Predictive microbiology adalah salah satu pendekatan matematis yang didasarkan pada premis dari respons populasi mikroorganisme terhadap faktor lingkungan. Metode ini ini dapat digunakan untuk memprediksi secara kuantitatif perilaku pertumbuhan, kematian, produksi racun pada populasi mikroba pada pangan dalam jangka waktu tertentu.
Pendekatan matematis, model prediktif dapat diklasifikasikan menjadi model primer, sekunder dan tersier. Model prediktif ini bertujuan untuk memprediksi umur simpan pada pangan serta penggunaannya dalam menilai risiko mikrobiologi. Aplikasi predictive microbiology dapat digunakan pada berbagai produk pangan, salah satunya adalah produk olahan susu.
Susu merupakan salah satu produk yang mudah terkontaminasi bakteri, seperti Listeria monocytogenes. Berdasarkan Centers for Disease Control and Prevention (CDC), pada tahun 2022-2023 terjadi outbreak kontaminasi L. monocytogenes pada beberapa produk susu seperti ice cream dan keju dari berbagai merek. Kejadian berulang di tahun 2024, pada Queso Fresco dan Cotija Cheese dari Rizo-Lopez Food yang mengakibatkan setidaknya 26 korban dari 11 negara bagian.
Adanya L. monocytogenes tersebut dapat ditemukan pada rantai proses pangan sehingga menjadi kekhawatiran bagi masyarakat. Kondisi suhu dan waktu penyimpanan yang tidak diperhatikan dapat meningkatkan pertumbuhan bakteri ini, sehingga perlu adanya evaluasi dengan menggunakan predictive microbiology. Model matematis yang digunakan pada predictive microbiology adalah model primer, model sekunder dan model tersier.
Model primer merupakan model yang digunakan untuk menggambarkan proses pertumbuhan mikroba dari waktu ke waktu dalam lingkungan yang konstan. Model yang biasa digunakan sebagai model primer adalah Baranyi and Roberts, Gompertz, serta Logistic. Adapun rumus masing-masing model seperti berikut:
Model sekunder Model sekunder merupakan model yang biasa digunakan untuk memodelkan dampak dari berbagai kondisi lingkungan berdasarkan parameter utama seperti Aw, pH, dan suhu yang disesuaikan dengan data pertumbuhan data pertumbuhan dengan model primer. Jenis-jenis model sekunder yaitu Ratkowsky dan Arrhenius. Model Ratkowsky biasa digunakan untuk memprediksi hubungan antara suhu dan laju pertumbuhan maksimum, sedangkan model Arrhenius biasa digunakan untuk karakterisasi pengaruh suhu penyimpanan dengan pertumbuhan mikroba dalam makanan. Berikut adalah model Model Ratkowsky
Sedangkan model tersier adalah metode gabungan antara metode primer dengan sekunder untuk menggambarkan pertumbuhan mikroorganisme pada lingkungan yang dinamis. Model tersier ini biasanya dihitung menggunakan software.
Menurut peneltian Adamczewski et al. (2022) pada pembuatan krim pasteurisasi yang sudah diberikan eksperimental laboratorium mengggunakan bakteri L. monocytogenes dapat dilihat pada Gambar 1 sebagai berikut:
Gambar 1 Hasil model primer menggunakan persamaan Baranyi dan Robertz pada krim pasteurisasi
Berdasarkan Gambar 1 didapatkan hubungan antara model ComBase Prediction atau CP (garis putus-putus) dengan data observasi DMFit (garis lurus) pada sampel krim pasteurisasi. CP merupakan platform online yang dalam penelitian ini digunakan untuk memprediksi kecepatan tumbuh pada berbagai suhu penyimpanan, sedangkan DMFit merupakan software untuk memodelkan data hasil percobaan dengan model pertumbuhan primer (model Baranyi dan Roberts).
Kedua garis lalu dibandingkan untuk mengevaluasi kesesuaian model primer dan memberikan informasi berupa nilai R2 yang menunjukkan kesesuaian antara data empiris dan nilai prediksi, sehingga diperoleh gambaran tingkat akurasi oleh model prediktif.
Gambar 2 Hubungan pertumbuhan L. monocytogenes menggunakan model Ratkowsky pada krim pasteurisasi
Hasil menunjukkan adanya hubungan linear antara kecepatan tumbuh dan suhu penyimpanan yang semakin meningkat. Hal ini dapat terjadi karena suhu merupakan salah satu faktor yang dapat mempengaruhi laju pertumbuhan mikroba. Semakin tinggi suhu maka aktivitas metabolisme pembelahan sel juga akan meningkat, sehingga laju reaksi menjadi cepat. Namun, hal tersebut tidak selalu linear, karena suhu yang terlalu ekstrim justru dapat menyebabkan mikroba tidak dapat tumbuh atau mati. Selain itu terdapat penelitian terkait predictive microbiology pada produk olahan susu yang dapat dirangkum secara singkat pada Tabel 1 berikut:
Tabel 1 Predictive modeling pada Listeria monocytogenes pada produk susu
| Jenis Produk | Model Primer | Model Sekunder | Referensi | Kesimpulan |
| Butter dan krim pasteurisasi | Model Baranyi dan Robert | Model Ratkowsky | Adamczewski et al (2022) | Model ini memiliki tingkat akurat yang tinggi dalam memprediksi L. monocytogenes selama penyimpanan dan suhu yang berbeda |
| Chhana Cheese | Model logistikModifikasi model GompertzModel Baranyi dan Robert | Model Ratkowsky | Chaturvedi et al (2023) | Penggunaan model Baranyi dan Robert lebih cocok digunakan pada penelitian ini dikarenakan memiliki tingkat prediksi yang tinggi dibandingkan model lainnya |
Berdasarkan hasil pemodelan beberapa produk olahan susu (butter komersial, Chhana, dan krim pasteurisasi), dengan percobaan pada 3 tipe model predictive microbiology dapat disimpulkan bahwa model primer yang cocok digunakan yaitu model Baranyi dan Robert, sedangkan model sekunder dapat digunakan model Ratkowsky.
Penulis: Isdiana Fitriyani dan Nailus Syarifah
Mahasiswa Pascasarjana Ilmu Pangan
IPB university
Referensi
Adamczewski K, Staniewski B, Kowalik J. 2022. The Applicability of Predictive Microbiology Tools for Analysing Listeria monocytogenes Contamination in Butter Produced by The Traditional Batch Churning Method. International Dairy Journal. 132(1):1-9.
Chen Q, Zhao Z, Wang X, Xiong K, Shi C. 2022. Microbiological Predictive Modeling and Risk Analysis Based on The One-Step Kinetic Integrated Wiener Process. Innovative Food Science and Emerging Technologies. 75:1-10.
Chaturvedi K, Basu S, Singha S, Das K. 2023. Predictive Microbial Growth for an Effective Shelf-Life Extension Strategy of Chhana (Indian Cottage Cheese). Food Control. 149:1-10.
Tarlak F. 2023. The Use of Predictive Microbiology for the Prediction of the Shelf Life of Food Products. Foods. 12:1-15.