Langkah menghitung ikan merupakan operasi yang fundamental dalam memperkirakan biomassa dalam budidaya perairan. Hal ini cukup penting agar tercapai pemberian pakan yang wajar dan meningkatkan efisiensi pembiakan. Selain membantu pembudidaya untuk menghitung laju reproduksi dan memperkirakan potensi produksi secara akurat, penghitungan ikan juga berfungsi sebagai pedoman untuk penilaian tingkat kelangsungan hidup, pengendalian kepadatan pembiakan, dan manajemen penjualan transportasi (Puig-Pons et al., 2019). Sekarang tambak akuatik menerapkan bentuk penghitungan ikan secara manual yang memakan waktu, rawan kesalahan, dan mudah merusak tubuh ikan. Maka dari itu, suatu metode untuk melaksanakan penghitungan ikan secara otomatis, akurat, dan efisien perlu untuk dikembangkan.

Metode penghitungan ikan berbasis komputer vision menjadi kenyataan karena pesatnya perkembangan teknologi komputer vision (Zion, 2012). Metode tersebut cukup vital karena ramah lingkungan, efisiensinya yang tinggi, biaya murah, dan penggunaannya yang mudah. Metode ini didasarkan pada pengumpulan gambar ikan melalui peralatan akuisisi gambar, kemudian penghitungan ikan dilakukan melalui analisis citra.

Adapun proses secara keseluruhan dari metode ini sesuai penelitian yang dilakukan Zhang et al. (2020), yaitu:

1. Segmentasi area yang terhubung dengan ikan.

Pertama, ruang warna citra ikan diubah, kemudian target ikan diperoleh melalui pengurangan latar belakang. Terakhir, kebisingan pada ikan target yang tersegmentasi dihilangkan secara morfologis untuk mendapatkan daerah target ikan yang terhubung.

2. Ekstraksi fitur citra area yang terhubung dengan ikan.

Untuk setiap citra area yang terhubung dengan ikan, empat jenis fitur citra diekstraksi dan kemudian fitur yang berlebihan dihilangkan melalui analisis komponen utama (PCA).

3. Grading kepadatan gambar area yang terhubung dengan ikan.

Metode threshold berdasarkan area area terhubung digunakan untuk menilai tingkat kepadatan citra area terhubung ikan untuk mengatasi ketidakseimbangan dataset area terhubung ikan.

4. Penghitungan citra ikan.

Model prediksi angka ikan berbasis BPNN dibangun untuk data set area terhubung pada setiap tingkat kepadatan, dan jumlah ikan pada citra area terhubung diperoleh dari model yang dilatih. Selanjutnya, hasil penghitungan lokal dari setiap citra area terhubung ikan digabungkan untuk mendapatkan citra ikan yang dihitung.

Perlu digaris bawahi bahwa budidaya ikan yang sebenarnya sulit dikendalikan secara artifisial. Mode dan tempat berkembang biak yang berbeda, serta keterbatasan kondisi pemotretan, gambar ikan yang dikumpulkan memiliki beberapa masalah, seperti kualitas yang tidak merata, latar belakang yang rumit dan dapat diubah, serta ikan multiskala. Sehingga lebih sulit untuk mendapatkan hasil penghitungan yang akurat. Oleh karena itu, sampai sekarang cara yang dapat diterapkan pada lingkungan bervariabel dan kompleks, serta mengurangi kesalahan penghitungan menjadi tantangan di masa depan.

Rancangan sistem metode penghitungan ikan
secara otomatis berbasis komputer (Zhang et al., 2020)

Daftar Pustaka

Puig-Pons, V., Munoz-Benavent, P., Espinosa, V., et al. 2019. Automatic Bluefin Tuna (Thunnus thynnus) biomass estimation during transfers using acoustic and computer vision techniques. Aquacultural Engineering, 85: 22–31.

Zhang, L., Li, W., Liu, C., et al. 2020. Automatic Fish Counting Method Using Image Density Grading And Local Regression. Computers and Electronics in Agriculture, 179: 105844.

Zion, B. 2012. The use of computer vision technologies in aquaculture-A review. Computers and Electronics in Agriculture, 88: 125–132.

Penulis: Muhammad Ichwan Firmansyah (THP 2020)

Editor: Dhea Meidiana (Akuakultur 2017)