AI Jepang Ini Bisa Temukan Sampah Plastik di Dasar Laut, 3 Kali Lebih Cepat

Harianjogja.com, JOGJA— Sampah plastik di lautan ternyata tidak hanya menjadi masalah di permukaan. Sebagian sampah justru berakhir di dasar laut dan sulit dipetakan karena peneliti harus memeriksa rekaman video bawah laut secara manual selama berjam-jam.

Kondisi tersebut kini mulai mendapat solusi dari teknologi kecerdasan buatan (AI).

Dilansir dari Kyodo, tim peneliti Badan Sains dan Teknologi Kelautan-Bumi Jepang atau JAMSTEC mengembangkan DeepLitterAI, sistem AI yang dirancang untuk mendeteksi, mengklasifikasikan, dan menghitung sampah berukuran makro di dasar laut secara otomatis.

Teknologi ini tidak hanya ditujukan untuk menemukan sampah berukuran besar. DeepLitterAI juga dilatih untuk mengenali sampah yang terlihat kecil dan jauh dalam rekaman kamera, termasuk ketika objek tersebut berada di antara bebatuan atau organisme laut.

Keunggulan lainnya terletak pada kecepatan. Dalam pengujian menggunakan rekaman survei laut dalam, DeepLitterAI mampu menganalisis sampah rata-rata 2,1 kali lebih cepat dibandingkan pemeriksaan manual oleh manusia.

Pada kondisi tertentu, sistem tersebut bahkan dapat bekerja hingga 3,1 kali lebih cepat.

Dilatih dengan 12.029 Gambar

Pengembangan DeepLitterAI berawal dari persoalan yang dihadapi peneliti ketika menganalisis rekaman dasar laut.

Rekaman survei laut dalam umumnya menggunakan kamera dengan sudut pandang lebar. Akibatnya, sampah yang berada jauh dari kamera dapat terlihat sangat kecil di dalam gambar.

Model AI sebelumnya cenderung lebih banyak dilatih menggunakan gambar sampah yang tampak besar dan jelas. Kondisi tersebut membuat sistem lebih mudah melewatkan sampah berukuran kecil yang justru banyak ditemukan dalam rekaman survei sebenarnya.

Untuk mengatasinya, tim JAMSTEC menyusun kumpulan data bernama J-Litter yang terdiri dari 12.029 gambar asli.

Sebanyak 4.197 gambar di antaranya memuat sampah di dasar laut, sedangkan 7.832 gambar lainnya merupakan gambar dasar laut, organisme, dan objek alami tanpa sampah.

Data tersebut berasal dari rekaman laut dalam yang dikumpulkan JAMSTEC selama lebih dari 40 tahun, dari 1983 hingga 2025.

Yang membuat dataset tersebut penting adalah keberadaan gambar sampah berukuran kecil sekaligus objek yang mudah disalahartikan sebagai sampah.

Dengan demikian, AI tidak hanya belajar mengenali botol plastik, kantong plastik, atau kaleng, tetapi juga belajar membedakan benda-benda tersebut dari kondisi alami dasar laut.

Akurasi Deteksi Meningkat 1,6 Kali

JAMSTEC menyebut penggunaan J-Litter membuat kemampuan DeepLitterAI dalam mendeteksi sampah berukuran kecil meningkat secara signifikan.

Dalam pengujian, performa deteksi DeepLitterAI sekitar 1,6 kali lebih tinggi dibandingkan model AI yang dilatih hanya menggunakan sampah berukuran besar dan terlihat jelas.

Sistem tersebut mampu mengenali sejumlah kategori sampah, termasuk plastik berbentuk film seperti kantong plastik, botol plastik, serta kaleng minuman.

Penelitian juga menguji DeepLitterAI menggunakan enam rekaman survei independen dari kedalaman sekitar 860 hingga 5.641 meter.

Hasilnya, jumlah sampah yang dihitung AI mendekati hasil pemeriksaan manual. Perbedaan antara hasil AI dan perhitungan peneliti berada di sekitar 10 persen dalam perbandingan yang dilaporkan JAMSTEC.

Secara keseluruhan, estimasi kepadatan sampah yang dihasilkan AI rata-rata sekitar 1,1 kali dibandingkan estimasi manual.

