NAM : WARDANA
A MUZAKARACHMAN.S NIM :
Q1A120086
KELAS : ITP B 2020
JUDUL JURNAL
: PENULIS :
PUBLIKASI :
LATAR BELAKANG
Dalam beberapa dekade terakhir, makanan yang diproduksi oleh akuakultur telah mengalami
peningkatan yang mengesankan di seluruh dunia, tetapi menjaga kualitas dan keamanan yang tinggi
semakin menjadi perhatian. Jelas terlihat bahwa perubahan di dalam dan di luar rantai pasokan akuakultur
dapat bertindak sebagai pendorong masuknya bahaya keamanan pangan. Pengetahuan tentang
pendorong perubahan ini dan dampaknya dalam berbagai langkah dalam rantai pasokan makanan dapat
membantu produsen makanan untuk mengurangi potensi risiko dan mempertahankan makanan
berkualitas tinggi.
Pasokan ikan global diharapkan mencapai 186 juta ton pada tahun 2030 dimana lebih dari 60%
diharapkan berasal dari budidaya ( Bank Dunia, 2013 ). Mayoritas produksi salmon dunia dibudidayakan
(sekitar 70%), dimana lebih dari 90% terdiri dari salmon Atlantik ( FAO, 2016 ). Saat ini, salmon Atlantik
yang dikonsumsi di Uni Eropa (UE) diproduksi di Norwegia, Chili, Inggris Raya, Kanada dan Kepulauan
Faroe dengan Norwegia sebagai produsen terbesar (yaitu> 80% dari semua salmon Atlantik) ( NSC,
2016 ). Meskipun produksi masih meningkat, batas biologis semakin dekat dimana masalah biologis dan
lingkungan perlu ditangani dengan mengupayakan keberlanjutan, dampak lingkungan yang rendah dan
biosekuriti.
Rantai pasokan salmon Atlantik terdiri dari berbagai langkah rantai pasokan seperti pakan, induk, telur
yang dibuahi, pertanian, pemrosesan, eceran, dan konsumen. Dalam setiap langkah ini, bahaya keamanan
pangan tertentu perlu dipantau karena dapat mempengaruhi kualitas atau volume produksi salmon. Misalnya,
pakan merupakan komponen utama biaya dalam budidaya ikan salmon Atlantik.
Tujuan
Tujuan dari penelitian ini adalah mengembangkan metodologi terintegrasi untuk menilai dan memprediksi
pengaruh pengemudi perubahan pada kerentanan dan kejadian makanan keamanan bahaya bersama Sebuah
persediaan makanan rantai.
Sampel
Secara total, 24 kuesioner (yaitu 10,9%) tentang bahaya kesehatan manusia diselesaikan oleh para ahli dari
akademisi (54%), pertanian (15%), ritel (11%), konsultasi (8%) dan perdagangan (8%) . Para ahli berasal dari
Norwegia (42%), Chili (17%), Belanda (17%), Amerika Serikat (8%), Denmark (4%), Irlandia (4%), Spanyol (4%)
dan Inggris. (4%)
. Sebagian besar ahli (58%) setuju dengan struktur rantai pasokan salmon yang disajikan dan 42%
mengusulkan perubahan dan hubungan daur ulang antara langkah-langkah rantai pasokan. Pada pertanyaan
“bagian mana dari rantai pasokan yang paling membutuhkan perhatian terkait dengan terjadinya bahaya bagi
kesehatan manusia”, pemrosesan diidentifikasi sebagai yang paling relevan, diikuti oleh ritel, konsumen, dan
pakan.
Total 20 kuesioner lengkap (yaitu 9%) diterima tentang bahaya kesehatan hewan. Kuesioner bahaya
kesehatan hewan diisi oleh lebih banyak ahlidari industri daripada dari akademisi (50% vs 32%) diikuti
oleh sektor peternakan (37%), konsultasi (18%), pengolahan (9%) dan perdagangan (4%). Negara-negara
ahli
adalah Norwegia (29%), Chili (29%), Belanda (28%), Amerika Serikat (4%), Irlandia (5%) dan Inggris (5%).
Mayoritas (58%) setuju dengan segmen rantai pasokan salmon seperti yang disajikan dalam kuesioner
dan 42% mengusulkan beberapa perubahan. Para ahli ditanyai bagian mana dari rantai pasokan yang
paling relevan terkait dengan terjadinya bahaya bagi kesehatan hewan. Peternakan dianggap paling
penting diikuti oleh induk, telur yang dibuahi dan pakan.
Metode
Studi
delphi
Sebuah
studi
Delphi
dilakuk
an
untuk
mengid
entifika
Hasil
Memilih dan memprioritaskan driver
Pada putaran pertama studi Delphi, para ahli diminta untuk menghubungkan driver ke dua kerentanan
teratas per segmen. Di babak kedua (2A hingga 2C), pembalap diutamakan. Hasilnya ditunjukkan pada
Tabel 2 (kesehatan salmon) dan Tabel 3 (kesehatan manusia). Tingkat konsensus antara para ahli adalah
antara 67 dan 83% untuk Tabel 2 dan antara 89 dan 100% untuk Tabel 3 . Tingkat konsensus antara 51
dan 80% dianggap dapat diterima ( Keeney et al., 2001 dan Linstone; Turoff, 2002 ).
Tabel 2 . Dua peringkat teratas pendorong per kerentanan terkait dengan kesehatan salmon (Tabel dari (
Marvin et al., 2019 )).
