Model Dinamis Pertumbuhan Biomassa Udang dengan Mortalitas Berubah Waktu
Pertumbuhan populasi udang dalam budidaya atau ekosistem alami biasanya dipengaruhi oleh dua faktor utama: pertumbuhan biomassa dan mortality. Pada kondisi standar, banyak model mengasumsikan mortality konstan. Namun, dalam praktik, mortality sering berubah seiring waktu karena faktorfaktor seperti perubahan suhu, kualitas air, kepadatan populasi, dan serangan patogen. Oleh karena itu, model dinamis dengan mortalitas yang bergantung pada waktu menjadi penting untuk memperkirakan produksi dan mengoptimalkan manajemen budidaya.
1. Konsep Dasar Model Biomassa
Biomassa udang (B) didefinisikan sebagai total berat kering semua individu dalam satu area atau volume tertentu (mis. kgm). Pertumbuhan biomassa biasanya dijelaskan dengan persamaan diferensial:
di mana:
- G(B,t) = laju pertumbuhan biomassa (biasanya fungsi dari ukuran dan kondisi lingkungan),
- M(B,t) = laju mortalitas (fungsi waktu dan biomassa).
1.1. Laju Pertumbuhan (G)
Salah satu formulasi yang paling umum adalah model vonBertalanffy yang dimodifikasi untuk udang:
Dengan:
- r = laju pertumbuhan intrinsik,
- K = kapasitas dukung lingkungan,
- = parameter bentuk (=1 memberi logistic standar).
2. Mortalitas Berubah Waktu
Mortalitas konstan (M=B) cukup sederhana tetapi tidak mencerminkan realita. Sebagai contoh, pada fase awal pemijahan mortalitas rendah, sementara pada fase pertumbuhan cepat atau saat terjadi stres lingkungan mortalitas dapat naik tajam. Pendekatan yang umum dipakai:
2.1. Mortalitas Eksponensial Terhadap Waktu
adalah mortalitas awal, mengontrol percepatan atau perlambatan mortalitas.
2.2. Mortalitas Tergantung Kepadatan
dan menangkap efek kepadatan (mis. kompetisi, kurangnya oksigen).
2.3. Kombinasi Faktor Lingkungan
Pada budidaya intensif, suhu (T), kadar amonia (NH) dan pH dapat dimasukkan:
Fungsi f_T biasanya bentuk sigmoid yang menggambarkan batas toleransi suhu.
3. Penyelesaian Model
Karena (t) tidak konstan, persamaan diferensial harus diselesaikan secara numerik (mis. metode RungeKutta orde4). Algoritma singkat:
- Inisialisasi B (biomassa awal) dan nilai parameter (r, K, , , , , ).
- Untuk setiap langkah waktu t:
- Hitung (t) dengan persamaan yang dipilih.
- Evaluasi G(B,t) dan M(B,t).
- Perbarui B menggunakan B_{n+1}=B_n + t[GM].
- Lakukan iterasi sampai t mencapai akhir periode pemantauan.
Hasil simulasi biasanya divisualisasikan sebagai grafik B vs. t dan vs. t untuk menilai poin kritis.
4. Contoh Kasus: Budidaya Udang Vaname (Litopenaeus vannamei)
Misalkan data percobaan selama 90 hari dengan parameter:
| Parameter | Nilai |
|---|---|
| r | 0.08day |
| K | 40kgm |
| 1.2 | |
| 0.02day | |
| 0.015day | |
| 0.001kgday | |
| 1.5 |
Hasil simulasi menunjukkan pertumbuhan cepat selama 3050hari, diikuti penurunan laju pertumbuhan karena meningkatnya (t) yang mencapai 0.07day pada hari ke80. Biomassa maksimum tercapai sekitar 32kgm pada hari ke55, kemudian menurun akibat mortalitas yang tinggi.
5. Implikasi Manajemen
- Pengendalian kepadatan: Menjaga B di bawah nilai ambang (0.7K) menurunkan komponen B^ pada (t).
- Monitoring suhu dan kualitas air: Karena (t) dapat berhubungan dengan suhu dan amonia, penggunaan sensor realtime memungkinkan penyesuaian aerasi atau penggantian air.
- Strategi pemberian pakan: Mengoptimalkan rasio pakantobiomassa (FCR) dapat menurunkan laju pertumbuhan eksponensial pada mortalitas.
6. Keterbatasan dan Pengembangan Selanjutnya
Model di atas masih bersifat deterministik dan mengasumsikan homogenitas ruang. Pada kolam yang sangat besar atau sistem semitertutup, variasi spasial dapat menghasilkan mortalitas lokal yang berbeda. Pendekatan selanjutnya meliputi:
- Model berbasis sel individu (IBMs) untuk menangkap heterogenitas ukuran dan umur.
- Penyertaan faktor biologis seperti fase reproduksi, fase larva, atau infeksi patogen spesifik.
- Integrasi data sensor IoT dengan algoritma kalibrasi otomatis (mis. teknik Kalman filter).
7. Kesimpulan
Model dinamis yang memperhitungkan mortalitas berubah waktu memberikan gambaran yang lebih realistis tentang pertumbuhan biomassa udang. Dengan menggabungkan fungsi pertumbuhan logistictype dan mortalitas yang bergantung pada waktu, kepadatan, serta variabel lingkungan, model ini dapat menjadi alat bantu keputusan bagi petani udang, peneliti, dan regulator. Implementasi numerik yang sederhana memungkinkan penggunaan di skala laboratorium maupun komersial, sementara pengembangan lanjutan dapat meningkatkan akurasi dengan menambahkan dimensi spasial dan stochasticity.
Untuk mempelajari lebih lanjut, kunjungi FAO Aquaculture atau ScienceDirect Shrimp Biomass Models.
