<![CDATA[Daun herbal telah lama dimanfaatkan sebagai bahan pengobatan tradisional di Indonesia, namun proses identifikasi jenisnya sering menjadi tantangan akibat keterbatasan pengetahuan masyarakat dan kemiripan visual antar daun herbal. Penelitian ini bertujuan menguji performa model klasifikasi daun herbal untuk memperoleh akurasi optimal. Metode yang digunakan adalah CNN dengan arsitektur EfficientNetB2 untuk mengklasifikasikan citra sepuluh jenis daun herbal Indonesia. Dataset merupakan gabungan data primer dan sekunder, yang kemudian dibagi menjadi 80:20 untuk pelatihan dan pengujian. Tiga skenario jumlah epoch diterapkan, yaitu 10, 20, dan 30, dengan konfigurasi tiga hidden layer yang masing-masing berisi 128 neuron. Hasil pengujian menunjukkan bahwa konfigurasi terbaik diperoleh pada skenario 30 epoch dengan akurasi rata-rata mencapai 99,09%. Nilai presisi, recall, dan f1-score pada skenario ini masing-masing sebesar 99%, menunjukkan kinerja yang sangat tinggi dan konsisten. Selisih performa antar skenario pengujian tergolong tipis, sehingga setiap konfigurasi mampu memberikan hasil yang kompetitif. Selain itu, model berhasil membedakan jenis daun dengan kemiripan visual tinggi secara akurat. Dengan demikian, EfficientNetB2 berhasil mencapai akurasi optimal untuk klasifikasi citra daun herbal.]]>
Copyrights © 2025
