Mikroalga yang tumbuh dengan memanfaatkan cahaya dan karbon dioksida dapat digunakan untuk membuat pakan dan bahan baku pakan hewan, pigmen, serta bahan bakar terbarukan yang potensial. Namun, membudidayakannya secara efisien pada skala industri tidaklah mudah. Hal ini karena cahaya, suhu, pH (tingkat keasaman atau kebasaan), dan konsentrasi oksigen harus dikelola secara bersamaan selama proses budidaya.

Penelitian dan uji coba terbaru menunjukkan bahwa kecerdasan buatan (AI) berpotensi membantu pekerjaan pengelolaan ini. AI dapat menganalisis kondisi pertumbuhan berdasarkan informasi yang diperoleh dari sensor dan citra, serta membantu menyesuaikan kondisi operasional seperti pasokan karbon dioksida atau pH. Namun, ini bukan berarti AI telah terbukti meningkatkan hasil atau kelayakan ekonomi produksi industri.

Latar belakang dan konteks

Mikroalga adalah organisme mikroskopis yang melimpah di laut, sungai, dan danau. Melalui fotosintesis, mikroalga mengubah cahaya menjadi senyawa organik seperti protein, lemak, dan karbohidrat. Dalam fotobioreaktor—perangkat yang membudidayakan mikroorganisme dengan memanfaatkan cahaya—kondisi budidaya perlu dijaga agar tetap sesuai.

Berbagai kondisi saling memengaruhi. Jika cahaya kurang, fotosintesis akan terbatas, sedangkan cahaya yang terlalu kuat dapat menyebabkan fotoinhibisi (fenomena ketika efisiensi fotosintesis menurun akibat paparan cahaya berlebih). Ketika jumlah sel dalam cairan kultur bertambah, sel-sel tersebut juga dapat saling menghalangi cahaya. Karena itu, mengatur hanya satu kondisi mungkin tidak cukup untuk mengelola proses budidaya secara memadai.

Sensor dapat mengukur suhu, pH, oksigen terlarut (oksigen yang larut dalam cairan), cahaya, dan karbon dioksida secara terus-menerus. Pembelajaran mesin (metode untuk menemukan dan menganalisis pola dalam data) digunakan untuk memeriksa data ini dan mengidentifikasi kondisi budidaya serta perubahan yang berkaitan dengan pertumbuhan. Pendekatan untuk menganalisis citra cairan kultur guna memperkirakan perubahan biomassa (materi yang berasal dari organisme hidup) atau kepadatan kultur juga sedang diteliti.

Pembelajaran mesin telah digunakan dalam sejumlah kasus untuk memprediksi pertumbuhan mikroalga atau mengoptimalkan kondisi budidaya. Namun, sebagian besar produksi yang ditinjau masih terbatas pada skala laboratorium atau proyek percontohan kecil. Uji coba kendali AI pada beberapa sistem budidaya luar ruang berskala besar menunjukkan potensi penerapannya di luar laboratorium, tetapi hal itu saja belum memastikan hasil pada skala komersial.

Arti berita ini

Peran AI lebih dekat pada membantu peneliti dan operator proses mengambil keputusan dengan mempertimbangkan berbagai kondisi dan hasil pengukuran secara bersamaan, bukan menggantikan proses budidaya. AI dapat menemukan pola yang berkaitan dengan pertumbuhan dalam data sensor atau mengidentifikasi perubahan yang sulit diamati terus-menerus oleh manusia, sehingga dapat menjadi bahan pertimbangan untuk menyesuaikan kondisi operasional. Analisis citra juga dapat menjadi sumber data lain untuk memperkirakan kondisi cairan kultur.

Pada 2026, para peneliti di Almería, Spanyol tenggara, menguji pembelajaran penguatan pada raceway terbuka seluas 80㎡, yakni sistem budidaya yang mengalirkan cairan kultur melalui saluran terbuka di luar ruangan. Pembelajaran penguatan adalah metode yang membuat komputer belajar tindakan apa yang menghasilkan hasil yang sesuai. Sistem AI tersebut menggunakan pengukuran suhu, sinar matahari, dan oksigen terlarut untuk menentukan jumlah pasokan karbon dioksida, lalu mengendalikan pH dengan mengatur injeksi karbon dioksida.

Sistem itu diuji selama 8 hari dalam kondisi luar ruang yang berubah-ubah. Para peneliti menyatakan bahwa sistem tersebut menyesuaikan proses sambil merespons perubahan kondisi operasional. Ini merupakan contoh penerapan kendali AI pada sistem budidaya yang beroperasi secara nyata. Namun, dari informasi yang disajikan dalam artikel ini saja, tidak dapat diketahui seberapa besar efektivitasnya pada skala komersial, ataupun bagaimana biaya dan kelayakan ekonominya.

Sebagai contoh, bayangkan sebuah fasilitas budidaya yang menggunakan data sensor untuk menyesuaikan pasokan karbon dioksida. Penyesuaian yang disarankan AI dapat menjadi informasi yang membantu operator mengambil keputusan. Namun, jika pengukuran sensor tidak akurat atau model tersebut belum cukup teruji pada strain dan perangkat lain, kinerja yang sama sulit diharapkan. Karena itu, yang perlu dipertimbangkan bukan hanya model AI, melainkan juga sensor, perangkat budidaya, strain mikroalga, dan kondisi operasional.

Fakta yang terkonfirmasi dan hal yang belum diketahui

Fakta yang terkonfirmasi

  • Mikroalga dapat digunakan untuk pakan dan bahan baku pakan hewan, pigmen, serta bahan bakar terbarukan yang potensial, tetapi sulit dibudidayakan secara efisien pada skala industri.
  • Sensor dan pembelajaran mesin digunakan untuk menganalisis kondisi budidaya dan pola yang berkaitan dengan pertumbuhan. Metode untuk memperkirakan perubahan biomassa atau kepadatan kultur dari citra juga sedang diteliti.
  • Pada 2026, metode pengendalian pH dengan mengatur jumlah injeksi karbon dioksida menggunakan AI diuji selama 8 hari di raceway terbuka seluas 80㎡ di Almería.
  • Kontaminasi sensor atau perubahan nilai pengukuran seiring waktu, serta perbedaan strain dan perangkat, dapat menjadi masalah saat model diterapkan pada sistem lain.

Hal yang belum diketahui

  • Belum dijelaskan seberapa efektif kendali berbasis AI dalam produksi mikroalga pada skala komersial.
  • Biaya atau kelayakan ekonomi budidaya yang menerapkan AI tidak dijelaskan.
  • Belum dipastikan apakah model yang dikembangkan di laboratorium atau sistem luar ruang tertentu akan memiliki kinerja yang sama pada strain dan perangkat lain.

Hal yang perlu diperhatikan pembaca

  • Perlu memeriksa apakah sensor pada sistem budidaya terkontaminasi atau nilai pengukurannya berubah seiring waktu, serta memastikan bahwa data yang digunakan untuk analisis AI dapat diandalkan.
  • Saat model yang dibuat untuk strain atau perangkat tertentu diterapkan pada sistem lain, perlu diperiksa apakah kinerjanya tetap terjaga dalam kondisi tersebut.
  • Saat mengevaluasi contoh kendali AI, perlu diperiksa skala dan durasi uji coba serta apakah sistem mampu merespons perubahan kondisi luar ruang. Hal ini perlu dibedakan dari pembuktian dampak komersial atau kelayakan ekonomi.