KLASIFIKASI CITRA TANAMAN MERAMBAT LIAR BERKHASIAT OBAT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Abstract

Indonesia has high biodiversity of medicinal plants; however, the specific identification of wild climbing plants is often challenging due to similarities in leaf morphology among species, which may lead to errors in medicinal utilization. This study aims to develop an automatic identification system for five wild climbing medicinal plants, namely Betel, Brotowali, Kaduk, Water Pepper, and Binahong. The proposed method applies deep learning using a Convolutional Neural Network (CNN) algorithm with a transfer learning approach based on the MobileNetV2 architecture. The dataset consisted of 1,000 leaf images evenly distributed into five classes, followed by image preprocessing, data augmentation, and model training using the Adam optimizer with a learning rate of 0.0001. The evaluation results showed that the model achieved a validation accuracy of 95.31% during training and obtained an internal testing accuracy of 99.5% on previously unseen data. However, external testing using 25 images captured under real-world background conditions achieved an accuracy of 84%, indicating performance degradation due to variations in visual conditions outside the training dataset. The model successfully recognized most plant classes with high performance, with misclassifications mainly occurring between Kaduk and Betel due to their similar visual characteristics. The developed model was implemented into an interactive web-based interface using Streamlit as a supporting tool for medicinal plant identification. This study demonstrates that MobileNetV2 with a transfer learning approach is effective for classifying wild climbing medicinal plants using a limited dataset; however, increasing data diversity is still required to improve model generalization under real-world conditions.

ABSTRAK

Indonesia memiliki biodiversitas tanaman obat yang sangat tinggi, namun identifikasi spesifik terhadap tanaman merambat liar sering mengalami kendala akibat kemiripan morfologi daun antarspesies yang dapat menyebabkan kesalahan pemanfaatan. Penelitian ini bertujuan mengembangkan sistem identifikasi otomatis untuk lima jenis tanaman merambat liar berkhasiat obat, yaitu Sirih, Brotowali, Kaduk, Ketumpang Air, dan Binahong. Metode yang digunakan adalah deep learning dengan algoritma Convolutional Neural Network (CNN) melalui pendekatan transfer learning menggunakan arsitektur MobileNetV2. Dataset penelitian terdiri atas 1.000 citra daun yang terbagi secara seimbang ke dalam lima kelas, kemudian dilakukan tahap pra-pemrosesan, augmentasi data, dan pelatihan model menggunakan optimizer Adam dengan learning rate 0,0001. Hasil evaluasi menunjukkan bahwa model memperoleh akurasi validasi sebesar 95,31% selama proses pelatihan dan mencapai akurasi pengujian internal sebesar 99,5% pada data yang belum pernah digunakan sebelumnya. Namun, pengujian eksternal menggunakan 25 citra dengan kondisi latar belakang lingkungan nyata menghasilkan akurasi sebesar 84%, yang menunjukkan adanya penurunan performa akibat variasi kondisi visual di luar dataset pelatihan. Model mampu mengenali sebagian besar kelas tanaman dengan baik, dengan kesalahan klasifikasi terutama terjadi pada tanaman Kaduk dan Sirih yang memiliki kemiripan karakteristik visual. Model kemudian diimplementasikan dalam antarmuka web interaktif berbasis Streamlit sebagai media bantu identifikasi tanaman obat. Penelitian ini menunjukkan bahwa MobileNetV2 berbasis transfer learning efektif untuk klasifikasi citra tanaman merambat liar berkhasiat obat pada dataset terbatas, tetapi peningkatan keragaman data masih diperlukan untuk meningkatkan kemampuan generalisasi pada kondisi nyata.