ERA BARU PENGUJIAN PANGAN: Cepat, Cerdas, dan Berbasis AI

Oleh Widiastuti Setyaningsih
Departemen Teknologi Pangan dan Hasil Pertanian Fakultas Teknologi Pertanian Universitas Gadjah Mada

Tuntutan industri pangan modern menempatkan kecepatan memperoleh informasi pada tingkat kepentingan yang setara dengan akurasi hasil pengujian. Di tengah laju produksi yang pesat, keputusan mutu tidak lagi bisa menunggu analisis laboratorium selama berhari-hari. Industri membutuhkan sistem pengujian yang tak hanya akurat, tetapi juga memberikan kepastian secara cepat, andal, dan siap ditindaklanjuti.

Keputusan tentang penerimaan bahan baku, kelayakan produk, potensi kontaminasi, hingga indikasi pemalsuan tidak lagi ideal bila harus menunggu hasil analisis selama berhari-hari. Industri membutuhkan sistem pengujian yang mampu memberikan informasi secara cepat, andal, dan mudah ditindaklanjuti.

Selama ini, banyak metode pengujian pangan konvensional telah menjadi fondasi penting dalam menjamin mutu dan keamanan produk. Metode seperti kromatografi, pengujian mikrobiologi, titrasi, atau analisis kimia basah tetap memiliki posisi penting karena akurasi dan validitasnya telah diakui secara luas. Namun, dalam konteks industri yang bergerak cepat, metode tersebut sering menghadapi tantangan dari sisi waktu analisis, kebutuhan reagen, preparasi sampel, biaya operasional, serta keterbatasan untuk diterapkan secara langsung di lini produksi.

Teknologi spektroskopi, Polymerase Chain Reaction (PCR), electronic nose, computer vision, dan sensor modern memungkinkan pengujian yang lebih efisien. Ketika dipadukan dengan kemometrik dan kecerdasan buatan, data kompleks dapat diolah menjadi informasi praktis untuk mendukung keputusan. Arah baru pengujian pangan bukan hanya mengukur, tetapi juga membantu menentukan tindakan: menerima bahan baku, melepas produk, mendeteksi pemalsuan, atau mengoreksi proses produksi. Pendekatan ini membuat pengendalian mutu lebih responsif, objektif, dan berbasis data di sepanjang rantai produksi pangan modern saat ini.

Dari metode konvensional ke analisis cepat
Metode konvensional tetap penting sebagai acuan validasi, konfirmasi, dan pemenuhan regulasi. Namun, dalam industri pangan yang menuntut pengujian berskala besar dan keputusan cepat, metode ini sering terkendala waktu, preparasi sampel, serta kebutuhan analisis yang panjang. Pada beberapa kasus, hasil baru diperoleh setelah beberapa jam hingga beberapa hari, sementara keputusan mutu harus diambil dalam hitungan menit. Analisis cepat menjawab kebutuhan tersebut dengan menghasilkan informasi dalam waktu singkat dan preparasi minimal. Teknik spektroskopi seperti Fourier Transform Infrared Spectroscopy (FTIR) dan Near Infrared Spectroscopy (NIR) memungkinkan pengujian langsung, non-destruktif atau minim destruksi, sehingga sesuai untuk pengawasan bahan baku, sortasi, autentikasi, dan pemantauan proses. Meski demikian, data instrumen modern sangat kompleks. Karena itu, kemometrik dan kecerdasan buatan diperlukan untuk menerjemahkan spektrum menjadi keputusan yang cepat, objektif, dan bermakna.

