AI untuk pengukuran luas daun kapas: bagaimana Petiole Pro menyamai LI-COR 3100 dalam penelitian independen

Sekilas tentang studinya

Makalahnya — «Use of mobile applications for determining the leaf area of cotton plants» oleh Duarte dan kolega — terbit di Nativa: Pesquisas Agrárias e Ambientais (v. 14, n. 1, e20143, 2026). Naskahnya diajukan pada Juli 2025 dan terbit pada Maret 2026 dengan DOI terbuka. Para penulis hendak menjawab satu pertanyaan praktis: dapatkah aplikasi berbasis ponsel mengukur luas daun kapas seandal instrumen laboratorium khusus?

Eksperimennya berjalan di sebuah rumah kaca di Universitas Federal Rondonópolis (Mato Grosso, Brasil) dari Juni hingga Oktober 2023. Empat kultivar kapas komersial ditanam, dan luas daunnya diukur mingguan sejak 30 hari setelah tanam — 85 daun per kultivar, masing-masing diukur dengan empat metode berbeda, menghasilkan set data yang besar dan setara, alih-alih segelintir daun pilihan.

Mengapa luas daun kapas layak diukur

Luas daun berada dekat pusat cara sebuah tanaman hidup. Ia mengatur seberapa banyak sinar matahari yang ditangkap tajuk, menggerakkan kapasitas fotosintesis dan produksi fotoasimilat, serta merupakan salah satu sifat pertama yang merespons ketika tanaman tercekam air, hara, panas, hama, atau penyakit. Bagi komoditas seperti kapas, yang ditanam dalam skala besar dan dengan margin ekonomi yang ketat, melacak luas daun adalah jendela langsung menuju kinerja tanaman.

Persoalannya adalah cara mengukurnya. Jalur tradisionalnya bersifat merusak: potong daunnya, bawa ke laboratorium, dan lewatkan pada instrumen meja seperti LI-COR 3100. Itu memberikan angka yang akurat — tetapi mematikan daunnya, sehingga Anda tidak pernah dapat mengukur daun yang sama lagi, dan Anda mengganggu keseimbangan karbohidrat tanaman dalam prosesnya. Metode tak merusak yang membiarkan tanaman utuh memungkinkan peneliti mengikuti daun yang sama sepanjang satu siklus tumbuh penuh.

Justru inilah sebabnya studi ini penting. Bila sebuah aplikasi ponsel cukup akurat untuk dipercaya, pemantauan luas daun berhenti menjadi tugas laboratorium sekali pakai yang merusak dan berubah menjadi pengukuran lapangan yang dapat diulang — jenis yang dapat Anda jalankan setiap pekan pada tanaman yang masih hidup.

Bagaimana peneliti menguji setiap metode

Tim membandingkan empat cara memperoleh luas daun kapas, menggunakan daun yang sama untuk masing-masing:

• Aplikasi Petiole Pro — pengukuran berbasis foto yang diambil dengan ponsel Android, dikalibrasi menggunakan citra acuan aplikasinya.
• Aplikasi LeafArea — aplikasi seluler kedua, yang mengharuskan pengguna mengukur dan memasukkan panjang setiap daun untuk menetapkan skalanya.
• Dimensi manual — luas daun ditaksir dari panjang × lebar × faktor koreksi (LA = W × L × f).
• LI-COR 3100 — leaf-area meter laboratorium di atas meja, yang dijadikan baku acuan untuk memvalidasi ketiga metode lainnya.

Untuk pengukuran Petiole Pro, para peneliti mengikuti alur kerja aplikasinya sendiri: mereka mengalibrasi skala luas lebih dahulu, memosisikan kamera tegak lurus terhadap meja berketinggian tetap, dan meletakkan setiap daun di atas lembaran latar putih untuk mempertajam kontras antara daun dan permukaannya sebelum aplikasi mengukur luasnya secara otomatis.

Latar putih dan geometri tetap itu bukan detail yang rewel — keduanya adalah dasar keseluruhan bagi bacaan yang tepercaya. Kedisiplinan yang sama berlaku entah Anda berada di rumah kaca atau di lapangan, itulah sebabnya kami menulis panduan tersendiri tentang cara memotret daun untuk pengukuran luas daun yang akurat.

