<![CDATA[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.]]>
