Klasifikasi Tanaman Herbal Lokal Berdasarkan Citra DaunDengan Menggunakan Algoritma Resnet152v2

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan tanaman herbal lokal berdasarkan citra daun
dengan memanfaatkan algoritma Convolutional Neural Network (CNN) menggunakan arsitektur
ResNet152V2. Identifikasi tanaman herbal secara manual masih menjadi tantangan bagi
masyarakat karena banyak jenis tanaman memiliki kemiripan morfologi daun, sehingga berpotensi
menimbulkan kesalahan dalam pemanfaatannya sebagai bahan obat tradisional. Oleh karena itu,
penerapan teknologi pengolahan citra digital berbasis deep learning menjadi solusi yang relevan
untuk meningkatkan akurasi identifikasi tanaman herbal. Dataset yang digunakan dalam penelitian
ini terdiri dari 4.400 citra daun yang dikumpulkan secara langsung di lingkungan alami, mencakup
11 kelas yang terdiri atas tanaman herbal, non-herbal, dan kelas tidak teridentifikasi. Dataset melalui
tahap pra-pemrosesan yang meliputi padding, resizing, normalisasi, serta augmentasi data untuk
meningkatkan variasi dan kualitas data. Model ResNet152V2 dilatih menggunakan optimizer Adam
dengan learning rate sebesar 0,0001 dan fungsi loss Categorical Crossentropy, serta menerapkan
callback EarlyStopping untuk mencegah overfitting.Hasil evaluasi menunjukkan bahwa model
mampu mencapai akurasi validasi sebesar 99,77% dan akurasi pengujian sebesar 99,11%. Nilai
precision, recall, dan F1-score pada hampir seluruh kelas berada di atas 0,95, yang menandakan
performa klasifikasi yang sangat baik. Dengan demikian, penelitian ini membuktikan bahwa
ResNet152V2 efektif digunakan dalam sistem identifikasi tanaman herbal berbasis citra daun dan
berpotensi dikembangkan lebih lanjut sebagai sistem pendukung pelestarian tanaman obat lokal.