Setiap daun lalu dipotong dan dikirim ke laboratorium untuk pengukuran acuan pada LI-COR 3100. Dengan empat angka untuk masing-masing dari 340 daun, para peneliti dapat menilai setiap metode dengan serangkaian indeks statistik — korelasi, galat, efisiensi, kesesuaian, dan peringkat kinerja gabungan.

Apa yang ditunjukkan hasilnya

Pokoknya sederhana: Petiole Pro memberikan taksiran luas daun paling akurat untuk tiga dari empat kultivar — TMG44B2RF, IMA5801B2RF, dan FM985GLTP — dan diklasifikasikan «sangat baik» pada ketiganya. Untuk kultivar keempat, BASF – FM 944GL, metode manual panjang-dan-lebar sedikit unggul, meskipun Petiole tetap memperoleh peringkat sangat baik. Aplikasi pesaing LeafArea secara konsisten menjadi yang terlemah di antara metode-metode itu.

*Untuk BASF – FM 944GL, metode manual panjang × lebar × faktor koreksi menjadi yang paling efektif, dengan Petiole mengekor rapat. Nilai-nilainya dari Duarte dkk. (2026), Tabel 1–4 dan Gambar 1–4.

Bacalah diagram sebarannya dan polanya mudah terlihat. Ketika sebuah metode mengikuti acuan LI-COR dengan sempurna, titik-titiknya jatuh di atas garis diagonal. Titik-titik Petiole memeluk garis itu dengan rapat; titik LeafArea tersebar jauh lebih lebar.

Apa arti «sangat baik» dalam statistiknya

Satu angka korelasi mudah ditafsirkan berlebihan, sehingga studi ini bersandar pada satu panel indeks utuh — dan ada gunanya mengetahui apa yang diberitahukan masing-masing, karena bersama-sama merekalah yang mengubah «aplikasinya tampak bagus» menjadi «aplikasinya tervalidasi».

• Korelasi Pearson (r): seberapa rapat angka aplikasinya bergerak bersama acuannya. Petiole mencapai r = 0,988 untuk TMG44B2RF — sangat dekat dengan 1,0 yang sempurna.
• Koefisien determinasi (r²): porsi ragam yang dijelaskan aplikasinya. Petiole mencapai r² = 0,976; LeafArea jatuh serendah 0,437.
• RMSE dan MAE (galat): seberapa jauh taksirannya meleset rata-rata. Milik Petiole yang terkecil di antara metode yang diuji.
• Efisiensi metode (ME) dan indeks kesesuaian (d): apakah metode itu mereproduksi pola acuannya, bukan sekadar trennya. Petiole mencapai d = 0,999.
• Indeks keyakinan (c): gabungan korelasi dan kesesuaian, dipetakan ke skala berlabel oleh Camargo & Sentelhas (1997). Milik Petiole jatuh pada pita «sangat baik»; milik LeafArea berkisar dari «sedang» hingga «baik sekali».

Tidak ada satu indeks pun yang menentukan vonisnya. Petiole memperoleh klasifikasi tertinggi karena ia kuat pada semua indeks itu sekaligus — korelasi tinggi, galat rendah, efisiensi tinggi, dan kesesuaian tinggi — dan itu ambang yang jauh lebih sulit dilampaui daripada sekadar nilai r yang tampak bagus sendirian.

Dari laboratorium ke lapangan

Bagian paling menarik dari hasil ini bukanlah papan peringkatnya, melainkan apa yang dibuka oleh metode yang akurat dan tidak merusak. Karena Anda tidak pernah memotong daunnya, Anda dapat mengukur daun kapas yang sama lagi pekan depan, dan pekan berikutnya — mengubah potret sekali jadi menjadi kurva pertumbuhan.

Justru pengukuran berulang semacam itulah yang memungkinkan peneliti dan agronom melihat bagaimana tanaman kapas merespons hal-hal yang benar-benar menentukan satu musim:

• pemupukan dan pengelolaan hara;
• irigasi dan ketersediaan air;
• iklim dan cekaman panas;
• tekanan hama dan penyakit;
• serta keputusan pengelolaan yang diambil sebagai tanggapan atas semua itu.

