Optimasi Akurasi Deteksi Tanaman-Tanaman Obat Biofarmaka Dengan Convolutional Neural Network

Abstract

Tanaman obat sangat populer digunakan terutama sebagai bahan baku obat tradisional dan jamu. Tanaman ini jika dikonsumsi akan meningkatkan sistem kekebalan tubuh (immune system), karena mempunyai sifat spesifik sebagai tanaman obat yang bersifat sebagai pencegahan dan promotif melalui kandungan metabolit sekunder seperti gingerol pada jahe yang mampu meningkatkan sistem imun pada tubuh. Di Indonesia tanaman obat juga dikategorikan sebagai tanaman biofarmaka yang meliputi 15 (lima belas) jenis tanaman yaitu, jahe, laos/lengkuas, kencur, kunyit, lempuyang, temulawak, temuireng, temu kunci, dlingo/dringo, kapulaga, mengkudu/pace, mahkota dewa, kejibeling, sambiloto, dan lidah buaya. Namun banyak masyarakat terutama yang ada di perkotaan tidak mengetahui tanaman obat biofarmaka karena banyak jenis yang tidak umum dijumpai di pasar atau swalayan sehingga terkendala untuk mengenali ataupun mendapatkannya. Tujuan penelitian ini adalah mengklasifikasikan tanaman obat biofarmaka menggunakan algoritma CNN dan dapat mengenali jenis tanaman obat berdasarkan karakteristik citra dengan tingkat akurasi tinggi. Deep learning membuat sebuah komputer belajar mengklasifikasi secara langsung dari gambar. Dalam hal ini peneliti menggunakan model Sequential dan on top VGG16 yang merupakan model dari algoritma CNN (Convolutional Neural Networks) salah satu neural network yang ada pada deep learning untuk mengklasifikasikan tanaman obat secara otomatis dengan 12 (dua belas) variabel penelitian menggunakan data training berjumlah 1645 citra dan data testing 360 citra. Berdasarkan hasil penelitian model on top VGG16 memiliki tingkat akurasi yang lebih baik yaitu 98.333% dengan loss 0.086 dibandingkan dengan model Sequential yang menghasilkan tingkat akurasi 96.111% dengan loss sebesar 0.193.