OPTIMASI EKSTRAKSI LEMAK DARI RUMPUT LAUT CAULERPA … · 2020. 11. 18. · OPTIMASI EKSTRAKSI...

OPTIMASI EKSTRAKSI LEMAK DARI RUMPUT LAUT CAULERPA

LENTILLIFERA MENGGUNAKAN CELLULASE ENZYME-ASSISTED

EXTRACTION

ISHMAH HANIFAH

F251180381

KOMISI PEMBIMBING

Dr. Ir Joko Hermanianto (Ketua)

Dr. Puspo Edi Giriwono, STP, M. Agr (Anggota)

Siti Irma Rahmawati, S.Pi. M. Agr, Ph. D (Anggota)

Inspiring Innovation with Integrity


OUTLINE

Metode Penelitian

Hasil danPembahasan

PendahuluanKesimpulandan Saran

DaftarPustaka

Pendahuluan


Caulerpa lentillifera

Biota perairan diketahui

mengandung PUFA seperti

EPA dan DHA (Jacoeb et al. 2014).

Lemak rumput laut

meningkatkan minat peneliti

untuk dieksplorasi komposisi

asam lemaknya (Kendel et al.

2015).

Rumput laut berpotensi menjadi sumber lemak fungsional karenajumlahnya yang banyak di perairan pantai (Miyashita et al. 2013).

Rumput laut merupakan salah satu biota perairan yang memilikiproduktivitas tinggi dan dapat dibudidayakan dengan teknologisederhana (FAO 2011).

Rumput laut hijau masing-masing didominasi oleh PUFA dengan 20 dan 18 atom C (Misurcova et al. 2011).

Rumput laut hijau memiliki proporsi PUFA yang tinggi terutama ω-3 yang sesuai sebagai pengganti lemak ikan atau nutrasetikal (Gosch et al. 2012)


Ekstraksi lemak

dengan pelarut

organik

Dinding sel?

Di Indonesia, spesies C. lentilliferaditemukan sangat melimpah (Sinurat dan

Fadjiah 2019).

Indonesia produsen rumput laut terbesarkedua di dunia (FAO 2018).

C. lentillifera adalah yang paling populerdan banyak dikonsumsi (FAO 2003).

Jenis rumput laut yang berpotensidikembangkan salah satunya adalahgenus Caulerpa sp. dari rumput laut hijau(KKP 2019).

C. lentillifera yang ditemukan di alamsepanjang tahun (Tapotubun 2018).

Pendahuluan

Pendahuluan


(Deslandes et al. 2016)

Keberadaan berbagai polisakarida dalam jumlah

besar di dinding sel dapat mengurangi efisiensi

ekstraksi (Wijesinghe dan Jeon 2012).

Ekstraksi dengan perlakuan degradasi dinding

sel secara enzimatis disebut dengan teknik

Enzyme-Assisted Extraction (Reddy dan Majumder

2014)

Response Surface Methodology (RSM)

pemodelan statistik dan matematis

dengan analisis proses yang dapat

mengefisiensi waktu dan tenaga

untuk melakukan percobaan (Mubarak et

al. 2016).

Enzyme-assisted extraction


Tujuan Umum

Penelitian ini diharapkan mampu

mengoptimasi proses ekstraksi lemak dari

C. lentillifera yang berasal dari Balai Besar

Perikanan Budidaya Air Payau (BBPBAP)

Jepara dengan bantuan enzim selulase

sebagai enzyme-assisted extraction.

Metode Penelitian


• Penelitian ini

dilaksanakan pada

bulan Juni 2019 -

bulan September

2020

• Laboratorium Kimia Bahan

Alam, Puslit Bioteknologi,

LIPI, Cibinong

• Laboratorium Nutrisi dan

Nutrigenomik, Puslit

Bioteknologi, LIPI,

Cibinong

• Laboratorium ITP, Fateta,

IPB University, Dramaga.

