Primata dan Teknologi: Peran AI dalam Menyelamatkan Satwa yang Terancam Punah

 Primata dan Teknologi: Peran AI dalam Menyelamatkan Satwa yang Terancam Punah

 Kondisi Kritis Primata Saat Ini

           Indonesia merupakan salah satu negara dengan keanekaragaman hayati tertinggi di dunia. Berbagai jenis flora dan fauna, termasuk satwa, hidup di berbagai ekosistem yang tersebar di seluruh kepulauan  Indonesia.  Keanekaragaman  ini  tidak  hanya  memperkaya  kekayaan  alam  Indonesia,  tetapi  juga memainkan  peran  penting  dalam  menjaga  keseimbangan  ekosistem hutan.  Keanekaragaman  hayati  ini  semakin  terancam  oleh  berbagai  faktor  seperti  perubahan  iklim,  perusakan habitat, perdagangan ilegal, dan konflik  antara manusia dan satwa liar. Satwa liar yang dulunya umum ditemui kini mulai langka, bahkan beberapa spesies berada di ambang kepunahan. (Putra & Sancoko, 2024) Berbagai spesies primata saat ini menghadapi ancaman serius akibat hilangnya habitat, fragmentasi hutan, perburuan liar, serta ekspansi perkebunan dan pembangunan infrastruktur. Deforestasi yang terus berlangsung menyebabkan kawasan hutan yang sebelumnya utuh terpecah menjadi fragmen-fragmen kecil sehingga mengurangi ruang gerak primata dalam mencari pakan, berlindung, dan berkembang biak. Kondisi ini berdampak pada menurunnya ukuran populasi dan meningkatnya risiko kepunahan lokal pada berbagai spesies primata endemik Indonesia (Widyastuti et al., 2023).

Peran Kamera Pengawas dan Pengolahan Data Otomatis

           Kamera pengawas atau camera trap menjadi salah satu alat penting dalam penelitian satwa liar karena mampu merekam aktivitas hewan secara otomatis di habitat alaminya. Teknologi ini membantu peneliti memantau satwa tanpa harus berada langsung di lapangan, sehingga mengurangi gangguan terhadap perilaku alami mereka. Namun, pada sistem konvensional, hasil rekaman masih harus dianalisis secara manual oleh manusia yang rentan mengalami kelelahan dan kesalahan akibat banyaknya data yang harus diperiksa (Rahmat et al., 2023).

      Untuk mengatasi hal tersebut, kecerdasan buatan mulai dimanfaatkan dalam pengolahan data kamera pengawas. Teknologi deep learning memungkinkan sistem untuk mendeteksi objek dan mengidentifikasi satwa secara otomatis, sehingga proses analisis menjadi lebih cepat dan efisien. Pendekatan computer vision terbukti mampu meningkatkan kemampuan sistem dalam mengolah data kamera trap skala besar untuk mendukung pemantauan satwa liar (Schneider et al., 2020). Dalam skala lebih luas, sistem berbasis AI juga mampu memproses jutaan gambar satwa liar dan mengenali spesies dengan tingkat akurasi tinggi. Hal ini membuat proses pemantauan populasi menjadi lebih efektif dan dapat membantu pengambilan keputusan konservasi secara lebih cepat dan berbasis data (Norouzzadeh et al., 2018).

Implementasi Sistem Pengenalan Wajah pada Hewan

Gambar 1. Hasil pengenalan wajah yang menunjukkan ketahanan model CNN terhadap variasi pose, pencahayaan, skala, dan usia dari waktu ke waktu

 (Sumber: Schofield et al., 2019).

         Teknologi pengenal wajah (face recognition) pada satwa merupakan salah satu inovasi penting dalam penelitian primata modern karena memungkinkan identifikasi individu tanpa penandaan fisik atau kontak langsung. Sistem ini bekerja dengan memanfaatkan computer vision untuk mengenali pola unik pada wajah setiap individu, sehingga dapat digunakan untuk pelacakan jangka panjang secara otomatis dalam studi populasi satwa liar (Scott et al., 2020).

      Dalam penelitian primata liar, teknologi ini dikembangkan menggunakan pendekatan deep learning berbasis convolutional neural network (CNN) yang mampu melakukan deteksi wajah, pelacakan, hingga identifikasi individu dari rekaman video jangka panjang. Sistem ini terbukti efektif meskipun bekerja dalam kondisi lapangan yang kompleks seperti pencahayaan yang tidak stabil, sudut kamera yang bervariasi, serta jumlah data yang sangat besar (Scott et al., 2019). Dengan kemampuan tersebut, teknologi ini tidak hanya berfungsi sebagai alat identifikasi, tetapi juga menjadi sarana penting untuk memahami perilaku sosial dan dinamika kelompok primata secara lebih mendalam.

         Secara keseluruhan, sistem pengenal wajah berbasis AI menjadi salah satu pendekatan penting dalam konservasi modern karena memungkinkan pemantauan individu secara non-invasif, berkelanjutan, dan lebih efisien dibandingkan metode tradisional (Schneider et al., 2020).

