Mengestimasi variasi dalam pakan campuran

• Komposisi dari bahan baku pakan adalah bervariasi karena faktor genetik dan lingkungan, dan kondisi pengolahan pasca panen atau selama penyimpanan.
• Untuk produk tumbuhan, perbedaan batch terjadi karena perbedaan budidaya, ditanam pada kondisi pemupukan dan iklim yang berbeda, dan kemudian diproses dan disimpan secara berbeda.
• Batch yang berbeda dari produk sampingan hewan juga membedakan, utamanya karena variasi pada bahan baku dan bagaimana mereka diproses.

Ketika pakan dicampur, pakan tersebut harus disampel secara memadai untuk memastikan bahwa tiap batch memiliki apa yang mereka harapkan. Karena variasi adalah hal bawaan di batch yang berbeda dengan formula bahan baku yang sama, sampel yang banyak dari tiap batch sangatlah penting untuk mengestimasi nilai tengahnya.

• Ketika berbagai proporsi dari bahan baku pakan dicampur, sampel-sample memiliki bagian-bagian yang tercampur dari semua bahan baku yang dimasukkan.

Berbagai varian dari campuran dikalkulasi sebagai berikut dari varian bahan baku.

Misalkan Xi adalah sebuah bahan baku pakan yang mengikuti distribusi Normal dengan nilai tengah μi dan varian σ2 i, N (μi,σi2), i = 1, . . . , k, dan misalkan Xi’s (komposisi nutrisi bahan pakan) adalah independen. Kemudian:

Mengikuti distribusi Normal dengan nilai tengah μ dan varian σ2 i, N (μ,σ2), dimana:

Seberapa variabel nutrisi di dalam pakan?

File Microsoft Excel yang dinamai "FeedVariation.xlsx" didesain oleh Dr. Pesti untuk menggunakan formula-formula tersebut. File ini tersedia di website Poultry Hub Australia di bagian "Research Resources".

Gambar 1 menunjukkan porsi dari halaman "Protein Example". Bahan baku tersebut, dengan level protein rata-ratanya dan standar deviasinya, adalah berasal dari sampel-sampel yang dikoleksi dari para produsen di Australia dan digabungkan dalam Australian Feed Ingredient Database (AFiD).

Gambar 1. Bagian dari file Microsoft Excel yang dinamai "FeedVariation.xlsx" menunjukkan formula-formula untuk mengkalkulasi variasi dari pakan campuran dari variasi yang dilaporkan pada bahan baku tersebut.

Pada bagian tengah kanan dari Gambar 2 adalah beberapa formula untuk pakan-pakan untuk kelas-kelas yang berbeda dari ayam dan kalkun, dan ada lebih banyak di halaman sesungguhnya.

• Di bagian bawah dari halaman adalah rataan dan standar deviasi yang dihitung dari tiap level protein kasar yang diharapkan, diperjelas dengan warna kuning.
• Anda bisa mengunduh file ini dan mengklik tiap sel untuk melihat bagaimana perhitungannya konsisten dengan persamaan ^[3] di atas.

Jika banyak batch pakan Broiler Starter, yang diberikan dari umur 0 sampai 10 hari, dicampur dari sampel-sampel acak dari bahan baku asal Australia, level protein kasar (CP) rata-rata dari pakan diharapkan menjadi 230 g/kg CP. Setengah dari batch-batch tersebut diharapkan mengandung lebih dan setengah kurang dari 230 g/kg CP.

Gambar 2. Bagian dari file Microsoft Excel, "FeedVariation.xlsx", menunjukkan variasi dalam protein kasar dari pakan campuran berdasarkan variasi yang dilaporkan pada bahan baku asal Australia.

Distribusi normal (Gambar 3), didefinisikan oleh nilai tengah dan standar deviasi, dapat digunakan untuk mengestimasi distribusi dari batch-batch pakan.

Tiga puluh empat persen dari batch-batch pakan ini akan mengandung antara 230 dan 230-4,48 = 225,52 g/kg CP; 13,5% dari batch-batch pakan akan mengandung antara 225,52 dan 225,52-4,48 = 221,04; dan 2,5% dari batch-batch pakan akan mengandung kurang dari 221,04 g/kg CP.

Para produsen unggas sering membeli bahan baku dari penyuplai yang sama, sehingga variasi pada beberapa bahan baku mungkin kurang dari yang diharapkan dari database AFID.

