KLASIFIKASI EMPAT TANAMAN OBAT MENGGUNAKAN ARSITEKTUR MOBILENETV2
Main Article Content
Abstract
Indonesia memiliki sekitar 30 ribu jenis tanaman dengan 7000 diantaranya dapat digunakan sebagai bahan untuk pengobatan tradisional. Metode pengenalan tanaman obat secara manual sangat bergantung pada pengetahuan individu, hal ini rentan terhadap kesalahan. Penelitian ini bertujuan membangun model klasifikasi tanaman obat berdasarkan gambar daun menggunakan arsitektur MobileNetV2 dan menerapkannya pada sistem berbasis website. Empat kelas tanaman obat yang diklasifikasi yaitu mengkudu, mint, sirih, telang dengan total dataset 180 citra daun. Model dilatih dengan parameter epoch = 15, learning rate = 0,005, momentum = 0,9, dan batch size = 16, menghasilkan akurasi 100% pada data training, 99% pada data validasi, dan 100% pada data testing. Implementasi dibangun berbasis website dengan framework Flask. Web ini akan memungkinkan pengguna mengunggah gambar daun untuk diklasifikasi secara otomatis. Dengan aplikasi ini, diharapkan masyarakat dapat lebih mudah mengenali dan memanfaatkan tanaman obat.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferences
[1] R. J. Hendri Butar-Butar dan N. L. Marpaung, “Deep learning untuk Identifikasi Daun Tanaman Obat Menggunakan Transfer Learning MobileNetV2,” J. Inform. J. Pengemb. IT, vol. 8, no. 2, hal. 142–148, 2023, doi: 10.30591/jpit.v8i2.5217.
[2] S. Sumayyah dan N. Salsabila, “Obat tradisional: antara khasiat dan efek sampingnya,” Maj. Farmasetika, vol. 2, no. 5, hal. 1–4, 2017.
[3] R. Azadnia, M. M. Al-Amidi, H. Mohammadi, M. A. Cifci, A. Daryab, dan E. Cavallo, “An AI Based Approach for Medicinal Plant Identification Using Deep CNN Based on Global Average Pooling,” Agronomy, vol. 12, no. 11, 2022, doi: 10.3390/agronomy12112723.
[4] F. Marpaung, N. Khairina, R. Muliono, M. Muhathir, dan S. Susilawati, “Klasifikasi Daun Teh Siap Panen Menggunakan Convolutional Neural Network Arsitektur MobileNetV2,” J. Teknoinfo, vol. 18, no. 1, hal. 215–225, 2024.
[5] S. A. E. ALBAKIA dan R. A. Saputra, “Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) Dengan Model VGG16,” J. Inform. Polinema, vol. 9, no. 4, hal. 451–460, 2023, doi: 10.33795/jip.v9i4.1420.
[6] S. Dalimartha, Atlas Tumbuhan Obat Indonesia jilid 5, vol. 2. Niaga Swadaya, 2008.
[7] E. Cahyaningsih, P. E. S. K. Yuda, dan P. Santoso, “SKRINING FITOKIMIA DAN UJI AKTIVITAS ANTIOKSIDAN EKSTRAK ETANOL BUNGA TELANG (Clitoria ternatea L.) DENGAN METODE SPEKTROFOTOMETRI UV-VIS,” J. Ilm. Medicam., vol. 5, no. 1, 2019, doi: 10.36733/medicamento.v5i1.851.
[8] A. M. D. Faza, M. Bahiyyul Bayan, I. R. Aini, M. F. Anam, R. R. Lutfiansyah5, dan T. Herawati6, “Pengembangan Produksi Tanaman Mint Berbasis Ekonomi Rumah Tangga di Kelurahan Banyurip, Kota Pekalongan (Development of Mint Production Based on Household Economy in Banyurip, Pekalongan City),” J. Pus. Inov. Masyarat Januari, vol. 3, no. 1, hal. 82–90, 2021.
[9] C. Y. Sari, “PENGGUNAAN BUAH MENGKUDU (Morinda citrifoliaL.)UNTUK MENURUNKAN TEKANAN DARAH TINGGI,” Morinda citrifolia L.) untuk Menurunkan Tekanan Darah Tinggi J Major. |, vol. 4, no. 3, hal. 34, 2015.
[10] G. Budiman, “Sistem Identifikasi Tingkat Kematangan Korpa Berbasis Web Menggunakan Convolutional Neural Network (CNN),” 2023.
[11] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, dan L. C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., hal. 4510–4520, 2018, doi: 10.1109/CVPR.2018.00474.
[12] D. V. Endachev*, P. A. Vasin, dan S. S. Shadrin, “Applicability of Computer Vision Architectures and Their Influence on Traffic Safety of Autonomous Vehicles,” Int. J. Eng. Adv. Technol., vol. 8, no. 6, hal. 5295–5301, Agu 2019, doi: 10.35940/ijitee.f91540981119.
[13] R. Irsyad, “Penggunaan Python Web Framework Flask Untuk Pemula,” 2018.
[14] M. Singh, A. Verma, A. Parasher, N. Chauhan, dan G. Budhiraja, “Implementation of Database Using Python Flask Framework,” Int. J. Eng. Comput. Sci., vol. 8, no. 12, hal. 24890–24893, 2019.