Sistem Klasifikasi Citra Daun Obat Tradisional Dayak Kenyah Menggunakan Metode Convolutional Neural Network Dengan Arsitektur MobileNetV2

Abstract

Masyarakat Suku Dayak Kenyah mewarisi pengetahuan tradisional dalam pemanfaatan tumbuhan sebagai obat. Namun, kemiripan morfologi antarspesies, terutama pada bagian daun, sering menjadi hambatan dalam proses identifikasi yang akurat. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi citra daun obat tradisional Suku Dayak Kenyah menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Tiga jenis daun yang menjadi fokus penelitian adalah daun senggani (Melastoma malabathricum L.), daun jarak (Jatropha curcas), dan daun sengkubak (Pycnarrhena cauliflora). Dataset penelitian terdiri dari 900 citra utama yang telah melalui tahap preprocessing dan augmentation, menghasilkan total 2.340 citra yang dibagi menjadi 80% data latih, 10% data validasi, dan 10% data uji. Pelatihan model dilakukan hingga 50 epoch, menghasilkan akurasi pelatihan dan validasi sebesar 100%, serta validation loss sebesar 0,0565. Evaluasi menggunakan data uji menunjukkan nilai precision, recall, dan F1-score rata-rata sebesar 100%. Namun, pengujian dengan 90 data uji eksternal (di luar dataset) menunjukkan penurunan performa dengan nilai precision 88%, recall 84%, dan F1-score 83% yang mengindikasikan adanya keterbatasan dalam generalisasi model terhadap data di luar distribusi pelatihan. Meskipun begitu, model MobileNetV2 mampu memberikan performa tinggi dalam klasifikasi citra daun pada dataset terkontrol serta mengidentifikasi tantangan generalisasi pada data eksternal. Oleh karena itu, model ini berpotensi dikembangkan lebih lanjut sebagai dasar sistem identifikasi tanaman obat berbasis citra daun yang adaptif dan aplikatif di lapangan.