Image by vector4stock on Freepik

Akuakultur Perlu Bersanding dengan AIoT

Akuakultur (aquaculture) atau budidaya organisme yang hidup di lingkungan air merupakan industri yang terus berkembang dan sangat penting untuk memenuhi kebutuhan global. Beragam spesies akuatik dibudidayakan untuk kebutuhan pangan, keberlanjutan lingkungan, dan kebutuhan hobi ikan hias. Spesies dalam akuatik tidak hanya ikan, namun juga moluska seperti kerang, krustasea seperti kepiting, spesies lain seperti ubur-ubur, tumbuhan akuatik, dan bahkan fitoplankton yang merupakan bagian terkecil di rantai makanan (Huang & Khabusi, 2025). 

Beragamnya jenis spesies akuatik menggambarkan pentingnya akuakultur dalam menghadapi tantangan global. Pembangunan ekonomi dan ketahanan pangan dapat diwujudkan dengan adanya peran akuakultur. Keseimbangan ekosistem akuatik pun terjaga sehingga dapat berpartisipasi dalam upaya keberlanjutan lingkungan.

Ruang lingkup proses akuakultur mencakup berbagai teknik dan metode kompleks untuk pengelolaan lingkungan hidup, manajemen pakan, pengendalian penyakit, dan juga pemanenan. Pengelolaan lingkungan hidup di antaranya pengaturan suhu, kualitas air, dan salinitas. Manajemen pakan mencakup frekuensi pemberian pakan, dan jenis pakan. Pengendalian penyakit berupa pencegahan dini. Pemanenan mencakup masa panen dan pemilihan teknik yang tepat (Munaeni et al., 2024).

Proses akuakultur yang kompleks merupakan tantangan besar bagi pelaku budidaya. Mengingat akuakultur memiliki peran yang sangat penting, tantangan tersebut perlu diatasi dengan cara efisien. Di era digital ini, teknologi memainkan peran besar dalam peningkatan efisiensi dan keberlanjutan sektor ini.

Dua teknologi utama yang perlu diterapkan adalah Internet of Things (IoT) dan Artificial Intelligence (AI). IoT memungkinkan pemantauan dan pengendalian kondisi lingkungan budidaya secara real-time, sementara AI menganalisis data yang dikumpulkan untuk membuat prediksi dan otomatisasi yang lebih cerdas. Namun, penting untuk dipahami bahwa IoT adalah langkah awal yang harus diambil sebelum AI dapat bekerja optimal. Data yang dikumpulkan oleh sensor IoT menjadi fondasi utama bagi sistem AI dalam memberikan wawasan dan rekomendasi yang akurat. 

“ AIoT – integrasi antara IoT dan AI, gabungan yang powerfull untuk efisiensi berbagai macam sektor! “

Dalam lingkup akuakultur, komponen AIoT yang diperlukan adalah sensor IoT, algoritma AI dan AIoT pipeline. Sensor yang dibutuhkan yaitu sensor kualitas air, sensor optik (kamera), sensor gerak (akselerometer), dan strategi penerapan (protokol contohnya LoRa Long Range). Algoritma AI yang diperlukan yaitu machine learning (ML), deep learning (DL), computer vision & image processing, dan fuzzy logic. Sementara AIoT pipeline merupakan jaringan untuk proses integrasi di antara keduanya (Huang & Khabusi, 2025).

Peran IoT dalam Akuakultur

Langkah awal menuju proses efisiensi budidaya akuatik dapat dilakukan dengan menggunakan IoT. IoT digunakan sebagai alat pengukuran berbagai parameter yang mempengaruhi lingkungan akuatik (Agossou & Takahara, 2021). Pengukuran yang sebelumnya dilakukan secara manual memerlukan banyak waktu, ditambah dengan adanya potensi kekeliruan membuatnya menjadi kurang efisien.

1. Pemantauan kualitas air secara real-time

Salah satu faktor terpenting dalam budidaya ikan adalah kualitas air. Parameter seperti pH, suhu, kadar oksigen terlarut atau Dissolved Oxygen (DO), salinitas (kadar garam), dan kadar amoniak sangat mempengaruhi kesehatan ikan (Munaeni et al., 2024). Dengan IoT, sensor dapat dipasang di dalam kolam untuk memantau parameter-parameter tersebut secara real-time dan mengirim datanya ke server. Data dari server dapat diakses oleh pembudidaya melalui platform dengan antarmuka yang ramah digunakan. IoT sebatas berperan dalam menyajikan data, langkah selanjutnya untuk pengambilan keputusan bila terjadi anomali perlu dilakukan oleh pembudidaya.