Ia juga menurunkan hambatan masuk. LI-COR 3100 memang akurat tetapi mahal dan terikat laboratorium; ponsel sudah ada di saku peneliti. Di kawasan yang aksesnya ke peralatan laboratorium terbatas — termasuk sebagian besar sabuk kapas dunia — aplikasi yang tervalidasi bukanlah kompromi, melainkan pembeda antara mengukur dan tidak mengukur sama sekali. Pergeseran serupa menuju pengukuran kesehatan tanaman langsung pada tanaman hidup mengalir juga dalam pekerjaan kami tentang penilaian kerusakan luas daun nekrotik dengan AI, dan menopang peran Petiole Pro yang lebih luas sebagai perkakas fenotipe tanaman di perangkat.

Ukur sendiri luas daun kapas Anda

Anda tidak memerlukan uji rumah kaca untuk mereproduksi metode yang dipakai para peneliti. Aplikasi Petiole Pro gratis menjalankan pengukuran di perangkat yang sama — dan alur kerjanya sengaja dibuat sederhana.

1. Kalibrasi. Letakkan daun Anda di atas pelat kalibrasi Petiole Pro, atau tetapkan skala luasnya menggunakan citra acuan aplikasinya, sehingga piksel dapat diubah menjadi cm² sesungguhnya.
2. Potret. Fotolah tegak lurus terhadap daunnya, yang diratakan di atas latar polos berkontras tinggi — lembaran putih yang dipakai para peneliti bekerja dengan baik.
3. Analisis. Aplikasi menyegmentasi daun dari latarnya dan mengembalikan luas serta kelilingnya dalam satuan nyata, di ponsel, dalam hitungan detik.
4. Ulangi menurut jadwal. Karena tidak ada yang dirusak, ukurlah daun yang sama lagi setiap pekan untuk membangun kurva alih-alih satu titik.

Berikut keluaran Leaf Analysis itu pada daun sungguhan — masing-masing tersegmentasi bersih dari latarnya, dengan luas dan keliling yang dilaporkan langsung:

Apakah Anda benar-benar membutuhkan pelat kalibrasinya bergantung pada apa yang Anda ukur dan bagaimana caranya; kami membahas keputusan itu secara rinci dalam perlukah pelat kalibrasi untuk Petiole Pro?

Batas yang jujur dan praktik yang baik

Perkakas yang tervalidasi bukanlah perkakas ajaib, dan studi ini menyegarkan karena berterus terang soal itu. Metode digital yang tidak merusak tetap memerlukan kalibrasi dan validasi untuk setiap spesies, dan sebagian citra menuntut penyesuaian manual sebelum segmentasinya tepat. Hasil pada kultivar tempat aplikasi ini menempati posisi kedua, BASF – FM 944GL, adalah pengingat bahwa morfologi daun beragam dan tidak ada satu metode pun yang terbaik untuk segala hal.

Aturan praktis yang mengikuti dari makalah itu — dan dari bertahun-tahun mengukur daun dengan aplikasi ini — layak terus diingat:

• Pencahayaan, latar, dan kerataan daun itu penting. Latar polos berkontras tinggi dan cahaya merata itulah yang membuat segmentasinya bersih.
• Kalibrasilah untuk angka absolut. Persentase hanya memerlukan foto; cm² sesungguhnya memerlukan skala yang diketahui di dalam bingkai.
• Validasilah untuk komoditas Anda. Aplikasi yang terbukti pada kapas tidak otomatis terbukti pada spesies Anda — ujilah terhadap acuan pada kali pertama.
• Bersiaplah sesekali menyunting manual. Tepi yang koyak, cuping yang bertindihan, dan bentuk yang janggal kadang menuntut garis luar yang dikoreksi.

Beginilah seharusnya AI praktis di bidang pertanian tumbuh: bukan sebagai kotak hitam, melainkan sebagai perkakas yang teruji, dibandingkan secara terbuka terhadap metode acuan yang tepercaya — dan dipakai dengan pertimbangan.

Kisah di balik studi ini

Pendiri Petiole Pro, Dr Maryna Kuzmenko, membagikan hasilnya di LinkedIn — bukan untuk merayakan papan skor, melainkan karena validasi akademik independen terhadap acuan laboratorium adalah bentuk kepercayaan terkuat yang dapat diraih sebuah perkakas pengukuran. «Akurasi lebih dahulu» telah menjadi moto aplikasi ini sejak awal.

Ini bagian dari percakapan yang lebih luas yang dijalankan tim tentang AI di bidang pertanian — dari fenotipe daun hingga agen AI yang suatu hari akan bertindak atas data semacam ini secara otomatis.