Oleh: Kavadya Syska, S.P., M.Si. (Dosen Bidang Teknologi Pangan – Food Technologist, Universitas Nahdlatul Ulama)
Perkembangan teknologi dalam bidang pengolahan pangan kini telah memasuki era baru dengan adanya penerapan machine learning (ML) sebagai pendekatan inovatif untuk mengoptimalkan parameter proses dan kinetika pengolahan. Pengolahan pangan adalah masalah kompleks yang melibatkan berbagai faktor seperti konsumsi energi, waktu proses, dan kualitas produk akhir. Penggunaan ML menawarkan solusi potensial untuk mengatasi tantangan ini, dengan tujuan meningkatkan efisiensi proses sambil mempertahankan atau bahkan meningkatkan kualitas produk. Makalah ini mengeksplorasi berbagai aplikasi ML dalam pengolahan pangan, seperti pengeringan, penggorengan, pemanggangan, pengalengan, ekstrusi, enkapsulasi, dan fermentasi, serta menyajikan langkah-langkah praktis dalam mengembangkan model berbasis ML.
Pada intinya, pengolahan pangan tradisional memerlukan campur tangan manusia yang intensif untuk mengoptimalkan berbagai parameter proses. Melalui penerapan ML, diharapkan proses optimasi dapat berjalan lebih efisien dengan meminimalkan intervensi manusia. Sebagai contoh, pengeringan dan pemanggangan sering kali membutuhkan pengaturan suhu, kelembapan, dan waktu yang sangat presisi untuk menghasilkan produk berkualitas tinggi dengan konsumsi energi yang rendah. Algoritma ML dapat digunakan untuk memprediksi kinetika proses dan menyesuaikan parameter secara otomatis, yang berpotensi mengurangi waktu proses dan konsumsi energi secara signifikan.
Penggunaan ML dalam pengolahan pangan menawarkan manfaat yang sangat besar dalam berbagai operasi. Misalnya, dalam pengeringan, ML dapat memprediksi laju pengeringan dan menentukan suhu optimal untuk mengurangi waktu proses dan mempertahankan kualitas nutrisi. Pada proses penggorengan, algoritma ML dapat memonitor suhu dan waktu penggorengan untuk mencegah degradasi minyak dan menjaga tekstur serta rasa makanan. Di sisi lain, dalam fermentasi, ML dapat memantau dan mengatur kondisi seperti pH dan suhu untuk mencapai produk dengan karakteristik yang diinginkan dalam waktu yang lebih singkat.
Makalah ini juga menyoroti tantangan utama dalam pelatihan dan pengujian algoritma jaringan saraf (neural network), yang merupakan salah satu model populer dalam ML. Pelatihan algoritma ML membutuhkan data yang sangat besar dan bervariasi untuk memastikan prediksi yang akurat. Dalam industri pangan, memperoleh data yang cukup representatif sering kali menjadi kendala tersendiri, mengingat adanya banyak variabel yang harus dipertimbangkan, seperti variasi bahan baku, perubahan kondisi lingkungan, dan interaksi antara parameter proses. Selain itu, algoritma ML yang lebih kompleks mungkin membutuhkan waktu komputasi yang lebih lama dan sumber daya yang lebih besar, sehingga tantangan ini perlu dipertimbangkan saat mengimplementasikannya dalam skala industri.
Pendekatan berbasis ML dalam operasi pengolahan pangan juga menawarkan peluang besar untuk pengolahan hybrid, di mana dua atau lebih teknologi pengolahan digabungkan. Misalnya, pengeringan-penggorengan atau pemanggangan-penggorengan dapat dioptimalkan menggunakan algoritma ML untuk mengurangi energi yang dibutuhkan dalam setiap tahap proses. Di sinilah tantangan baru muncul, karena model ML harus dirancang untuk menangani interaksi kompleks antara dua atau lebih proses secara bersamaan, yang sering kali sulit diprediksi dengan metode konvensional.
Penerapan physics-informed ML dalam pengolahan pangan juga dibahas sebagai salah satu potensi yang menarik. Physics-informed ML menggabungkan pengetahuan fisika dasar dengan kemampuan prediktif dari algoritma ML. Ini berarti bahwa model ML tidak hanya mengandalkan data, tetapi juga didasarkan pada prinsip-prinsip fisika yang mendasari proses pengolahan pangan. Pendekatan ini sangat menjanjikan dalam meningkatkan keakuratan prediksi, terutama dalam skenario di mana data yang tersedia terbatas, dan memungkinkan pengembangan model yang lebih efisien dalam hal konsumsi data dan waktu pelatihan.
Secara keseluruhan, penggunaan ML dalam pengolahan pangan adalah terobosan yang luar biasa dan berpotensi merevolusi industri. Dengan kemampuan untuk mengoptimalkan parameter proses secara otomatis, industri pengolahan pangan dapat menghemat energi, mengurangi waktu proses, dan memastikan kualitas produk yang lebih baik. Namun, tantangan yang ada, terutama dalam hal pengumpulan data dan komputasi, masih perlu diselesaikan untuk mencapai implementasi penuh di skala industri. Makalah ini menawarkan panduan yang sangat berharga bagi para praktisi dan peneliti di bidang teknologi pangan dalam mengeksplorasi dan mengadopsi pendekatan berbasis ML untuk pengolahan pangan.
