Klasifikasi Jenis Daun Tumbuhan Herbal Berdasarkan Lontar Usada Taru Pramana Menggunakan CNN

Ni Putu Dita Ariani Sukma Dewi; Made Windu Antara Kesiman; I Made Gede Sunarya; Gusti Ayu Agung Diatri Indradewi; I Gede Andika

doi:10.62411/tc.v23i1.9510

Klasifikasi Jenis Daun Tumbuhan Herbal Berdasarkan Lontar Usada Taru Pramana Menggunakan CNN

Ni Putu Dita Ariani Sukma Dewi, Made Windu Antara Kesiman, I Made Gede Sunarya, Gusti Ayu Agung Diatri Indradewi, I Gede Andika

Abstract

Lontar Usada Taru Pramana adalah manuskrip yang merupakan kearifan lokal Bali yang berisi mengenai pengobatan tradisional dengan tumbuhan herbal serta telah dikaji secara ilmiah. Tumbuhan herbal umumnya dikenali dari daunnya. Namun, pengenalan tumbuhan herbal menjadi sulit karena minimnya pengetahuan mengenai jenis tumbuhan herbal dan kemiripan morfologi daunnya. Penelitian ini menggunakan dataset citra daun tumbuhan herbal bernama TPHerbleaf yang digunakan untuk mengklasifikasikan jenis daun tumbuhan herbal berdasarkan Lontar Usada Taru Pramana. Dataset ini terdiri dari 50 kelas jenis daun tumbuhan herbal. Penelitian ini menggunakan tiga arsitektur Convolutional Neural Network sebagai perbandingan untuk klasifikasi, yaitu MobileNet, Inception ResNet V2, dan EfficientNet B2. Model dengan hasil terbaik adalah MobileNet dengan learning rate 0,0001 dan dropout 20%. Model ini menghasilkan akurasi 100% untuk proses training, 79% untuk validation, dan 82% untuk testing. Hasil penelitian ini menunjukkan bahwa teknologi modern dapat digunakan untuk meningkatkan pemahaman dan pelestarian warisan budaya melalui penerapan praktik dalam bidang klasifikasi citra.

Keywords

Tumbuhan Herbal; Lontar Usada Taru Pramana; Klasifikasi; CNN

Full Text:

PDF

References

K. E. Tarigan and M. Stevani, “Ecology of The Batak Toba Medicinal Plants in Praxis Social Approach,” Br. J. Biol. Stud., vol. 1, no. 1, pp. 42–48, 2021, doi: 10.32996/bjbs.2021.1.1.3.

K. S. S, D. Y. Niska, I. Taufik, M. Hidayat, and D. F. Dharma, “Classification of Herbal Plants Based on Leaf Images using Convolutional Neural Network,” 2022, doi: 10.4108/eai.11-10-2022.2325271.

K. P. Dewi, A. Bintoro, C. Asmarahman, and Duryat, “KEANEKARAGAMAN JENIS TUMBUHAN BERKHASIAT OBAT DI BLOK PEMANFAATAN HUTAN PENDIDIKAN KONSERVASI TERPADU TAMAN HUTAN RAYA WAR LAMPUNG,” J. PEOPLE, For. Environ., vol. 1, no. 2, 2021, doi: http://dx.doi.org/10.23960/jopfe.v1i2.5115.

B. D. Mardiana, W. B. Utomo, and U. N. Oktaviana, “Herbal Leaves Classification Based on Leaf Image Using CNN Architecture Model VGG16,” J. Resti Rekayasa Sist. dan Teknol ogi Inf., vol. 7, no. 1, pp. 20–26, 2023, [Online]. Available: https://jurnal.iaii.or.id/index.php/RESTI/article/view/4550/695.

I Wayan Sukersa, Usada Taru Pramana: Sebuah Wahana Pelestarian Flora Bahan Obat Tradisional Bali. Denpasar: Swasta Nulus, 2017.

N. P. U. Antari, I. P. T. Suwantara, and P. E. S. K. Yudha, “Perbandingan Penggunaan Tanaman Obat dalam Usada Taru Pramana pada Penduduk Banjar Sakah Desa Pemogan dan Banjar Kerta Desa Petang,” J. Ilm. Medicam., vol. 4, no. 1, pp. 60–65, 2018.

P. E. S. Adnyana, “Empirisme Penggunaan Tumbuhan pada Pengobatan Tradisional Bali : Lontar Taru Pramana dalam Konstruksi Filsafat Ilmu,” SANJIWANI J. Filsafat, vol. 12, no. 1, 2021, [Online]. Available: http://ejournal.ihdn.ac.id/index.php/Sanjiwani/article/view/2059/1631.

R. Azadnia, M. M. Al-Amidi, H. Mohammadi, M. A. Cifci, A. Daryab, and E. Cavallo, “An AI Based Approach for Medicinal Plant Identification Using Deep CNN Based on Global Average Pooling,” Agronomy, vol. 12, no. 11, p. 2723, 2022, doi: https://doi.org/10.3390/agronomy12112723.

M. F. Kazerouni, N. T. M. Saeed, and K.-D. Kuhnert, “Fully-automatic natural plant recognition system using deep neural network for dynamic outdoor environments,” Springer Nat. Switz. AG 2019, vol. 1, no. 756, 2019, doi: 10.1007/s42452-019-0785-9.

C. P. Lee, K. M. Lim, Y. X. Song, and A. Alqahtani, “Plant-CNN-ViT: Plant Classification with Ensemble of Convolutional Neural Networks and Vision Transformer,” Plants (Basel), vol. 12, no. 14, p. 2642, 2023, doi: 10.3390/plants12142642.

