Stoikiometri
0.087 0.193 0.196 0.200 0.210 0.212 0.219 0.225 0.239 0.117 0.119 0.124 0.127 0.135 0.139 0.143 0.145 0.055 0.070 0.073 0.073 0.093 0.100 0.103 0.108 0.072 0.075
4.749 4.674 4.971 4.867 5.139 5.261 7.596 6.456 5.607 4.215 4.216 4.553 5.380 4.673 4.618 4.479 5.360 2.989 3.620 3.188 3.732 4.631 4.606 4.916 4.790 3.138 2.765
4.754 3.831 4.140 4.487 4.493 4.196 5.263 4.524 4.370 3.840 2.990 3.390 3.731 3.816 3.375 3.280 3.507 2.146 2.701 2.122 1.906 3.007 3.013 4.305 3.255 2.103 1.804
3.305 3.895 3.356 3.721 3.930 3.516 5.781 5.838 4.501 2.826 2.996 2.711 3.524 2.866 2.765 2.854 3.709 2.215 2.414 2.283 1.653 4.437 4.317 3.456 4.103 2.363 2.308
1.913 2.813 3.667 1.566 2.659 2.723 3.539 3.018 3.135 1.353 0.761 1.803 1.124 1.719 1.151 1.242 1.156 0.438 2.234 0.338 1.483 0.924 1.099 1.010 1.594 0.626 0.658
4.242 2.236 2.458 3.111 4.118 2.256 5.961 5.256 4.075 1.448 1.514 1.679 1.441 1.497 0.848 1.075 2.656 0.887 1.057 0.944 1.068 2.213 1.888 1.596 1.780 0.980 1.070
2.164 1.804 2.214 2.712 4.892 2.296 5.242 3.817 3.927 1.426 1.190 0.839 1.365 1.003 0.970 1.109 2.003 1.025 0.661 0.967 0.628 0.730 0.939 1.292 1.197 1.273 1.103
0.226 0.410 0.424 0.412 0.445 0.460 0.573 0.538 0.512 0.280 0.309 0.324 0.357 0.333 0.352 0.353 0.396 0.164 0.203 0.209 0.253 0.274 0.288 0.274 0.307 0.206 0.202
31 Lanjutan No 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161
Plant Pakis Pakis Pakis Pakis Pakis Pakis Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Paspalum dilatatum Canya indica Canya indica Canya indica Canya indica Canya indica Canya indica Canya indica Canya indica Ipomoea batatas Ipomoea batatas Ipomoea batatas Ipomoea batatas Ipomoea batatas
CH4
C2
C3
C4
iso-C4
C5
iso-C5
Estimasi CH4 dgn Stoikiometri
0.085 0.088 0.092 0.107 0.117 0.118 0.137 0.151 0.163 0.164 0.197 0.201 0.209 0.227 0.064 0.067 0.067 0.069 0.075 0.075 0.078 0.079 0.170 0.181 0.189 0.195 0.213
3.355 3.923 4.839 5.020 4.682 4.761 4.470 4.228 4.571 4.540 5.046 4.538 4.997 4.737 3.408 2.792 3.479 3.183 4.073 6.630 3.879 6.580 5.494 4.820 6.201 4.697 4.941
2.227 2.787 3.097 3.248 3.714 3.987 3.683 3.551 3.742 3.380 3.730 3.056 3.685 3.420 2.209 2.082 2.179 2.405 3.382 5.351 3.057 5.037 3.585 3.547 5.608 3.659 3.821
2.404 2.796 4.475 4.789 3.546 3.668 3.171 3.144 2.989 2.807 4.128 4.528 4.082 4.587 3.009 1.995 3.261 2.492 3.545 5.463 3.375 5.140 4.117 3.747 4.910 3.822 3.226
1.014 1.266 1.024 1.201 1.400 1.355 4.631 0.659 1.783 5.459 1.402 1.528 1.337 1.642 1.047 0.900 0.912 1.326 1.584 2.426 1.301 2.152 1.374 1.645 2.426 1.285 1.740
