Norwegia Ungkap Rahasia Budidaya Salmon Modern! Begini Cara AI Memantau Kesehatan Ikan 24 Jam Tanpa Henti!

Aplikasi Teknik Perikanan Modern di Norwegia: Bagaimana Kecerdasan Buatan Memantau Kesehatan Salmon Secara Real-Time

 

Pendahuluan

 

Norwegia dikenal sebagai salah satu negara dengan industri akuakultur paling maju di dunia. Keberhasilan negara ini tidak hanya ditopang oleh kondisi perairan yang ideal, tetapi juga oleh penerapan teknologi digital yang sangat canggih dalam setiap tahapan budidaya ikan, terutama salmon Atlantik (Salmo salar) (FAO, 2024; Norwegian Seafood Council, 2024).

 

Di tengah meningkatnya permintaan global terhadap produk perikanan yang berkualitas tinggi, industri salmon Norwegia terus berinovasi melalui pemanfaatan Kecerdasan Buatan (Artificial Intelligence/AI), Visi Komputer (Computer Vision), Pembelajaran Mendalam (Deep Learning), Internet of Things (IoT), robotika, hingga analisis data berskala besar (big data analytics) (Føre et al., 2018).

 

Salah satu tantangan terbesar dalam budidaya salmon adalah menjaga kesehatan jutaan ikan yang dipelihara di dalam keramba jaring apung di laut terbuka. Selama bertahun-tahun, pemeriksaan kesehatan ikan dilakukan secara manual dengan menangkap sampel ikan secara berkala. Cara ini memerlukan banyak tenaga kerja, berpotensi menimbulkan stres pada ikan, serta tidak mampu mendeteksi penyakit sejak tahap awal (Stien et al., 2013).

 

Kini, pendekatan tersebut mulai bergeser menuju sistem pemantauan otomatis berbasis AI. Kamera bawah air yang dipadukan dengan algoritma pembelajaran mendalam mampu mengamati setiap ikan secara individual selama 24 jam sehari tanpa harus mengangkat ikan dari air. Teknologi ini memungkinkan deteksi penyakit, stres, kelainan pertumbuhan, hingga infestasi parasit secara real-time, sehingga tindakan pencegahan dapat dilakukan jauh sebelum penyakit menyebar ke seluruh populasi (Føre et al., 2018; Yang et al., 2021).

 

Transformasi Budidaya Salmon Menuju Akuakultur Presisi

 

Konsep Precision Aquaculture atau akuakultur presisi merupakan penerapan teknologi digital untuk mengelola budidaya ikan berdasarkan data yang dikumpulkan secara terus-menerus (Føre et al., 2018).

Pada keramba modern di Norwegia, ribuan sensor bawah air bekerja secara simultan untuk memantau suhu, kadar oksigen terlarut, salinitas, arus laut, intensitas cahaya, serta perilaku ikan. Semua informasi tersebut dikirim ke pusat data melalui jaringan komunikasi berkecepatan tinggi dan diproses menggunakan model AI (Jordal et al., 2020).

Dengan demikian, petugas budidaya tidak lagi mengandalkan pengamatan visual semata, tetapi memperoleh rekomendasi ilmiah yang didasarkan pada jutaan data biologis yang dianalisis setiap hari (FAO, 2024).

 

Bagaimana AI "Melihat" Ikan di Dalam Air?

 

Berbeda dengan manusia yang mengandalkan mata, sistem AI menggunakan kamera resolusi tinggi yang dipasang di berbagai titik dalam keramba.

Kamera ini terus mengambil gambar maupun video ribuan ekor salmon dari berbagai arah. Setiap detik, sistem menghasilkan ratusan hingga ribuan citra digital yang kemudian dianalisis menggunakan algoritma Computer Vision (Li et al., 2020).

Visi komputer memungkinkan komputer mengenali objek layaknya manusia, tetapi dengan kemampuan memproses jutaan gambar secara konsisten tanpa kelelahan (Goodfellow et al., 2016).

 

Tahap Pertama: Akuisisi Data Gambar dan Video

 

Kamera Stereoskopis 3D

Keramba modern menggunakan kamera stereoskopis yang terdiri atas dua lensa atau lebih. Prinsip kerjanya menyerupai cara mata manusia memperkirakan kedalaman sehingga AI dapat menghitung panjang, tinggi, lebar, hingga volume tubuh salmon secara akurat (Costa et al., 2006).