S. A. Wagle, R. Harikrishnan, S. H. M. Ali, and Mohammad Faseehuddin, “Classification of Plant Leaves Using New Compact Convolutional Neural Network Models,” Plants, vol. 11, no. 1, p. 24, 2021, doi: 10.3390/plants11010024.

N. P. D. A. S. Dewi, M. W. A. Kesiman, I. M. G. Sunarya, I. G. A. A. D. Indradewi, and I. G. Andika, “TPHerbleaf : Dataset Untuk Klasifikasi Jenis Daun Tumbuhan Herbal Berdasarkan Lontar Usada Taru Pramana,” 2023.

I. W. Y. Dharma and I. G. A. R. Jayawangsa, “LONTAR TARU PREMANA WARISAN JENIUS LOKAL BALI KAJIAN ETNOPEDADOGI,” Subasita J. Sastra Agama dan Pendidik. Bhs. Bali, vol. 1, no. 2, pp. 1–12, 2020, [Online]. Available: https://ojs.unud.ac.id/index.php/kajianbali/article/view/48822.

B. M. Quach, D. V. Cuong, N. Pham, D. Huynh, and B. T. Nguyen, An Effective Leaf Recognition Using Convolutional Neural Networks Based Features. 2021.

R. Kumar, A. Chug, A. P. Singh, and D. Singh, “A Systematic Analysis of Machine Learning and Deep Learning Based Approaches for Plant Leaf Disease Classification: A Review,” J. SensorsHindawi, vol. 2022, pp. 1–13, 2022, doi: https://doi.org/10.1155/2022/3287561.

C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 60, pp. 1–48, 2019, doi: 10.1186/s40537-019-0197-0.

R. Akter and M. I. Hosen, “CNN-based Leaf Image Classification for Bangladeshi Medicinal Plant Recognition,” in 2020 Emerging Technology in Computing, Communication and Electronics (ETCCE), 2020, pp. 1–6, doi: 10.1109/ETCCE51779.2020.9350900.

Felix, J. Wijaya, S. P. Sutra, P. W. Kosasih, and P. Sirait, “Implementasi Convolutional Neural Network Untuk Identifikasi Jenis Tanaman Melalui Daun,” J. SIFO Mikroskil, vol. 21, no. 1, pp. 1–10, 2020, [Online]. Available: https://www.mikroskil.ac.id/ejurnal/index.php/jsm/article/view/672.

I. Suhardin, A. Potombongi, and A. M. Islah, “MENGIDENTIFIKASI JENIS TANAMAN BERDASARKAN CITRA DAUN MENGGUNAKAN AlGORITMA CONVOLUTIONAL NEURAL NETWORK,” J. Sist. Inf. DAN Tek. Komput., vol. 6, no. 2, pp. 100–108, 2021, [Online]. Available: http://ejournal.catursakti.ac.id/index.php/simtek/article/view/101/121.

J. Feriawan and D. Swanjaya, “Perbandingan Arsitektur Visual Geometry Group dan MobileNet Pada Pengenalan Jenis Kayu,” in Seminar Nasional Inovasi Teknologi, 2020, pp. 185–190, [Online]. Available: https://proceeding.unpkediri.ac.id/index.php/inotek/article/view/84/59.

A. S. B. Karno, D. Arif, I. S. K. Wardhana, and E. S. Moreta, “Diagnosa COVID-19 Chest X-Ray Menggunakan Arsitektur Inception Resnet,” J. Inf. Inf. Secur., vol. 2, no. 1, pp. 57–66, 2021, [Online]. Available: https://ejurnal.ubharajaya.ac.id/index.php/jiforty/article/view/646/523.

K. Sreenath P et al., “Deep Learning Classification of Lake Zooplankton,” Front. Microbiol., vol. 12, 2021, doi: 10.3389/fmicb.2021.746297.

Sutomo and R. Iryadi, “Konservasi Tumbuhan Obat Tradisional ‘Usada Bali,’” Bul. Udayana Mengabdi, vol. 18, no. 4, pp. 58–63, 2019, doi: 10.24843/BUM.2019.v18.i04.p11.

D. E. Birba, “A Comparative study of data splitting algorithms for machine learning model selection,” KTH Royal Institute Of Technology, 2020.

I. W. A. Purnawibawa, I. N. Purnama, and I. N. Y. A. Wijaya, “Komparasi Algoritme K-Nearest Neighbors Dan Support Vector Machines Dalam Prediksi Layanan Produk ICONNET,” Progresif J. Ilm. Komput., vol. 18, no. 2, pp. 271–282, 2022, doi: 10.35889/progresif.v18i2.894.

K. Alomar, H. I. Aysel, and X. Cai, “Data Augmentation in Classification and Segmentation: A Survey and New Strategies,” J. Imaging, vol. 9, no. 2, p. 46, 2023, doi: 10.3390/jimaging9020046.

M. Tan and Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” arXiv:1905.11946, 2019, doi: 10.48550/arXiv.1905.11946.

I. Syurfi, “PENERAPAN DEEP LEARNING DENGAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA DIABETIC DENGAN ARSITEKTUR EFFICIENTNET-B7,” UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM, 2021.

J. Bjorck, C. Gomes, B. Selman, and K. Q. Weinberger, “Understanding Batch Normalization,” 2018, doi: 10.48550/arXiv.1806.02375.

DOI: https://doi.org/10.62411/tc.v23i1.9510