1.079 1.646 2.183 2.617 1.555 1.900 1.858 1.818 2.003 1.873 2.166 2.293 1.880 2.151 0.911 0.868 0.995 0.835 1.379 3.661 1.485 3.694 1.872 1.349 2.801 1.701 1.284
0.970 1.374 1.447 2.039 1.845 1.692 1.245 0.915 0.954 1.173 1.139 1.336 1.417 1.421 0.775 0.619 0.964 0.755 1.554 1.306 1.328 1.333 0.910 1.391 2.042 2.001 1.050
0.236 0.249 0.280 0.311 0.306 0.302 0.329 0.338 0.368 0.381 0.440 0.434 0.454 0.465 0.194 0.181 0.205 0.192 0.208 0.234 0.216 0.252 0.437 0.413 0.438 0.420 0.450
32 Lanjutan No 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188
Plant Ipomoea batatas Ipomoea batatas Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Erythrina orientalis Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Mimosa invisa Lantana camara Lantana camara Lantana camara Lantana camara Lantana camara Lantana camara Lantana camara Lantana camara Sesbania grandiflora
CH4
C2
C3
C4
iso-C4
C5
iso-C5
Estimasi CH4 dgn Stoikiometri
0.219 0.220 0.118 0.124 0.128 0.145 0.148 0.151 0.178 0.191 0.034 0.050 0.056 0.086 0.095 0.098 0.106 0.109 0.135 0.146 0.148 0.158 0.168 0.174 0.190 0.206 0.174
4.982 6.530 3.983 4.648 4.339 4.700 3.934 3.437 4.984 5.317 3.892 3.933 5.582 3.662 3.655 3.565 4.056 4.966 3.893 4.126 4.431 4.459 4.786 4.863 5.927 5.849 4.651
3.452 4.669 3.431 3.489 3.500 3.413 3.139 2.958 4.361 4.371 4.066 2.925 4.144 2.898 3.393 3.303 2.851 3.695 2.985 3.453 4.293 4.331 3.114 3.176 4.223 3.913 4.705
3.264 4.862 3.122 3.223 3.200 3.167 3.053 2.661 4.076 4.323 2.260 2.489 4.229 2.671 2.197 2.327 2.428 3.914 2.803 3.259 2.449 2.444 3.715 3.609 5.215 5.015 2.771
1.355 3.015 1.257 2.243 1.630 2.199 4.294 4.015 2.241 2.207 2.110 1.228 1.808 1.651 2.277 0.855 1.088 1.647 1.009 1.744 0.766 1.613 1.083 0.935 1.278 1.748 4.687
1.216 2.461 1.363 2.055 1.645 1.520 2.418 2.113 3.037 3.066 1.750 1.894 3.424 2.013 1.637 2.132 1.489 2.981 1.375 2.196 1.982 1.760 1.767 1.811 2.528 2.866 2.584
0.951 1.588 3.058 1.985 3.270 1.650 1.602 1.342 2.569 2.812 0.885 1.220 1.474 0.876 0.657 1.019 0.672 1.124 0.714 0.984 1.900 2.019 0.661 0.847 1.752 1.179 1.175
0.473 0.531 0.284 0.324 0.316 0.363 0.330 0.308 0.394 0.431 0.099 0.163 0.188 0.229 0.231 0.234 0.286 0.302 0.315 0.328 0.326 0.340 0.408 0.419 0.466 0.495 0.359
33 Lanjutan No 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208