Data tiga dimensi ini memungkinkan AI memperkirakan berat tubuh ikan tanpa perlu menangkap atau menimbangnya secara langsung (Føre et al., 2018).

Pencahayaan LED Khusus

Lingkungan bawah air sering memiliki pencahayaan yang berubah-ubah akibat kedalaman, cuaca, maupun kekeruhan air. Oleh karena itu, sistem menggunakan pencahayaan LED khusus agar permukaan tubuh ikan tetap dapat dianalisis secara optimal (Rasmussen et al., 2021).

 

Tahap Kedua: Segmentasi dan Pengenalan Wajah Ikan

 

Segmentasi Objek Menggunakan CNN

Tahapan pertama adalah segmentasi citra, yaitu memisahkan tubuh salmon dari latar belakang berupa air, jaring, maupun gelembung udara. Proses ini dilakukan menggunakan Convolutional Neural Network (CNN) yang telah dilatih menggunakan jutaan citra salmon (LeCun et al., 2015; Goodfellow et al., 2016).

Fish Face Recognition

Pada bagian kepala salmon terdapat pola bintik hitam alami yang berbeda pada setiap individu. AI memanfaatkan pola tersebut layaknya sistem pengenal wajah manusia sehingga riwayat pertumbuhan dan kesehatan setiap ikan dapat dilacak dari waktu ke waktu (Ruff et al., 2020).

 

Tahap Ketiga: Ekstraksi Fitur untuk Diagnosis Kesehatan

 

Deteksi Kutu Laut (Lepeophtheirus salmonis)

Parasit Lepeophtheirus salmonis merupakan salah satu ancaman utama bagi industri salmon dunia (Costello, 2009).

AI dilatih menggunakan ribuan hingga jutaan gambar kutu laut sehingga mampu mengenali bentuk, warna, ukuran, serta posisi khas parasit yang menempel pada tubuh ikan (Ronneberg et al., 2015; Yang et al., 2021).

 

Analisis Luka dan Kerusakan Tubuh

AI memeriksa berbagai kelainan fisik seperti luka terbuka, sirip rusak, infeksi kulit, bercak kemerahan, mata keruh, maupun kerusakan insang. Hasil analisis dibandingkan dengan basis data penyakit yang telah dipelajari selama proses pelatihan model AI (Goodfellow et al., 2016; Yang et al., 2021).

Analisis Bentuk Tubuh

Melalui pemodelan tiga dimensi, AI mengukur panjang tubuh, tinggi badan, ketebalan, simetri, hingga kelengkungan tulang belakang. Kelainan bentuk tubuh sering menjadi indikator gangguan nutrisi, faktor genetik, maupun penyakit kronis (Costa et al., 2006).

 

Tahap Keempat: Behavioral AI

 

AI tidak hanya menganalisis kondisi fisik, tetapi juga perilaku berenang salmon.

 

Salmon sehat umumnya berenang secara sinkron dalam kelompok (schooling behavior). Sebaliknya, ikan yang sakit cenderung berenang lambat, menyendiri, kehilangan keseimbangan, atau sering melompat akibat iritasi kutu laut (Stien et al., 2013; Føre et al., 2018).

 

Model AI berbasis motion tracking mampu mengenali perubahan perilaku tersebut bahkan sebelum gejala klinis tampak secara visual (Li et al., 2020).

 

Selain itu, AI menghitung biomassa secara otomatis berdasarkan citra tiga dimensi. Jika pertumbuhan menyimpang dari kurva normal, sistem akan memberikan peringatan dini mengenai kemungkinan gangguan kesehatan atau nutrisi (Føre et al., 2018).

 

Tahap Kelima: Pengambilan Keputusan Otomatis

 

Keunggulan utama sistem AI adalah kemampuannya menghubungkan hasil diagnosis dengan perangkat otomatis di dalam keramba.

 

Jika AI mendeteksi kutu laut, koordinat parasit dikirim ke robot Stingray Laser, yang kemudian menembakkan sinar laser presisi untuk membunuh kutu tanpa melukai salmon (Bechmann et al., 2019).

 

Pada beberapa fasilitas budidaya modern, sistem AI juga dapat diintegrasikan dengan mekanisme penyortiran otomatis untuk memisahkan ikan yang dicurigai sakit ke ruang observasi atau karantina sehingga penyebaran penyakit dapat diminimalkan (Føre et al., 2018).

