<![CDATA[Penelitian ini melakukan tinjauan sistematis terhadap penggunaan deep learning untuk klasifikasi citra daun tanaman fitomedisin. Tujuan penelitian ini adalah untuk mengidentifikasi berbagai algoritma deep learning yang diterapkan dalam identifikasi spesies tanaman fitomedisin dan mengevaluasi kinerja masing-masing algoritma. Metode yang digunakan adalah PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) dengan melakukan analisis studi yang relevan pada database IEEE Xplore, Springer, dan ScienceDirect. Studi yang dipilih kemudian dianalisis berdasarkan algoritma yang digunakan, dataset yang diterapkan, dan hasil akurasi yang diperoleh. Hasil penelitian menunjukkan bahwa algoritma CNN memberikan akurasi yang cukup baik, namun keduanya menghadapi masalah waktu komputasi yang tinggi. Penelitian yang menggunakan ResNet mencapai akurasi tertinggi, yaitu 95,5%, meskipun terdapat masalah dengan latar belakang citra daun. Algoritma Xception, meskipun memberikan akurasi yang lebih rendah, dapat dioptimalkan lebih lanjut dengan meningkatkan ukuran dataset dan teknik yang digunakan. Dalam penelitian ini dibahas penggunaan model MobileNet yang efisien dalam hal komputasi dan dapat mengatasi tantangan-tantangan klasifikasi citra daun tanaman fitomedisin. Model MobileNet (MNET) digunakan untuk klasifikasi daun tanaman fitomedisin karena efisiensinya dalam memproses data besar dengan mengurangi beban komputasi. Perbedaan utama MNET dibandingkan CNN terletak pada penggunaan depthwise separable convolution, yang membagi konvolusi menjadi dua bagian yaitu depthwise convolution dan pointwise convolution. Metode ini dapat mengurangi jumlah parameter, menghasilkan jaringan saraf dalam yang lebih ringan. Dengan arsitektur yang lebih kecil dan latensi rendah, MNET dapat diterapkan untuk klasifikasi citra daun tanaman fitomedisin]]>