Plant Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Sesbania grandiflora Hibiscus tiliaceous Hibiscus tiliaceous Hibiscus tiliaceous Hibiscus tiliaceous Hibiscus tiliaceous Persea americana Persea americana Persea americana Persea americana Persea americana Persea americana Persea americana Persea americana
CH4
C2
C3
C4
iso-C4
C5
iso-C5
Estimasi CH4 dgn Stoikiometri
0.177 0.182 0.197 0.207 0.222 0.238 0.240 0.072 0.092 0.101 0.115 0.116 0.069 0.080 0.084 0.090 0.098 0.100 0.121 0.123
4.574 4.557 6.787 4.673 6.712 5.909 6.448 3.005 3.953 3.120 4.927 3.781 3.649 3.636 3.794 5.407 3.722 5.095 4.918 4.810
4.387 3.816 5.314 3.844 5.473 4.566 5.350 2.101 2.568 2.057 3.354 2.369 2.533 2.564 2.269 3.484 2.228 3.313 3.436 2.835
3.040 2.353 3.871 2.122 5.208 4.385 4.194 2.197 2.985 2.768 4.098 3.197 2.430 1.878 3.465 4.221 3.213 4.132 4.111 3.965
1.309 4.222 2.130 1.791 1.103 3.542 3.566 2.103 0.656 1.370 1.526 0.903 0.940 0.787 0.537 1.484 0.470 1.286 2.369 1.760
1.828 1.082 3.459 1.370 3.827 3.402 3.727 0.861 0.921 0.878 2.041 1.344 0.742 1.148 0.898 2.248 0.668 2.275 1.422 1.411
2.258 0.684 2.034 0.896 2.460 1.354 2.757 0.534 0.616 0.720 0.845 1.304 0.537 0.657 0.463 1.154 0.619 1.093 1.036 1.275
0.369 0.389 0.495 0.424 0.518 0.519 0.533 0.199 0.264 0.252 0.321 0.301 0.208 0.232 0.248 0.287 0.274 0.300 0.329 0.350
34
Lampiran 3 Nilai NMSE estimasi gas metana rumen menggunakan dua algoritma pelatihan dengan lima kali perulangan untuk 6, 9 dan 13 neuron hidden layer. 1. Kombinasi d (C2, C3 dan C4) Jumlah Hidden Neuron
1
6 9 13
0.0245 0.0254 0.0259
6 9 13
0.0261 0.0253 0.0254
Jumlah Hidden Neuron
1
6 9 13
0.0202 0.0208 0.0207
6 9 13
0.0195 0.0206 0.0195
Jumlah Hidden Neuron
1
6 9 13
0.0164 0.0151 0.0164
6 9 13
0.0163 0.0166 0.0169
Jumlah Hidden Neuron
1
6 9 13
0.0182 0.0127 0.0167
6 9 13
0.0135 0.0107 0.0147
FOLD KE-1 2 3 4 trainlm 0.0260 0.0250 0.0261 0.0260 0.0281 0.0255 0.0246 0.0245 0.0258 trainoss 0.0244 0.0245 0.0254 0.0233 0.0213 0.0260 0.0226 0.0258 0.0267 FOLD KE-2 2 3 4 trainlm 0.0211 0.0196 0.0188 0.0204 0.0224 0.0194 0.0183 0.0202 0.0203 trainoss 0.0210 0.0208 0.0184 0.0177 0.0225 0.0189 0.0209 0.0202 0.0191 FOLD KE-3 2 3 4 trainlm 0.0155 0.0169 0.0161 0.0160 0.0149 0.0157 0.0170 0.0165 0.0173 trainoss 0.0151 0.0195 0.0168 0.0153 0.0154 0.0164 0.0167 0.0171 0.0170 FOLD KE-4 2 3 4 trainlm 0.0149 0.0152 0.0131 0.0152 0.0130 0.0156 0.0146 0.0129 0.0176 trainoss 0.0139 0.0129 0.0141 0.0149 0.0131 0.0127 0.0136 0.0141 0.0151
5
rata-rata
0.0239 0.0253 0.0287
0.0251 0.0260 0.0259
0.0242 0.0249 0.0258
0.0249 0.0242 0.0253
5
rata-rata
0.0191 0.0206 0.0219
0.0197 0.0207 0.0203
