[17 Juni 2025], Industri pangan semakin menekankan efisiensi dan konsistensi kualitas produk olahan, termasuk ikan goreng yang banyak diproduksi untuk kebutuhan makanan siap saji. Tingkat kematangan sangat menentukan cita rasa, tekstur, dan daya tarik visual, sehingga menjadi faktor kunci dalam kepuasan konsumen. Namun, metode konvensional seperti uji sensorik manual dan pengukuran kimiawi sering kali memakan waktu, tidak konsisten, dan sulit diterapkan pada skala industri besar. Oleh karena itu, dibutuhkan sistem cerdas yang mampu mendeteksi tingkat kematangan secara cepat, akurat, dan non-destruktif.

Potongan ikan digoreng dalam berbagai rentang waktu untuk menghasilkan variasi tingkat kematangan. Penilaian sensorik dan analisis fisikokimia dilakukan, meliputi suhu inti, tekstur, warna, distribusi kelembapan, dan profil aroma elektronik. Berdasarkan hasil evaluasi, ditetapkan empat kategori kematangan: mentah, setengah matang, matang sempurna, dan terlalu matang. Citra visual dari setiap kategori kemudian dikumpulkan sebagai dataset. Tiga model jaringan saraf konvolusional populer, yaitu VGGNet-19, ResNet-50, dan DenseNet-121, diuji untuk mengklasifikasikan tingkat kematangan. DenseNet-121 kemudian disempurnakan menjadi model GP-Net agar performanya lebih optimal.

Analisis menunjukkan bahwa tingkat kematangan berhubungan erat dengan perubahan visual, terutama pada parameter warna kemerahan (a*) dan kekuningan (b*) yang mencatat korelasi lebih dari 0,9. Hasil ini menegaskan bahwa penilaian berbasis visual dapat dijadikan indikator kuat untuk menentukan kematangan. Dari sisi performa model, VGGNet-19 mencapai akurasi 83,53 %, ResNet-50 mencapai 86,75 %, sementara DenseNet-121 mencatat 90 %. Setelah dilakukan fine-tuning, GP-Net berhasil meningkatkan akurasi hingga hampir 6 % lebih tinggi dibandingkan model awal. Keunggulan ini menjadikan GP-Net mampu mengenali kematangan ikan goreng secara real-time dengan stabilitas prediksi yang tinggi.

Penggunaan deep learning dalam klasifikasi kematangan ikan goreng membuka peluang besar untuk otomasi kontrol kualitas dalam industri pangan. Dengan memanfaatkan basis data visual serta model GP-Net, proses pengendalian mutu dapat dilakukan lebih cepat, akurat, dan konsisten. Sistem ini membantu mengurangi ketergantungan pada penilaian manual yang subjektif, serta meningkatkan efisiensi produksi makanan olahan.

Referensi

• Zhang, Y., Hou, M., Peng, L., Liu, D., Qiu, M., Zheng, O., Chen, K., Sun, Q., & Liu, S. (2025). Construction of an intelligent recognition system for the cooking doneness of deep-fried golden pompano (Trachinotus ovatus) based on deep learning. Food Bioscience, 68, 106644. https://doi.org/10.1016/j.fbio.2025.106644.