 

Manfaat bagi Industri Perikanan

Penerapan AI pada budidaya salmon memberikan berbagai manfaat, antara lain meningkatkan kesejahteraan ikan (animal welfare), mempercepat deteksi penyakit, mengurangi penggunaan bahan kimia, menekan angka kematian, meningkatkan efisiensi pemberian pakan, serta menyediakan data biologis yang sangat rinci bagi pengelola tambak (FAO, 2024; Føre et al., 2018).

 

Tantangan dan Prospek Masa Depan

Walaupun sangat menjanjikan, penerapan AI masih menghadapi tantangan berupa kualitas citra yang dipengaruhi kekeruhan air, pertumbuhan alga, perubahan pencahayaan, serta kebutuhan data pelatihan yang sangat besar (Yang et al., 2021).

 

Ke depan, AI diperkirakan akan semakin terintegrasi dengan sensor kualitas air, robot bawah air otonom, drone permukaan, hingga analisis genomik untuk membangun sistem kesehatan ikan yang bersifat prediktif dan presisi (FAO, 2024).

 

Penutup

 

Penerapan Artificial Intelligence, Computer Vision, dan Deep Learning dalam budidaya salmon telah menjadikan Norwegia sebagai salah satu pelopor akuakultur presisi di dunia. Teknologi ini memungkinkan jutaan ekor salmon dipantau secara individual tanpa harus ditangkap, sehingga deteksi penyakit dapat dilakukan lebih cepat, lebih akurat, dan lebih ramah terhadap kesejahteraan ikan (Føre et al., 2018; FAO, 2024).

 

Keberhasilan Norwegia menunjukkan bahwa masa depan industri perikanan tidak hanya bergantung pada sumber daya alam, tetapi juga pada kemampuan mengintegrasikan teknologi digital, kecerdasan buatan, dan analisis data menjadi sistem budidaya yang produktif, efisien, serta berkelanjutan.

 

DAFTAR REFERENSI

 

Bechmann, R. K., et al. (2019). Laser delousing of Atlantic salmon: Welfare and effectiveness. Aquaculture Engineering, 87, 102020.

 

Costa, C., Loy, A., Cataudella, S., Davis, D., & Scardi, M. (2006). Extracting fish size using dual underwater cameras. Aquacultural Engineering, 35(3), 218–227.

 

Costello, M. J. (2009). The global economic cost of sea lice to the salmonid farming industry. Journal of Fish Diseases, 32(1), 115–118.

 

FAO. (2024). The State of World Fisheries and Aquaculture 2024. Food and Agriculture Organization of the United Nations.

 

Føre, M., Frank, K., Norton, T., Svendsen, E., Alfredsen, J. A., Dempster, T., Berckmans, D., et al. (2018). Precision fish farming: A new framework to improve production in aquaculture. Biosystems Engineering, 173, 176–193.

 

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

 

Jordal, A. E. O., et al. (2020). Smart farming technologies in Norwegian aquaculture. Aquaculture International, 28, 1523–1542.

 

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444.

 

Li, D., Hao, Y., & Duan, Y. (2020). Nonintrusive methods for biomass estimation in aquaculture using computer vision: A review. Reviews in Aquaculture, 12(3), 1612–1631.

 

Norwegian Seafood Council. (2024). Norwegian Salmon Industry Statistics and Sustainability Report.

 

Rasmussen, H. W., et al. (2021). Underwater imaging technologies for precision aquaculture. Aquacultural Engineering, 95, 102188.

 

Ronneberg, L. B., et al. (2015). Sea lice management in Norwegian salmon farming. Aquaculture Environment Interactions, 7, 267–281.

 

Ruff, B. P., et al. (2020). Individual identification of Atlantic salmon using machine vision. Computers and Electronics in Agriculture, 175, 105593.

 

Stien, L. H., et al. (2013). Salmon behaviour as an indicator of welfare under aquaculture conditions. Aquaculture, 414–415, 223–231.

 

Yang, Y., Liu, X., & Chen, H. (2021). Deep learning for intelligent fish disease diagnosis: A review. Aquaculture Reports, 20, 100747.

 

#AkuakulturPresisi

#AINorwegia

#BudidayaSalmon

#TeknologiPerikanan

#KecerdasanBuatan