<![CDATA[Tanaman rimpang berkhasiat obat merupakan bagian penting dari kekayaan hayati Indonesia yang dimanfaatkan sebagai bahan pangan sekaligus obat tradisional. Namun, identifikasi jenis tanaman rimpang masih menjadi tantangan karena banyak kelas memiliki karakteristik visual yang sangat mirip sehingga menimbulkan tingkat kemiripan antar kelas (inter-class similarity) yang tinggi. Penelitian ini mengusulkan model klasifikasi citra digital menggunakan arsitektur Hybrid ResNet-50 dan Vision Transformer (ViT-B/16) untuk menggabungkan representasi fitur lokal dan fitur global dalam proses identifikasi tanaman rimpang. Dataset penelitian terdiri atas 5.507 citra digital yang mewakili 10 kelas tanaman rimpang. Tahap praproses meliputi resize citra menjadi 224 × 224 piksel, normalisasi piksel, augmentasi data, serta pembagian dataset menjadi 70% data training, 15% data validation, dan 15% data testing. Model dilatih menggunakan optimizer AdamW dan fungsi loss CrossEntropyLoss. Hasil pengujian menunjukkan bahwa model Hybrid ResNet-50 dan Vision Transformer memperoleh akurasi sebesar 98,06% pada data testing dengan 809 citra berhasil diklasifikasikan dengan benar dan 16 citra mengalami kesalahan klasifikasi dari total 825 citra uji. Evaluasi dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix.Hasil penelitian menunjukkan bahwa kombinasi ResNet-50 dan Vision Transformer mampu meningkatkan kemampuan model dalam membedakan tanaman rimpang yang memiliki kemiripan tekstur, bentuk, dan warna. Model kemudian diimplementasikan pada aplikasi web RIMPANGAI sebagai media identifikasi tanaman rimpang dan penyedia informasi mengenai khasiat serta cara pengolahannya]]>
Copyrights © 2026