0.0217 0.0191 0.0194
0.0203 0.0198 0.0198
5
rata-rata
0.0164 0.0149 0.0161
0.0163 0.0153 0.0167
0.0154 0.0161 0.0150
0.0166 0.0159 0.0165
5
rata-rata
0.0142 0.0143 0.0134
0.0151 0.0142 0.0151
0.0140 0.0134 0.0139
0.0137 0.0129 0.0143
35
Lanjutan 2. Kombinasi A (C2, C3, C4, iso-C4, C5, dan iso-C5) Jumlah Hidden Neuron
1
6 9 13
0.0251 0.0235 0.0238
6 9 13
0.0154 0.0255 0.0245
Jumlah Hidden Neuron
1
6 9 13
0.0235 0.0217 0.0213
6 9 13
0.0163 0.0206 0.0184
Jumlah Hidden Neuron
1
6 9 13
0.0178 0.0183 0.0145
6 9 13
0.0206 0.0142 0.0172
Jumlah Hidden Neuron
1
6 9 13
0.0157 0.0143 0.0144
6 9 13
0.0266 0.0137 0.0149
FOLD KE-1 2 3 4 trainlm 0.0250 0.0242 0.0248 0.0247 0.0247 0.0281 0.0236 0.0263 0.0244 trainoss 0.0136 0.0158 0.0159 0.0248 0.0287 0.0263 0.0248 0.0250 0.0241 FOLD KE-2 2 3 4 trainlm 0.0185 0.0199 0.0201 0.0192 0.0191 0.0194 0.0196 0.0185 0.0196 trainoss 0.0191 0.0161 0.0149 0.0196 0.0184 0.0207 0.0201 0.0196 0.0206 FOLD KE-3 2 3 4 trainlm 0.0168 0.0171 0.0169 0.0187 0.0186 0.0168 0.0177 0.0179 0.0183 trainoss 0.0191 0.0194 0.0201 0.0166 0.0169 0.0183 0.0176 0.0166 0.0169 FOLD KE-4 2 3 4 trainlm 0.0160 0.0129 0.0167 0.0156 0.0161 0.0157 0.0182 0.0148 0.0137 trainoss 0.0272 0.0240 0.0233 0.0158 0.0160 0.0150 0.0136 0.0148 0.0135
5
rata-rata
0.0271 0.0258 0.0249
0.0252 0.0253 0.0246
0.0122 0.0205 0.0237
0.0146 0.0252 0.0244
5
rata-rata
0.0202 0.0182 0.0186
0.0204 0.0195 0.0196
0.0171 0.0205 0.0246
0.0167 0.0200 0.0207
5
rata-rata
0.0158 0.0188 0.0172
0.0169 0.0182 0.0171
0.0202 0.0168 0.0156
0.0199 0.0166 0.0168
5
rata-rata
0.0154 0.0153 0.0129
0.0153 0.0154 0.0148
0.0256 0.0140 0.0160
0.0253 0.0149 0.0145
36 3. Kombinasi B (C2, C3, C4, iso-C4 dan C5) Jumlah Hidden Neuron
1
6 9 13
0.0226 0.0268 0.0214
6 9 13
0.0265 0.0241 0.0264
Jumlah Hidden Neuron
1
6 9 13
0.0188 0.0197 0.0195
6 9 13
0.0185 0.0197 0.0203
Jumlah Hidden Neuron
1
6 9 13
0.0161 0.0157 0.0168
6 9 13
0.0163 0.0170 0.0192
Jumlah Hidden Neuron
1
6 9 13
0.0153 0.0152 0.0154
6 9 13
0.0148 0.0139 0.0142
FOLD KE-1 2 3 4 trainlm 0.0275 0.0261 0.0260 0.0268 0.0191 0.0261 0.0269 0.0265 0.0228 trainoss 0.0258 0.0252 0.0262 0.0257 0.0338 0.0258 0.0258 0.0327 0.0262 FOLD KE-2 2 3 4 trainlm 0.0212 0.0198 0.0197 0.0192 0.0201 0.0203 0.0193 0.0206 0.0186 trainoss 0.0212 0.0200 0.0200 0.0220 0.0210 0.0205 0.0187 0.0177 0.0207 FOLD KE-3 2 3 4 trainlm 0.0174 0.0163 0.0165 0.0185 0.0188 0.0178 0.0156 0.0165 0.0151 trainoss 0.0163 0.0160 0.0186 0.0164 0.0161 0.0187 0.0182 0.0184 0.0162 FOLD KE-4 2 3 4 trainlm 0.0143 0.0147 0.0159 0.0150 0.0142 0.0155 0.0152 0.0141 0.0171 trainoss 0.0149 0.0148 0.0133 0.0135 0.0129 0.0134 0.0145 0.0148 0.0135
