ADELIA, DELLA (2025) DETEKSI DAUN HERBAL DAN BERACUN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TANAMAN HERBAL. S1 thesis, Universitas Malikussaleh.

	Text DELLA ADELIA_210170051_COVER.pdf Download (215kB)
	Text DELLA ADELIA_210170051_ABSTRAK.pdf Download (257kB)
	Text DELLA ADELIA_210170051_BAB I.pdf Download (308kB)
	Text DELLA ADELIA_210170051_DAFTAR PUSTAKA.pdf Download (229kB)
	Text DELLA ADELIA_210170051_DETEKSI DAUN HERBAL DAN BERACUN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TANAMAN HERBAL.pdf Restricted to Registered users only Download (3MB)

Abstract

Indonesia adalah salah satu negara tropis yang memiliki keanekaragaman hayati terbesar di dunia termasuk memiliki sekitar 800 spesies tanaman yang dimanfaatkan masyarakat sebagai bahan baku pengobatan tradisional. Banyaknya tanaman yang ada sering menimbulkan kesalahan dalam mengidentifikasi antara tanaman yang aman dikonsumsi dan yang mengandung racun, hal ini disebabkan oleh kemiripan morfologi antara tanaman herbal dan beracun. Penelitian ini dilakukan untuk merancang sistem yang dapat melakukan deteksi daun tanaman herbal dan beracun. Penelitian ini dibangun menggunakan framework Flask dengan menerapkan arsitektur model Convolutional Neural Network (CNN) untuk melakukan klasifikasi terhadap jenis daun. Rule based system digunakan untuk menentukan apakah daun yang diklasifikasikan termasuk dalam kategori tanaman herbal atau beracun. Dataset yang digunakan terdiri dari 960 gambar yang dikelompokkan ke dalam 8 kelas daun yaitu kelor, mint, sirih, kemangi, saga rambat, bandotan, gympie-gympie, dan jelatang. Kemudian dataset dibagi menjadi data pelatihan dan pengujian dengan perbandingan 80:20. Model dilatih menggunakan batch size 24, input shape 150×150 piksel, dan optimizer RMSprop selama 50 epoch pelatihan. Pengujian model dilakukan menggunakan data uji (testing) sebesar 20% dengan total sebanyak 192 gambar. Hasil evaluasi menunjukkan bahwa model mampu melakukan klasifikasi dengan tingkat akurasi sebesar 85,93%, precision 87,65%, recall 85,93%, dan f1-score 85,30%.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	DELLA ADELIA
Date Deposited:	05 Aug 2025 03:53
Last Modified:	05 Aug 2025 03:53
URI:	https://rama.unimal.ac.id/id/eprint/13406

Actions (login required)

View Item