Metode Penelitian

Timbangan analitik Brainweigh B500, freeze dryer, blender kering, kjeldahl destructor,

distillation unit FOSS KjeltecTM 8400, oven, desikator, tanur, soxhlet apparatus, alatgelas, pipet mikro 100 μL dan 1000 μLDragonlab, vortex Thermolyne, kuvet

Hellma Analytics, spektrofotometer UV-Vis Hitachi dan Shimadzu, hotplate

Thermolyne, waterbath GFL, shaker New Brunswick Scientific, GC-FID Clarus 580

Perkin Elmer dan pHmeter Horiba Scientific

Rumput laut Caulerpa lentillifera BBPBAP Jepara, enzim selulase novozymes

viscozyme cassava CL, H2SO4 pekat, tablet kjeldahl Merck, NaOH, n-heksana, pewarnaCBB (Coomasie Briliant Blue) G-250, etanol95 %, H3PO4 85 %, akuades, BSA (Bovine Serum Albumin), asam sitrat, natrium sitrat,

DNS (3,5-Dinitrosalicylic Acid), fenol, Na2S2O5, glukosa, Na-K-Tartarat, kertassaring, metanol, standar FAME C4-C24, BF3, KOH, NaCl, dan Na2SO4 anhidrat.

Alat

Bahan


Metode Penelitian


Preparasirumput laut (1)

• Pengeringandenganfreeze dryer

• Sampeldikeringkanpada suhu -50°C dantekanan 0,15 Pa selama 2 x 24 jam

Analisisproksimat (2)

• Kadar air

• Kadar abu

• Kadar lemak

• Kadar protein

• Kadar karbohidrat by difference (AOAC 2005)

Kadar protein enzim (3)

• Larutan standarBSA / sampel(enzim) direaksikandengan pereaksiBradford

• Inkubasi suhuruang 15 menit

• Ukur absorbansipada 595 nm (Bradford 1976)

Kinetika enzim (4)

• Larutan sampel (rumput lautkering) ditambah enzim, diinkubasi suhu 50°C selama40 menit

• Inaktivasi enzim suhu 85°C selama 10 menit

• Larutan standar glukosa / sampel direaksikan denganpereaksi DNS

• Didihkan 10 menit

• Ukur absorbansi pada 540 nm (Modifikasi Saropah et al. 2012 dan Guerra et al. 2017)

Ekstraksi lemak (5)

• Sampel (rumput laut kering) ditambah larutan buffer sitrat(pH sesuai rancanganpercobaan) dan enzim

• Inkubasi pada suhu danwaktu sesuai rancanganpercobaan

• Inaktivasi enzim suhu 85°C selama 10 menit

• Padatan sampel disaring

• Tambahkan pelarutheksana:metanol (2:1 v/v), shaker 1 jam

• Pisahkan fasa heksana danuapkan (Modifikasi Zuorro et al. 2016 dan Agah et al. 2018)

Identifikasi asam lemak (6)

• Standar FAME C4-C24

• Pembentukan FAME denganmereaksikan dengan KOH dalam metanol

• Panaskan 100°C selama 20 menit

• Tambahkan BF3 dalam metanol dan panaskankembali

• Larutan suhu 30°C ditambahNaCl jenuh dan heksana

• Terbentuk dua lapisan, lapisan atas diambil dandimasukkan ke tabung berisiNa2SO4.

• Pindah vial baru, injek GC-FID (AOAC 2000)


Metode Penelitian

Hasil dan pembahasan

Preparasi rumput laut C. lentillifera


Rumput laut segar Rumput laut keringRumput laut setelah

pengecilan ukuran


Hasil dan Pembahasan

Komposisi proksimat Kadar ± SD (%)

Kadar air 10,62 ± 0,07

Kadar abu 47,00 ± 0,92

Protein kasar 13,44 ± 0,05

Lemak kasar 1,36 ± 0,11

Karbohidrat by difference 27,58 ± 0,90

Komposisi proksimat C. lentillifera asal BBPBAP Jepara

• Kandungan mineral pada rumput laut dapat mencapai lebih dari 36 %

berat kering (Reka et al. 2017).

• Kadar protein pada rumput laut hijau dan rumput laut merah dapat

mencapai 10-30 % (Lalitha dan Dhandapani 2018).

