Penggunaan Masking Berbasis Kecerdasan Buatan dalam Implementasi Plant Phenotyping pada Sistem Agri-Photovoltaic

Abstract

Pertanian modern menghadapi tantangan keterbatasan lahan dan kebutuhan pangan yang meningkat, sehingga sistem Agri-Photovoltaic (APV) menjadi solusi integratif antara produksi pangan dan energi. Namun, panel surya dalam APV menciptakan efek naungan yang mempengaruhi pertumbuhan tanaman. Kedelai, sebagai tanaman C3, masih dapat tumbuh optimal di bawah intensitas cahaya sedang, sehingga menjadi kandidat potensial untuk ditanam di bawah sistem APV. Penelitian ini bertujuan untuk mengevaluasi efektivitas metode masking, baik manual maupun berbasis kecerdasan buatan (Artificial Intelligence, AI), dalam meningkatkan kualitas model 3D tanaman kedelai menggunakan teknik Structure from Motion (SfM), serta mengkaji kelayakan model tersebut untuk aplikasi plant phenotyping. Hasil penelitian menunjukkan bahwa penggunaan masking secara baik dapat mengurangi noise dan artefak pada hasil rekonstruksi 3D, menghasilkan model tanaman yang lebih bersih dan akurat. Model dengan masking berbasis AI memiliki kualitas visual yang setara dengan masking manual, namun lebih efisien dalam hal waktu dan konsistensi. Evaluasi akurasi phenotyping untuk mengukur lebar tajuk menunjukkan nilai R² sebesar 0.845 dengan RMSE sebesar 3.306 cm. Sementara, tinggi tanaman menunjukkan nilai R² sebesar 0.91 dengan RMSE sebesar 3.297 cm. Hasil uji korelasi menunjukkan hubungan signifikan antara lebar tajuk tanaman dan tinggi tanaman, yang mengindikasikan bahwa model 3D cukup baik digunakan untuk menganalisis pertumbuhan tanaman secara non-destruktif. Hasil tersebut menunjukkan bahwa teknik masking, terutama berbasis AI, efektif dalam pemodelan 3D tanaman untuk kebutuhan phenotyping.

Modern agriculture faces challenges such as limited land availability and increasing food demands, making the Agri-Photovoltaic (APV) system an integrative solution for both food and energy production. However, solar panels in APV systems create shading effects that influence plant growth. Soybean, as a C3 plant, can still grow optimally under moderate light intensity, making it a potential candidate for cultivation under APV systems. This study aims to evaluate the effectiveness of masking methods both manual and AI-based (Artificial Intelligence) in improving the quality of 3D soybean plant models using the Structure from Motion (SfM) technique, as well as to assess the feasibility of the models for plant phenotyping applications. The results show that proper use of masking can reduce noise and artifacts in 3D reconstruction, producing cleaner and more accurate plant models. AI-based masking provides visual quality comparable to manual masking, while being more efficient in terms of time and consistency. The accuracy evaluation of phenotyping for canopy width estimation showed an R² value of 0.845 with an RMSE of 3.306 cm. Meanwhile, plant height estimation resulted in an R² value of 0.91 with an RMSE of 3.297 cm. Correlation analysis indicated a significant relationship between canopy width and plant height, suggesting that the 3D models are suitable for analyzing plant growth in a non-destructive manner. These findings demonstrate that masking techniques, particularly AI-based, are effective for 3D plant modeling in phenotyping applications.