Studi yang terbit di npj Science of Food pada 6 Oktober 2026 mengembangkan kerangka hibrida Artificial Neural Network–Genetic Algorithm (ANN–GA) untuk memodelkan dan mengoptimalkan kristalisasi fraksional bertingkat pada minyak sawit olahan, dipucatkan, dan dideodorisasi atau RBDPO. Peneliti menempatkan variasi bilangan iodin bahan baku sebagai faktor penting karena perubahan ini memengaruhi nukleasi, pertumbuhan kristal, efisiensi pemisahan, dan rendemen olein.
Riset tersebut membandingkan dua pendekatan pemodelan. Response surface methodology atau RSM digunakan untuk mengukur pengaruh variabel proses dan memberi model yang lebih mudah ditafsirkan, sedangkan ANN dirancang untuk menangkap interaksi nonlinier dalam proses bertingkat. Algoritma genetika kemudian dipadukan dengan ANN untuk mencari kondisi pendinginan yang sesuai bagi masing-masing karakter bahan baku.
Eksperimen disusun dalam tiga tahap yang mencakup supercooling, nukleasi, dan pertumbuhan kristal, serta menghasilkan 145 set data. Model jaringan saraf yang digunakan memiliki arsitektur 7-13-5 dan memprediksi lima keluaran: rendemen olein, bilangan iodin olein, titik awan, titik leleh luncur, dan bilangan iodin stearin. Nilai R² yang dilaporkan berada pada rentang 0,79–0,96.
Integrasi ANN–GA menghasilkan kondisi optimum yang berbeda untuk RBDPO dengan bilangan iodin 51, 52, dan 53. Rendemen olein yang diprediksi masing-masing mencapai 83,80 persen, 83,10 persen, dan 87,98 persen. Hasil ini menunjukkan bahwa satu setelan proses tidak diperlakukan sebagai jawaban seragam bagi seluruh variasi bahan baku.
Dalam validasi eksperimental, studi tersebut melaporkan akurasi prediksi keseluruhan sebesar 91,94 persen, 96,97 persen, dan 97,75 persen untuk tiga kelompok bahan baku. Nilai mean absolute percentage error yang menyertainya tercatat 8,06 persen, 3,03 persen, dan 2,25 persen. Para peneliti menyimpulkan bahwa RSM memberikan interpretabilitas yang kuat, sementara ANN–GA menawarkan fleksibilitas lebih besar untuk interaksi nonlinier dalam tahapan proses.
Menurut penulis, kerangka ini dapat menjadi dasar optimasi yang responsif terhadap karakter bahan baku, dengan sasaran menjaga rendemen sekaligus mutu produk. Studi itu juga menempatkan model tersebut sebagai landasan bagi kendali kristalisasi adaptif dan pengembangan fraksinasi minyak sawit yang lebih terdigitalisasi; penerapan pada skala industri tetap memerlukan penyesuaian terhadap kondisi operasi dan variasi bahan baku aktual.
Sumber pantauan
- npj Science of Food — Hybrid Artificial Neural Network-Genetic Algorithm modelling and optimization of multistage palm oil fractional crystallization, 6 Oktober 2026.