• Rumput laut hijau, merah, dan coklat secara konsisten memiliki jumlah

lemak kasar yang kurang dari 5 % berat kering (Mohammadi et al. 2013)

• Kadar karbohidrat pada genus Caulerpa yang sudah dilaporkan berkisar

antara 3,6-83,2 % berat kering (Aroyehun et al. 2020).


y = 0,2955x + 0,0427R² = 0,9904

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0 0.2 0.4 0.6 0.8 1 1.2

Abso

rba

nsi

Konsentrasi (g/L)

Absorbansi enzim selulase yang

terukur sebesar 0,2745, sehingga

konsentrasi protein yang dihasilkan

yaitu 0,78 g/L

Penentuan konsentrasi protein bertujuan mengevaluasi kinerja enzim. Enzim

komersial merupakan campuran kompleks dari banyak komponen yang berbeda

seperti bahan aditif (penstabil dan pengawet) dan unsur lain yang terbawa dari

hasil fermentasi (Adney et al. 2012).


Kurva standar BSA


y = 5,064x - 0,2395R² = 0,9995

0

0.2

0.4

0.6

0.8

1

1.2

1.4

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35

Ab

so

rba

nsi

Konsentrasi (g/L)

0.000

0.020

0.040

0.060

0.080

0.100

0.120

0 10 20 30 40 50 60

Ko

nse

ntr

asi g

luko

sa

(g

/L)

Konsentrasi sampel (g/L)


Kurva standar glukosa

Pengujian kinetika enzim selulase dianalisis menggunakan pereaksi asam 3,5-dinitrosalisilat

(DNS) dengan mengamati jumlah glukosa yang terbentuk (Purkan et al. 2015).

Jumlah glukosa yaitu 0,049 - 0,101 g/L pada

serial konsentrasi sampel 2 - 50 g/L dengan

penambahan enzim sejumlah 3,4 g/L


y = 0,1565x + 6,4335R² = 0,9618

0.0000

2.0000

4.0000

6.0000

8.0000

10.0000

12.0000

14.0000

16.0000

0 10 20 30 40 50 60

v (µ

mo

l/m

L)

Konsentrasi (g/L)

Konsentrasi substrat terhadap enzim yang

digunakan yaitu 40 g/L sampel rumput laut

terhadap 3,4 g/L enzim. Jumlah protein dalam

enzim yang digunakan yaitu 2,65 mg protein.

Kurva Michaelis-Menten

Sesuai dengan penelitian Gina et al. (2019), yang menunjukkan bahwa semakin banyak

substrat maka semakin banyak pula yang dihidrolisis oleh enzim, namun pada titik tertentu

peningkatan akan melambat dikarenakan enzim telah terjenuhi oleh substrat.



Rancangan perlakuan (set up experiment) didapatkan dari Design Wizard pada perangkat

lunak Design Expert (DX) versi 10.

• Tujuan : optimasi

• Jenis desain : faktorial.

• Jenis faktor : numerik.

• Jumlah faktor : 3

• Jumlah perlakuan : 20

• Rancangan percobaan : Full CCD

Variabel bebasKode perlakuan

-1,682 -1 0 1 1,682

pH 3,32 4 5 6 6,68

suhu (°C) 23,18 30 40 50 56,82

waktu (jam) 1,32 2 3 4 4,68

Kode perlakuan faktor



KodeFaktor

Suhu (℃) Waktu (Jam) pH

1 50 2 4

2 40 3 5

3 30 2 6

4 50 4 6

5 40 3 3,32

6 40 3 5

7 30 4 4

8 30 4 6

9 50 2 6

10 40 3 6,68

11 40 4,68 5

12 30 2 4

13 40 3 5

14 23,18 3 5

15 40 3 5

16 50 4 4

17 40 3 5

18 40 3 5

19 40 1,32 5

20 56,82 3 5

Terdapat 6 titik pusat dan 14 titik non pusat (aksial

dan faktorial) dengan alpha 1,682. Respon yang

dihasilkan yaitu rendemen total lemak (%).



