Akuakultur pintar saat ini merupakan salah satu tren pembangunan berkelanjutan untuk industri akuakultur dalam bidang kecerdasan dan otomatisasi. Teknologi cerdas modern telah membawa manfaat besar bagi berbagai bidang termasuk akuakultur untuk mengurangi tenaga kerja, meningkatkan produksi akuakultur, dan ramah terhadap lingkungan. Pembelajaran mesin adalah bagian dari kecerdasan buatan (AI) dengan menggunakan model algoritma yang terlatih untuk mengenali dan mempelajari sifat-sifat dari data yang diamatinya. Hingga saat ini, terdapat beberapa penelitian tentang aplikasi machine learning untuk akuakultur cerdas termasuk mengukur ukuran, berat, grading, deteksi penyakit, dan klasifikasi spesies. 

Pendahuluan

Produksi akuakultur global telah meningkat secara terus menerus, mencapai lebih dari tiga kali lipat dari total bobot hidup dengan kelompok spesies utama termasuk ikan lele, rumput laut, ikan mas, bivalvia, dan nila yang mencapai 75% dari produksi akuakultur. Selain itu, spesies laut seperti ikan dan krustasea juga telah berkembang pesat selama ini. Keanekaragaman spesies dalam akuakultur semakin meningkat, dan diperkirakan 40% dari spesies yang berbeda termasuk jenis ikan, kerang-kerangan, ganggang lebih banyak ikan, kerang-kerangan, dan ganggang yang dibudidayakan di berbagai lingkungan perairan seperti air laut, air payau, dan air tawar di seluruh dunia. Akuakultur tradisional menimbulkan banyak masalah bagi lingkungan, dan memiliki produksi yang terbatas serta membutuhkan banyak tenaga kerja. Oleh karena itu, akuakultur cerdas merupakan konsep yang bertujuan untuk mengembangkan industri akuakultur secara berkelanjutan, meningkatkan produksi, dan ramah terhadap lingkungan.

Pada akuakultur tradisional, proses operasionalnya dilakukan secara teknis mulai dari persiapan air, pemilihan benih, pemberian pakan, dan perawatan selama proses pemeliharaan. Melalui kegiatan akuakultur, terdapat banyak kesulitan seperti proses pengelolaan kualitas air dalam sistem akuakultur, dan biasanya orang akan mengambil sampel air dua kali sehari pada pagi dan sore hari. Proses ini membutuhkan banyak waktu dan juga tidak mungkin untuk mengolah air tepat waktu dalam beberapa kasus perubahan kualitas air yang tiba-tiba di kolam/tangki. Dalam contoh lain, seperti ikan yang dipelihara di kolam, orang tidak dapat mendeteksi ikan yang sakit pada tahap awal, hanya ketika ikan tersebut mati atau muncul ke permukaan, dan kemudian mengobatinya. Dalam contoh lain mengenai jumlah sisa makanan di kolam, orang tidak dapat secara akurat memperkirakan jumlah makanan yang tersisa di kolam, sisa makanan mempengaruhi kualitas air. Ketika menghitung ikan sebelum dijual, misalnya benih, orang harus menghitung setiap ikan, yang membutuhkan waktu dan tenaga, dll. Semua kesulitan di atas mempengaruhi keuntungan dalam akuakultur. Oleh karena itu, akuakultur cerdas bertujuan untuk menerapkan mode produksi cerdas yang memecahkan masalah dalam akuakultur tradisional.

Untuk pendekatan akuakultur pintar, beberapa perangkat pintar diintegrasikan ke dalam lingkungan yang terstruktur secara khusus untuk memantau parameter lingkungan yang dibudidayakan secara real time dan kemudian mengambil keputusan melalui data yang terkumpul secara otomatis. Akuakultur pintar adalah mode produksi yang cerdas. Hal ini dapat dikontrol dari jarak jauh dan otomatisasi dengan menerapkan IoT, big data, kecerdasan buatan, 5G, komputasi awan, dan robotika. Di sisi lain, akuakultur pintar dapat dikendalikan oleh robot yang dapat mengelola fasilitas, peralatan, mesin untuk mengoperasikan seluruh sistem untuk mencapai produksi yang sukses.

Ada beberapa aspek yang terkait dengan akuakultur cerdas termasuk mengumpulkan informasi melalui berbagai sensor suhu, oksigen terlarut, kelembaban, cahaya, pH untuk pengelolaan parameter kualitas air dalam sistem akuakultur; mentransmisikan data yang dikumpulkan melalui node komunikasi ke pusat kendali, menganalisis data dan pengambilan keputusan yang disimpan dalam platform cloud, umpan balik keputusan untuk setiap peralatan eksekusi, dan kecerdasan untuk mengoperasikan sistem secara otomatis dalam rangka mengembangkan akuakultur secara berkelanjutan dan efisien, ramah terhadap lingkungan.

