Visi Komputer untuk Konservasi Satwa Liar: Deteksi Monyet Howler Cokelat dengan YOLOv10 dan Data Sintetis

Ancaman Fragmentasi Habitat dan Solusi Konservasi

      Ekspansi perkotaan dan deforestasi merupakan ancaman kritis bagi keanekaragaman hayati global, menyebabkan isolasi satwa liar di sisa-sisa hutan yang semakin menyusut. Bagi spesies arboreal, seperti monyet, hilangnya konektivitas kanopi meningkatkan risiko kematian akibat kecelakaan lalu lintas atau sengatan listrik, sekaligus membatasi aliran gen dan akses terhadap sumber daya penting. Dalam konteks ini, jembatan kanopi buatan muncul sebagai strategi mitigasi yang efektif, menyediakan jalur aman yang memfasilitasi pergerakan aman di lanskap yang terfragmentasi.

      Namun, efektivitas langkah-langkah konservasi ini sangat bergantung pada pemantauan berkelanjutan. Metode tradisional seperti observasi tidak langsung dan kamera jebak, meskipun efektif, seringkali menghasilkan volume data yang sangat besar. Sebagian besar data ini terdiri dari "positif palsu" yang dipicu oleh pergerakan vegetasi atau kondisi cuaca. Analisis manual ribuan jam rekaman video tidak hanya memakan waktu tetapi juga menciptakan penundaan yang signifikan dalam menilai hasil konservasi, sebagaimana dijelaskan dalam studi oleh Schneider, G. F., et al. (2026) dalam Computer Vision for Wildlife Monitoring: Detecting Brown Howler Monkeys using YOLO.

Visi Komputer: Mengatasi Tantangan Pemantauan Satwa Liar

      Untuk mengatasi inefisiensi pemantauan tradisional, algoritma visi komputer menawarkan potensi signifikan dalam mengotomatisasi deteksi spesies target. Studi ini secara khusus mengeksplorasi deteksi otomatis monyet howler cokelat (Alouatta guariba) dalam video yang diperoleh dari kamera jebak. Tantangan utama dalam mengembangkan model visi komputer berkinerja tinggi adalah "kemacetan data" atau kebutuhan akan kumpulan data besar yang dianotasi secara manual. Anotasi manual sangat padat karya dan seringkali menjadi hambatan dalam penerapan AI untuk tujuan konservasi.

      Di sinilah peran penting data sintetis muncul. Generasi data sintetis melalui grafika komputer (CG) atau mesin game menawarkan alternatif yang dapat diskalakan. Metode ini memungkinkan pembuatan set pelatihan yang beragam dan sudah diberi label, yang dapat melengkapi data dunia nyata yang terbatas. Pendekatan hibrida ini, yang mengintegrasikan rekaman dunia nyata dengan data sintetis, dapat secara signifikan meningkatkan kinerja model deteksi dan mempercepat upaya konservasi.

Metodologi Penelitian: Integrasi Data Nyata dan Sintetis

      Penelitian ini menggabungkan rekaman dunia nyata dan data sintetis untuk mengatasi kelangkaan data beranotasi dalam pemantauan satwa liar, dengan fokus pada deteksi otomatis monyet howler cokelat. Metode ini menggunakan arsitektur YOLOv10, sebuah sistem deteksi objek real-time yang terkenal dengan kecepatan dan akurasinya, untuk mengukur peningkatan kinerja dari pencampuran data.

      Dataset utama yang digunakan berasal dari studi oleh Dias [24], yang melibatkan pemantauan sistematis mamalia arboreal di habitat peri-urban di Porto Alegre, RS, Brasil. Kamera jebak dipasang di sepanjang sepuluh jembatan tali untuk merekam aktivitas, menghasilkan 16.179 video. Setelah penyaringan, 2.325 video yang berisi monyet howler cokelat dikurasi, dan dari sini, 10.508 gambar diambil pada interval 1 detik untuk anotasi manual. Gambar-gambar ini kemudian dibagi menjadi set pelatihan (90%) dan pengujian (10%) untuk melatih dan mengevaluasi model.

