[17 Juli 2025], Industri akuakultur berkembang pesat seiring meningkatnya kebutuhan pangan laut dunia. Namun, pertumbuhan skala produksi ini diiringi tantangan besar, mulai dari pemantauan kesehatan ikan, kebiasaan makan, hingga pengelolaan kualitas air. Selama ini, pengumpulan informasi seperti identitas, panjang, berat, dan kondisi kesehatan setiap ikan kerap dilakukan dengan cara manual atau metode invasif—misalnya penangkapan dan penandaan fisik—yang dapat mengganggu ekosistem dan menambah biaya operasional. Kemampuan untuk mengenali setiap individu ikan secara cepat, akurat, dan non-invasif menjadi kunci untuk mengoptimalkan manajemen budidaya. Perkembangan teknologi visi komputer dan pembelajaran mendalam (deep learning) menghadirkan peluang baru. Kemajuan dalam pengenalan wajah manusia, kendaraan otonom, dan pemrosesan citra kini diterapkan pada pemantauan ikan di lingkungan bawah air. Tantangannya tidak ringan, seperti air yang keruh, partikel melayang, terumbu karang, dan bayangan objek lain kerap menurunkan kualitas gambar. Pergerakan ikan yang acak dan saling bertumpukan menambah kesulitan dalam mendeteksi dan mengenali individu secara konsisten. Untuk menjawab persoalan ini, sebuah tim riset mengembangkan metode identifikasi ikan individu berbasis segmentasi objek video. Sistem ini menggabungkan algoritma deteksi objek mutakhir dengan teknik pemisahan piksel (video object segmentation) sehingga kamera dapat “memisahkan” ikan dari latar belakang yang kompleks. Dengan cara ini, citra ikan yang dihasilkan lebih bersih, memudahkan algoritma mengenali pola tubuh, sirip, atau warna khas setiap individu. Model yang digunakan menyeimbangkan kecepatan dan akurasi, memungkinkan proses berlangsung secara real-time meski dalam kondisi perairan yang penuh gangguan cahaya atau obstruksi. 

Teknologi ini memberikan dampak luas bagi akuakultur cerdas. Pertama, data identitas ikan yang akurat memungkinkan pemantauan pertumbuhan dan kesehatan tanpa perlu penangkapan fisik. Peternak dapat memantau pola makan, aktivitas renang, hingga gejala penyakit lebih cepat dan efisien. Kedua, metode non-invasif ini menekan stres pada ikan, meningkatkan tingkat kelangsungan hidup, sekaligus menekan biaya produksi. Ketiga, integrasi dengan sistem visualisasi real-time memungkinkan petani ikan mengambil keputusan cepat, misalnya menyesuaikan kepadatan tebar atau jadwal pemberian pakan sesuai kebutuhan individu. Lebih jauh, pengembangan algoritma segmentasi video juga berkontribusi pada pembangunan dataset baru yang kaya variasi, mencakup kondisi cahaya beragam, ikan dengan ukuran dan pola tubuh berbeda, serta latar perairan yang penuh gangguan. Dataset semacam ini memperkuat kemampuan model untuk mengenali ikan di berbagai situasi, sekaligus membuka jalan bagi penelitian lanjutan dalam bidang budidaya perikanan presisi.

Keberhasilan sistem pengenalan ikan individu ini menunjukkan bahwa teknologi visi komputer dapat menjadi tulang punggung akuakultur masa depan. Dengan deteksi dan identifikasi yang presisi, pengelolaan kolam atau keramba dapat lebih efisien, ramah lingkungan, dan berkelanjutan. Penerapan teknologi serupa bahkan berpotensi diperluas ke sektor perikanan tangkap, konservasi spesies langka, hingga pemantauan ekosistem laut secara menyeluruh. Integrasi kecerdasan buatan dengan pemantauan bawah air menegaskan bahwa akuakultur modern tidak lagi hanya mengandalkan keterampilan manual, tetapi juga kekuatan data dan algoritma. Dengan dukungan teknologi seperti segmentasi video untuk pengenalan ikan individu, masa depan akuakultur presisi semakin mendekati kenyataan: produksi pangan laut yang cerdas, efisien, dan berkelanjutan untuk memenuhi kebutuhan dunia.

Referensi

• Zheng, T., Wu, J., Kong, H., Zhao, H., Qu, B., Liu, L., Yu, H., & Zhou, C. (2024). A video object segmentation-based fish individual recognition method for underwater complex environments. Ecological Informatics, 82(February), 102689. https://doi.org/10.1016/j.ecoinf.2024.102689.