5
rata-rata
0.0265 0.0249 0.0225
0.0257 0.0247 0.0240
0.0278 0.0231 0.0253
0.0263 0.0265 0.0273
5
rata-rata
0.0204 0.0203 0.0199
0.0200 0.0199 0.0196
0.0199 0.0228 0.0196
0.0199 0.0212 0.0194
5
rata-rata
0.0160 0.0151 0.0162
0.0165 0.0172 0.0160
0.0159 0.0161 0.0180
0.0166 0.0169 0.0180
5
rata-rata
0.0208 0.0143 0.0150
0.0162 0.0148 0.0154
0.0155 0.0135 0.0170
0.0146 0.0135 0.0148
37
Lanjutan 4. Kombinasi C (C2, C3, C4, iso-C4 dan iso-C5) Jumlah Hidden Neuron
1
6 9 13
0.0242 0.0257 0.0259
6 9 13
0.0248 0.0265 0.0242
Jumlah Hidden Neuron
1
6 9 13
0.0217 0.0171 0.0196
6 9 13
0.0191 0.0200 0.0219
Jumlah Hidden Neuron
1
6 9 13
0.0162 0.0169 0.0166
6 9 13
0.0182 0.0174 0.0179
Jumlah Hidden Neuron
1
6 9 13
0.0162 0.0162 0.0163
6 9 13
0.0144 0.0137 0.0115
FOLD KE-1 2 3 4 trainlm 0.0237 0.0235 0.0244 0.0275 0.0248 0.0273 0.0218 0.0237 0.0237 trainoss 0.0254 0.0260 0.0229 0.0253 0.0254 0.0256 0.0251 0.0264 0.0253 FOLD KE-2 2 3 4 trainlm 0.0198 0.0204 0.0169 0.0193 0.0175 0.0201 0.0214 0.0181 0.0197 trainoss 0.0192 0.0213 0.0171 0.0207 0.0194 0.0188 0.0200 0.0221 0.0212 FOLD KE-3 2 3 4 trainlm 0.0184 0.0159 0.0173 0.0158 0.0176 0.0160 0.0158 0.0157 0.0169 trainoss 0.0175 0.0176 0.0180 0.0151 0.0170 0.0174 0.0179 0.0157 0.0184 FOLD KE-4 2 3 4 trainlm 0.0194 0.0145 0.0158 0.0136 0.0183 0.0154 0.0182 0.0170 0.0140 trainoss 0.0131 0.0148 0.0147 0.0137 0.0134 0.0151 0.0217 0.0137 0.0120
5
rata-rata
0.0235 0.0268 0.0202
0.0239 0.0264 0.0231
0.0236 0.0231 0.0279
0.0245 0.0252 0.0258
5
rata-rata
0.0205 0.0206 0.0192
0.0199 0.0189 0.0196
0.0200 0.0203 0.0197
0.0193 0.0198 0.0210
5
rata-rata
0.0163 0.0168 0.0177
0.0168 0.0166 0.0165
0.0175 0.0178 0.0165
0.0178 0.0170 0.0173
5
rata-rata
0.0165 0.0150 0.0146
0.0165 0.0157 0.0160
0.0144 0.0139 0.0149
0.0143 0.0140 0.0148
38 5. Kombinasi D (C2, C3, C4, dan iso-C5) Jumlah Hidden Neuron
1
6 9 13
0.0226 0.0225 0.0226
6 9 13
0.0238 0.0266 0.0266
Jumlah Hidden Neuron
1
6 9 13
0.0216 0.0205 0.0199
6 9 13
0.0202 0.0205 0.0186
Jumlah Hidden Neuron
1
6 9 13
0.0171 0.0168 0.0175
6 9 13
0.0176 0.0167 0.0168
Jumlah Hidden Neuron
1
6 9 13
0.0146 0.0136 0.0169
6 9 13
0.0163 0.0152 0.0132
