Pengawasan Otomatis Mutu Daging Ikan Menggunakan Machine Vision

Karena sifat daging ikan yang cepat mengalami kebusukan oleh proses biokimiawi maupun aktifitas bakteri, dalam industri perikanan selalu dibutuhkan pengawasan yang ketat terhadap mutu ikan sepanjang proses produksi, contohnya adalah yang berlangsung pada industri tuna dan salmon segar.

Pengujian mutu produk tersebut biasanya merupakan pekerjaan yang terus menerus atau berulang-ulang dan sifatnya sangat subjektif ditentukan oleh seorang ahli atau pengawas mutu terlatih. Seorang ahli mutu biasanya menentukan kualitas produk ikan segar melalui panca inderanya, dengan cara dilihat, dicium atau dirasa. Oleh karenanya, kualitas mutu ikan segar menjadi sangat subjektif karena dipengaruhi oleh kemampuan pengawas mutu, dan juga dipengaruhi faktor lainnya seperti kelelahan, dan kesalahan manusia.

Mutu ikan segar sebenarnya berhubungan erat dengan warna dan penampakan dagingnya. Hal ini menjadikan peluang untuk pemanfaatan aplikasi machine vision dalam industri produk ikan segar, yaitu untuk mendapatkan hasil penilaian kualitas produk yang lebih cepat dan lebih objektif. Aplikasi serupa sebenarnya juga telah dikembangkan pada produk-produk daging sapi atau unggas, seperti yang dilakukan oleh Garavand dkk. (2019) dalam menentukan kualitas daging ayam potong beku, yaitu menggunakan informasi perubahan warna produk yang disimpan selama 13 hari. Informasi warna daging ayam yang diambil sebagai dataset oleh Garavand dkk. yaitu rentang warna red, green, blue (RGB) dan L*A*B*. Kemudian untuk produk ikan segar, Garavand (2019) dkk. juga melakukan hal yang sama untuk menentukan kesegaran ikan mas selama penyimpanan dingin. Sedangkan Lugatiman dkk. (2019) melakukannya untuk menentukan kesegaran ikan tuna ekor kuning.

Informasi warna daging ikan yang diperoleh melalui kamera selanjutnya akan dibaca oleh mesin komputer sebagai bentuk angka-angka. Setelah informasi warna didapatkan melalui proses akuisisi gambar, biasanya dilanjutkan dengan proses pengkelasan (clustering) informasi warna tersebut, misalkan menjadi kelas “segar”, “kurang segar” dan “tidak segar” dengan menggunakan algoritma seperti  support vector machine (SVM), K-nearest neighbor (KNN) atau artificial neural network (ANN).

Contoh hasil ekstraksi fitur warna daging ikan (a) salmon dan (b) tuna (sumber: Medeiros dkk., 2021)

Semakin banyak dataset gambar daging ikan yang dilatihkan menggunakan algoritma machine learning (ML) maka semakin baik atau akurat model yang dihasilkan. Model dari hasil pelatihan dataset inilah yang kemudian diinstal atau di deploy pada mesin atau komputer untuk menentukan mutu daging ikan pada proses produksi. 

Ilustrasi inspeksi kualitas daging ikan menggunakan machine vision (sumber: www.toptal.com)

Dengan menggunakan teknologi machine vision, maka inspeksi mutu produk ikan yang dihasilkan oleh industri menjadi lebih terjamin dan lebih seragam karena pengawasan dilakukan secara objektif serta meminimalkan kekeliruan akibat kesalahan manusia.

Penulis: Bakti Berlyanto Sedayu - LRMPHP