Penerapan Convolutional Neural Network Dalam Klasifikasi Daun Tanaman Obat Menggunakan Pendekatan Transfer Learning
DOI:
https://doi.org/10.70609/jusifor.v4i2.7056Kata Kunci:
Daun Tanaman Obat, Klasifikasi, VGG-16Abstrak
Daun tanaman obat memiliki nilai penting dalam bidang kesehatan dan pengobatan tradisional karena kandungan senyawa bioaktifnya yang dapat digunakan untuk mengobati berbagai penyakit. Namun, pengenalan dan klasifikasi daun tanaman obat sering kali menjadi tantangan karena perbedaan visual yang sulit dikenali secara manual. Kesalahan dalam identifikasi dapat menghambat pengembangan obat-obatan herbal dan berpotensi merugikan pengguna. Oleh karena itu, diperlukan metode yang efektif untuk mengklasifikasikan daun tanaman obat secara akurat. Dataset yang digunakan dalam penelitian ini terdiri dari 3.500 gambar yang dibagi menjadi data latih, validasi, dan uji. Proses pelatihan model dilakukan dengan menggunakan arsitektur VGG-16. Hasil dari pelatihan menunjukkan bahwa model mampu mencapai akurasi sebesar 97%. Evaluasi model dilakukan menggunakan confusion matrix, yang menunjukkan bahwa model dapat mengklasifikasikan dengan sangat baik antara 10 kelas dalam klasifikasi daun tanaman obat. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan klasifikasi tanaman obat yang lebih efektif dan efisien dapat menjadikannya alat yang potensial untuk mendukung pengambilan keputusan dalam tugas klasifikasi daun obat. Penelitian ini tidak hanya berfokus pada pengembangan model, tetapi juga memberikan wawasan tentang pentingnya penggunaan teknologi deep learning dalam bidang kesehatan, khususnya dalam klasifikasi daun tanaman obat.
Referensi
[1] R. Soekarta, N. Nurdjan, and A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” Insect (Informatics Secur. J. Tek. Inform., vol. 8, no. 2, pp. 143–151, 2023.
[2] Sarno, “Pemanfaatan Tanaman Obat (Biofarmaka) Sebagai Produk uanggulan Masyarakat Desa Depok Banjarnegara,” Abdimas Unwahas, vol. 4, no. 2, pp. 73–78, 2019.
[3] W. Irma, F. Farida, H. Purwanto, R. T. Syurya, and A. Maltia, “PKM Optimalisasi Sumber Belajar Rumah Tanam Herbal Medicine Berbasis Teknologi Iot Di Sekolah Alam Rumbai,” J. Pengabdi. Untuk Mu NegeRI, vol. 8, no. 3, pp. 300–306, 2024.
[4] N. Nova et al., “Systematic Review : Pemanfaatan Deep Learning untuk Diagnosis Penyakit Menggunakan MRI,” J. Penelit. Inov., vol. 5, no. 2, pp. 839–852, 2025.
[5] R. Ardiansyah, A. C. Fajarulloh, B. Aprilio, and S. Putra, “Penggunaan CNN Untuk Menentukan Jumlah Kalori Pada Sayuran Dan Buah Menggunakan Image Processing,” Pros. Semin. Nas. Teknol. DAN SAINS TAHUN, vol. 4, pp. 571–579, 2025.
[6] A. Maya, K. Putri, and A. F. Rozi, “Implementasi Convolutional Neural Network Dalam Menentukan Tingkat Kematangan Mentimun dan Tomat Berdasarkan Warna Kulit,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, pp. 10388–10394, 2024.
[7] I. Nurhasanah, “Klasifikasi Tingkat Kematangan Buah Anggur Transfigurasi Menggunakan Metode Convolutional Neural Network,” Universitas Hasanuddin, 2023.
[8] D. Kurniadi, R. M. Shidiq, and A. Mulyani, “Perbandingan Penggunaan Optimizer dalam Klasifikasi Sel Darah Putih Menggunakan Convolutional Neural Network,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 14, no. 1, pp. 77–86, 2025, doi: 10.22146/jnteti.v14i1.17162.
[9] Andrianto, I. Tahyudin, and G. Karyono, “Perbandingan Efficientnet , Visual Geometry Group 16, dan Residual Network 50 Untuk Klasifikasi Kendaraan Bermotor,” Build. Informatics, Technol. Sci., vol. 6, no. 3, pp. 1995–2004, 2024, doi: 10.47065/bits.v6i3.6450.
[10] R. Klangbunrueang, P. Pookduang, W. Chansanam, and T. Lunrasri, “AI-Powered Lung Cancer Detection : Assessing VGG16 and CNN Architectures for CT Scan Image Classification,” Informatics, vol. 12, no. 18, pp. 1–30, 2025, doi: https://doi.org/10.3390/informatics12010018.
[11] N. L. W. Rahayu, N. Gunantara, and M. Sudarma, “Klasifikasi Jajanan Khas Bali Untuk Preservasi Pengetahuan Kuliner Lokal Menggunakan Arsitektur VGG-16,” SINTECH J. |, vol. 7, no. 1, pp. 1–14, 2024.
[12] Arnita, F. Marpaung, F. Aulia, Nita Suryani, and R. C. Nabila, Computer Vision Dan Pengolahan Citra Digital. Surabaya, Jawa Timur: Pustaka Aksara, 2022.
[13] N. Fadhilah and A. Desiani, “Klasifikasi Nyeri Punggung Bawah Menggunakan Algoritma K-Nearest Neighbor Dan Support Vector Machine,” J. Tek. Elektro dan Komputasi Vol., vol. 7, no. 1, pp. 91–98, 2025.
[14] A. Fahrizal, D. Rusirawan, and L. Lidyawati, “Pemodelan Produksi Energi Pembangkit Listrik Tenaga Surya 1000 WP dengan Algoritma Naive Bayes,” J. Tekno Insentif, vol. 16, no. 2, pp. 105–118, 2022.
[15] A. H. Bik, F. T. Anggraeny, and E. Y. Puspaningrum, “Klasifikasi Penyakit Ginjal Menggunakan Algoritma Hibrida CNN-ELM,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 3836–3844, 2024.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Herliya Yolanda, Lukman Hakim, Satriansyah Satriansyah, Tri Hasanah Bimastari Aviani
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
