Perangkat mungil buatan University of California, Berkeley, ini menjanjikan cara baru untuk mencegah keracunan makanan. Dengan 16 sensor yang dirancang seperti “digital taste buds”, alat yang disebut electric nose itu mampu membaca gas dari makanan busuk dan beberapa alergen umum dengan akurasi prediksi keseluruhan hampir 93 persen.
Tim peneliti menguji sistem ini pada beragam sampel, termasuk buah, walnut dan peanut, serta ayam mentah, susu, dan telur yang dibiarkan di luar kulkas selama 24 hingga 48 jam. Hasil awal tersebut menunjukkan bahwa teknologi ini bisa membantu menilai apakah makanan masih aman dikonsumsi atau sebaiknya dihindari.
Sensor untuk membaca bahaya yang tak bisa dideteksi hidung manusia
Selama ini, banyak orang masih mengandalkan bau sebagai penanda kesegaran makanan. Cara itu tidak selalu akurat, karena makanan yang tampak normal tetap bisa mengandung risiko yang tidak mudah dikenali oleh indera penciuman manusia.
Electric nose mencoba menjawab masalah itu lewat pembacaan berbasis sensor dan machine learning. Carla Bassil, insinyur listrik di UC Berkeley sekaligus penulis utama studi, mengatakan teknologi ini cocok diterapkan pada kulkas pintar agar pengguna mendapat peringatan saat makanan mulai mendekati batas aman.
Ia memberi gambaran sederhana tentang fungsi alat itu dengan menyebut skenario ketika kulkas bisa memberi tahu pengguna bahwa brokoli harus segera dimakan atau ayam tinggal bertahan satu hari lagi. Dengan begitu, keputusan untuk mengonsumsi atau membuang makanan dapat dibuat lebih cepat sebelum berubah menjadi sumber penyakit.
16 sensor dan lapisan material berbeda
Electric nose ini memakai 16 sensor yang masing-masing sensitif terhadap campuran gas yang sedikit berbeda. Bassil menggambarkan sensor-sensor itu sebagai “digital taste buds” karena setiap lapisan dirancang menangkap stimulus tertentu.
Setiap sensor memiliki lapisan film berbeda yang mengubah reaksi kimia antara permukaan sensor dan molekul gas menjadi sinyal listrik. Tim peneliti kemudian melatih sistem tersebut dengan machine learning untuk mengenali 16 produk makanan yang berbeda.
Berbeda dari sistem deteksi gas satu chip lain yang biasanya hanya memakai 2 hingga 10 sensor, perangkat ini dikembangkan agar lebih sederhana dalam produksi. Salah satu kelebihannya, alat ini bekerja pada suhu ruang berkat semikonduktor dari carbon nanotubes.
| Komponen | Keterangan |
|---|---|
| Jumlah sensor | 16 sensor |
| Akurasi keseluruhan | Hampir 93 persen |
| Objek uji | Buah, walnut, peanut, ayam mentah, susu, dan telur |
| Waktu sampel diuji | 24 hingga 48 jam di luar kulkas |
Produksi disederhanakan, tetapi tantangan belum hilang
Material carbon nanotubes dipilih karena memiliki luas permukaan tinggi, kuat, dan ringan. Proses pembuatannya juga relatif sederhana karena memakai teknik drop casting, yakni meneteskan larutan berisi nanopartikel ke chip, lalu membilas dan mengeringkannya dengan aliran nitrogen.
Bassil menilai keunggulan utama teknologi ini ada pada skalanya. Menurut dia, satu langkah produksi dapat dipakai untuk berbagai jenis bahan sensor, sehingga jalur pembuatan perangkat menjadi lebih mudah dikembangkan.
Meski hasil awalnya menjanjikan, alat ini belum diuji pada kondisi yang jauh lebih rumit. Perangkat tersebut memang mampu mendeteksi 0,05 gram walnut murni, atau sekitar seperseratus dari satu kacang utuh, tetapi situasi seperti mencari kacang di dalam kue atau menemukan satu makanan busuk di kulkas penuh isi masih jauh lebih sulit.
Tim peneliti juga sedang mengembangkan versi portabel yang bisa tersambung ke aplikasi smartphone. Dalam skenario yang dibayangkan, pelanggan restoran dapat menggesekkan alat ini ke sushi atau makanan lain untuk memeriksa keamanan sebelum makan.
Potensi meluas ke bidang lain
Biaya perangkat ini dan kemungkinan penerapannya di wilayah dengan sumber daya terbatas masih belum jelas. Masalah seperti kurangnya pendinginan, air yang terkontaminasi, dan listrik yang tidak stabil juga tetap menjadi faktor besar penyebab penyakit bawaan makanan.
Di luar urusan makanan, tim peneliti melihat peluang penggunaan yang lebih luas. Teknologi ini disebut dapat dikembangkan untuk biometrik dan pemantauan aroma tubuh, dengan pendekatan yang disebut mirip cara anjing pendeteksi diabetes membantu membaca kondisi kesehatan manusia.
“Machine learning telah menjadi pengubah permainan bagi teknologi sensor,” kata Bassil. Ia menilai kemajuan dalam pengenalan pola dan kemudahan penggunaan membuka jalan bagi sensor yang bisa disesuaikan dengan kebutuhan aplikasi tertentu.