DESAIN SOLID STATE FERMENTATION SMART BIOREACTOR DENGAN KAPABILITAS MACHINE LEARNING UNTUK MENGHASILKAN BIOPESTISIDA DARI Streptomyces sp. strain GMR22

HARRY ALIWARGA, Prof. Dr. Ir. Lilik Sutiarso, M.Eng

2022 | Disertasi | DOKTOR ILMU TEKNIK PERTANIAN

Limbah domestik organik dapat diubah menjadi produk bernilai tambah melalui fermentasi mikroba. Dalam penelitian ini kami mengembangkan sistem smart bioreactor untuk memfasilitasi konversi limbah domestik organik khususnya limbah pasar melalui solid state fermentation (SSF). Sistem smart bioreactor adalah sistem lengkap untuk mengolah limbah organik mulai dari pre-treatment (pengukuran dan penyesuaian partikel), proses, dan pemantauan yang dapat beradaptasi dengan variasi kandungan limbah. Kunci adaptasi sistem ada pada sensor multispectra yang dapat memprediksi kandungan proksimat limbah. Sensor dilatih dengan machine learning regresi linier multivariat yang menghasilkan akurasi prediksi gabungan 97,15%. Sedangkan pada sisi pemantauan proses, sensor CO2, TVOC, NH3, CH4, suhu, dan kelembaban ditempatkan pada keluaran smart bioreactor. Semua komponen smart bioreactor dikendalikan pada panel kontrol yang terhubung ke platform Internet of Things (IoT) Thingspeak sehingga dapat dipantau secara real-time. Proses yang terjadi di dalam smart bioreactor sendiri berupa dekomposisi limbah dan produksi senyawa antijamur yang dioptimalkan melalui fungsi desirability response surface methodology (RSM). Kombinasi proksimat limbah organik heterogen adalah pendekatan baru untuk mengolah limbah organik menggunakan proses SSF yang memungkinkan kombinasi berbagai bahan limbah organik berdasarkan nilai gizinya. Analisis proksimat dan high-resolution mass spectrometry (HRMS) dilakukan untuk mengkonfirmasi proses dekomposisi dan produksi senyawa antijamur hasil SSF. Nilai proksimat menunjukkan penurunan kadar karbohidrat sedangkan kadar protein dan abu meningkat, yang menunjukkan proses dekomposisi. Data HRMS menunjukkan bahwa 405 senyawa terdeteksi; 157 senyawa sesuai dengan database cloud m/z, dengan dua senyawa dominan (turunan furanon dan oleamida) terindikasi sebagai antijamur. Berdasarkan hasil tersebut dapat dikatakan bahwa optimasi multirespon menggunakan RSM dengan fungsi desirability dapat digunakan untuk mengoptimalkan aktivitas antijamur dan pertumbuhan Streptomyces sp. GMR22. Sensor multispectral dengan dukungan machine learning dapat digunakan untuk memprediksi kandungan proksimat limbah. Sensor tersebut, beserta sensor monitoring dan mesin � mesin bioreactor dapat diintegrasikan sehingga dapat saling terkoneksi dengan dukungan platform Thingspeak. Selain itu, Thingspeak juga menyediakan akses kontrol sistem melalui jaringan internet.

Domestic organic waste can be converted into value-added products via microbial fermentation. In this study we develop smart bioreactor system to facilitate domestic organic waste conversion via Solid state fermentation (SSF). Smart bioreactor system is a complete system to process domestic organic waste from pre-treatment (particle sizing and adjustment), process, and monitoring which can adapt to the variation of waste content. The adaptation key of the system is on the multiple wave length sensor that can predict waste proximate content. The sensor was trained with multivariate linear regression machine learning with 97,15% combined accuracy. Meanwhile, on the monitoring process, CO2, TVOC, NH3, CH4, temperature, and moisture sensor was placed on the bioreactor output. All of the smart bioreactor component controlled on the control panel which connected to Internet of Things Platform Thingspeak so all of the process can be monitored real-time. The processes that occur in the smart bioreactor itself are decomposition and production of antifungal compound optimized through desirability function based on multi-responses analysis. Proximate combination of heterogenous solid organic waste is a new approach to process organic waste using solid-state fermentation that allow us combining varied organic waste material based on their nutritional value. Proximate value and high-resolution mass spectrometry (HRMS) analysis were carried out to confirm the decomposition process and antifungal compound production. Proximate values show the decrease of carbohydrate content while increasing protein and ash content, which indicates the decomposition process. HRMS data shows that 405 compounds were detected; 157 compounds in accordance with m/z cloud database, with two dominant compounds (furanone derivative and oleamide) indicated as an antifungal. Based on these results, multi-response optimization using response surface methodology with desirability function can be used to determine the composition of waste and optimize antifungal activity and Streptomyces sp. GMR22 growth. Multispectral sensors with machine learning support can be used to predict the proximate content of waste. These sensors, along with monitoring sensors and bioreactor machines can be integrated so that they can be interconnected with the support of the Thingspeak platform. In addition, Thingspeak also provides access control system through the internet network.

Kata Kunci : Solid State Fermentation. Response Surface Methodology, Antifungal, Streptomyces, Bioreactor.