Visi Komputer dalam Ekstraksi Warna Odonata: Membangun Pemahaman Baru tentang Perubahan Iklim dan Keanekaragaman Hayati

      Capung (Odonata), yang mencakup capung jarum dan capung besar, adalah serangga predator yang mudah ditemukan dan tersebar luas di berbagai ekosistem. Mereka tidak hanya menarik secara visual, tetapi juga merupakan indikator penting bagi kualitas habitat perairan dan keseimbangan ekosistem lainnya. Salah satu karakteristik menarik dari odonata adalah polimorfisme warna, yaitu kemampuan untuk menampilkan dua atau lebih fenotipe warna yang berbeda dalam populasi yang sama. Perubahan warna ini memiliki korelasi yang kuat dengan suhu lingkungan dan lintasan geografis. Namun, studi skala besar mengenai korelasi antara ciri morfologi serangga, khususnya warna, dengan perubahan iklim dan faktor lingkungan lainnya, masih sangat terbatas karena analisis data yang memakan waktu dan biaya tinggi.

      Sebuah studi terbaru yang diterbitkan sebagai pracetak oleh Rajaraman et al. (2026) berjudul "Colour Extraction Pipeline for Odonates using Computer Vision" (Rajaraman et al., 2026) mengusulkan solusi inovatif. Para peneliti telah mengembangkan pipeline atau alur kerja berbasis visi komputer untuk mengatasi tantangan ini. Dengan memanfaatkan teknologi kecerdasan buatan, khususnya jaringan saraf tiruan mendalam, pendekatan ini memungkinkan identifikasi dan segmentasi bagian-bagian tubuh odonata (kepala, toraks, perut, dan sayap) dari gambar. Tujuan utamanya adalah mengekstrak palet warna dari setiap bagian tubuh ini, membuka jalan bagi analisis statistik skala besar yang sebelumnya sulit dilakukan.

Mengapa Warna Odonata Penting untuk Studi Iklim?

      Warna pada odonata bukan sekadar estetika, melainkan memainkan peran krusial dalam kelangsungan hidup dan ekologi mereka. Studi telah menunjukkan bahwa suhu lingkungan yang lebih tinggi dapat memengaruhi pewarnaan sayap capung, yang pada gilirannya berdampak pada kemampuan terbang dan kinerja kawin capung jantan. Selain itu, ada bukti yang menunjukkan bahwa perubahan warna juga berkaitan dengan garis lintang geografis, mencerminkan adaptasi terhadap kondisi iklim yang berbeda. Sebagai serangga tropis, perubahan suhu secara signifikan memengaruhi fisiologi mereka, termasuk laju perkembangan, fungsi kekebalan tubuh, dan pengembangan pigmen untuk termoregulasi.

      Dampak fisiologis ini kemudian memengaruhi pola terbang dan pergerakan odonata. Karena mereka adalah predator, gangguan pada perilaku ini berpotensi mengganggu keseimbangan alami spesies serangga lain dalam ekosistem. Dengan hilangnya habitat dan penggundulan hutan, odonata kini menghadapi ancaman serius, menjadikan pemahaman tentang perubahan warna dan pengaruh faktor lingkungan serta geografis menjadi sangat mendesak.

Tantangan Analisis Data Morfologi Serangga Skala Besar

      Meskipun urgensi studi ini tinggi, peneliti menghadapi kendala besar. Data set open source yang tersedia seringkali tidak memiliki anotasi ciri-ciri morfologi spesies, terutama informasi warna. Upaya anotasi manual yang diperlukan untuk membuat data set semacam itu umumnya bersifat lokal dan sangat mahal serta memakan waktu. Proses pengumpulan data secara manual juga rumit, seringkali melibatkan perangkap serangga yang tidak hanya menangkap spesies yang diinginkan, tetapi juga serangga lain yang tidak relevan. Setiap spesimen yang berhasil ditangkap harus difoto dan dianotasi secara individual untuk melatih model khusus.

      Identifikasi serangga secara otomatis juga merupakan tantangan tersendiri. Serangga bergerak cepat dan berukuran kecil, seringkali terhalang oleh bunga atau daun, membuat model AI kesulitan memisahkan objek yang diminati dari latar belakang. Kondisi ini menyoroti kebutuhan akan model yang dilatih khusus untuk odonata dan data yang mudah diakses, yang memungkinkan pembangunan pipeline yang digeneralisasi dan mudah diperluas tanpa memerlukan keahlian awal yang mendalam.

Pipeline Ekstraksi Warna Bertenaga AI untuk Odonata

      Untuk mengatasi tantangan ini, Rajaraman et al. mengusulkan sebuah pipeline visi komputer baru yang dirancang untuk mendukung ekstraksi warna dari odonata. Pendekatan ini secara spesifik berfokus pada analisis warna tubuh dan perbedaan warna di antara bagian-bagian tubuh serangga. Model yang digunakan dalam penelitian ini dibangun dan dilatih menggunakan data dari platform citizen science yang tersedia secara publik, yang memungkinkan akses ke beragam gambar dengan metadata lokasi geografis dan ekologi yang kaya.

