Edukasi Update, Tangerang Selatan, 25 Agustus 2026 Pengelolaan kualitas air merupakan salah satu faktor paling menentukan dalam keberhasilan budi daya ikan sistem keramba jaring apung. Fluktuasi suhu dan pH air yang dipicu oleh perubahan cuaca, seperti hujan deras maupun intensitas matahari yang tinggi, kerap terjadi secara tiba-tiba dan berpotensi menimbulkan stres fisiologis, penurunan metabolisme, hingga kematian ikan secara massal. Selama ini, pemantauan kualitas air pada banyak kolam budi daya masih dilakukan secara manual, sehingga informasi kondisi air tidak dapat diperoleh secara real-time dan penanganan kondisi kritis kerap terlambat dilakukan.
Menjawab tantangan tersebut, Amir Rozy Sinaga, mahasiswa Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Pamulang, mengembangkan sebuah sistem monitoring kualitas air berbasis web yang mengintegrasikan sensor digital dengan algoritma machine learning Isolation Forest. Penelitian ini dilakukan sebagai tugas akhir (skripsi) dengan mengambil studi kasus pada sebuah usaha budi daya ikan keramba jaring apung di kawasan Cisauk, Tangerang, yang mengelola 18 keramba dengan populasi sekitar 40.000 ekor ikan dari berbagai jenis, meliputi nila, patin, gurame, dan lele.
Penelitian yang mengangkat judul “Implementasi Isolation Forest dalam Pemantauan Suhu dan pH Air untuk Optimalisasi Pertumbuhan Ikan pada Kolam Budi Daya Cisauk Berbasis Web” ini berlangsung selama kurang lebih tujuh bulan, terhitung sejak 1 Desember 2025 hingga 10 Juli 2026.
Sistem ini dirancang agar data suhu dan pH air yang diperoleh dari sensor digital dapat langsung dianalisis secara otomatis, tanpa harus menunggu pencatatan dan rekapitulasi manual. Algoritma Isolation Forest digunakan untuk mengenali pola penyimpangan data yang dipicu oleh perubahan cuaca maupun faktor lingkungan lainnya, sehingga anomali kualitas air dapat terdeteksi lebih cepat dan akurat.
Sistem dikembangkan menggunakan pendekatan model Prototyping, yang memungkinkan rancangan sistem disesuaikan secara iteratif berdasarkan kebutuhan pengguna di lapangan. Hasil pengujian terhadap 450 data historis menunjukkan bahwa model berhasil mengidentifikasi 427 data normal dan 23 data anomali, dengan tingkat akurasi mencapai 94,89%. Data anomali pada umumnya ditandai dengan suhu dan pH yang lebih tinggi dari kondisi normal, dengan rata-rata suhu anomali sebesar 31,26°C dan rata-rata pH anomali sebesar 8,79, yang dipengaruhi oleh cuaca panas.
Integrasi algoritma deteksi anomali dengan dashboard berbasis web juga terbukti efektif memberikan peringatan dini (early warning) kepada petugas lapangan, sehingga tindakan korektif dapat segera dilakukan sebelum kondisi air memburuk dan berdampak pada kesehatan ikan. Sistem ini dilengkapi fitur dashboard, riwayat data, laporan dan analisis, serta manajemen pengguna yang dapat diakses oleh admin maupun petugas sesuai peran masing-masing.
Penelitian ini dibimbing oleh Ria Ester, S.Kom., M.Kom., dosen Program Studi Teknik Informatika Universitas Pamulang, yang turut mengarahkan proses perancangan hingga pengujian sistem. Penerapan machine learning pada sektor perikanan dan kelautan seperti ini menunjukkan bagaimana teknologi dapat langsung memberikan dampak nyata bagi keberlangsungan usaha budi daya, khususnya dalam menjaga stabilitas kualitas air yang menjadi faktor krusial pertumbuhan ikan.
Uji coba dan implementasi sistem turut mendapat dukungan dari pihak pengelola kolam budi daya di lapangan. Muhamad Arif, selaku Supervisor (SPV) yang mengawasi operasional kolam, menyatakan persetujuannya terhadap penerapan sistem ini dan mengaku sangat terbantu dengan kehadirannya. “Sebelumnya, pengukuran suhu dan pH air kami lakukan secara manual setiap hari, jadi hasilnya baru diketahui setelah dicatat satu per satu. Dengan adanya sistem ini, status air langsung terlihat, apakah kondisinya aman atau bahaya, sehingga penanganan bisa lebih cepat dan tepat. Sistem ini sangat membantu pekerjaan kami di lapangan,” ujar Muhamad Arif.
Hasil evaluasi berupa kuesioner terhadap lima responden pengguna sistem, terdiri atas empat karyawan dan satu supervisor lapangan, menunjukkan tingkat kepuasan yang tinggi terhadap kemudahan penggunaan sistem, kejelasan hasil deteksi anomali, serta kegunaan fitur laporan dan grafik data monitoring.
Ke depan, penelitian ini disarankan untuk dikembangkan lebih lanjut dengan menambahkan parameter kualitas air lain seperti oksigen terlarut, amonia, dan kekeruhan, serta mengintegrasikan sensor Internet of Things (IoT) agar pengambilan data dapat dilakukan secara real-time. Pengembangan sistem otomatisasi tindakan korektif, seperti aerasi otomatis, juga menjadi salah satu arah pengembangan lanjutan agar deteksi anomali tidak berhenti pada notifikasi semata, melainkan dapat direspons secara otomatis oleh sistem.
Penelitian ini diharapkan dapat menjadi salah satu contoh penerapan teknologi machine learning yang aplikatif dan relevan bagi sektor perikanan budi daya di Indonesia, khususnya dalam mendukung efisiensi operasional dan keberlanjutan usaha budi daya ikan berbasis keramba jaring apung.
Amir Rozy Sinaga
Mahasiswa Program Studi Teknik Informatika, Universitas Pamulang