2. Manajemen pakan otomatis

Sistem pemberian pakan berbasis IoT memungkinkan otomatisasi pemberian pakan berdasarkan jadwal yang sudah ditentukan atau respons terhadap kondisi lingkungan. Hal tersebut tidak hanya mengurangi pemborosan pakan, tapi juga mengurangi limbah serta meningkatkan pertumbuhan ikan secara optimal. Pembudidaya perlu mengatur jadwal atau menetapkan ambang batas tertentu untuk suatu parameter. Jadwal dan batasan tertentu itu akan menjadi acuan bagi sistem IoT untuk memberikan pakan secara otomatis.

3. Pengendalian lingkungan kolam

IoT juga digunakan untuk mengontrol sistem aerasi dan sirkulasi air secara otomatis. Jika kadar DO menurun di bawah ambang batas aman, sistem akan secara otomatis mengaktifkan aerator untuk meningkatkan kualitas air.

Integrasi AI: Meningkatkan Efisiensi dalam Pemantauan Kualitas Air, Pemberian Pakan, dan Pencegahan Penyakit

IoT yang merupakan gerbang efisiensi akuakultur akan menjadi lebih powerfull dengan adanya AI. Bila hanya menggunakan IoT, maka keputusan cenderung harus ditetapkan oleh pembudidaya. Otomatisasi pun tidak lebih fleksibel bila dibandingkan penerapan menyeluruh menggunakan AIoT.

1. Pemantauan cerdas dan prediksi anomali

Dengan data dari sistem IoT, AI dapat menganalisis pola kualitas air dan mendeteksi anomali lebih cepat dari manusia. Misalnya, AI dapat memprediksi perubahan DO berdasarkan pola cuaca atau pola kebiasaan ikan, sehingga tindakan preventif dapat diambil lebih dini.

2. Optimasi pemberian pakan berbasis AI

AI dapat menganalisis pola makan ikan dan menyesuaikan jumlah pakan secara dinamis untuk menghindari pemborosan. Teknologi computer vision yang diimplementasikan untuk data yang diambil dari sensor optik IoT dapat digunakan untuk mengamati perilaku ikan dalam merespon pakan. Sistem pun dapat memberikan jumlah pakan yang optimal secara optimal berdasarkan pola tersebut.

3. Prediksi dan pencegahan penyakit

Salah satu tantangan terbesar dalam akuakultur adalah penyakit ikan. Penyakit tidak hanya mempengaruhi kesehatan suatu spesies dalam kolam tapi juga berimbas pada kegagalan panen dan kerugian ekonomi yang signifikan. Dalam hal ini, AI dapat digunakan untuk menganalisis pola gerakan ikan, perubahan kualitas air, dan pola makan sebagai langkah mendeteksi gejala awal penyakit. Dengan model prediktif, pembudidaya dapat mengambil langkah pencegahan sebelum penyakit menyebar luas.

Model prediksi ini dapat diterapkan menggunakan computer vision untuk pemrosesan gambar demi mendapatkan data pola aktivitas, kemudian dikolaborasikan dengan DL menggunakan algoritma jaringan syaraf tiruan (artificial neural network). 

Studi Kasus: Implementasi AIoT dalam Akuakultur

Beberapa penelitian telah mengungkapkan keberhasilan AIoT dalam efisiensi di dalam akuakultur. Di sini Kami memberikan contoh yang fokus pada pendeteksian penyakit pada spesies budidaya.

Pada penelitian Vembarasi et al. (2024), AIoT diterapkan untuk mendeteksi dini penyakit pada udang yang disebabkan White Spot Syndrome Virus (WSSV). IoT digunakan untuk mendapatkan gambar keseharian udang, kemudian gambar diolah dengan memanfaatkan computer vision. Data yang terkumpul melalui proses ekstraksi fitur menggunakan deteksi tepi Canny dan Grey-Level Co-Occurrence Matrix (GLCM). Hasil ekstraksi fitur kemudian dijadikan model untuk melalui proses DL, penelitian ini menggunakan metode jaringan syaraf tiruan (artificial neural network). Hasilnya, akurasi prediksi mencapai 94,71%, tingkat sensitivitas 94,86%, dan tingkat spesifisitas 93,32%. AIoT di sini efektif dalam mengklasifikasikan udang yang sehat dan udang yang sudah terinfeksi WSSV.

