Dalam ilmu kesehatan, kita sering menggunakan Indeks Massa Tubuh (BMI). Kita tahu bahwa ini adalah metrik yang tidak sempurna dan disederhanakan, tetapi ini memberikan titik awal standar untuk penilaian. Bagaimana jika bioekonomi memiliki alat serupa untuk bahan bakunya?
Selama bertahun-tahun, para peneliti telah berjuang untuk membandingkan berbagai jenis biomassa secara numerik. Membandingkan potensi energi kayu keras, tanaman herba, dan limbah pertanian itu menantang karena komposisi kimianya sangat beragam. Seperti yang dicatat dalam makalah terbaru oleh Andrzej Białowiec dan Ewa Syguła, “jenis” biomassa sebagian besar tetap menjadi deskriptor kualitatif, sehingga sulit untuk mendapatkan tren yang bermakna dan universal.
Kini, makalah baru di European Journal of Wood and Wood Products menawarkan perspektif yang menggugah pikiran, memperkenalkan parameter baru yang mereka kembangkan bernama Carbon-Relative Molar Mass (CRMM).
Usulan: massa molar relatif karbon (CRMM)
Pada intinya, CRMM adalah upaya untuk menyaring komposisi unsur kompleks bahan organik menjadi satu angka yang berbasis kimia. Ini melampaui metrik sederhana seperti kandungan karbon dengan mengintegrasikan proporsi massa dan molar semua unsur utama (C, O, H, S, N). Prosesnya melibatkan perhitungan kandungan unsur bebas abu dan kemudian menormalisasi jumlah mol setiap unsur terhadap karbon—tulang punggung semua bahan organik. Hasilnya adalah satu nilai, dinyatakan dalam g/mol, yang mewakili seluruh profil unsur material relatif terhadap struktur karbonnya.
Uji awal: memprediksi kandungan energi
Untuk menguji konsep mereka, para penulis meneliti seberapa baik CRMM dapat memprediksi Nilai Kalor Tinggi (HHV) suatu material, ukuran kunci dari energi yang tersimpan di dalamnya. Hasil awal sangat menarik:
- Korelasi yang Kuat: Menggunakan model berbasis CRMM, para peneliti mampu menjelaskan hampir 86% varians dalam HHV sampel mereka yang diukur secara analitis. Ini secara signifikan lebih tinggi daripada akurasi sekitar 80% dari banyak model empiris tipikal yang hanya mengandalkan komposisi unsur.
- Perbandingan yang Bernuansa: Meskipun korelasinya kuat, para penulis dengan jujur melaporkan bahwa rata-rata kesalahan model (RMSE) adalah 1,78. Mereka mencatat bahwa ini sedikit lebih tinggi daripada beberapa model patokan, menunjukkan adanya pertukaran (trade-off): model CRMM mungkin lebih baik menangkap tren keseluruhan dalam data, tetapi tidak tanpa beberapa penyimpangan dalam prediksi spesifiknya.
Keterbatasan
Makalah ini tidak disajikan sebagai solusi akhir, tetapi sebagai awal dari sebuah investigasi. Para penulis transparan mengenai pekerjaan yang masih perlu dilakukan:
- Kumpulan Data Terkontrol: Korelasi 86% yang mengesankan ini dicapai pada kumpulan data yang sangat spesifik, yaitu, “biomassa model” yang dibuat dari komponen kimia murni (lignin alkali, selulosa, xilan) dan biochar yang berasal darinya. Penerapannya pada biomassa kompleks di dunia nyata dengan kandungan abu tinggi atau komposisi yang berbeda belum terbukti.
- Batasan pada Nilai Ekstrem: Model prediktif menjadi kurang dapat diandalkan pada nilai CRMM ekstrem (khususnya, untuk material nyata dengan CRMM di atas 30 g/mol). Ini adalah tantangan signifikan yang harus diatasi sebelum dapat diterapkan secara lebih luas.
- Seruan untuk Penelitian Lebih Lanjut: Kesimpulan utama dari makalah ini adalah bahwa ini adalah “penemuan yang menjanjikan” yang “memerlukan studi lebih lanjut dengan berbagai jenis biomassa dan bahan bakar padat lainnya”.
Sebuah Lensa Baru, bukan Peluru Perak
Penelitian oleh Białowiec dan Syguła menawarkan lensa baru yang berharga untuk karakterisasi biomassa. Kekuatan konsep CRMM bukanlah karena ini adalah alat yang sempurna saat ini, tetapi karena ini mewakili cara berpikir yang berbeda. Ini adalah upaya untuk beralih dari model empiris yang berbeda-beda ke parameter yang lebih terpadu dan berbasis kimia yang secara teori dapat diterapkan pada semua jenis bahan organik.
Pertanyaannya bukanlah apakah CRMM adalah solusi tanpa cela saat ini, tetapi apakah pendekatan ini—yaitu menciptakan parameter terintegrasi—dapat membawa kita ke model yang lebih universal dan andal yang kita butuhkan untuk bioekonomi yang benar-benar matang dan berbasis data.
