[04 Juli 2025], Pertanian perkotaan semakin penting dalam menjawab tantangan ketahanan pangan di tengah pesatnya pertumbuhan penduduk kota. Ketergantungan pada produksi pangan dari wilayah pedesaan saja tidak lagi cukup, sementara keterbatasan lahan, perubahan iklim, serta tingginya permintaan pangan menuntut solusi yang lebih inovatif. Controlled Environment Agriculture (CEA), atau pertanian dengan lingkungan terkendali, menjadi salah satu jawaban dengan memanfaatkan rumah kaca modern atau “pabrik tanaman” yang dapat mengatur cahaya, suhu, kelembapan, dan nutrisi tanaman secara presisi. Namun, sistem ini sering menghadapi masalah serius berupa tingginya konsumsi energi, potensi polusi cahaya, serta risiko pencemaran air dari sisa nutrisi. Untuk mengatasi tantangan tersebut, para peneliti mengembangkan pendekatan baru yang mengintegrasikan energi surya melalui sistem photovoltaic (PV) dengan kecerdasan buatan (Artificial Intelligence/AI). Pendekatan ini menggunakan model kontrol prediktif berbasis AI yang lebih adaptif dan efisien dibandingkan metode konvensional. Melalui simulasi berskala besar di sepuluh kota utama di Amerika Serikat, sistem ini terbukti mampu meningkatkan efisiensi energi sebesar 15,4% dan penghematan sumber daya hingga 12,3%. Selain itu, keuntungan ekonomi tercatat naik sekitar 7,5%, disertai dengan penurunan polusi air sebesar 8,7% dan polusi cahaya sebesar 3,6%.

Metode yang digunakan berfokus pada integrasi sistem pertanian perkotaan berbasis PV dengan kendali berbasis AI. Sistem ini bekerja dengan menggabungkan sensor lingkungan, data cuaca, dan model pembelajaran mesin untuk mengoptimalkan kondisi tumbuh tanaman sekaligus penggunaan energi. Alih-alih hanya bergantung pada aturan tetap atau data historis, model prediktif AI mampu menyesuaikan keputusan pengendalian secara real-time dengan mempertimbangkan ketidakpastian, misalnya perubahan cuaca atau variabilitas kebutuhan tanaman. Hasil kajian menunjukkan bahwa penerapan kendali prediktif berbasis AI memberikan hasil yang lebih konsisten dibanding strategi tradisional. Energi dari panel surya dapat dimanfaatkan secara optimal tanpa mengorbankan kualitas pertumbuhan tanaman. Lebih jauh lagi, sistem ini memungkinkan terciptanya keseimbangan antara produksi pangan, efisiensi energi, dan keberlanjutan lingkungan. Hal ini sangat relevan dengan konteks pertanian perkotaan, di mana keterbatasan lahan dan kebutuhan untuk mengurangi jejak karbon menjadi faktor utama.

Dibandingkan dengan penelitian sebelumnya, pendekatan ini memperlihatkan nilai tambah yang signifikan. Jika sebelumnya fokus pertanian presisi lebih banyak pada efisiensi penggunaan pupuk, air, atau teknologi sensor untuk memantau tanaman, integrasi AI dengan energi terbarukan seperti PV membuka peluang baru. Pertanian tidak hanya lebih produktif, tetapi juga lebih ramah lingkungan serta berkontribusi terhadap transisi energi bersih di kawasan perkotaan. Secara praktis, penerapan sistem ini dapat memberi manfaat luas. Kota-kota besar dapat memanfaatkan atap gedung atau lahan terbatas untuk membangun fasilitas pertanian perkotaan yang berdaya saing tinggi. Selain meningkatkan ketahanan pangan lokal, masyarakat perkotaan juga memperoleh akses terhadap produk segar dengan jejak transportasi yang lebih rendah. 

Di sisi lain, pengurangan polusi cahaya dan air menjadikan sistem ini lebih ramah bagi lingkungan dan kesehatan manusia. Ke depan, pertanian presisi berbasis AI dan energi terbarukan diproyeksikan akan memainkan peran vital dalam pembangunan kota berkelanjutan. Integrasi teknologi canggih seperti model prediktif berbasis AI, deep learning, serta sistem agrivoltaic tidak hanya meningkatkan efisiensi produksi, tetapi juga menjawab isu besar terkait perubahan iklim dan urbanisasi. Dengan demikian, pertanian perkotaan dapat menjadi solusi strategis untuk memenuhi kebutuhan pangan global secara lebih adil, sehat, dan berkelanjutan.

Referensi

• Hu, G., & You, F. (2024). Assessment of AI-Based Robust Model Predictive Control Application in Large-Scale Photovoltaic-Based Controlled Environment Agriculture for Urban Agriculture. IFAC-PapersOnLine, 58(13), 368–373. https://doi.org/10.1016/j.ifacol.2024.07.510.