Kode

Faktor Rendemen lemak (%)

Suhu (℃)Waktu

(Jam)pH

Respon

aktual

Respon

prediksi

1 50 2 4 1,79 1,77

2 40 3 5 1,73 1,75

3 30 2 6 1,34 1,30

4 50 4 6 1,68 1,62

5 40 3 3,32 1,69 1,64

6 40 3 5 1,71 1,75

7 30 4 4 1,73 1,70

8 30 4 6 1,48 1,53

9 50 2 6 1,58 1,64

10 40 3 6,68 1,39 1,40

11 40 4,68 5 1,61 1,61

12 30 2 4 1,52 1,61

13 40 3 5 1,80 1,75

14 23,18 3 5 1,64 1,61

15 40 3 5 1,80 1,75

16 50 4 4 1,52 1,59

17 40 3 5 1,76 1,75

18 40 3 5 1,70 1,75

19 40 1,32 5 1,60 1,56

20 56,82 3 5 1,82 1,81

Data analisis dari respon



SourceSequential

p-value

Lack of Fit

p-value

Adjusted

R-Squared

Predicted

R-Squared

Linear 0.0820 0.0081 0.2095 -0.0788

2FI 0.2517 0.0087 0.2819 -0.7423

Quadratic 0.0019 0.1006 0.7762 0.1640 Suggested

Cubic 0.1083 0.1875 0.8769 -1.7618 Aliased

Model Summary Statistics

SourceStd.

Dev.R-Squared

Adjusted

R-Squared

Predicted

R-SquaredPRESS

Linear 0.12 0.3343 0.2095 -0.0788 0.39

2FI 0.12 0.5087 0.2819 -0.7423 0.63

Quadratic 0.065 0.8822 0.7762 0.1640 0.30 Suggested

Cubic 0.048 0.9611 0.8769 -1.7618 1.00 Aliased

Sourcep-value

(Prob > F)

Model 0,0014**

A-Suhu 0,0077**

B-Waktu 0,4336

C-pH 0,0022**

AB 0,0183**

AC 0,0666

BC 0,1353

A2 0,4046

B2 0,0063**

C2 0,0008**

Lack of fit 0,1006

Analisis sidik ragam


Informasi model yang disarankan


Design-Expert® SoftwareFactor Coding: Actualrendemen (%)

Actual FactorsA: suhu = 40B: waktu = 3C: pH = 5

-1.000 -0.500 0.000 0.500 1.000

1.3

1.4

1.5

1.6

1.7

1.8

1.9

A

A

BB

C

C

Perturbation

X: Deviation from Reference Point (Coded Units)Y: rendemen (%)

𝑅𝑒𝑛𝑑𝑒𝑚𝑒𝑛 𝑙𝑒𝑚𝑎𝑘

= 1,75 + 0,059𝐴 + 0,014𝐵 − 0,072𝐶− 0,065𝐴𝐵 + 0,048𝐴𝐶 + 0,038𝐵𝐶

− 0,015𝐴2 − 0,059𝐵2 − 0,082𝐶2


Berdasarkan pada nilai koefisien monomial pada model persamaan diatas, notasi

C (pH) memiliki pengaruh faktor dampak yang utama, kemudian berturut-turut

notasi A (suhu) dan notasi B (waktu).



Design points above predicted valueDesign points below predicted value1.82

1.34

X1 = A: suhuX2 = B: waktu

Actual FactorC: pH = 5

2

2.5

3

3.5

4

30

35

40

45

50

1.3

1.4

1.5

1.6

1.7

1.8

1.9

Rendem

en (

%)

A: Suhu (celcius)B: Waktu (jam)

1.756711.75671


• Grafik permukaan 3

dimensi interaksi suhu

dan waktu pada kondisi

pH 5

• Peningkatan suhu dan

penambahan waktu,

dapat meningkatkan

rendemen total lemak



1.34

X1 = B: waktuX2 = C: pH

Actual FactorA: suhu = 40

4

4.5

5

5.5

6

2

2.5

3

3.5

4

1.3

1.4

1.5

1.6

1.7

1.8

1.9

Rendem

en (

%)

B: Waktu (jam)C: pH

1.750461.75046



dimensi interaksi pH dan

waktu pada kondisi suhu

40 °C

• Hasil rendemen total

lemak akan meningkat

apabila terjadi penurunan

pH dan peningkatan

waktu.