Sebagai contoh, penerapan AI (kecerdasan buatan) dan IoT (Internet of Things) dalam akuakultur telah meningkat untuk memecahkan masalah yang ada dalam akuakultur tradisional. Teknologi ini diterapkan di berbagai sistem budidaya seperti keramba, kolam, penetasan, dan pembibitan, dengan beberapa tujuan seperti pemantauan kualitas air, pengamatan kondisi di dalam keramba, kolam, dan tempat penetasan, mengoptimalkan jumlah pakan yang diberikan kepada spesies yang dibudidayakan dan waktu yang tepat untuk pemberian pakan, mengurangi frekuensi pemberian pakan pada sistem budidaya, mengurangi tenaga kerja melalui otomasi sistem budidaya.

Chrispin dkk.secara singkat melaporkan penerapan AI dalam akuakultur seperti perangkat pemberian pakan AI, drone AI dalam akuakultur, pencegahan penyakit, penyaringan benih ikan, pemeriksaan rutin stok, AI dalam budidaya udang; aplikasi ponsel pintar AI, AI dalam pengolahan ikan, AI dalam perikanan laut lepas, teknologi rantai blok dalam rantai pasok udang; dan AI dalam konservasi ikan yang terancam punah. 

Pembelajaran mesin memiliki fungsi utama dalam memecahkan masalah yang ada berdasarkan algoritma dan data pembelajaran untuk membuat model matematika yang memperbaiki kinerja sistem dalam komputer. Ada beberapa model yang telah digunakan dalam akuakultur baru-baru ini termasuk decision tree (DT), naive Bayes (NB), support vector machine (SVM), jaringan saraf tiruan (JST), K-nearest neighbor (KNN), deep learning (DL), dan ensemble learning (EL).
Pembelajaran terawasi, pembelajaran tak terawasi, pembelajaran semi terawasi, dan pembelajaran penguatan adalah empat jenis struktur pembelajaran mesin, di mana pembelajaran terawasi adalah salah satu yang paling populer. 

Supervised learning biasanya digunakan untuk klasifikasi dan regresi, dimana menggunakan data sebagai sampel setelah dilatih oleh model machine learning yang memiliki nilai target yang sama. Dari teori machine learning serta kelebihannya, ada beberapa implementasi dalam akuakultur baru-baru ini seperti deteksi biomassa ikan, estimasi ukuran, estimasi berat, hitungan, pengenalan ikan, deteksi umur, identifikasi jenis kelamin, klasifikasi spesies ikan, pola makan, perilaku kelompok, perilaku abnormal, prediksi univariat, prediksi multivariat, dengan tingkat akurasi yang tinggi.

Tujuan dari tinjauan ini adalah untuk mensurvei status aplikasi pembelajaran mesin untuk akuakultur cerdas. Strategi tinjauan ini adalah sebagai berikut: 
(1) gambaran umum akuakultur cerdas; 
(2) pembelajaran mesin dan 
(3) aplikasi pembelajaran mesin dalam akuakultur cerdas. 

Survei Literatur

Akuakultur Cerdas

Berdasarkan kecerdasan buatan yang canggih, akuakultur pintar dapat menyempurnakan semua tahap mulai dari pembiakan, pembibitan hingga tahap pertumbuhan spesies yang dibudidayakan, serta pemrosesan lainnya seperti persiapan sumber daya air yang dibudidayakan, mengatur kualitas air, persiapan pakan, pemberian pakan, klasifikasi, penilaian, penghitungan, dan pencucian sistem yang dibudidayakan. Tujuan akhir dari pengembangan akuakultur pintar adalah untuk mendapatkan produksi akuakultur yang tinggi agar sesuai dengan permintaan dunia dan juga melindungi lingkungan.

Pemantauan Kualitas Air dalam Akuakultur Cerdas

Kualitas air adalah faktor utama yang berkontribusi terhadap keberhasilan dan pengelolaan yang efisien dalam akuakultur. Ada beberapa parameter kualitas air yang memainkan peran penting secara langsung atau tidak langsung terhadap kelangsungan hidup dan pertumbuhan spesies yang dibudidayakan yang telah dipertimbangkan seperti suhu, kekeruhan, karbon dioksida, pH, alkalinitas, amonia, nitrit, dan nitrat, dll. Di antara faktor-faktor tersebut, suhu, oksigen terlarut, dan pH adalah yang paling kuat. Selama beberapa tahun terakhir, IoT telah memiliki berbagai aplikasi di berbagai bidang termasuk akuakultur. Penggunaan IoT dalam akuakultur telah membuka tren baru untuk mengembangkan bidang ini secara berkelanjutan dengan perangkat cerdas secara real time menggunakan kemampuan pemantauan air yang terhubung yang membantu meningkatkan kondisi kerja pembudidaya.