Penerapan AIoT juga pernah dilakukan sekelompok peneliti untuk suatu tempat budidaya ikan air tawar di di Benin, Afrika Barat (Agossou & Takahara, 2021). Tujuannya untuk meningkatkan efisiensi budidaya ikan melalui otomatisasi pemantauan kualitas air dan deteksi penyakit berbasis AIoT. Sistem ini diuji di beberapa tambak ikan lokal untuk mengukur efektivitas teknologi yang digunakan. IoT digunakan untuk memantau kualitas air menggunakan sensor seperti mengukur suhu, pH, kekeruhan, konduktivitas listrik, dan total padatan terlarut (TDS). Data dikirim ke cloud sehingga pembudidaya bisa memantau kondisi air melalui platform web menggunakan perangkat seluler atau komputer. Data divisualisasikan dengan menampilkan data sensor real-time dan akan ada peringatan bila terjadi anomali. Hasilnya, terdapat efisiensi produktivitas sebesar 60% dibanding metode manual.

Selain untuk memantau kualitas air, AIoT juga digunakan untuk deteksi penyakit ikan dengan fokus utama Ulcerative Syndrome (EUS) dan Ichthyophthirius (Ich). Model AI dibuat menggunakan DL dari hasil computer vision. Model ini memiliki akurasi sebesar 85% dan berpotensi untuk meningkat lagi. AIoT juga digunakan untuk optimasi pemberian pakan. Dari pemantauan otomatis dan analisis perilaku ikan, sistem berhasil mengurangi pemborosan pakan hingga 30%, hal ini dapat membantu menekan biaya operasional.

Manfaat Bisnis dan Keunggulan Kompetitif

1. Efisiensi operasional, otomatisasi IoT dan analitik AI membantu mengurangi pemborosan sumber daya dan meningkatkan produktivitas.
2. Pengurangan biaya, sistem berbasis data memungkinkan optimasi pemberian pakan dan pemeliharaan, menghemat biaya operasional.
3. Keputusan berbasis data, dengan integrasi IoT dan AI, pembudidaya dapat membuat keputusan lebih akurat berdasarkan data real-time dan prediksi AI.

Tantangan dalam Implementasi IoT dan AI di Akuakultur

1. Biaya investasi awal, diperlukan investasi awal dalam perangkat keras serta biaya pengembangan perangkat lunak.
2. Ketersediaan data, diperlukan data berkualitas tinggi yang dikumpulkan dari sistem IoT dalam jangka waktu yang cukup panjang agar AI bekerja optimal.
3. Kurangnya sumber daya, dibutuhkan tenaga kerja yang berketerampilan dalam mengelola dan menginterpretasikan data dari IoT dan AI.

Kesimpulan

• IoT sebagai langkah awal, implementasi IoT adalah fondasi utama sebelum AI dapat digunakan secara maksimal dalam akuakultur.
• Transformasi digital dalam akuakultur, dengan IoT dan AI, pembudidaya dapat meningkatkan efisiensi dan profitabilitas bisnis secara signifikan.
• Adopsi bertahap, bisnis akuakultur dapat dimulai dengan IoT terlebih dahulu untuk mengumpulkan data dan kemudian mengintegrasikan AI secara bertahap.

Jika Anda ingin memulai transformasi digital dalam bisnis akuakultur, Anda dapat memulai dengan mengadopsi solusi IoT. Kami memiliki tim yang memiliki keterampilan di bidang IoT untuk dapat memberikan solusi efektif dan efisien sesuai kebutuhan bisnis. Hubungi Kami untuk konsultasi dan solusi teknologi yang sesuai dengan kebutuhan bisnis Anda.

Sumber

Agossou, B. E. & Takahara, T. (2021). IoT & AI Based System for Fish Farming: Case study of Benin. 259-264. 10.1145/3462203.3475873. 

Huang, Y.-P., & Khabusi, S. P. (2025). Artificial Intelligence of Things (AIoT) Advances in Aquaculture: A Review. Processes, 13 (1), 73. 

Munaeni, W., et al. (2024). Teknologi Akuakultur. PT Kamiya Jaya Aquatic.

Vembarasi, K.; Thotakura, V.P.; Senthilkumar, S.; Ramachandran, L.; Praba, V.L.; Vetriselvi, S.; Chinnadurai, M. White spot syndrome detection in shrimp using neural network model. In Proceedings of the 11th International Conference on Computing for Sustainable Global Development (INDIACom), New Delhi, India, 28 February–1 March 2024; pp. 212–217.