Kemiripan karakteristik daun antar tanaman herbal menyebabkan proses identifikasi tanaman menjadi sulit dan kurang konsisten. Oleh karena itu, penelitian ini bertujuan untuk melakukan klasifikasi tanaman herbal berbasis citra daun menggunakan arsitektur ResNet50 dan MobileNetV2, serta membandingkan performa kedua model. Dataset yang digunakan terdiri dari 11 kelas tanaman herbal berdasarkan citra daun, yang terdiri dari 10 kelas yang diperoleh dari platform Kaggle dan 1 kelas tambahan yaitu daun lengkuas yang dikumpulkan secara langsung oleh peneliti. Setiap kelas memiliki 80 data pelatihan dan 20 data pengujian. Tahapan penelitian meliputi pra-pemrosesan citra, pelatihan model menggunakan metode Transfer Learning, serta evaluasi performa model menggunakan metrik akurasi, precision, recall, F1-score, dan Confusion Matrix. Hasil penelitian menunjukkan bahwa model ResNet50 memperoleh akurasi sebesar 95.00% dengan nilai precision, recall, dan F1-score masing-masing sebesar 0.95, sedangkan model MobileNetV2 memperoleh akurasi sebesar 94.09% dengan nilai precision, recall, dan F1-score sebesar 0.94. Hasil tersebut menunjukkan bahwa kedua model memiliki performa yang sangat baik dalam mengklasifikasikan citra daun tanaman herbal, namun ResNet50 memiliki performa yang lebih unggul dibandingkan MobileNetV2. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem klasifikasi tanaman herbal berbasis citra digital serta menjadi referensi dalam penerapan metode deep learning untuk pengenalan pola citra daun.

S12738

INF 0260 2026

Bekasi

Tersedia