Kemometrik dan AI: mengubah sinyal menjadi keputusan
Instrumen analisis modern menghasilkan data besar seperti spektrum, kromatogram, citra, aroma digital, dan respons sensor yang sulit ditafsirkan secara langsung. Kemometrik membantu mengolah data tersebut agar pola, perbedaan, dan hubungan kuantitatif menjadi lebih jelas. Principal Component Analysis (PCA) dan Hierarchical Cluster Analysis (HCA) digunakan untuk eksplorasi serta visualisasi pola, sedangkan Partial Least Squares Regression (PLSR) memprediksi kadar senyawa atau parameter mutu. Untuk klasifikasi dan prediksi yang lebih kompleks, machine learning seperti Support Vector Machine (SVM), Random Forest (RF), Linear Discriminant Analysis (LDA), Elastic Net, hingga algoritma seleksi variabel seperti Boruta semakin banyak digunakan. Dalam pengujian pangan, AI berperan sebagai “otak” yang membaca pola analitik, membedakan sampel normal dan menyimpang, memprediksi komponen penting, serta memberi peringatan dini. Pendekatan ini mengubah pengujian pangan dari reaktif menjadi lebih prediktif, sehingga masalah dapat diantisipasi sejak awal.

Aplikasi dalam pengendalian mutu bahan baku
Mutu bahan baku sangat menentukan mutu produk akhir, tetapi proses sortasi dan verifikasi sering kali masih dilakukan secara visual atau manual. Cara ini rentan terhadap subjektivitas dan membutuhkan tenaga kerja besar, terutama untuk komoditas pertanian yang memiliki variasi alami.

Pada komoditas kopi, misalnya, sortasi biji menjadi penting karena perbedaan morfologi dan komposisi dapat memengaruhi kualitas sangrai, cita rasa, dan nilai ekonomi produk. Dalam penelitian kami, NIR spectroscopy yang dikombinasikan dengan machine learning digunakan untuk membedakan biji kopi peaberry dan non-peaberry secara non-destruktif. Model SVM mampu menghasilkan akurasi klasifikasi hingga 100% pada set data uji, sedangkan RF meningkat menjadi 100% setelah seleksi fitur dengan algoritma Boruta. Pendekatan ini menunjukkan bahwa NIR dan machine learning berpotensi digunakan sebagai alat bantu quality control untuk sortasi bahan baku kopi secara cepat, objektif, dan konsisten.

Contoh tersebut menunjukkan bahwa analisis cepat tidak hanya relevan untuk laboratorium, tetapi juga dapat diarahkan untuk mendukung proses industri. Pada masa depan, sistem serupa dapat dikembangkan untuk berbagai bahan baku lain, seperti biji-bijian, rempah, kacang-kacangan, buah, sayuran, hingga bahan pangan fungsional.

Autentikasi dan deteksi pemalsuan pangan
Pemalsuan pangan menjadi tantangan besar karena sering kali dilakukan dengan bahan yang secara visual sulit dibedakan dari produk asli. Pada produk bernilai ekonomi tinggi, seperti kakao, madu, kopi, minyak, susu bubuk, atau bahan pemanis, pemalsuan dapat menurunkan mutu, merugikan konsumen, dan berdampak pada reputasi industri.

Salah satu contoh penerapan analisis cepat adalah deteksi pemalsuan bubuk kakao menggunakan Vis-NIR spectroscopy dengan pendekatan kemometrik. Dalam penelitian tersebut, bubuk kakao dicampur dengan beberapa bahan pemalsu, seperti carob, cocoa shell, foxtail millet, kedelai, dan gandum. Walaupun spektrum sampel murni dan tercampur tampak saling tumpang tindih, penggunaan SVM dan RF mampu mengklasifikasikan sampel dengan akurasi 100% pada kondisi pengujian laboratorium. Untuk kuantifikasi tingkat adulterasi, model PLSR yang dikombinasikan dengan Boruta menghasilkan performa sangat tinggi, bahkan dengan nilai R² mendekati 1 dan RMSE sangat rendah.

Menariknya, penelitian tersebut juga dikembangkan menjadi aplikasi daring berbasis data spektrum. Hal ini menunjukkan bahwa analisis pangan modern tidak harus berhenti pada publikasi ilmiah, tetapi dapat diarahkan menjadi sistem yang lebih mudah diakses oleh pengguna industri, laboratorium, maupun pemangku kepentingan lain.

