KLASIFIKASI TANAMAN HERBAL BERDASARKAN CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR RESNET-50

Wulandari, Maya (2025) KLASIFIKASI TANAMAN HERBAL BERDASARKAN CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR RESNET-50. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 1_Skripsi Full_123210050_Maya Wulandari.pdf Restricted to Repository staff only Download (4MB)
	Text 2_Cover_123210050_Maya Wulandari.pdf Download (161kB)
	Text 3_Abstrak_123210050_Maya Wulandari.pdf Download (185kB)
	Text 4_Halaman Pengesahan_123210050_Maya Wulandari.pdf Download (84kB)
	Text 5_Daftar Isi_123210050_Maya Wulandari.pdf Download (218kB)
	Text 6_Daftar Pustaka_123210050_Maya Wulandari.pdf Download (223kB)

Abstract

vii
ABSTRAK
Indonesia memiliki kekayaan hayati berupa tanaman herbal yang sangat melimpah,
namun proses identifikasi jenis tanaman masih sering mengalami kendala karena kemiripan
morfologi antarspesies, khususnya pada bagian daun. Identifikasi manual yang bergantung
pada kemampuan manusia rentan terhadap kesalahan, sehingga diperlukan metode otomatis
yang lebih andal. Salah satu pendekatan yang potensial adalah klasifikasi berbasis citra daun
menggunakan metode Convolutional Neural Network (CNN), yang mampu mengenali pola
visual secara otomatis dan akurat. Penelitian sebelumnya telah menunjukkan efektivitas
CNN dengan arsitektur VGG16 dalam tugas klasifikasi tanaman herbal, tetapi masih terbuka
ruang eksplorasi terhadap penggunaan arsitektur lain yang lebih dalam.
Penelitian ini menggunakan CNN dengan arsitektur ResNet-50 untuk
mengklasifikasikan tanaman herbal berdasarkan citra daun. Dataset yang digunakan adalah
Indonesian Herb Leaf Dataset 3500 dengan 10 kelas, yang dibagi menjadi data pelatihan
dan test. Tiga pendekatan diterapkan, yaitu fine-tuning seluruh layer, feature extraction, dan
hybrid fine-tuning.
Hasil evaluasi menunjukkan bahwa pendekatan fine-tuning seluruh layer
menghasilkan performa terbaik dengan akurasi pengujian sebesar 98%, presisi 99%, recall
98%, dan F1-score sebesar 0.98. Angka ini menunjukkan peningkatan dibandingkan
penelitian sebelumnya yang menggunakan VGG16 dan mencapai akurasi pengujian sebesar
97%. Peningkatan performa ini dapat dikaitkan dengan arsitektur ResNet-50 yang lebih
dalam dan kemampuannya dalam menangkap fitur visual secara lebih kompleks. Selain itu,
pelatihan ulang pada seluruh layer turut memberikan kontribusi signifikan terhadap kualitas
klasifikasi akhir.
Kata Kunci: CNN, ResNet-50, Klasifikasi Citra, Tanaman Herbal

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	CNN, ResNet-50, Klasifikasi Citra, Tanaman Herbal
Subjek:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Eko Yuli
Date Deposited:	20 Oct 2025 09:41
Last Modified:	20 Oct 2025 09:41
URI:	http://eprints.upnyk.ac.id/id/eprint/44597

Actions (login required)

View Item