<![CDATA[Abstrak Penelitian ini bertujuan untuk mengklasifikasikan tanaman herbal lokal berdasarkan citra daun dengan memanfaatkan algoritma Convolutional Neural Network (CNN) menggunakan arsitektur ResNet152V2. Identifikasi tanaman herbal secara manual masih menjadi tantangan bagi masyarakat karena banyak jenis tanaman memiliki kemiripan morfologi daun, sehingga berpotensi menimbulkan kesalahan dalam pemanfaatannya sebagai bahan obat tradisional. Oleh karena itu, penerapan teknologi pengolahan citra digital berbasis deep learning menjadi solusi yang relevan untuk meningkatkan akurasi identifikasi tanaman herbal. Dataset yang digunakan dalam penelitian ini terdiri dari 4.400 citra daun yang dikumpulkan secara langsung di lingkungan alami, mencakup 11 kelas yang terdiri atas tanaman herbal, non-herbal, dan kelas tidak teridentifikasi. Dataset melalui tahap pra-pemrosesan yang meliputi padding, resizing, normalisasi, serta augmentasi data untuk meningkatkan variasi dan kualitas data. Model ResNet152V2 dilatih menggunakan optimizer Adam dengan learning rate sebesar 0,0001 dan fungsi loss Categorical Crossentropy, serta menerapkan callback EarlyStopping untuk mencegah overfitting.Hasil evaluasi menunjukkan bahwa model mampu mencapai akurasi validasi sebesar 99,77% dan akurasi pengujian sebesar 99,11%. Nilai precision, recall, dan F1-score pada hampir seluruh kelas berada di atas 0,95, yang menandakan performa klasifikasi yang sangat baik. Dengan demikian, penelitian ini membuktikan bahwa ResNet152V2 efektif digunakan dalam sistem identifikasi tanaman herbal berbasis citra daun dan berpotensi dikembangkan lebih lanjut sebagai sistem pendukung pelestarian tanaman obat lokal.]]>