Contoh lain adalah pengujian highfructose syrup, yaitu pemanis bernilai ekonomi tinggi yang banyak digunakan dalam industri makanan dan minuman. Dengan ATR-FTIR yang dipadukan dengan model kemometrik, profil gula dapat dianalisis secara cepat untuk membantu membedakan komposisi dan mendeteksi potensi substitusi dengan bahan yang lebih murah. Aplikasi seperti ini berpotensi mendukung kebutuhan regulator, termasuk laboratorium kepabeanan, dalam mempercepat pengambilan keputusan terkait klasifikasi produk dan penetapan tarif.

Analisis cepat untuk komoditas hidrokoloid dan pangan fungsional
Analisis cepat juga sangat relevan untuk bahan pangan berbasis sumber daya alam Indonesia. Rumput laut, misalnya, merupakan bahan baku penting untuk produksi karagenan yang digunakan luas sebagai pembentuk gel, penstabil, dan pengental dalam industri pangan. Mutu rumput laut dan komposisi karagenan sangat menentukan performa produk akhir, tetapi analisis konvensional umumnya membutuhkan proses ekstraksi, perlakuan kimia, dan waktu yang relatif panjang.

Dalam penelitian kami pada Kappaphycus alvarezii, ATR-FTIR spectroscopy dikombinasikan dengan PLS regression digunakan untuk memprediksi rendemen karagenan serta komposisi kappa dan iota karagenan. Pendekatan ini bersifat cepat dan bebas pelarut, sehingga lebih sesuai dengan prinsip green analytical chemistry. Model yang dikembangkan menunjukkan performa prediktif yang kuat dan dapat mendukung penilaian mutu pada tahap awal, khususnya dalam sortasi, pembelian bahan baku, dan pengendalian proses industri hidrokoloid. Pendekatan ini dapat mendukung quality control bahan pangan fungsional, khususnya ketika industri perlu memastikan konsistensi bahan aktif dalam produk.

Integrasi dengan Industri 4.0
Keunggulan analisis cepat akan semakin besar ketika diintegrasikan dengan sistem digital. Instrumen berbasis sensor, spektroskopi portabel, computer vision, dan perangkat Internet of Things (IoT) memungkinkan pengumpulan data secara real-time dari berbagai titik produksi. Data tersebut kemudian dapat diproses menggunakan model AI untuk menghasilkan keputusan cepat.

Dalam industri pangan, integrasi ini dapat diterapkan pada berbagai tahap: penerimaan bahan baku, pemantauan proses, inspeksi produk akhir, deteksi kontaminasi, autentikasi, hingga dokumentasi mutu. Sistem dapat dirancang untuk memberikan peringatan dini ketika suatu parameter mulai menyimpang dari standar. Dengan demikian, tindakan koreksi dapat dilakukan sebelum produk gagal mutu atau sebelum risiko keamanan pangan berkembang lebih jauh.

Namun, penerapan AI dalam pengujian pangan tetap memerlukan kehati-hatian. Model prediksi harus dibangun dari data yang representatif, divalidasi dengan baik, dan diperbarui secara berkala. Perbedaan varietas, musim, asal geografis, proses pengolahan, kadar air, dan kondisi penyimpanan dapat memengaruhi hasil pengukuran. Oleh karena itu, AI bukan pengganti validasi ilmiah, melainkan alat bantu untuk mempercepat interpretasi data bila digunakan dengan prinsip analitik yang benar.

Prospek di Indonesia
Indonesia memiliki peluang besar untuk mengembangkan analisis cepat berbasis teknologi digital. Sebagai negara dengan keragaman komoditas pangan, rempah, hasil perkebunan, hasil laut, dan bahan pangan fungsional, kebutuhan akan sistem pengujian yang cepat dan andal sangat tinggi.

