Indonesia merupakan negara tropis dengan kondisi iklim panas dan lembap, yang mendukung

perkembangan nyamuk Aedes aegypti penyebab penyakit Demam Berdarah Dengue (DBD).

Berdasarkan data Kementerian Kesehatan RI tahun 2023, Indonesia mencatat peningkatan

signifikan kasus DBD dengan incidence rate yang fluktuatif per 100.000 penduduk dari 24,75 pada

tahun 2018 menjadi 52,12 pada tahun 2022. Selain itu, perubahan suhu akibat urbanisasi dan

manajemen lingkungan yang buruk dapat mempengaruhi perkembangan Aedes aegypti, seperti

penurunan daya tetas telur pada suhu tinggi dan peningkatan proporsi nyamuk betina, yang

berpotensi mempercepat penularan penyakit (Mohammed & Chadee, 2011). Kurangnya sistem

deteksi dini populasi nyamuk menjadi salah satu penyebab tingginya angka kejadian DBD di

berbagai daerah, dengan jumlah kabupaten/kota yang terjangkit meningkat dari tahun 2018 sebesar

440 (85,6%) menjadi 484 (94,2%) pada tahun 2022.

Metode yang paling umum digunakan untuk mendeteksi keberadaan nyamuk adalah ovitrap,

yaitu alat perangkap jentik nyamuk dalam wadah berisi air dan atraktan alami. Ovitrap yang

berwarna gelap dan menggunakan bahan atraktan cenderung lebih banyak ditemukan jentik

nyamuk, karena kombinasi ini dapat menarik nyamuk betina untuk bertelur sehingga efektivitas

pemantauan meningkat (Pertiwi dkk., 2021). Namun demikian, metode ini masih bersifat manual

dan membutuhkan pengamatan visual oleh petugas untuk menghitung jumlah jentik yang

terperangkap (Cahyati dkk., 2016). Hal ini menyulitkan pemantauan secara berkala dan tidak

memungkinkan penyediaan data secara real-time.

Seiring perkembangan Revolusi Industri 5.0, berbagai penelitian telah mengembangkan

teknologi pemantauan otomatis berbasis Internet of Things (IoT). Penelitian oleh Surya et

al. (2022) menunjukkan bahwa penggunaan kamera Raspberry Pi dan teknik pengolahan citra

mampu mendeteksi pergerakan jentik dengan akurasi tinggi menggunakan metode segmentasi dan

deteksi kontur. Pemanfaatan model YOLO untuk mendeteksi jentik nyamuk menghasilkan akurasi

training sebesar 98% dan memungkinkan perhitungan jumlah jentik secara real-time dan lebih

akurat (Karimah dkk., 2024). Kemudahan akses data juga menjadi fokus pengembangan, di mana

sistem berbasis dashboard yang memungkinkan pengguna memantau hasil pemantauan ovitrap

secara real-time dari jarak jauh tanpa perlu inspeksi fisik telah dirancang (Yulianto dkk., 2024).

Model perhitungan jentik nyamuk menggunakan kombinasi CNN inceptionV3 dan RNN GRU

berhasil mencapai akurasi sebesar 91,19%, menunjukkan efektivitas metode ini dalam menghitung

jentik ngamuk secara otomatis dan akurat (Yuana dkk., 2025)

Meskipun telah banyak inovasi dalam sistem pemantauan jentik nyamuk, sebagian besar masih

menghadapi kendala efisiensi operasional dan ketersediaan data real-time, dengan beberapa sistem

hanya memberikan informasi berkala dan membutuhkan intervensi manual. Penelitian ini

mengembangkan AE-TRAP, sistem pemantauan jentik nyamuk berbasis IoT dan image processing

yang dilengkapi sensor suhu dan kelembapan serta dashboard monitoring, yang diharapkan dapat

memberikan data real-time akurat untuk meningkatkan deteksi dini dan memperkuat upaya

pencegahan penyebaran DBD.

Pembaruan utama yang ditawarkan oleh AE-TRAP terletak pada transformasi metode ovitrap konvensional menjadi ekosistem pemantauan cerdas melalui integrasi teknologi Internet of Things (IoT) dan Artificial Intelligence (AI). Berikut adalah keunggulan strategisnya:

1. Otomatisasi Presisi Tinggi (Bebas Human Error): Mengatasi kelemahan pemantauan manual yang rentan terhadap kesalahan pengamatan visual dan kelelahan manusia. Dengan implementasi algoritma YOLOv8, sistem mampu mendeteksi dan menghitung jentik secara otomatis dengan tingkat presisi mencapai 95,56%, menjamin objektivitas dan konsistensi data yang jauh lebih tinggi.

2. Pemantauan Ganda sebagai Sistem Peringatan Dini (Early Warning System): Secara fungsionalitas, AE-TRAP tidak hanya menghitung jumlah jentik, tetapi juga mengorelasikan data tersebut dengan parameter suhu dan kelembapan lingkungan secara simultan. Hal ini memberikan basis data yang komprehensif untuk memprediksi risiko perkembangbiakan nyamuk sebelum wabah terjadi, mengatasi kelemahan metode manual yang hanya memberikan angka statis pada satu waktu tertentu.

3. Ekosistem Partisipatif & Pemetaan GIS: AE-TRAP menawarkan ekosistem pemantauan yang inklusif melalui fitur pelaporan partisipatif masyarakat berbasis web. Fitur ini memberikan dimensi portabilitas di mana masyarakat dapat melapor secara mandiri cukup dengan mengunggah foto genangan air untuk divalidasi oleh AI. Perpaduan data dari perangkat IoT tetap dan laporan dinamis masyarakat ini kemudian divisualisasikan melalui Geographic Information System (GIS) dalam bentuk peta persebaran spasial digital, mendukung otoritas kesehatan mengambil kebijakan intervensi yang presisi dan tepat sasaran.