Tim peneliti dari Departemen Teknik Kimia Fakultas Teknik Universitas Gadjah Mada (UGM) mengembangkan pendekatan baru dalam prediksi hasil pirolisis biomassa dengan memanfaatkan kecerdasan buatan (machine learning) yang dipadukan dengan tingkatan taksonomi bahan baku. Penelitian ini dilakukan oleh Dr. Jonas Kristanto bersama Dr. Muhammad Mufti Azis dan Prof. Suryo Purwono, dan telah dipublikasikan pada jurnal internasional Biomass and Bioenergy.
Dalam penelitian ini, kuantitas produk pirolisis diprediksi menggunakan machine learning berbasis dataset mutakhir yang dihimpun dari 1.006 data eksperimen pirolisis dari ratusan publikasi ilmiah bereputasi sejak tahun 2021. Dataset tersebut mencakup komposisi unsur, analisis proksimat, kandungan lignoselulosa, serta kondisi operasi seperti suhu pirolisis, ukuran partikel, laju pemanasan, waktu tinggal, dan laju aliran gas.
Keunikan utama riset ini terletak pada pemanfaatan tingkatan taksonomi bahan baku, khususnya tingkat genus dan famili, yang dikonversi menjadi data Boolean dan dimasukkan sebagai fitur tambahan dalam model machine learning. Dengan pendekatan ini, bahan baku tidak hanya dikenali dari sifat kimianya, tetapi juga dari identitas biologisnya.
Hasil penelitian menunjukkan bahwa penambahan tingkatan taksonomi mampu meningkatkan kinerja prediksi model secara signifikan. Peningkatan akurasi terbesar terjadi pada model regresi linear dengan kenaikan nilai R² hingga sekitar 60 persen. Sementara itu, pada model random forest dan gradient boosting, akurasi meningkat hingga sekitar 6 persen, terutama pada prediksi produk gas dan cair.
Analisis machine learning juga menunjukkan bahwa parameter paling berpengaruh dalam prediksi produk padat adalah suhu pirolisis dan kandungan volatil, untuk produk cair didominasi oleh kandungan hidrogen dan kadar abu, sedangkan untuk produk gas faktor yang paling menentukan adalah suhu pirolisis, diikuti kandungan oksigen dan karbon tetap. Selain itu, penelitian ini juga mengintegrasikan optimasi parameter pada model random forest dan gradient boosting, khususnya pada number of estimators dan maximum depth, yang terbukti penting untuk mencegah terjadinya overfitting dan meningkatkan kemampuan generalisasi model.
Dr. Jonas Kristanto menyampaikan bahwa riset ini juga terbuka untuk kolaborasi dengan berbagai pihak. “Kami sangat terbuka untuk berkolaborasi dan belajar lebih banyak dari para pakar di seluruh dunia guna terus meningkatkan kualitas riset yang kami kembangkan,” ujarnya.