Bagi industri besar, teknologi ini dapat meningkatkan efisiensi quality control, mengurangi waktu tunggu hasil analisis, dan mempercepat keputusan produksi. Bagi UMKM, tantangannya adalah biaya instrumen, akses terhadap laboratorium, dan ketersediaan sumber daya manusia. Namun, perkembangan instrumen portabel, aplikasi berbasis komputasi awan, dan model kolaborasi dengan perguruan tinggi dapat membuka peluang penerapan yang lebih luas.

Regulator juga dapat mengambil manfaat dari analisis cepat. Pengawasan pangan yang berbasis data dapat mempercepat proses skrining, memperkuat sistem peringatan dini, serta membantu menentukan sampel mana yang perlu dianalisis lebih lanjut dengan metode konfirmasi. Dengan strategi ini, analisis cepat tidak menggantikan metode standar, tetapi menjadi lapisan awal yang memperkuat sistem pengawasan pangan.

Kunci keberhasilan penerapannya adalah kolaborasi. Perguruan tinggi dan lembaga riset dapat mengembangkan metode dan model prediksi. Industri dapat menyediakan konteks aplikasi dan kebutuhan nyata di lapangan. Regulator dapat memastikan bahwa sistem yang dikembangkan tetap memenuhi prinsip validasi, akurasi, dan ketertelusuran. Sementara itu, pelaku usaha dapat memanfaatkan teknologi ini untuk meningkatkan konsistensi mutu dan kepercayaan konsumen.

Bagi Indonesia, pengembangan analisis cepat menjadi peluang strategis untuk memperkuat keamanan pangan, meningkatkan daya saing industri, dan mendukung pemanfaatan sumber daya pangan lokal secara lebih bernilai. Masa depan pengujian pangan akan semakin bergerak menuju sistem yang cepat, terhubung, adaptif, dan berorientasi pada keputusan. Dalam konteks tersebut, analisis pangan bukan hanya alat verifikasi, tetapi bagian penting dari sistem industri pangan modern yang aman, bermutu, dan terpercaya.

Referensi:
Setyaningsih, W., Prajna, D., Larasati, I. D., Palma, M., & Santoso, U. (2026). A non-destructive classification method of peaberry and non-peaberry coffee using near infrared spectroscopy and machine learning algorithms. Journal of Food Measurement and Characterization, (20) 9428–9439. https://doi.org/10.1007/ s11694-026-04281-2

Kamil, Z. S. I., Renaka, J. I., Larasati, I. D. Hermawan, A., Estiasih, T., Ray, H. R. D., Palma, M., Yupanqui, C. T., and Setyaningsih, W. (2026). Rapid and Eco-Friendly Quantification of Phenolic Compounds in Roselle Powder Using ATR-FTIR Coupled with Chemometric Modeling. Trends in Sciences, 23(7): 12671. https://doi.org/10.48048/tis.2026.12671

Erinawati, D. A., Setyaningsih, W., & Palma, M. (2025). Spectroscopy and Chemometric-based Method for Sugar Profiling in Highfructose Syrup. Applied Food Research, 5, 100872. https://doi. org/10.1016/j.afres.2025.100872

Renaka, J. I., Setyaningsih, W., & Palma, M. (2025). Fast and Solvent-free Determination of Kappa and Iota Carrageenan in Kappaphycus alvarezii using ATR-FTIR Spectrocopy and Chemometrics. Food Chemistry, 495, 146371. https://doi. org/10.1016/j.foodchem.2025.146371

Millatina, N. R. N., P´erez Calle, J. L., Barea-Sepúlveda, M., Setyaningsih, W., Palma, M. (2024). Detection and quantification of cocoa powder adulteration using Vis-NIR spectroscopy with chemometrics approach. Food Chemistry, 449, 139212. https://doi.org/10.1016/j. foodchem.2024.139212