AI Bisa Menghindari Penghitungan Sampah Berulang

Kecepatan DeepLitterAI tidak hanya berasal dari kemampuan mengenali objek.

Tim peneliti juga menggunakan algoritma pelacakan objek yang memungkinkan sistem mengikuti pergerakan sampah dari satu frame ke frame berikutnya.

Fungsi ini penting karena kamera bergerak ketika merekam dasar laut. Tanpa sistem pelacakan, satu benda yang muncul dalam beberapa frame berpotensi dihitung berkali-kali.

Dengan mengikuti objek secara berurutan, DeepLitterAI dapat mengurangi risiko penghitungan sampah yang sama secara berulang.

Hasilnya, pekerjaan yang sebelumnya membutuhkan pemeriksaan visual panjang dapat dilakukan jauh lebih cepat.

Bagi penelitian laut dalam, penghematan waktu tersebut bukan sekadar persoalan efisiensi. Semakin cepat rekaman dianalisis, semakin banyak wilayah dasar laut yang dapat dipetakan menggunakan sumber daya penelitian yang sama.

Targetnya Bukan Hanya Laut Jepang

Meski DeepLitterAI dikembangkan menggunakan data yang sebagian besar berasal dari perairan Jepang, JAMSTEC menargetkan penggunaan teknologi tersebut dalam pemantauan lingkungan laut yang lebih luas.

Tim peneliti berencana bekerja sama dengan lembaga penelitian di berbagai negara untuk mengumpulkan gambar sampah dari wilayah laut yang berbeda.

Data tersebut nantinya dapat digunakan untuk mengembangkan dataset penerus J-Litter sehingga sistem AI memiliki kemampuan yang lebih baik ketika menghadapi karakteristik dasar laut di berbagai wilayah dunia.

Langkah tersebut penting karena kondisi dasar laut tidak selalu sama. Bentuk permukaan, organisme, tingkat kekeruhan, sudut pengambilan gambar, hingga jenis sampah dapat berbeda antara satu kawasan dan kawasan lainnya.

Penelitian menunjukkan performa DeepLitterAI relatif kuat terhadap perubahan sudut pandang. Namun, tingkat sampah yang gagal terdeteksi dapat meningkat ketika kondisi kekeruhan sangat tinggi.

Artinya, AI ini bukan berarti menggantikan sepenuhnya peran peneliti. Teknologi tersebut lebih tepat dipandang sebagai alat untuk mempercepat pekerjaan manusia dan memungkinkan analisis dalam skala yang jauh lebih besar.

Bisa Bantu Petakan Sampah di Dasar Samudra

Ryota Nakajima dan tim JAMSTEC melihat teknologi ini sebagai salah satu cara untuk mempercepat pemetaan persebaran sampah di dasar laut.

Dengan kemampuan mendeteksi dan menghitung sampah secara otomatis, peneliti dapat lebih cepat mengetahui kawasan yang menjadi lokasi penumpukan sampah.

Informasi tersebut kemudian dapat digunakan untuk menentukan wilayah yang perlu mendapat perhatian lebih lanjut.

JAMSTEC menilai kemampuan menganalisis data video dalam jumlah besar secara cepat dapat menjadi dasar pemantauan sampah laut dalam skala global.

Bagi masyarakat, manfaat teknologi ini mungkin tidak langsung terlihat karena objek yang dipantau berada ratusan hingga ribuan meter di bawah permukaan laut.

Namun, pemetaan tersebut penting untuk memahami ke mana sampah yang masuk ke laut akhirnya berpindah dan menumpuk.

DeepLitterAI menawarkan pendekatan baru: bukan hanya membersihkan sampah yang terlihat, tetapi terlebih dahulu membangun peta yang lebih jelas mengenai di mana sampah berada dan seberapa banyak jumlahnya.

Jika teknologi tersebut nantinya dapat dikembangkan untuk berbagai kondisi laut di dunia, AI berpotensi menjadi salah satu instrumen penting dalam memahami dan menangani persoalan sampah plastik yang selama ini tersembunyi di kedalaman samudra.

Cek Berita dan Artikel yang lain di Harian Jogja, dan edisi cetak versi elektronik kami hadir di Epaper Harian Jogja.