Tabel 4 . Kerentanan dan indikator per langkah yang digunakan dalam model BN (Tabel dari ( Marvin et
al., 2019 )). Segmen SC Kerentanan Indikator
Makan Penggunaan
1.Harga bahan pakan - minyak
bahan baku baru
nabati (mengandung asam lemak
omega-3)
2.Harga bahan pakan - protein laut
3.Fluktuasi harga bahan pakan - protein laut
4. Fluktuasi harga bahan pakan - minyak
nabati (mengandung asam lemak omega-
3)
Kualitas / 1.Harga bahan pakan - minyak
formulasi bahan ikan
2.Komposisi pakan ikan salmon:
a.Makanan ikan (%)
b.Makanan sayur (%)
c.Minyak ikan (%)
d.Minyak sayur (%)
e. Bahan lainnya (%)
Pengenala 1.Tingkat
Pertanian
FW n bahan penggunaan
kimia antiparasit /
antibiotik
2.Kepadatan
tebar (jumlah ikan
per m3)
Sebuah. Agen anestesi
3. Jumlah digunakan
produk kimia
b. Agen yang
melawan cacingan
digunakan di
c. Agen melawan infeksi
pertanian:
permukaan
d. Agen melawan kutu
e. Hidrogen peroksida
Pertanian Penulara 1. Kepadatan
SW n peternakan
penyakit di suatu daerah
Konstruksi dan validasi BN dilakukan seperti yang dijelaskan sebelumnya ( Bouzembrak dan Marvin, 2019
; Marvin et al., 2016 ). Dalam studi ini, 100656 kasus berbeda (yaitu 80%) digunakan untuk konstruksi
BN dan 25163 kasus berbeda (yaitu 20%) untuk validasi BN. Set validasi diambil secara acak dari
seluruh dataset.
Sebuah BN dibangun menggunakan data yang dikumpulkan pada indikator dan kerentanan dan
dioptimalkan untuk variabel / node “kerentanan '(lihat Gambar 4 ). Probabilitas setiap negara ditampilkan
sebagai batang hijau dan sebagai gambar dan probabilitas berikut untuk kerentanan yang disertakan
diamati: penggunaan bahan baku baru (25,8%), pengenalan bahan kimia (30,9%), formulasi kualitas
bahan ( 25,8%) dan penularan penyakit (17,5%). Validasi BN menunjukkan akurasi 81% dari model yang
dibangun.
Analisis sensitivitas dilakukan untuk mengidentifikasi indikator yang paling relevan, yang memiliki
kontribusi tertinggi terhadap kerentanan dalam rantai akuakultur. Sensitivitas dinyatakan sebagai entropi
dan semakin tinggi nilainya, semakin tinggi kontribusi variabel terhadap probabilitas kerentanan.
Kerentanan terbesar berasal dari indikator i) fluktuasi harga minyak nabati, 2) minyak ikan yang
digunakan untuk pakan dan 3) harga minyak ikan.
Untuk studi ini, semua konsentrasi bahaya yang dilaporkan dalam program pemantauan digunakan
sebagai masukan dan dikaitkan dengan kerentanan dan dianggap memiliki dampak serupa pada
kerentanan. Jelas, ini bukan masalahnya dan dapat diperhitungkan dengan memasukkan dampak
tertimbang dari konsentrasi dalam model untuk setiap bahaya. Bobot tersebut dapat ditentukan oleh
elisitasi ahli tetapi berada di luar cakupan studi yang dilaporkan. Untuk dapat menganalisis kontribusi
konsentrasi suatu bahaya terhadap suatu kerentanan, kami membuat node “level batas” dan “rasio
konsentrasi”. Ketika node "level batas" dibuka dan status "di atas batas" dipilih, BN menghitung
kemungkinan kerentanan untuk kondisi di mana konsentrasi bahaya berada di atas batas yang sah.
BN dapat digunakan untuk analisis skenario dengan mengubah indikator apa pun (misalnya kepadatan
tambak, dll.) Dan menentukan pengaruhnya terhadap parameter lain dalam model (misalnya kerentanan,
jenis bahaya, tingkat konsentrasi). Peningkatan probabilitas kerentanan kemudian berarti bahwa dalam
kondisi yang dipilih, kerentanan menjadi lebih relevan. Kehadiran node tahun dan bulan memungkinkan
untuk menunjukkan garis tren dari node lain menjadi indikator, bahaya atau kombinasi yang dipilih. Jenis
analisis seperti itu mungkin menarik bagi manajer kualitas dan / atau penilai risiko yang beroperasi di
rantai pasokan ikan salmon di Norwegia. Penerapan model saat ini akan meningkat dengan
menambahkan lebih banyak data untuk indikator dan data pemantauan di berbagai segmen di sepanjang
rantai pasokan ikan salmon.
Saat ini, hanya data untuk 4 segmen rantai pasokan yang dapat diambil dan tidak ada data tentang
kontaminasi mikroba yang tersedia. Jelas bahwa nilai model akan meningkat ketika data dari lebih banyak
segmen tersedia dan kontaminasi mikroba dapat dimasukkan. Terakhir, dalam studi untuk indikator ini,
hanya sumber data yang tersedia untuk umum yang dapat digunakan. Jelas bahwa peningkatan model
lebih lanjut dapat direalisasikan ketika juga sumber lain (pribadi dan / atau lebih sering diperbarui) dapat
digunakan.