1.34

X1 = A: suhuX2 = C: pH

Actual FactorB: waktu = 3

4

4.5

5

5.5

6

30

35

40

45

50

1.3

1.4

1.5

1.6

1.7

1.8

1.9

Rendem

en (

%)

A: Suhu (celcius)C: pH

1.679081.67908



dimensi interaksi pH dan

suhu pada kondisi waktu

3 jam

• Peningkatan rendemen

total lemak akan

meningkat dibawah pH

5,5 dan peningkatan

suhu



Faktor/respon Goal Lower limit Upper limit

Suhu In range 30 50

Waktu In range 2 4

pH In range 4 6

Rendemen

lemak

Maximiz

e

1,34 1,82

Kriteria dan pembatas untuk optimasi proses

A:suhu = 50

30 50

B:waktu = 2.48776

2 4

C:pH = 4.73326

4 6

rendemen = 1.81125

1.34 1.82

Desirability = 0.982

Kode

FaktorRendemen lemak

(%)Suhu

(℃)

Waktu

(Jam)pH

1 50 2,49 4,73 1,92

2 50 2,49 4,73 1,81

3 50 2,49 4,73 1,88

4 50 2,49 4,73 1,81

5 50 2,49 4,73 1,82

6 50 2,49 4,73 1,70

7 50 2,49 4,73 1,73

8 50 2,49 4,73 1,80

9 50 2,49 4,73 1,76

10 50 2,49 4,73 1,87

Rata-rata 1,81

Hasil verifikasi laboratorium

Hasil prediksiHasil aktual



Jenis asam lemak Asam lemak (%) ± SD

SFA

Asam kaproat (C 6:0) 0,08 ± 0,011

Asam kaprat (C 10:0) 0,08 ± 0,010

Asam laurat (C 12:0) 1,80 ± 0,004

Asam tridekanoat (C 13:0) 0,21 ± 0,001

Asam miristat (C 14:0) 3,43 ± 0,025

Asam pentadekanoat (C 15:0) 0,20 ± 0,004

Asam palmitat (C 16:0) 66,79 ± 0,083

Asam stearat (C 18:0) 3,64 ± 0,009

Asam behenat (C 22:0) 0,45 ± 0,012

Asam lignokerat (C 24:0) 4,70 ± 0,028

Total 81,40

MUFA

Asam palmitoleat (C 16:1) 2,99 ± 0,044

Asam oleat (C 18:1 ω9c) 3,42 ± 0,020

Total 6,41

PUFA

Asam linoleat (C 18:2 ω6c) 4,53 ± 0,003

Asam linolenat (C 18:3 ω3) 4,99 ± 0,006

Asam eikosadienoat (C 20:2) 0,65 ± 0,013

AA (C 20:4 ω6) 1,62 ± 0,014

DHA (C 22:6 ω3) 0,40 ± 0,001

Total 12,20

ω9 3,42

ω6 6,15

ω3 5,39

Total 100

Kandungan asam lemak dari ekstrak

lemak C. lentillifera Jepara


Asam lemak jenuh tertinggi berasal

dari asam palmitat (C16:0),

sedangkan asam lemak tidak jenuh

tertinggi berasal dari asam linolenat

(C 18:2 ω6c) dan asam linoleat (C

18:2 ω6c).


Kesimpulan dan Saran

• Rumput laut C. lentillifera asal BBPBAP Jepara memiliki kadar nutrisi dasar yaitu 47,00 %

kadar abu, 13,44 % kadar protein, 1,36 % kadar lemak, dan 27,58 % kadar karbohidrat by

difference.

• Perlakuan optimum untuk ekstraksi 40 g/L substrat rumput laut kering terhadap 3,4 g/L

enzim (2,65 mg protein) memiliki kondisi suhu, waktu dan pH berturut-turut sebesar 50 °C,

2,49 jam dan 4,73 dengan prediksi rendemen lemak sebesar 1,81 %. Verifikasi percobaan

dilakukan sebanyak 10 ulangan menghasilkan rendemen lemak dengan rata-rata 1,81%.