      Inti dari pipeline ini adalah penggunaan jaringan saraf tiruan mendalam untuk melakukan segmentasi. Segmentasi citra adalah proses membagi citra digital menjadi beberapa segmen, atau sekumpulan piksel, untuk menyederhanakan representasi citra dan membuatnya lebih mudah dianalisis. Dalam konteks ini, ada dua jenis segmentasi utama:

• Segmentasi Instance: Mengidentifikasi setiap individu objek dalam gambar, bahkan jika mereka berasal dari kelas yang sama (misalnya, membedakan satu capung dari capung lainnya).
• Segmentasi Semantik: Mengklasifikasikan setiap piksel dalam gambar ke dalam kategori objek tertentu (misalnya, menandai semua piksel yang merupakan "kepala" odonata, "toraks", "perut", atau "sayap").

      Dengan mengombinasikan kedua teknik ini, pipeline mampu tidak hanya mengidentifikasi setiap odonata yang terlihat, tetapi juga memisahkan bagian-bagian tubuhnya untuk analisis warna yang lebih presisi. Teknologi ini mirip dengan apa yang diterapkan dalam AI Video Analytics yang digunakan dalam berbagai industri untuk deteksi objek dan analisis perilaku, misalnya, dalam pengawasan keselamatan atau pemantauan lalu lintas.

Komponen Inti dan Metodologi Pipeline

      Penelitian ini membagi proyek menjadi tiga bagian utama: anotasi dan persiapan data set, segmentasi instance dan semantik objek, serta ekstraksi warna dari objek yang telah tersegmentasi. Awalnya, sebagian kecil data set dianotasi secara manual. Anotasi manual sangat penting karena anotasi otomatis tidak menghasilkan hasil yang andal dan anotasi manual memungkinkan definisi objek yang akurat. Alat seperti QuPath, yang menawarkan fleksibilitas dengan Magic Wand dan plugin PyTorch, terbukti sangat membantu dalam fase pertama ini.

      Setelah putaran pertama eksperimen dan penyempurnaan model, ditemukan model yang berkinerja baik. Model ini kemudian digunakan untuk anotasi tambahan melalui pendekatan pseudo supervised data, di mana model awal membantu menganotasi bagian data set yang lebih besar, mirip dengan sistem otomatis yang dapat dikembangkan untuk pengawasan kualitas di manufaktur. Tahap kedua penyempurnaan model dilakukan dengan kombinasi data set dari kedua putaran anotasi. Model terbaik dari putaran kedua ini menjadi model akhir yang digunakan untuk identifikasi dan segmentasi bagian odonata (kepala, toraks, perut, dan sayap). ARSA AI Box Series dapat menawarkan solusi edge computing untuk memproses data set yang besar dan kompleks secara lokal, memastikan latensi rendah dan privasi data.

      Tugas terakhir berfokus pada analisis eksplorasi awal dan pipeline awal untuk ekstraksi warna dari setiap bagian yang teridentifikasi. Ini termasuk memberikan analisis statistik tentang korelasi ekologis antara distribusi warna dan geolokasi, serta antara distribusi warna dan waktu hari.

Implikasi dan Manfaat untuk Konservasi dan Penelitian

      Penelitian ini memiliki implikasi signifikan, terutama dalam bidang konservasi keanekaragaman hayati dan studi ekologi. Dengan kemampuan mengekstraksi informasi warna dari odonata secara otomatis dan skala besar, para ilmuwan dapat:

• Menganalisis Korelasi Ekologis Skala Besar: Memungkinkan peneliti untuk mengidentifikasi pola dan tren antara warna odonata dan berbagai faktor lingkungan seperti perubahan iklim, hilangnya habitat, atau lokasi geografis.
• Memantau Status Keanekaragaman Hayati: Data yang diperoleh dapat digunakan untuk mengukur dan menilai status keanekaragaman hayati ekosistem, memberikan informasi vital untuk upaya konservasi.
• Mengurangi Biaya dan Waktu Penelitian: Mengotomatisasi proses yang sebelumnya memakan waktu dan biaya tinggi, sehingga sumber daya dapat dialokasikan untuk analisis dan interpretasi yang lebih mendalam.

      Inovasi ini membuka pintu bagi pemahaman yang lebih komprehensif tentang bagaimana makhluk hidup beradaptasi dengan perubahan lingkungan dan memberikan alat yang kuat untuk memantau kesehatan planet kita. Keahlian dalam visi komputer dan deep learning, seperti yang dimiliki oleh ARSA Technology, yang telah berpengalaman sejak 2018, sangat penting dalam mengembangkan solusi AI praktis yang mampu memberikan dampak nyata dalam berbagai industri.

      Jika Anda tertarik untuk menjelajahi potensi visi komputer dan AI untuk kebutuhan analitik atau operasional spesifik Anda, tim ahli kami siap membantu.

Hubungi tim ARSA untuk konsultasi gratis dan temukan bagaimana solusi AI kami dapat membawa kecerdasan ke dalam operasi Anda.