Oleh: Kavadya Syska, S.P., M.Si. (Dosen Bidang Teknologi Pangan – Food Technologist, Universitas Nahdlatul Ulama)
Sebagai seorang dosen Teknologi Pangan, merupakan sebuah langkah maju yang sangat signifikan dalam mendeteksi pemalsuan air kelapa melalui metode gabungan antara teknologi spektroskopi inframerah transformasi Fourier (FTIR) dan pembelajaran mesin. Air kelapa kemasan sering kali dipandang sebagai produk alami yang sehat, namun risiko pemalsuan, seperti penambahan gula dan bahan lainnya, mengancam kualitas serta kepercayaan konsumen. Oleh karena itu, penelitian ini memberikan solusi penting dalam menjaga kualitas dan keamanan pangan, khususnya pada produk yang semakin populer seperti air kelapa.
Penggunaan FTIR dalam penelitian ini adalah pendekatan cerdas karena mampu menghasilkan “sidik jari molekuler” yang unik dari setiap sampel. Spektroskopi inframerah mendeteksi interaksi cahaya dengan ikatan molekul dalam air kelapa, sehingga memungkinkan analisis terhadap kandungan gula dan pengganti gula lainnya yang mungkin ditambahkan secara ilegal. Dibandingkan dengan metode analisis kimia konvensional yang mungkin memerlukan waktu dan biaya yang lebih besar, FTIR menawarkan analisis yang lebih cepat dan efektif.
Namun, keunggulan nyata dari penelitian ini terletak pada integrasi FTIR dengan pembelajaran mesin. Dalam hal ini, metode seperti principal component analysis (PCA) dan t-distributed stochastic neighbor embedding (t-SNE) digunakan untuk membantu visualisasi pola pemalsuan melalui data spektrum yang dikumpulkan. Kombinasi analisis linier dan non-linier ini memungkinkan para peneliti untuk melihat hubungan yang lebih mendalam antara variabel dalam data yang mungkin terlewatkan oleh metode tradisional.
Selanjutnya, penggunaan algoritma pembelajaran mesin yang canggih seperti random forest (RF) dan jaringan saraf konvolusional 1-dimensi (1D CNN) menunjukkan akurasi klasifikasi yang sangat tinggi dalam mendeteksi pemalsuan. Akurasi masing-masing 95% dan 96% yang dihasilkan oleh RF dan 1D CNN menunjukkan bahwa teknik pembelajaran mesin ini sangat efektif dalam menganalisis data mentah dan mendeteksi anomali pada produk air kelapa. Ini memberikan keuntungan besar dibandingkan dengan metode yang lebih klasik seperti support vector machine (SVM) atau sparse partial least squares discriminant analysis (sPLS-DA), yang hanya menghasilkan akurasi sebesar 88% dan 77%.
Keunggulan 1D CNN yang ditunjukkan dalam penelitian ini bukan hanya dari segi akurasi, tetapi juga efisiensi dalam melatih dan menguji model pada data mentah. Ini menunjukkan bahwa pendekatan deep learning tidak hanya dapat meningkatkan kinerja deteksi pemalsuan, tetapi juga mengurangi kebutuhan akan pemrosesan data yang kompleks, yang sering menjadi tantangan dalam analisis spektrum inframerah.
Secara keseluruhan, penelitian ini menyoroti pentingnya pendekatan interdisipliner yang menggabungkan teknologi canggih seperti spektroskopi FTIR dan pembelajaran mesin untuk menghadapi tantangan di industri pangan, terutama dalam hal pemalsuan produk. Ini memberikan dampak besar bagi konsumen dan produsen dengan menciptakan sistem yang lebih andal dalam mendeteksi kualitas produk secara real-time. Inovasi ini tidak hanya relevan untuk air kelapa, tetapi juga bisa diaplikasikan pada berbagai produk pangan lain yang rentan terhadap pemalsuan.
Sebagai dosen Teknologi Pangan, saya melihat penelitian ini sebagai terobosan besar yang membuka peluang baru dalam menjaga keamanan dan integritas pangan di era modern. Pendekatan ini juga menunjukkan bagaimana teknologi canggih dapat digunakan untuk mendukung pengembangan sistem pangan yang lebih transparan dan dapat dipercaya oleh konsumen. Implementasi lebih lanjut dari teknologi ini di industri tentu akan memberikan kontribusi yang signifikan dalam meningkatkan standar kualitas dan keamanan pangan di tingkat global.