• Asam lemak yang teridentifikasi dari perlakuan optimal yaitu memiliki 81,39 % asam lemak

jenuh, 6,41 % asam lemak tidak jenuh tunggal dan 12,20 % asam lemak tidak jenuh

ganda. Asam lemak tidak jenuh tertinggi berasal dari asam linolenat dan asam linoleat.

Saran penelitian

Penelitian ini memiliki keterbatasan yaitu tidak dilakukan uji oksidasi untuk melihat

kestabilan lemak terhadap penyimpanan mengingat lemak rumput laut memiliki kadar

asam lemak tidak jenuh yang cukup tinggi


Daftar Pustaka

• [AOAC] Association of Official Analytical Chemist. 2005. Official Methods of Analysis 18 Edn. Maryland: Association of Official Analytical

Chemist Inc.

• [AOAC] Association of Official Analytical Chemist. Analysis of Oil and Fat, Chapter 41. page 26-28. Maryland: Association of Official

Analytical Chemist Inc.

• [FAO] Food and Agricultural Organization. 2003. A guide to the seaweed industry. FAO Fisheries Technical paper. Rome.

• [FAO] Food and Agricultural Organization. 2011. Fisheries statistics aquaculture production. FAO Yearbook. Rome.

• [FAO] Food and Agricultural Organization. 2018. The global status of seaweed production, trade and utilization. Globefish Research

Programme Volume 124. Rome. 120 pp.

• [KKP] Kementrian Kelautan dan Perikanan. 2019. Pedoman umum pembudidayaan rumput laut Nomor 1/Kepmen-KP/2019.

• Adney WS, Dowe N, Jennings EW, Mohagheghi A, Yarbrough J, McMillan JD. 2012. Assessing the protein concentration in commercial

enzyme preparations. Methods in Molecular Biology. Himmel ME, editors. Cham: Springer.

• Agah H. 2018. Comparison of different methods to extract lipid from Sargassum sp. macroalgae. J. Nutri. Diet Probiotics 1(1):180004.

• Aroyehun AQB, Razak SA, Palaniveloo K, Nagappan T, Rahmah NSN, Jin GW, Chellappan DK, Chellian J, Kunnath AP. 2020.

Bioprospecting cultivated tropical green algae, Caulerpa racemosa (forsskal) j. agardh: a perspective on nutritional properties,

antioxidative capacity and anti-diabetic potential. Foods 9(9):1313. doi:10.3390/foods9091313.

• Bradford MM. 1976. A rapid and sensitive method for the quantitation of microorganisms quantities of protein in utilizing the principle of

protein‐dye binding. Anal. Biochem 72:248‐254.

• Deslandes E, Stiger-Pouvreau V, Bourgougnon N. 2016. Carbohydrates from seaweeds. Joel F, Levine I, editors. Cambridge: Academic

Press.

• Gina P, Safrihatini W, Umam K. 2019. Studi kinetika reaksi dari enzim α-amilase pada proses penghilangan kanji kain kapas. Arena

Tekstil 34(1):1-6. doi:10.31266/at.v34i1.5097.

• Gosch BJ, Magnusson M, Paul NA, De Nys R. 2012. Total lipid and fatty acid composition of seaweeds for the selection of species for oil-

based biofuel and bioproducts. GCB Bioenergy 4(2012): 919–930. doi: 10.1111/j.1757-1707.2012.01175.x

• Guerra NP. 2017. Enzyme kinetics experiment with the multienzyme complex viscozyme L and two substrates for the accurate

determination of michaelian parameters. J. Chem. Educ. 94(6):795-799. DOI: 10.1021/acs.jchemed.6b00351.

• Jacoeb AM, Suptijah P, Kamila R. 2014. Kandungan asam lemak, kolesterol, dan deskripsi jaringan daging belut segar dan rebus. JPHPI

17(2):134-142.


Daftar Pustaka

• Kendel M, Wielgosz-Collin G, Bertrand S, Roussakis C, Bourgougnon N, Bedoux G. 2015. Lipid composition, fatty acids and sterols in the

seaweeds Ulva armoricana and Solieria chordalis from brittany (france): an analysis from nutritional, chemotaxonomic, and antiproliferative

activity perspectives. Mar. Drugs 2015(13):5606-5628. doi:10.3390/md130995606.

