Klasifikasi Lima Jenis Tanaman Herbal Berbasis Convolutional Neural Network Menggunakan Arsitektur MobileNetV2
DOI:
https://doi.org/10.29407/qndwfq44Keywords:
klasifikasi, convolutional neural network, mobilenetv2Abstract
Tanaman herbal banyak dimanfaatkan oleh masyarakat Indonesia sebagai bahan pengobatan tradisional karena kandungan senyawa aktif yang bermanfaat bagi kesehatan. Namun, identifikasi tanaman herbal secara manual masih bergantung pada keahlian pakar dan berpotensi menimbulkan kesalahan. Penelitian ini bertujuan untuk mengklasifikasikan lima jenis tanaman herbal berdasarkan citra daun menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Jenis tanaman yang digunakan meliputi daun sirih, daun pepaya, daun jambu biji, daun kemangi, dan lidah buaya. Dataset terdiri dari lima kelas citra daun, dengan 80 data latih dan 20 data uji pada setiap kelas. Tahapan penelitian mencakup pengumpulan data, preprocessing citra, pelatihan model CNN, dan evaluasi kinerja model. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 94% pada data uji, dengan nilai precision, recall, dan F1-score yang tinggi. Hasil tersebut menunjukkan bahwa CNN berbasis MobileNetV2 memiliki potensi sebagai sistem pendukung dalam identifikasi tanaman herbal secara otomatis.
Downloads
References
[1] A. N. R. Munandar and A. F. Rozi, “Analisis Arsitektur Convolutional Neural Network Untuk Klasifikasi Citra Bunga,” Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 6, no. 3, pp. 522–531, Jul. 2024, doi: 10.47233/jteksis.v6i3.1413.
[2] A. Wibowo, R. Zulpani, A. P. Windarto, A. Wanto, and S. R. Andani, “Enhancing Herbal Plant Leaf Image Detection Accuracy Through MobileNet Architecture Optimization In CNN,” JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 10, no. 4, pp. 859–867, May 2025, doi: 10.33480/jitk.v10i4.6498.
[3] D. N. P. D. A. Sukma, M. W. A. Kesiman, M. G. Sunarya, G. A. A. D. Indradewi, and I. G. Andika, “Klasifikasi Jenis Daun Tumbuhan Herbal Berdasarkan Lontar Usada Taru Pramana Menggunakan CNN,” 2024.
[4] U. Kulsum and A. Cherid, “Penerapan Convolutional Neural Network Pada Klasifikasi Tanaman Menggunakan ResNet50,” SIMKOM, vol. 8, no. 2, pp. 221–228, Jul. 2023, doi: 10.51717/simkom.v8i2.191.
[5] J. Vicky, F. Ayu, and B. Julianto, “Implementasi Pendeteksi Penyakit pada Daun Alpukat Menggunakan Metode CNN.”
[6] D. D. Parsaulian, N. Nainggolan, W. W. Kalengkonga, and E. Ketaren, “Klasifikasi Empat Tanaman Obat Menggunakan Arsitektur MobileNetV2,” 2024. [Online]. Available: http://ejournal.stmik-time.ac.id
[7] A. T. Rahman, A. Setyanto, and H. Al Fatta, “Klasifikasi Penyakit Daun Apel Mengunakan Arsitektur CNN Dengan Transfer Learning,” 2024.
[8] F. A. Arafat, M. Nur Ichsan, and M. F. Pramoedya, “Pemanfaatan Arsitektur MOBILENET-CNN Untuk Mendiagnosis Penyakit Pada Daun Singkong Melalui Teknologi Citra Digital,” 2025.
[9] B. N. T. C. Ningrum, E. N. Ni’mah, M. P. Arifin, and M. A. D. W. Dara, “Klasifikasi dan Pengolahan Citra Penyakit Cabai dengan Metode CNN (Convolutional Neural Network),” 2024.
[10] N. Kasim, M. Bayanudin Fadilah, W. Al Hidayat, and R. Adi Saputra, “Klasifikasi Jenis Tanaman Herbal Berdasarkan Citra Menggunakan Metode Convolution Neural Network (CNN),” Jurnal Tekno Kompak, vol. 19, no. 1, 2024.
[11] Dicko and Muhammad Ezar Al Rivan, “Klasifikasi Jenis Daun Tanaman Herbal Menggunakan Metode Convolutional Neural Network Dengan Arsitektur AlexNet,” INTECH, vol. 6, no. 2, pp. 243–252, Nov. 2025, doi: 10.54895/intech.v6i2.3275.
[12] A. Herdiansah, R. I. Borman, D. Nurnaningsih, A. A. J. Sinlae, and R. R. Al Hakim, “Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 2, p. 388, Apr. 2022, doi: 10.30865/jurikom.v9i2.4066.
[13] H. Rizky and D. Via Prahesta, “Sistem Deteksi Penyakit Pada Tanaman Bawang Merah Menggunakan Convolutional Neural Network Dengan Arsitektur Mobilenet,” 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Febriyanti Nur Fadillah
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