FOLD KE-1 2 3 4 trainlm 0.0222 0.0228 0.0213 0.0215 0.0230 0.0204 0.0236 0.0192 0.0214 trainoss 0.0225 0.0244 0.0252 0.0240 0.0230 0.0218 0.0238 0.0266 0.0235 FOLD KE-2 2 3 4 trainlm 0.0201 0.0189 0.0183 0.0199 0.0188 0.0173 0.0202 0.0211 0.0221 trainoss 0.0189 0.0188 0.0209 0.0188 0.0186 0.0184 0.0190 0.0227 0.0185 FOLD KE-3 2 3 4 trainlm 0.0195 0.0169 0.0176 0.0173 0.0159 0.0178 0.0196 0.0177 0.0178 trainoss 0.0165 0.0152 0.0147 0.0169 0.0161 0.0172 0.0154 0.0162 0.0187 FOLD KE-4 2 3 4 trainlm 0.0136 0.0139 0.0139 0.0142 0.0192 0.0139 0.0144 0.0152 0.0146 trainoss 0.0112 0.0145 0.0135 0.0149 0.0136 0.0124 0.0134 0.0142 0.0131
5
rata-rata
0.0231 0.0217 0.0235
0.0224 0.0218 0.0221
0.0226 0.0239 0.0277
0.0237 0.0239 0.0256
5
rata-rata
0.0214 0.0203 0.0200
0.0201 0.0194 0.0207
0.0210 0.0206 0.0203
0.0200 0.0194 0.0198
5
rata-rata
0.0168 0.0183 0.0195
0.0176 0.0172 0.0184
0.0152 0.0201 0.0175
0.0159 0.0174 0.0169
5
rata-rata
0.0137 0.0142 0.0150
0.0139 0.0150 0.0152
0.0142 0.0137 0.0139
0.0139 0.0140 0.0135
39
Lanjutan 6. Kombinasi E (C2, C3, C4 dan iso-C4) Jumlah Hidden Neuron
1
6 9 13
0.0282 0.0262 0.0228
6 9 13
0.0260 0.0246 0.0256
Jumlah Hidden Neuron
1
6 9 13
0.0201 0.0205 0.0201
6 9 13
0.0224 0.0208 0.0209
Jumlah Hidden Neuron
1
6 9 13
0.0162 0.0163 0.0175
6 9 13
0.0186 0.0169 0.0166
Jumlah Hidden Neuron
1
6 9 13
0.0149 0.0170 0.0154
6 9 13
0.0129 0.0134 0.0162
FOLD KE-1 2 3 4 trainlm 0.0273 0.0286 0.0240 0.0292 0.0296 0.0284 0.0219 0.0253 0.0250 trainoss 0.0291 0.0263 0.0245 0.0259 0.0368 0.0226 0.0269 0.0260 0.0243 FOLD KE-2 2 3 4 trainlm 0.0187 0.0197 0.0216 0.0198 0.0208 0.0229 0.0195 0.0172 0.0192 trainoss 0.0212 0.0188 0.0198 0.0187 0.0221 0.0205 0.0195 0.0200 0.0196 FOLD KE-3 2 3 4 trainlm 0.0163 0.0161 0.0170 0.0159 0.0172 0.0156 0.0220 0.0168 0.0162 trainoss 0.0194 0.0163 0.0171 0.0156 0.0164 0.0164 0.0165 0.0165 0.0173 FOLD KE-4 2 3 4 trainlm 0.0137 0.0179 0.0183 0.0123 0.0166 0.0151 0.0157 0.0158 0.0147 trainoss 0.0140 0.0152 0.0144 0.0163 0.0140 0.0163 0.0144 0.0144 0.0106
5
rata-rata
0.0253 0.0283 0.0260
0.0267 0.0283 0.0242
0.0244 0.0250 0.0244
0.0261 0.0270 0.0254
5
rata-rata
0.0195 0.0196 0.0189
0.0199 0.0207 0.0190
0.0173 0.0177 0.0200
0.0199 0.0200 0.0200
5
rata-rata
0.0164 0.0159 0.0150
0.0164 0.0162 0.0175
0.0168 0.0166 0.0157
0.0176 0.0164 0.0165
5
rata-rata
0.0136 0.0137 0.0158
0.0157 0.0150 0.0155
0.0142 0.0155 0.0145
0.0141 0.0151 0.0140
40 7. Kombinasi F (C2, C3, C4 dan C5) Jumlah Hidden Neuron
1
6 9 13
0.0255 0.0281 0.0239
6 9 13
0.0254 0.0262 0.0237
Jumlah Hidden Neuron
1
6 9 13
0.0203 0.0194 0.0248
6 9 13
0.0195 0.0203 0.0216
Jumlah Hidden Neuron
1
6 9 13
0.0185 0.0156 0.0167
6 9 13
0.0159 0.0167 0.0169
