Kita cuma ingin tidur, tapi nyamuk malah mengadakan konser di dekat telinga. Begitu lampu dinyalakan, nyamuknya menghilang. Rupanya, menghadapi pengganggu sekecil ini juga bisa menjadi urusan kecerdasan buatan. Peneliti mengembangkan perangkap yang memotret nyamuk, mengenali jenisnya, lalu memasukkannya ke ruang penampungan yang sesuai. Bayangkan razia dengan petugas berupa kamera.
Sistem tersebut dijelaskan Wei-Liang Liu dan rekan-rekannya dari Taiwan dalam jurnal Frontiers in Bioengineering and Biotechnology pada 2023. Mereka menggabungkan perangkap, pengenalan gambar, serta Internet of Things atau IoT. Tujuannya adalah mengumpulkan nyamuk hidup sekaligus mencatat informasi yang berguna untuk pemantauan, sehingga hasil tangkapan dapat diperiksa lebih lanjut.
Mengapa harus dikenali jenisnya? Dalam pengawasan nyamuk, jumlah tangkapan saja belum cukup menjelaskan keadaan. Peneliti perlu mengetahui nyamuk apa yang ditemukan dan di mana lokasinya. Salah satu jenis yang menjadi perhatian adalah Aedes aegypti, yang dapat menularkan virus dengue. Dalam pengujian, sistem membedakannya dari Culex quinquefasciatus.
(A) Nyamuk terbang memasuki area penangkapan.
(B) Mekanisme perangkap berputar sehingga menutup lubang masuk.
(C) Setelah mekanisme berputar hingga mencapai sudut tertentu, putaran berhenti, kemudian rangka perangkap mendorong nyamuk ke dalam ruang penampungan yang sesuai.
(D) Pelat tetap berada pada posisi yang sama selama beberapa waktu.
(E) Selanjutnya, pelat berputar ke arah yang berlawanan.
(F) Pelat terus berputar hingga kembali ke posisi semula.
Biasanya, serangga yang terkumpul perlu dibawa ke laboratorium untuk dipilah dan diidentifikasi. Pekerjaan ini membutuhkan waktu serta keahlian. Perangkap pintar mencoba membantu tahap tersebut melalui kamera dan algoritma. Kalau dibayangkan sebagai petugas administrasi, alat ini langsung menyiapkan kolom jenis, lokasi, dan waktu kedatangan. Nyamuknya tentu belum tentu senang ketika didata.
Prosesnya dimulai ketika nyamuk mendekati perangkap yang dilengkapi bahan pemikat dan aliran udara dari kipas. Saat memasuki area pemeriksaan, gerakannya memicu pengolahan gambar. Kamera mengambil citra, lalu program menganalisis bagian gambar yang menunjukkan objek bergerak. Citra tersebut diteruskan ke model kecerdasan buatan untuk diperkirakan jenis nyamuknya.
Model yang dipakai bernama SqueezeNet, jaringan saraf untuk pengenalan gambar yang dirancang relatif ringan. Peneliti melatihnya menggunakan foto spesimen serta nyamuk hidup dalam berbagai posisi dan pencahayaan. Dengan demikian, model belajar dari contoh gambar, termasuk penampilan serangga yang sedang bergerak. Foto formal saja ternyata belum cukup untuk menghadapi nyamuk yang susah diam.
Pengolahan gambar dilakukan pada Raspberry Pi, komputer kecil yang dipasang di sistem. Jadi, tugas pengenalan dapat berlangsung langsung di perangkap. Alat tidak harus menunggu setiap foto diperiksa manusia. Penggabungan kamera, perangkat lunak, dan penggerak mekanis memungkinkan hasil pengenalan segera digunakan untuk menentukan arah penampungan.
Setelah jenisnya diperkirakan, mekanisme berputar menutup jalur masuk dan mengarahkan nyamuk ke salah satu dari dua ruang penampungan. Gerakan pelat serta bagian geser membantu mendorong serangga masuk. Sesudahnya, mekanisme kembali ke posisi awal untuk menunggu tamu berikutnya. Nyamuk pun mendapat “sel penjara” sesuai hasil klasifikasi, tanpa kesempatan memilih pemandangan atau mengajukan pindah kamar.
Nyamuk ditangkap dalam keadaan hidup dengan ciri tubuh yang tetap terjaga. Hal ini berguna untuk identifikasi dan pemeriksaan lanjutan. Kemampuan mengenali jenis melalui foto perlu dibedakan dari kemampuan mendeteksi virus. Alat ini tidak otomatis memastikan seekor nyamuk membawa dengue hanya karena tampilannya termasuk Aedes. Pemeriksaan infeksi membutuhkan analisis tersendiri.
Bagian IoT membuat hasil pengamatan dapat dikirim ke basis data daring. Sistem mencatat jenis nyamuk dan informasi tangkapan, disertai data lingkungan seperti suhu, kelembapan, serta konsentrasi karbon dioksida. Melalui halaman web, pengguna dapat melihat informasi lokasi dan waktu. Perangkap akhirnya menghasilkan catatan pemantauan yang bisa diperiksa dari jarak jauh.
Dengan menggabungkan data dari beberapa perangkap, petugas dapat membandingkan lokasi dan waktu ketika tangkapan meningkat. Dari situ, pemeriksaan lapangan bisa diarahkan berdasarkan catatan yang teratur.
Lalu, seberapa bagus hasilnya? Ketika perangkat digabungkan dengan perangkap BG dan diuji dalam kandang percobaan, rata-rata ketepatan pengenalan mencapai sekitar 97%, sementara tingkat penangkapannya 67%. Saat dipindahkan ke ruangan yang menyerupai “ruang tamu”, ketepatan pengenalan menjadi sekitar 90% dan tingkat penangkapannya sekitar 49%.
Dua ukuran itu memiliki arti berbeda. Pengenalan menilai ketepatan alat mengelompokkan nyamuk yang diamati, sedangkan penangkapan menunjukkan bagian nyamuk yang berhasil dikumpulkan dari yang dilepaskan. Angka pengenalan tinggi tidak berarti seluruh nyamuk di ruangan tertangkap. Rupanya, pintar mengenali tersangka dan berhasil membawanya ke ruang penampungan adalah dua tantangan terpisah.
Peneliti juga mengakui keterbatasannya. Model baru dilatih untuk dua jenis nyamuk, sementara lingkungan nyata berisi banyak serangga lain. Mekanisme penangkap pun masih dapat membuat nyamuk tersangkut atau masuk ruang yang keliru. Pengujian lebih luas diperlukan, dan penelitian ini belum membuktikan penurunan kasus penyakit pada masyarakat.
Bagi Indonesia, gagasan menghubungkan perangkap dengan data lingkungan menarik untuk dikembangkan dan diuji sesuai kondisi setempat. Teknologinya dapat membantu petugas memahami perubahan populasi nyamuk, sambil menyediakan bahan penelitian lanjutan. Kalau perangkap seperti ini tersedia, kamu ingin memasangnya di rumah atau tetap setia pada raket listrik? Dan kalau nyamuknya lolos, siapa yang kena evaluasi: AI atau kipasnya?
Sumber: Liu dkk. (2023), Frontiers in Bioengineering and Biotechnology.