Ada 4 lapisan utama dari Sistem Akuakultur IoT: Lapisan Fisik, Lapisan Pemantauan, Lapisan Virtual, dan Protokol koneksi. Industri akuakultur cerdas / akuakultur cerdas telah menjadi tren yang tak terelakkan untuk mengurangi biaya tenaga kerja, meningkatkan efisiensi operasional, dan menghasilkan produktivitas yang lebih tinggi. Sistem berbasis IoT di masa depan juga dapat bertujuan untuk mendeteksi penyakit ikan dan mencegah kehilangan produksi. Perlu dicatat bahwa meskipun ada beberapa pencapaian dalam penerapan perangkat cerdas buatan untuk akuakultur untuk membangun budidaya ikan yang cerdas dan presisi tinggi berkembang dengan cepat, masih banyak tantangan untuk mengoperasikan sistem yang sepenuhnya otomatis.

Karena kegiatan akuakultur dan produknya berbeda dari yang lain, manajemen tenaga kerja memiliki risiko yang tinggi, karena masih diperlukan sejumlah pengamatan, analisis informasi, dan pengambilan keputusan selama proses budidaya ikan. Namun, banyak peralatan cerdas, seperti teknologi yang disebutkan di atas, bertanggung jawab untuk memantau lingkungan budidaya ikan: perangkat robotik untuk produksi; pemilahan data dan informasi; dan peralatan pemrosesan hemat energi akan terus mengotomatiskan berbagai tahap operasi budidaya ikan. Hal ini dapat diimplementasikan dalam akuakultur untuk identifikasi ikan, estimasi massa, dan manajemen perilaku. Selain itu, perlu dibuat sensor baru yang mengintegrasikan beberapa fungsi dalam sebuah sensor/sensor multifungsi dengan keandalan yang tinggi, memiliki aplikasi yang luas, dan siklus hidup yang panjang.

Kesimpulan

Akuakultur pintar telah berkembang pesat dalam industri akuakultur dengan cara yang efisien, otomatis, dan akurat dalam beberapa tahun terakhir. Meskipun aplikasi kecerdasan buatan dalam akuakultur berkembang dengan cepat, masih ada banyak tantangan untuk mengoperasikan sistem yang sepenuhnya otomatis. Karena sifat dari praktik dan produknya, kurangnya manajemen manusia memiliki risiko yang tinggi, karena masih diperlukan sejumlah pengamatan, analisis informasi, dan pengambilan keputusan selama proses budidaya ikan.

Penerapan pembelajaran mesin dan visi komputer dalam akuakultur telah berkontribusi pada pengembangan industri akuakultur dalam tren otomatis, dan meningkatkan produktivitas budidaya. Keuntungan menggunakan algoritma atau gambar lebih akurat dan lebih cepat daripada metode manual. Namun, biaya pembelajaran mesin dan visi komputer cukup tinggi, sehingga hanya direkomendasikan untuk diterapkan pada peternakan skala besar dengan spesies bernilai ekonomi tinggi.

Dalam hal ini, kami mengulas penerapan kecerdasan buatan ke dalam akuakultur cerdas, khususnya berfokus pada pembelajaran/visi mesin, dan aplikasinya untuk akuakultur. Para peneliti dan pelaku akuakultur mempelajari implementasi pembelajaran mesin dengan algoritma atau visi mesin dalam akuakultur cerdas. Aplikasi yang paling populer adalah mengukur ukuran dan berat spesies yang dibudidayakan; penyakit ikan; jumlah ikan; klasifikasi dan identifikasi; pengontrolan pakan; dan pemantauan kualitas air.

Di masa depan, aplikasi pembelajaran mesin dan visi komputer harus lebih mudah diakses dalam akuakultur cerdas yang digunakan tidak hanya di tempat penetasan, tambak di darat, tetapi juga di sistem akuakultur di lepas pantai. Secara khusus, kita dapat menerapkan pembelajaran mesin dan visi komputer untuk akuakultur di area lepas pantai seperti keramba untuk mendeteksi penyakit ikan, mengelola keamanan keramba, berat dan ukuran ikan, dll. Faktanya, deteksi ikan yang sakit atau sistem jaring keramba yang rusak sangat diperlukan. Biasanya, para pembudidaya sering menggunakan metode manual untuk mengelola seluruh proses akuakultur. Misalnya, ikan yang sakit dapat dikenali sebagai ikan yang berenang lemah di permukaan atau orang harus menyelam ke dalam keramba untuk memeriksanya. Oleh karena itu, menggunakan machine learning/vision yang terhubung ke kamera yang terendam menjadi sangat berharga. Sistem ini dapat mengenali penyakit ikan, dan dengan aman mengelola keramba, berat dan ukuran ikan secara langsung dan terus menerus, sebagai sistem model masa depan untuk kultur keramba di lepas pantai.