Bagi peternak ikan, ikan yang mati bukan sekadar kerugian kecil. Satu atau dua ekor mungkin tidak begitu terasa, tetapi jika kematian ikan tidak segera terdeteksi, masalah bisa meluas dengan cepat. Ikan mati dapat mencemari air, menyebarkan penyakit, menurunkan kualitas lingkungan, dan akhirnya memicu kematian massal. Kerugian finansialnya pun tidak main-main, bisa mencapai jutaan rupiah dalam waktu singkat.
Selama ini, cara paling umum untuk mengenali ikan mati adalah dengan pengamatan manual. Peternak biasanya berkeliling tambak atau kolam untuk mencari ikan yang mengambang. Namun, metode ini melelahkan, memakan waktu, dan sering tidak akurat. Apalagi dalam skala peternakan besar dengan ribuan ekor ikan, mustahil mata manusia bisa mendeteksi semuanya tepat waktu.
Di sinilah teknologi baru hadir: pengenalan ikan mati berbasis kecerdasan buatan (AI).
Baca juga artikel tentang: Probiotik dan Herbal, Duo Ajaib Penjaga Kesehatan Ikan Mas
Tantangan dalam Mengenali Ikan Mati
Meski terdengar sederhana, mendeteksi ikan mati di air ternyata rumit. Ada beberapa kendala utama:
- Refleksi permukaan air. Cahaya yang memantul bisa membuat kamera sulit membedakan antara ikan mati, bayangan, atau benda lain.
- Kontras rendah. Warna ikan sering mirip dengan lingkungan sekitar, terutama jika air keruh atau berlumpur.
- Posisi ikan tidak menentu. Ikan mati bisa terbalik, miring, atau berada di kedalaman berbeda.
- Gangguan air. Riak dan buramnya air sering menurunkan kualitas citra.
Karena itu, sistem deteksi otomatis butuh teknologi yang benar-benar pintar untuk mengenali ikan mati di tengah kondisi sulit ini.
Solusi dari Peneliti: Model YOLO-DWM
Penelitian terbaru yang dipublikasikan di jurnal Applied Sciences (2025) mengembangkan sebuah model baru bernama YOLO-DWM, yang merupakan peningkatan dari algoritma populer YOLOv5s.
Bagi yang belum familiar, YOLO (You Only Look Once) adalah salah satu algoritma kecerdasan buatan yang digunakan untuk object detection atau kemampuan komputer mengenali objek tertentu dalam sebuah gambar atau video. Teknologi ini awalnya banyak dipakai untuk mobil tanpa pengemudi, kamera pengawas, hingga aplikasi ponsel.
Nah, para peneliti dari Tiongkok mencoba memodifikasi YOLO agar lebih cocok untuk peternakan ikan. Mereka mengumpulkan 670 gambar ikan mati dari berbagai tambak, lalu melatih model ini agar bisa membedakan ikan mati dengan kondisi lain di dalam air.
Bagaimana YOLO-DWM Bekerja?
Model YOLO-DWM bekerja seperti “mata pintar” yang diajari untuk mengenali ikan mati. Beberapa keunggulannya antara lain:
- Ekstraksi fitur yang lebih kuat.
Model ini mampu menangkap detail kecil pada ikan mati, meski pencahayaan buruk atau ikan berada di posisi yang tidak biasa. - Kombinasi konvolusi multi-skala.
Teknologi ini membuat sistem bisa mengenali ikan mati dalam ukuran berbeda, baik kecil maupun besar. - Pengolahan data lebih efisien.
Peneliti mengembangkan modul ringan bernama C3-Light yang membuat model bekerja cepat tanpa mengorbankan akurasi. - Lebih unggul dibanding model lain.
Dibanding algoritma sejenis seperti Faster R-CNN, SSD, hingga YOLO generasi lama, YOLO-DWM menunjukkan performa lebih baik. Akurasinya meningkat hingga 12,3% dalam beberapa parameter, dan nilai F1 score, indikator keseimbangan antara presisi dan recall juga naik signifikan, bahkan mencapai 17,5% lebih tinggi dari model pembanding.
Singkatnya, YOLO-DWM bukan hanya lebih pintar, tapi juga lebih cepat dan praktis digunakan.
Dampak Bagi Peternakan Ikan
Jika teknologi ini benar-benar diterapkan, ada banyak manfaat nyata bagi peternak ikan:
- Deteksi dini. Ikan mati bisa dikenali dalam hitungan detik, sehingga peternak segera mengambil tindakan.
- Mencegah kerugian besar. Dengan cepat mengangkat ikan mati, kualitas air tetap terjaga, penyakit tidak menyebar, dan jumlah ikan hidup bisa dipertahankan.
- Efisiensi tenaga kerja. Peternak tidak lagi harus terus-menerus berkeliling memeriksa kolam. Kamera yang dilengkapi AI bisa bekerja otomatis 24 jam.
- Data berkelanjutan. Sistem ini bisa mencatat pola kematian ikan, sehingga membantu analisis lebih lanjut terkait kesehatan ikan, kualitas air, atau dampak pakan.
Tantangan dalam Penerapan
Meski menjanjikan, penerapan teknologi ini juga menghadapi beberapa hambatan:
- Biaya investasi awal. Kamera tahan air, sensor, dan sistem komputasi tidak murah, terutama bagi peternak skala kecil.
- Kualitas data. Model AI hanya sebaik data yang dipelajari. Jika gambar latihannya terbatas atau kurang beragam, akurasi bisa turun di kondisi nyata.
- Adaptasi peternak. Tidak semua peternak terbiasa dengan teknologi canggih. Diperlukan pelatihan agar mereka bisa mengoperasikan dan merawat sistem ini.
Namun, jika hambatan ini bisa diatasi, teknologi pengenalan ikan mati berbasis AI bisa menjadi standar baru dalam akuakultur modern.
Menuju Peternakan Ikan Masa Depan
Teknologi seperti YOLO-DWM menunjukkan bahwa peternakan ikan kini tidak lagi hanya soal memberi makan dan memanen, tapi juga melibatkan kecerdasan buatan, sensor pintar, hingga analisis data real-time.
Kombinasi ini membantu mewujudkan akuakultur berkelanjutan:
- Mengurangi limbah dan pencemaran air,
- Menekan risiko penyakit,
- Meningkatkan efisiensi produksi,
- Dan tentu saja, menjaga keuntungan peternak.
Di masa depan, kita bisa membayangkan tambak ikan yang sepenuhnya terhubung: kamera mendeteksi ikan mati, sensor mengukur kualitas air, AI memberi rekomendasi jumlah pakan, dan bahkan drone mengawasi dari udara.
Penelitian tentang YOLO-DWM memberi harapan baru bagi industri perikanan. Dengan menggabungkan teknologi AI dan kebutuhan praktis di lapangan, para peneliti berhasil menciptakan alat yang bukan hanya canggih secara teori, tetapi juga berguna langsung bagi peternak.
Seperti halnya revolusi di bidang pertanian dengan traktor dan mesin panen, kini peternakan ikan juga bersiap memasuki era digital, dimana kecerdasan buatan membantu menjaga ribuan ikan tetap sehat dan produktif.
Baca juga artikel tentang: Kebun di Kubah Bulan: Mimpi Peternakan dan Pertanian Antarplanet
REFERENSI:
Tong, Chengbiao dkk. 2025. Developing a Dead Fish Recognition Model Based on an Improved YOLOv5s Model. Applied Sciences (2076-3417) 15 (7).
