Klasifikasi 10 Jenis Daun Tanaman Herbal Indonesia Menggunakan CNN Dengan Arsitektur MobileNetV2 Berbasis WEB
DOI:
https://doi.org/10.29407/wt73h774Keywords:
CNN, Klasifikasi Citra , Daun herbal, MobileNetV2, KlasifikasiAbstract
Pengenalan jenis daun tanaman herbal secara manual membutuhkan pengetahuan khusus dan berpotensi menimbulkan kesalahan, terutama karena beberapa daun memiliki kemiripan ciri visual. Penelitian ini membangun sistem klasifikasi citra untuk mengenali sepuluh jenis daun herbal Indonesia menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Citra daun dipersiapkan melalui penyesuaian ukuran dan normalisasi nilai piksel agar masukan model seragam, kemudian dibagi menjadi data latih dan data validasi dengan rasio 80:20. MobileNetV2 melakukan identifikasi dengan mengekstraksi ciri visual daun melalui lapisan konvolusi secara bertahap, mulai dari pola dasar seperti tepi dan tekstur hingga membentuk representasi fitur yang lebih kompleks. Ciri tersebut kemudian dipetakan pada lapisan klasifikasi untuk menghasilkan probabilitas 10 kelas, dan kelas dengan nilai probabilitas terbesar dipilih sebagai hasil prediksi. Evaluasi pada data validasi dilakukan menggunakan akurasi serta analisis classification report dan confusion matrix. Hasil pengujian menunjukkan model mencapai akurasi validasi sebesar 92% dan mampu mengklasifikasikan sepuluh jenis daun herbal dengan baik. Sistem kemudian diintegrasikan ke aplikasi web yang menampilkan jenis daun hasil klasifikasi beserta informasi manfaatnya, sehingga membantu pengguna melakukan identifikasi daun herbal secara lebih cepat dan praktis..
Downloads
References
[1] S. Auliani, R. S. Putra, dan R. Andrian. 2023. Herbal Leaf Classification Using Convolutional Neural Network (CNN) Method With VGG16 Architecture. Information Technology Journal Research and Development. vol. 8. no. 2. pp. 85–92.
[2] H. Basri, N. R. Putri, dan M. R. Faisal. 2022. Klasifikasi Daun Herbal Menggunakan CNN dan Ekstraksi Fourier Descriptor. Jurnal Teknik dan Manajemen Industri. vol. 12. no. 1. pp. 45–53.
[3] S. A. E. Albakia dan R. A. Saputra. 2022. Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) dengan Model VGG16. Jurnal Informatika Polinema. vol. 8. no. 3. pp. 210–218.
[4] A. Pratama dan D. S. Nugroho. 2021. Implementasi Metode Convolutional Neural Network untuk Klasifikasi Tanaman Herbal Berdasarkan Citra Daun. Jurnal Kohesi. vol. 5. no. 2. pp. 101–108.
[5] R. Wicaksono dan L. M. Sari. 2020. Implementasi CNN untuk Klasifikasi Tanaman Herbal Berdasarkan Citra Daun. Jurnal Warunayama. vol. 4. no. 1. pp. 55–62.
[6] A. E. Minarno, G. W. Wicaksono, Y. Azhar, dan M. Y. Hasanuddin. 2022. Indonesian Herb Leaf Dataset 3500. Mendeley Data. version 1. doi: 10.17632/s82j8dh4rr.1
[7] M. S. I. Musyaffa, N. Yudistira, M. A. Rahman, A. H. Basori, A. B. F. Mansur, dan J. Batoro. 2024. IndoHerb: Indonesia medicinal plants recognition using transfer learning and deep learning. Heliyon. vol. 10. no. 23. e40606. DOI: 10.1016/j.heliyon.2024.e40606.
[8] T. Sinaga, D. R. Prehanto, dan M. B. R. Abdi. 2025. Deteksi dan Klasifikasi Daun Herbal Menggunakan Model CNN dan Streamlit. INCODING: Journal of Informatics and Computer Science Engineering. vol. 5. no. 1. pp. 64–74. DOI: 10.26740/incoding.v5n1.p64-74.
[9] D. M. S. A. Putri, G. K. Gandhiadi, dan I. G. N. Lanang Wijayakusuma. 2025. Kajian Metode Transfer Learning untuk Identifikasi Tumbuhan Herbal Berbasis Lontar Usada Taru Pramana. JST (Jurnal Sains dan Teknologi). vol. 14. no. 1. pp. 77–89. DOI: 10.23887/jstundiksha.v14i1.92414.
[10] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, dan L.-C. Chen. 2018. MobileNetV2: Inverted Residuals and Linear Bottlenecks. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). DOI: 10.1109/CVPR.2018.00474.
[11] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. C. Berg, dan L. Fei-Fei. 2015. ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision. vol. 115. no. 3. pp. 211–252. DOI: 10.1007/s11263-015-0816-y.
[12] S. J. Pan dan Q. Yang. 2010. A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering. vol. 22. no. 10. pp. 1345–1359. DOI: 10.1109/TKDE.2009.191.
[13] Y. LeCun, Y. Bengio, dan G. Hinton. 2015. Deep Learning. Nature. vol. 521. no. 7553. pp. 436–444. DOI: 10.1038/nature14539.
[14] A. Krizhevsky, I. Sutskever, dan G. E. Hinton. 2012. ImageNet Classification with Deep Convolutional Neural Networks. In Advances in Neural Information Processing Systems (NeurIPS). pp. 1097–1105.
[15] N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, dan R. Salakhutdinov. 2014. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research. vol. 15. pp. 1929–1958.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Farhan Kumara Abdiel, Moch. Saefudin Yuhri
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
