Untuk membaca lebih banyak konten dari AviNews International 2024
Conteúdo disponível em:
English Philipino
Tujuan utama dari nutrisionis dan pabrik pakan unggas adalah memastikan tiap ekor ayam menerima nutrisi yang dibutuhkan untuk kesehariannya. Untuk melakukan ini, pakan harus seragam dan memiliki nutrisi yang dibutuhkan dalam jumlah yang mencukupi.
Amy Moss dan timnya (2021) dari Universitas New England di Australia menunjukkan bahwa jika anda mengestimasi terlalu tinggi untuk jumlah nutrisi dalam bahan baku pakan, anda bisa kehilangan 63% dari keuntungan atau 635100 dolar untuk sejuta ekor broiler.
Variabilitas dalam bahan baku pakan adalah dipengaruhi oleh bahan baku, pengambilan sampel, dan analisa, menurut Moss et al. (2011).
VARIABILITAS BAHAN PAKAN
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.
Berbagai varian dari campuran dikalkulasi sebagai berikut dari varian bahan baku.
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.
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.
Gambar 3. Distribusi Normal.
Variabilitas analitis dan NIRS
Kandungan energi, CP, dan kecernaan AA adalah jarang ditentukan untuk batch-batch pakan yang berbeda di pabrik pakan.
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:
Faktor-faktor tersebut membuat analisis NIRS lebih berkelanjutan dibanding analisis wet chemistry.
Ada dua cara untuk membuat kurva kalibrasi NIRS: langsung dan tidak langsung.
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