Klasifikasi Daun Herbal Menggunakan Convolutional Neural Network dengan Arsitektur VGG19
Main Article Content
Abstract
Indonesia memiliki kekayaan keanekaragaman hayati yang melimpah, termasuk beragam tanaman obat yang berperan penting dalam pengobatan herbal. Peningkatan minat terhadap penggunaan obat herbal mendorong kebutuhan sistem klasifikasi otomatis yang mampu mengenali tanaman dengan akurasi tinggi. Penelitia ini mengusulkan metode Convolutional Neural Network (CNN) dengan arsitektur VGG19 untuk mengklasifikasikan daun herbal berdasarkan citra. Perbedaan yang diterapkan meliputi implementasi optimasi Adam, teknik early stopping untuk mencegah overfitting, serta penerapan pengubahan saturasi variasi warna dari RGB ke HSV untuk meningkatkan kinerja model. Tahapan proses penelitian meliputi, input dataset, pre-processing, splitting data, implementasi model, serta evaluasi dan pengujian model. Dataset yang digunakan “Indonesian Herb Leaf Dataset 3500” dari situs Mendelay Data dengan jumlah dataset 3500 data citra daun herbal dan berisi sepuluh kelas, yaitu daun dari belimbing wuluh, daun dari jambu biji, daun dari jeruk nipis, daun dari kemangi, lidah buaya, daun dari nangka, daun dari pandan, daun pepaya, daun dari seledri, dan daun dari sirih dengan masing-masing kelas berisi 350 data citra. Hasil pengujian menunjukkan bahwa arsitektur VGG19 dengan penerapan pengubahan saturasi warna dari RGB ke HSV mendapatkan akurasi pelatihan sebesar 97,36% dan akurasi pengujian sebesar 99%. Hasil penguji menunjukkan bahwa performa model VGG19 lebih baik daripada VGG16 dalam penelitian klasifikasi daun herbal.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
B. A. Suliasih and A. Mun’im, “Review : potensi dan masalah dalam pengembangan kemandirian bahan baku obat tradisional di Indonesia,” Chem. Mater., vol. 1, no. 1, pp. 28–33, 2022.
W. G. Pamungkas, M. Iqbal, P. Wardhana, Z. Sari, and Y. Azhar, “JURNAL RESTI,” vol. 5, no. 158, pp. 326–333, 2023.
S. A. ERNI ALBAKIA and Rizal Adi Saputra, “Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) Dengan Model VGG16,” J. Inform. Polinema, vol. 9, no. 4, pp. 451–460, 2023, doi: 10.33795/jip.v9i4.1420.
C. S. K. Aditya, V. R. S. Nastiti, Q. R. Damayanti, and G. B. Sadewa, “Implementation of Convolutional Neural Network Method in Identifying Fashion Image,” JUITA J. Inform., vol. 11, no. 2, p. 195, 2023, doi: 10.30595/juita.v11i2.17372.
F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, pp. 104–108, 2020, doi: 10.26740/jinacs.v1n02.p104-108.
A. ANHAR and R. A. PUTRA, “Perancangan dan Implementasi Self-Checkout System pada Toko Ritel menggunakan Convolutional Neural Network (CNN),” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 11, no. 2, p. 466, 2023, doi: 10.26760/elkomika.v11i2.466.
M. A. Purnama Wibowo, Muhammad Bima Al Fayyadl, Yufis Azhar, and Zamah Sari, “Classification of Brain Tumors on MRI Images Using Convolutional Neural Network Model EfficientNet,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 6, no. 4, pp. 538–547, 2022, doi: 10.29207/resti.v6i4.4119.
B. D. Mardiana, W. B. Utomo, U. N. Oktaviana, G. W. Wicaksono, and A. E. Minarno, “Herbal Leaves Classification Based on Leaf Image Using CNN Architecture Model VGG16,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 1, pp. 20–26, 2023, doi: 10.29207/resti.v7i1.4550.
A. Saputro, S. Mu’min, Moch. Lutfi, and H. Putri, “Deep Transfer Learning Dengan Model Arsitektur Vgg16 Untuk Klasifikasi Jenis Varietas Tanaman Lengkeng Berdasarkan Citra Daun,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 609–614, 2022, doi: 10.36040/jati.v6i2.5456.
M. H. Ahmad, F. M. Hana, T. G. Pratama, and H. Aulida, “Klasifikasi Empat Jenis Daun Herbal Menggunakan Metode Convolutional Neural Network,” J. Ilmu Komput. dan Mat., vol. 4, no. 2, pp. 69–76, 2023.
P. Palupiningsih, A. R. Sujiwanto, and R. R. B. P. Prawirodirjo, “Analisis Perbandingan Performa Model Klasifikasi Kesehatan Daun Tomat menggunakan arsitektur VGG, MobileNet, dan Inception V3,” J. Ilmu Komput. dan Agri-Informatika, vol. 10, no. 1, pp. 98–110, 2023, doi: 10.29244/jika.10.1.98-110.
R. Pujiati and N. Rochmawati, “Identifikasi Citra Daun Tanaman Herbal Menggunakan Metode Convolutional Neural Network (CNN),” J. Informatics Comput. Sci., vol. 3, no. 03, pp. 351–357, 2022, doi: 10.26740/jinacs.v3n03.p351-357.
N. Fadlia and R. Kosasih, “Klasifikasi Jenis Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn),” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 207–215, 2019, doi: 10.35760/tr.2019.v24i3.2397.
R. W. Mellyssa, A. F. Dewi, M. Misriana, S. Suryati, and R. Rachmawati, “Proceeding Seminar Nasional Politeknik Negeri Lhokseumawe Pengaruh Algoritma Deep Learning dalam Meningkatkan Akurasi,” Pengaruh Algoritm. Deep Learn. dalam Meningkat. Akurasi Sist. Pendeteksian Kondisi Jalan Raya, vol. 6, no. 1, p. A(12)-A(16), 2022.
Y. A. Suwitono and F. J. Kaunang, “Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras,” J. Komtika (Komputasi dan Inform., vol. 6, no. 2, pp. 109–121, 2022, doi: 10.31603/komtika.v6i2.8054.
Y. Azhar, W. P. Wicaksono, and Z. Sari, “PNEUMONIA DIAGNOSIS THROUGH DEEP LEARNING : RESNET50V2 MODEL IMPLEMENTATION Data Splitting Augmentation Model Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI | 350,” vol. 13, no. 2, pp. 349–358, 2024.
D. Marcella, Yohannes, and S. Davella, “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-19,” vol. 3, no. 1, pp. 60–70, 2022.
D. Vetrithangam, P. M. Ebin, P. Nareshkumar, B. Arunadevi, A. Fathima, and A. Ramesh Kumar, “Enhanced Vgg-19 Model for Accurate Brain Tumor Prediction,” 2023 Int. Conf. Network, Multimed. Inf. Technol. NMITCON 2023, no. October, pp. 1–6, 2023, doi: 10.1109/NMITCON58196.2023.10276235.
A. Zidha and W. Indah, “Perbandingan Performa Algoritma VGG16 dan VGG19 Melalui Metode CNN Untuk Klasifikasi Varietas Beras,” vol. 4, no. 2, 2023.
Angelina M. T. I. Sambi Ua et al., “Penggunaan Bahasa Pemrograman Python Dalam Analisis Faktor Penyebab Kanker Paru-Paru,” J. Publ. Tek. Inform., vol. 2, no. 2, pp. 88–99, 2023, doi: 10.55606/jupti.v2i2.1742.