Peningkatan Kinerja Model dengan Data Tambahan

      Selain dataset utama, penelitian ini juga memasukkan dua dataset publik tambahan dari Roboflow Universe untuk meningkatkan keragaman pelatihan. Dataset ini meliputi "Human Detection Dataset" (5.000 gambar berisi manusia) dan "Non-Human Primate Dataset" (5.000 gambar spesies primata lain dalam berbagai konteks). Tujuan penggunaan data tambahan ini adalah untuk mempelajari apakah peningkatan keragaman pelatihan dapat meningkatkan kemampuan generalisasi dan kinerja model deteksi.

      Model YOLOv10 difine-tuning menggunakan proporsi yang bervariasi dari data asli dan data tambahan. Fine-tuning adalah proses mengambil model AI yang sudah dilatih sebelumnya (seringkali pada dataset yang sangat besar) dan menyesuaikannya dengan tugas atau dataset yang lebih spesifik. Ini memungkinkan model untuk belajar fitur-fitur baru atau mengadaptasi pengetahuannya yang ada untuk domain baru dengan data yang lebih sedikit, dibandingkan dengan melatih model dari awal. Pendekatan ini diharapkan dapat meningkatkan akurasi deteksi monyet howler cokelat secara signifikan, bahkan dengan jumlah gambar monyet asli yang terbatas.

Implikasi Praktis untuk Konservasi Modern

      Penerapan visi komputer dan data sintetis ini memiliki implikasi praktis yang luas untuk upaya konservasi. Dengan mengotomatisasi proses deteksi, konservasionis dapat secara drastis mengurangi waktu yang dihabiskan untuk meninjau rekaman kamera jebak yang padat, memungkinkan mereka fokus pada tindakan konservasi yang lebih proaktif. Hal ini tidak hanya menghemat sumber daya manusia tetapi juga mempercepat penilaian efektivitas jembatan kanopi dan intervensi konservasi lainnya.

      Teknologi seperti ini membuka jalan bagi strategi konservasi yang lebih efisien dan terukur untuk mamalia arboreal di lingkungan perkotaan. Dengan kemampuan untuk mengidentifikasi spesies target secara otomatis dengan akurasi tinggi, data yang dihasilkan menjadi lebih berharga untuk pengambilan keputusan. Misalnya, solusi AI Video Analytics atau ARSA AI Box Series dapat diterapkan untuk tugas serupa dalam skala besar, mengubah rekaman CCTV pasif menjadi intelijen operasional yang aktif, bahkan untuk pemantauan satwa liar jika kebutuhan muncul. ARSA Technology, dengan pengalaman sejak 2018, memahami pentingnya menyelaraskan penelitian AI tingkat lanjut dengan realitas operasional di lapangan.

Masa Depan Pemantauan Satwa Liar dengan AI

      Integrasi data dunia nyata dan data sintetis untuk melatih model deteksi objek seperti YOLOv10 menunjukkan potensi besar AI dalam memecahkan masalah kekurangan data yang sering terjadi dalam pemantauan satwa liar. Dengan demikian, visi komputer tidak hanya sekadar alat teknis, tetapi juga menjadi aset strategis dalam upaya global untuk melindungi keanekaragaman hayati yang semakin terancam. Ini memberikan harapan baru untuk menciptakan solusi yang meminimalkan dampak campur tangan manusia terhadap habitat hewan.

      Untuk organisasi yang mencari solusi AI & IoT yang dapat disesuaikan untuk tantangan operasional mereka, termasuk inisiatif konservasi atau pemantauan lingkungan, memahami potensi teknologi ini adalah kunci.

      Jelajahi bagaimana solusi visi komputer ARSA Technology dapat mendukung tujuan strategis Anda dan permintaan konsultasi gratis dengan tim ahli kami.

      ---

      Sumber: Schneider, G. F., et al. (2026). Computer Vision for Wildlife Monitoring: Detecting Brown Howler Monkeys using YOLO. arXiv preprint arXiv:2607.01396.