• Lalitha N, Dhandapani R. 2018. Proximate composition and amino acid profile of five green algal seaweeds from mandapam coastal

regions, tamin nadu, india. The Pharma Innovation J. 7(10):400-403.

• Misurcova L, Ambrozova J, Samek D. 2011. Seaweed lipids as nutraceuticals. Advances in Food and Nutrition Research 64:339-355.

doi:10.1016/B978-0-12-387669-0.00027-2.

• Miyashita K, Mikami N, Hosokawa M. 2013. Chemical and nutritional characteristic of brown seaweed lipids: a review. Journal of functional

foods 5(2013):1507-1517. doi:10.1016/j.jff.2013.09.019.

• Mohammadi M, Tajik H, ajeb P. 2013. Nutritional composition of seaweeds from the northern persian gulf. Iranian J. of Fisheries Sci.

12(1):232-240.

• Mubarak M, Shaija A, Suchithra TV. 2016. Optimization of lipid extraction from Salvinia molesta for biodiesel production using RSM and its

fame analyis. Environ Sci Pollut Res 23(2016):14047-140. doi:10.1007/s11356-016-6343-8.

• Purkan, Purnama HD, Sumarsih S. 2015. Produksi enzim selulase dari Aspergillus niger menggunakan sekam padi dan ampas tebu

sebagai induser. Jurnal Ilmu Dasar 16(2):95-102. doi:10.19184/jid.v16i2.2768.

• Reddy A, Majumber AB. 2014. Use of a combined technology of ultrasonication, three-phase partitioning, and aqueous enzymatic oil

extraction for the extraction of oil from Spirogyra sp. J. of Engineering 2014:1-6. doi:10.1155/2014/740631.

• Reka P, Thahira BA, Seethalakshmi M. 2017. Elemental composition of selected edible seaweeds using SEM-energy dispersive

spectroscopic analysis. IFRJ 24(2):600-606.

• Saropah DA, Jannah A, Maunatin A. 2012. Kinetika reaksi enzimatis ekstrak kasar enzim selulase bakteri selulolitik hasil isolasi dari bekatul.

Alchemy 2(1):34-45.

• Sinurat E, Fadjiah S. 2019. The chemical properties of seaweed Caulerpa lentifera from takalar, south sulawesi. IOP Conf. Ser.: Mater. Sci.

and Eng. 546 042043. doi:10.1088/1757-899X/546/4/042043.

• Tapotubun AM. 2018. Komposisi kimia rumput laut Caulerpa lentillifera dari perairan kei maluku dengan metode pengeringan berbeda.

JPHPI 21(1):13-23. doi:10.17844/jphpi.v21i1.21257.

• Wijesinghe WAJP, Jeon YJ. 2012. Enzyme-assistant extractio (EAE) of bioactive components: a useful approach for recovery of industrially

important metabolites from seaweeds: a review. Fitoterapia 83(2012):6-12. doi:10.1016/j.fitote.20122.10.016.Zuorro A, Maffei G, Lavecchia.

2016. Optimization of enzyme-assisted lipid extraction from Nannochloropsis microalgae. J. TICE. 67(2016):106-114

doi:10.1016/j.jtice.2016.08.016.


Ucapan terima kasih ditujukan kepada

Direktorat Pendidikan Tinggi Kementerian

Riset, Teknologi dan Pendidikan Tinggi

Republik Indonesia atas dana penelitian

melalui Insinas Gel. 2 Tahun Anggaran

2019 atas nama

Siti Irma Rahmawati, S.Pi. M. Agr, Ph. D

OPTIMASI EKSTRAKSI LEMAK DARI RUMPUT LAUT CAULERPA … · 2020. 11. 18. · OPTIMASI EKSTRAKSI...

Documents

Transcript of OPTIMASI EKSTRAKSI LEMAK DARI RUMPUT LAUT CAULERPA … · 2020. 11. 18. · OPTIMASI EKSTRAKSI...