Namun, analisis ini menunjukkan pentingnya monitoring bahan baku untuk menurunkan variasi sebanyak mungkin.

• Membatasi variasi dalam pakan campuran adalah esensial ketika produsen memberi makan untuk unggasnya sendiri, tapi bahkan lebih penting ketika produsen itu menjual pakan tersebut, dan pelanggan mengharapkan tiap batch memiliki jumlah minimum dari tiap nutrisi yang dicantumkan.
• Menggunakan nilai rataan mungkin tidak dapat diterima oleh pelanggan.

Gambar 3. Distribusi Normal.

Variabilitas analitis dan NIRS

• Memonitoring variasi bahan baku mengindikasikan lebih banyak analisis dan penggunaan laboratorium yang lebih banyak.
• Akan tetapi, variabilitas analitis diantara berbagai laboratorium adalah signifikan, atau dalam beberapa kasus bahkan lebih luar biasa, ketimbang variabilitas pada variabilitas nutrisi yang diatribusikan pada sumber jagung atau bungkil kedelai.
• Konsekuensinya, mengambil sampel bahan baku secara tepat dan komprehensif dan analisis presisi dari kandungan nutrisi harus memperoleh signifikansi yang lebih besar.

Kandungan energi, CP, dan kecernaan AA adalah jarang ditentukan untuk batch-batch pakan yang berbeda di pabrik pakan.

• Nilai energi adalah masalah yang lebih besar karena mereka selalu diestimasi menggunakan persamaan prediksi yang bergantung pada hasil analisis proksimat dan mungkin mengabaikan energi metabolisme (ME).
• Terdapat variabilitas yang tinggi antara ME nyata dan ME nyata yang dikoreksi oleh nitrogen.

NIRS

Selama lebih dari tiga puluh tahun, industri pakan telah memiliki alternatif untuk melacak komposisi nutrisi pada bahan baku pakan. Alternatif ini menggunakan near-infrared reflectance spectroscopy (NIRS), tapi tidak semua orang setuju dengan penggunaan data dari NIRS. Hasil analisa wet chemistry masih dianggap paling terpercaya di banyak tempat.

Analisis NIRS menawarkan beberapa keuntungan, mencakup:

• Scanning sampel secara cepat dan hasil disajikan dalam hitungan menit.
• Jumlah yang sedikit dari satu sampel dibutuhkan untuk memperoleh beberapa analit nutrisi, kandungan energi, koefisien kecernaan secara serentak.
• Berbiaya rendah.
• Hasilnya sangat bisa direproduksi terlepas dari lokasi geografis dimana sampel dikoleksi.
• Dibutuhkan persiapan yang minimal atau tidak sama sekali.
• Alatnya dapat diletakkan langsung di pabrik pakan atau in-line selama proses pengolahan pakan.
• NIRS dapat dibawa kemana-mana.

Faktor-faktor tersebut membuat analisis NIRS lebih berkelanjutan dibanding analisis wet chemistry.

Ada dua cara untuk membuat kurva kalibrasi NIRS: langsung dan tidak langsung.

• Metode kalibrasi tidak langsung meregresi hasil-hasil analisis fisik dan kimia dengan spektra NIRS untuk mengestimasi nilai-nilai analisis proksimat, total AA, pati, dan nutrisi lainnya dan antinutrisi.
• Sebaliknya, kalibrasi NIRS secara langsung menggunakan sampel pakan dan feses yang diperoleh dari eksperimen. Kalibrasi langsung menggabungkan data in-vivo tentang banyaknya interaksi antara pakan dan hewan yang mempengaruhi penggunaan nutrisi akhir, AME, AMEn, dan kecernaan AA.

Berbagai kelompok penelitian telah mengevaluasi akurasi dan presisi dari model-model kalibrasi NIRS untuk memprediksi nilai nutrisi bahan baku, membuahkan hasil-hasil yang sebanding dengan hasil-hasil yang diperoleh melalui analisa wet chemistry dan cara in-vivo.

KESIMPULAN

• Direkomendasikan agar industri pakan mulai mengaplikasikan informasi yang diperoleh dengan model-model NIRS beragam yang tersedia in pasar untuk lebih memahami variabilitas mikronutrien, energi, dan komponen pati dan serat.
• Pemahaman yang lebih baik dan kontrol dari variabilitas bahan bku dapat membantu kita untuk lebih presisi dalam formulasi pakan dan produksi unggas.