MIT Gunakan Computer Vision dan Deep Learning untuk Pantau Migrasi Ikan

CAMBRIDGE, MA, (25 Maret 2026)

Setiap musim semi, populasi ikan herring sungai bermigrasi dari perairan pesisir Massachusetts menuju sungai dan aliran air tawar untuk bertelur. Mengutip laporan dari MIT News, para peneliti kini telah mendemonstrasikan metode baru yang menggunakan video bawah air dan Computer Vision untuk melengkapi metode tradisional dan program berbasis sukarelawan.

Melansir data dari publikasi di jurnal Remote Sensing in Ecology and Conservation, proyek ini melibatkan kolaborasi antara Woodwell Climate Research Center, MIT Sea Grant, MIT Computer Science and Artificial Intelligence Lab (CSAIL), MIT Lincoln Laboratory, dan Intuit. Penelitian yang dipimpin oleh Zhongqi Chen dan kolega ini bertujuan untuk mengatasi keterbatasan pemantauan visual manual yang sangat memakan waktu dan tenaga.

Otomatisasi dengan Machine Learning

Metode pemantauan tradisional biasanya terbatas pada jendela pengambilan sampel siang hari, sehingga sering melewatkan pergerakan malam hari atau lonjakan migrasi singkat. Sistem baru ini menggunakan Deep Learning untuk aspek Object Detection, pelacakan, hingga Species Classification.

Tim peneliti membangun saluran pipa (pipeline) ujung-ke-ujung, mulai dari pemasangan kamera bawah air di lapangan hingga pelabelan video dan pelatihan model. Data dikumpulkan dari tiga sungai di Massachusetts: Sungai Coonamessett, Ipswich, dan Santuit. Untuk memastikan keandalan, tim menggunakan 1.435 klip video dan menganotasi 59.850 bingkai (frames) dengan Bounding Boxes guna melatih model Machine Learning agar tahan terhadap variasi pencahayaan dan kejernihan air.

Hasil dan Temuan Perilaku Ikan

Validasi sistem menunjukkan hasil yang konsisten dengan estimasi tradisional. Menariknya, pada migrasi di Sungai Coonamessett tahun 2024, sistem berhasil menghitung 42.510 ikan herring dan mengungkap bahwa puncak migrasi ke hulu terjadi saat fajar, sementara migrasi ke hilir sebagian besar bersifat nokturnal (malam hari).

Robert Vincent dari MIT Sea Grant menyatakan bahwa pekerjaan ini akan memajukan kemampuan pemantauan perikanan dan meningkatkan penilaian populasi ikan bagi pengelola sumber daya dan kelompok konservasi. Namun, ia menekankan bahwa Citizen Science tetap esensial untuk pemeliharaan kamera dan kontribusi dalam alur kerja Computer Vision, seperti anotasi video.

Dampak bagi Indonesia

Implementasi teknologi Computer Vision dan Deep Learning dalam konservasi perairan memiliki relevansi besar bagi Indonesia sebagai negara megabiodiversitas.

1. Efisiensi Biaya Konservasi: Indonesia memiliki banyak spesies ikan migratori dan endemik yang terancam punah. Penggunaan sistem otomatis berbasis kamera bawah air yang relatif murah (dengan estimasi biaya perangkat mulai dari Rp5 juta - Rp15 juta) dapat menggantikan survei lapangan manual yang mahal di daerah terpencil.
2. Pemantauan Kawasan Konservasi Perairan (KKP): Teknologi ini dapat diadaptasi untuk memantau kesehatan terumbu karang atau populasi ikan di zona lindung tanpa harus menempatkan penyelam secara terus-menerus.
3. Optimasi Sektor Perikanan: Data migrasi yang akurat dapat membantu Kementerian Kelautan dan Perikanan (KKP) dalam menetapkan kuota tangkap yang berkelanjutan dan memetakan pola reproduksi ikan komersial di sungai-sungai besar seperti Kapuas atau Mahakam.

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.