Pemanfaatan Biji Asam Jawa (TamarindusIndica) sebagai Koagulan Alternatif dalam Proses Menurunkan Kadar COD dan BOD dengan Studi Kasus pada Limbah Cair Industri Tempe
Bibliographic record
Abstract
Biji asam jawa yang selama ini jarang dimanfaatkan perlu dikembangkan lebih lanjut untuk pengolahan limbah cair yang lebih ekonomis dan ramah lingkungan. Kandungan polisakarida dalam biji asam jawa (Tamarindus Indica) merupakan koagulan alami yang terbukti cukup efektif dalam peningkatan kualitas air limbah. Penelitian ini dilakukan untuk mengetahui pengaruh biji asam jawa sebagai koagulan pada limbah cair industri tempe sehingga diperoleh hasil yang optimum. Adapun yang dimaksud dengan hasil optimum yaitu dengan tercapainya penurunan kadar COD, BOD, dan TSS pada limbah cair yang digunakan sesuai dengan baku mutu dan kondisi yang tidak membahayakan lingkungan. Variabel yang diamati dalam penelitian ini adalah pH, TSS, kadar COD dan BOD dengan membandingkan dari tiap-tiap variasi. Variabel penelitian yang digunakan adalah pemberian dosis biji asam jawa sebagai koagulan dengan variasi (500, 1500, 2500, 3500) mg/l, kecepatan putaran pada proses koagulasi-flokulasi dan lama pengadukan lambat (flokulasi). Pada penelitian ini, terdapat korelasi antara dosis koagulan dan kecepatan pengadukan yang diberikan terhadap efisiensi penurunan kadar BOD, COD dan TSS. Dosis optimum yang diperoleh yaitu 1500 mg/l limbah. Sedangkan hasil optimum diperoleh pada kecepatan koagulasi 180 rpm selama 1 menit dan flokulasi 80 rpm dengan lama waktu pengadukan 45 menit.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".