SHRIMPLYTICS : Smart Shrimp Growth Predictor & Harvest Simulator

Budidaya udang saat ini semakin kompleks. Banyak faktor yang harus dipertimbangkan secara bersamaan, mulai dari pertumbuhan harian, kondisi biomassa, efisiensi pakan, hingga waktu panen yang paling optimal. Di lapangan, sebagian besar keputusan masih bergantung pada pengalaman, padahal kondisi tambak sangat dinamis dan sulit diprediksi hanya dengan intuisi.

Dari permasalahan tersebut, saya mengembangkan sebuah sistem berbasis machine learning dan simulasi biologis yang saya sebut Shrimp Decision System. Sistem ini dirancang untuk membantu proses pengambilan keputusan dalam budidaya udang agar lebih terukur, berbasis data, dan dapat disimulasikan secara real-time.

Shrimplitics Apps

Di dalamnya, sistem ini memodelkan pertumbuhan udang menggunakan pendekatan prediktif terhadap MBW (Mean Body Weight) dan ADG (Average Daily Gain). Setiap perubahan input seperti umur budidaya, berat awal, hingga karakter strain udang akan mempengaruhi hasil simulasi pertumbuhan yang ditampilkan secara dinamis dalam bentuk kurva. Dengan begitu, pengguna dapat melihat bagaimana skenario budidaya berkembang dari waktu ke waktu.

Selain aspek pertumbuhan, sistem ini juga dilengkapi dengan simulasi parsial panen. Fitur ini memungkinkan pengguna untuk membagi proses panen ke dalam beberapa tahap, menghitung biomassa dan populasi yang diambil di setiap tahap, serta mengontrol sisa populasi secara otomatis. Pendekatan ini membantu dalam merencanakan strategi panen yang lebih fleksibel sesuai kondisi lapangan.

Tidak hanya berhenti pada aspek biologis, Shrimp Decision System juga mengintegrasikan analisis ekonomi secara langsung. Sistem ini menghitung total biaya produksi, termasuk pakan, benur, dan biaya operasional, kemudian membandingkannya dengan total pendapatan dari hasil panen. Dari situ, sistem dapat memberikan gambaran mengenai profit, ROI, serta revenue per kilogram biomassa secara otomatis.

Untuk memperkuat pengambilan keputusan, sistem ini juga terhubung dengan model AI yang memberikan rekomendasi apakah kondisi tambak sudah layak panen atau masih perlu dilanjutkan. Rekomendasi ini mempertimbangkan berbagai variabel seperti ukuran udang, FCR, survival rate, hingga tingkat keuntungan yang dihasilkan.

Secara teknis, sistem ini dibangun menggunakan Python dengan Streamlit sebagai antarmuka utama. Model machine learning digunakan untuk memprediksi pertumbuhan, sementara Plotly digunakan untuk visualisasi data secara interaktif. Selain itu, integrasi dengan AI generatif seperti Gemini memberikan lapisan analisis tambahan yang bersifat kontekstual dan adaptif terhadap kondisi budidaya.

Tujuan utama dari pengembangan sistem ini adalah untuk mendorong transformasi digital dalam industri akuakultur, khususnya budidaya udang. Harapannya, keputusan di tambak tidak lagi hanya bergantung pada perkiraan, tetapi dapat didukung oleh data, model prediktif, dan simulasi yang lebih akurat.

Ke depan, sistem ini masih akan terus dikembangkan agar dapat terhubung dengan data real-time dari tambak, memperluas kemampuan prediksi, serta memberikan rekomendasi yang semakin presisi. Dengan pendekatan ini, budidaya udang diharapkan dapat menjadi lebih efisien, terukur, dan berkelanjutan.