<![CDATA[Indonesia dikenal memiliki keanekaragaman hayati yang melimpah, termasuk tumbuhan herbal yang dimanfaatkan dalam pengobatan tradisional, seperti di Bali yang beberapa masyarakatnya masih menggunakan tumbuhan herbal sebagai bahan pengobatan. Namun, identifikasi dan klasifikasi tumbuhan herbal masih menjadi tantangan karena kesamaan morfologi antarspesies, yang dapat memengaruhi efektivitas pengobatan. Oleh karena itu, penelitian ini menganalisis dan mengembangkan metode klasifikasi tumbuhan herbal dengan pendekatan transfer learning menggunakan arsitektur Convolutional Neural Network (CNN), yaitu MobileNet-V2 dan ResNet-50 V2, guna meningkatkan akurasi klasifikasi. Penelitian ini menggunakan dataset TPHerbleaf yang berisi 1000 citra dari 50 jenis daun tumbuhan herbal yang tercatat dalam Lontar Usada Taru Pramana. Data diproses dengan teknik augmentasi dan fine-tuning, kemudian model diuji dengan membandingkan arsitektur usulan dengan penelitian terdahulu. Hasilnya, MobileNet-V2 mencapai akurasi 98,65%, sedangkan ResNet-50 V2 mencapai 98,48%, menunjukkan peningkatan signifikan dibanding model sebelumnya. MobileNet-V2 lebih efisien dalam penggunaan sumber daya, sementara ResNet-50 V2 lebih stabil dalam pelatihan jaringan yang dalam. Penelitian ini berkontribusi pada pengembangan metode klasifikasi tanaman herbal berbasis CNN yang lebih akurat dan aplikatif, serta dapat digunakan untuk mendukung pemanfaatan tanaman herbal secara lebih luas.]]>
Copyrights © 2025
