Pengembangan dan Integrasi Remotely Operated Vehicle (ROV) dan Algoritma Computer Vision untuk Peningkatan Produktivitas Budidaya Ikan Pada Karamba Jaring Apung (KJA)

Abstract

Salah satu tantangan nyata yang dihadapi dalam budidaya ikan dalam keramba jaring apung (KJA) adalah penurunan efektivitas KJA. Seiring dengan berjalannya waktu, tumbuh berbagai jenis biota yang menempel pada jaring serta kotoran yang menumpuk menghalangi aliran air kedalam dan keluar jaring. Pemantauan dan monitoring karamba jaring apung dewasa ini masih dilakukan dengan cara konvensional. Monitoring kondisi jaring pada KJA di Indonesia masih jarang dilakukan karena keterbatasan manusia dan ancaman dari kondisi perairan yang tidak terduga. Penelitian dengan menggunakan Remotely Operated Vehicle (ROV), merupakan salah satu cara untuk menanggulangi keterbatasan manusia di dalam perairan tanpa harus menyelam. Penelitian ini mencoba melakukan perancangan wahana ROV serta mengintegrasikannya dengan teknologi Compuetr Vision yang dapat melakukan pemantauan pada lokasi yang cukup luas secara otonom tanpa adanya awak di dalamnya. Pengembangan dan integrasi Remotely operathed vehicle (ROV) dengan computer vision untuk melakukan pemantauan kondisi jaring pada KJA menunjukkan kinerja yang sangat baik. ROV memiliki gaya apung sebesar 128.38 Kg m/s2 dan durasi nyala selama 2.94 jam. Hasil uji olah gerak ROV menunjukkan nilai error terendah yaitu 0° pada gerak maju, rata-rata delay sebesar 9.7 detik dengan drift kedalaman sebesar 94.1 cm pada gerak turun, rata- rata delay dan drift sebesar 11.3 detik dan 71° untuk gerak belok. Seluruh fitur ROV berjalan lancar dan tanpa kendala dan mampu melakukan pemantauan kondisi jaring di keramba jaring apung (KJA) serta menghasilkan video bawah air. Data yang telah dikumpulkan dari pemantauan ROV, memanfaatkan model YOLOv8, menunjukkan hasil yang sangat positif dalam mengklasifikasikan kondisi jaring KJA. Klasifikasi kondisi KJA dibagi menjadi klasifikasi 2 kelas, klasifikasi 3 kelas, dan klasifikasi 6 kelas dan mendapatakan hasil mencapai tingkat akurasi 1 atau 100% untuk klasifikasi 2 kelas, rata-rata akurasi 0.99 atau 99% untuk klasifikasi 3 kelas, dan rata-rata akurasi 0.98 atau 98% untuk klasifikasi 6 kelas. Berdasarkan hasil tersebut, dapat disimpulkan bahwa model YOLO v8 memiliki kinerja yang sangat baik dalam mengenali objek jaring dengan tingkat akurasi yang tinggi. Hasil tersebut memberikan keyakinan bahwa model ini dapat dipercaya dalam melakukan pemantauan kondisi jaring KJA.