Solusi Mengatasi Fragmentasi Lahan dan Koridor Hijau 

      Salah satu ancaman terbesar bagi kelangsungan hidup primata adalah fragmentasi habitat, yaitu terpecahnya kawasan hutan menjadi bagian-bagian kecil akibat pembangunan jalan, perluasan perkebunan, pertambangan, dan permukiman. Fragmentasi menyebabkan populasi primata menjadi terisolasi, membatasi pergerakan individu, mengurangi akses terhadap sumber pakan, serta meningkatkan risiko konflik dengan manusia. Oleh karena itu, pembangunan koridor hijau (green corridor) yang menghubungkan fragmen-fragmen hutan menjadi solusi penting untuk menjaga konektivitas habitat. Di era digital, teknologi Artificial Intelligence (AI), dapat digunakan untuk mengidentifikasi jalur pergerakan primata, memetakan area yang paling sesuai untuk pembangunan koridor, serta memprediksi perubahan tutupan lahan secara real-time. (Prayogo et al., 2016)

Pemanfaatan Sensor Suara untuk Pengawasan Hutan 

Gambar 2. Perangkat pemantauan akustik pasif (Passive Acoustic Monitoring/PAM) yang digunakan untuk merekam suara satwa liar secara otomatis di habitat hutan (Sumber: Methods Blog, 2015 ; Sumber: Schofield et al., 2019).

Sensor suara atau Passive Acoustic Monitoring (PAM) merupakan teknologi yang menggunakan alat perekam otomatis untuk menangkap suara satwa, aktivitas manusia, dan kondisi lingkungan di hutan. Teknologi ini semakin banyak digunakan dalam konservasi karena mampu melakukan pemantauan secara terus-menerus tanpa mengganggu satwa liar (Sharma, 2023). Dengan perkembangan kecerdasan buatan (AI), data suara yang terkumpul dapat dianalisis secara otomatis menggunakan algoritma pembelajaran mesin. AI mampu mengenali suara spesies tertentu, membedakan suara satwa dari kebisingan lingkungan, serta mendeteksi ancaman seperti penebangan liar dan perburuan secara real-time (Sinay, 2026). Pada primata, pemantauan akustik telah digunakan untuk mendeteksi panggilan simpanse dan berbagai spesies primata lainnya di hutan tropis. Metode ini memungkinkan peneliti memperkirakan keberadaan dan aktivitas populasi tanpa harus melakukan pengamatan langsung yang memerlukan waktu dan biaya besar (Kalan, 2016). Penelitian terbaru menunjukkan bahwa model AI khusus bioakustik dapat mengidentifikasi suara primata dengan tingkat akurasi yang sangat tinggi. Model DeepForestSound yang dikembangkan oleh Dubus dkk. (2026) mampu mendeteksi berbagai kelompok satwa, termasuk primata dan gajah, pada rekaman hutan tropis Afrika dengan akurasi lebih dari 96%. Hal ini menunjukkan potensi besar AI dalam mendukung pemantauan satwa terancam punah secara otomatis. Selain untuk penelitian, sistem sensor suara berbasis AI juga telah digunakan dalam program konservasi di Indonesia. Proyek kolaborasi antara Planet Indonesia dan WildMon memanfaatkan bioakustik dan AI untuk memantau keanekaragaman hayati di hutan Kalimantan, termasuk habitat orangutan, owa, dan satwa langka lainnya. Data yang diperoleh membantu masyarakat dan pengelola kawasan dalam mengambil keputusan konservasi yang lebih tepat.

Tantangan Implementasi Teknologi di Lapangan

Konservasi primata di era modern tidak lagi cukup hanya mengandalkan regulasi dan perlindungan hukum. Tingginya laju deforestasi, fragmentasi habitat, perburuan liar, dan perdagangan satwa ilegal menunjukkan bahwa pendekatan konvensional sering kali belum mampu merespons ancaman secara cepat dan efektif. Oleh karena itu, diperlukan sinergi antara komitmen industri, pelestarian alam, dan pemanfaatan teknologi berbasis kecerdasan buatan (Artificial Intelligence/AI). Berbagai teknologi non-invasif, seperti kamera jebak (camera trap), pemantauan akustik, drone, citra satelit, serta sensor otomatis telah meningkatkan kemampuan peneliti dalam mengumpulkan data primata secara lebih luas dan efisien. Integrasi machine learning dengan teknologi tersebut memungkinkan identifikasi individu, estimasi populasi, pemantauan perilaku, serta deteksi perubahan habitat secara otomatis sehingga mendukung pengambilan keputusan konservasi yang lebih cepat dan berbasis data. Tantangan utama dalam penerapan data mining dan AI meliputi keterbatasan data spasial-temporal dengan resolusi rendah, yang menghambat pemodelan akurat (Oktaviani et al., 2023). Integrasi data multisumber, seperti data satelit, sensor IoT, dan laporan lapangan, menghadapi kesulitan teknis dan kompatibilitas. Infrastruktur komputasi yang terbatas di daerah pedesaan, seperti di sekitar Geopark Ciletuh, juga menjadi hambatan signifikan (Jatmika et al., 2024). Selain itu, dukungan kebijakan yang lemah dan kurangnya kolaborasi lintas sektor memperumit implementasi teknologi (Rifqi & Pramukanto, 2021). Wawancara dengan Yayasan Cikananga menyoroti perlunya edukasi masyarakat untuk meningkatkan penerimaan teknologi baru. 