Jumlah Hidden Neuron
1
6 9 13
0.0139 0.0142 0.0166
6 9 13
0.0132 0.0134 0.0151
FOLD KE-1 2 3 4 trainlm 0.0252 0.0250 0.0252 0.0254 0.0270 0.0255 0.0338 0.0252 0.0265 trainoss 0.0250 0.0250 0.0235 0.0251 0.0251 0.0257 0.0276 0.0264 0.0275 FOLD KE-2 2 3 4 trainlm 0.0207 0.0196 0.0186 0.0196 0.0197 0.0198 0.0205 0.0208 0.0207 trainoss 0.0200 0.0199 0.0216 0.0204 0.0194 0.0226 0.0201 0.0200 0.0200 FOLD KE-3 2 3 4 trainlm 0.0167 0.0167 0.0155 0.0165 0.0161 0.0166 0.0160 0.0163 0.0162 trainoss 0.0140 0.0176 0.0156 0.0171 0.0166 0.0149 0.0170 0.0168 0.0159 FOLD KE-4 2 3 4 trainlm 0.0180 0.0173 0.0155 0.0146 0.0140 0.0145 0.0142 0.0154 0.0149 trainoss 0.0114 0.0135 0.0120 0.0139 0.0125 0.0131 0.0158 0.0123 0.0136
5
rata-rata
0.0257 0.0255 0.0277
0.0253 0.0263 0.0274
0.0247 0.0272 0.0253
0.0247 0.0259 0.0261
5
rata-rata
0.0193 0.0211 0.0177
0.0197 0.0199 0.0209
0.0177 0.0189 0.0216
0.0198 0.0203 0.0207
5
rata-rata
0.0168 0.0156 0.0175
0.0169 0.0161 0.0165
0.0166 0.0163 0.0160
0.0159 0.0163 0.0165
5
rata-rata
0.0145 0.0150 0.0150
0.0158 0.0145 0.0152
0.0131 0.0121 0.0120
0.0126 0.0130 0.0138
41
Lanjutan 8. Kombinasi d (C2, C3, C4 dan iso-C5) Jumlah Hidden Neuron
1
6 9 13
0.0264 0.0245 0.0265
6 9 13
0.0247 0.0319 0.0222
Jumlah Hidden Neuron
1
6 9 13
0.0203 0.0176 0.0233
6 9 13
0.0185 0.0206 0.0208
Jumlah Hidden Neuron
1
6 9 13
0.0149 0.0185 0.0172
6 9 13
0.0164 0.0168 0.0162
Jumlah Hidden Neuron
1
6 9 13
0.0141 0.0160 0.0158
6 9 13
0.0146 0.0146 0.0140
FOLD KE-1 2 3 4 trainlm 0.0227 0.0282 0.0247 0.0240 0.0257 0.0270 0.0259 0.0227 0.0245 trainoss 0.0260 0.0264 0.0257 0.0241 0.0246 0.0287 0.0234 0.0257 0.0258 FOLD KE-2 2 3 4 trainlm 0.0203 0.0192 0.0209 0.0196 0.0192 0.0196 0.0192 0.0184 0.0194 trainoss 0.0195 0.0180 0.0208 0.0201 0.0197 0.0200 0.0298 0.0184 0.0186 FOLD KE-3 2 3 4 trainlm 0.0166 0.0164 0.0168 0.0174 0.0166 0.0166 0.0155 0.0159 0.0157 trainoss 0.0165 0.0158 0.0162 0.0163 0.0172 0.0168 0.0169 0.0167 0.0163 FOLD KE-4 2 3 4 trainlm 0.0154 0.0139 0.0132 0.0154 0.0140 0.0153 0.0153 0.0139 0.0148 trainoss 0.0130 0.0130 0.0150 0.0160 0.0125 0.0149 0.0134 0.0138 0.0153
5
rata-rata
0.0260 0.0226 0.0251
0.0256 0.0248 0.0249
0.0206 0.0238 0.0251
0.0247 0.0266 0.0244
5
rata-rata
0.0202 0.0187 0.0181
0.0202 0.0189 0.0197
0.0201 0.0239 0.0193
0.0194 0.0209 0.0214
5
rata-rata
0.0171 0.0174 0.0165
0.0164 0.0173 0.0162
0.0161 0.0165 0.0172
0.0162 0.0167 0.0166
5
rata-rata
0.0155 0.0150 0.0151
0.0144 0.0151 0.0150
0.0122 0.0133 0.0152
0.0136 0.0143 0.0143
42