Solusi yang diusulkan meliputi pengembangan infrastruktur GIS berbasis cloud untuk mengatasi keterbatasan data spasial, penggunaan drone untuk pemetaan udara berkala, dan pelatihan komunitas lokal dalam penggunaan aplikasi mobile (Jatmika et al., 2024). Kolaborasi dengan akademisi dan pemerintah daerah dapat memperkuat kebijakan konservasi, sementara pendekatan geotourism berkelanjutan dapat menyeimbangkan pelestarian dan ekonomi lokal (Kneć & Zgłobicki, 2025). 

Penulis: Sindy Mey Assifatika (KPP XII), Nazwa Azahra (KPP XII), Dias Aditya (KPP XIII), Pahiriah (KPP XIII), Ghina Salwa D. (KPP XIII), Kayla Azizah (KPP XIII).

Referensi

Dubus, G., d'Audiffret, T., Auger, C., Cornette, R., Haupert, S., Kasekendi, I., et al. (2026). DeepForestSound: A multi-species automatic detector for passive acoustic monitoring in African tropical forests, a case study in Kibale National Park. arXiv. https://arxiv.org/abs/2604.08087

Jatmika, B., Maulana, I., Al-Faqih, R., & Zouda, R. A. (2024). Application GET in Hand: Mobile-based geopark educational tourism Ciletuh-Sukabumi. BIO Web of Conferences, 148, 02018. https://doi.org/10.1051/bioconf/202414802018

Norouzzadeh, M. S., et al. (2018). Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning. Proceedings of the National Academy of Sciences (PNAS), 115(25), E5716–E5725. https://doi.org/10.1073/pnas.1719367115

Oktaviani, D. A., Satrio, M. I., Ramadhan, M. R. D., Syahbana, A. J., Sugianti, K., Jauhari, A., & Supriyanto. (2023). Distribution of seismicity hazard levels using PGA analysis with the PSHA method in the Ciletuh Geopark Area, Sukabumi, Indonesia. BIO Web of Conferences, 73, 04013. https://doi.org/10.1051/bioconf/20237304013

Prayogo, H., et al. (2016). Pemodelan kesesuaian habitat orangutan Kalimantan (Pongo pygmaeus pygmaeus) di koridor satwa Kapuas Hulu Kalimantan Barat. Jurnal Penelitian Hutan dan Konservasi Alam, 13(2).

Putra, F. R., & Sancoko, S. D. (2024). Media pendataan satwa liar berbasis web dan mobile. Jurnal Informatika Teknologi dan Sains, 6(4), 1060–1069.

Rahmat, A., et al. (2023). Peran kamera pengawas televisi sirkuit tertutup (CCTV) dalam penyelidikan. Jurnal Lemhannas RI

Rifqi, M. F., & Pramukanto, Q. (2021). Landscape planning for geodiversity conservation of Ciletuh Geo Area in Ciletuh Geopark using bioregional approach. IOP Conference Series: Earth and Environmental Science, 879(1), 012039. https://doi.org/10.1088/1755-1315/879/1/012039

Sánchez-Giraldo, C., Ayram, C. C., & Daza, J. M. (2021). Environmental sound as a mirror of landscape ecological integrity in monitoring programs. Perspectives in Ecology and Conservation, 19(3), 319–328.

Schneider, S., et al. (2020). Deep learning object detection methods for ecological camera trap data. Methods in Ecology and Evolution, 11(1), 4–14. https://doi.org/10.1111/2041-210X.13304

Sharma, S., Sato, K., & Gautam, B. P. (2023). A methodological literature review of acoustic wildlife monitoring using artificial intelligence tools and techniques. Sustainability, 15(9), 7128. https://doi.org/10.3390/su15097128

Scott, J., et al. (2019). Chimpanzee face recognition from videos in the wild using deep learning. Science Advances, 5(9), eaaw0736. 

Scott, J., et al. (2020). Automated wildlife face recognition using deep learning. Scientific Reports / PMC. https://pmc.ncbi.nlm.nih.gov/articles/PMC7713984/

Widyastuti, S., et al. (2023). The Javan gibbon (Hylobates moloch) habitat changes and fragmentation in the Dieng Mountains, Indonesia. Jurnal Manajemen Hutan Tropika, 29(2), 150–161.

Zaugg, S., van der Schaar, M., Erbs, F., et al. (2023). Towards small and accurate convolutional neural networks for acoustic biodiversity monitoring. arXiv. https://arxiv.org/abs/2312.03666