DETEKSI DAUN HERBAL DAN BERACUN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TANAMAN HERBAL DAN BERACUN

Indonesia merupakan salah satu negara tropis dengan keanekaragaman hayati terbesar di dunia termasuk sekitar 50.000 spesies tanaman dan sekitar 7.500 digunakan masyarakat sebagai bahan baku obat tradisional. Namun banyaknya spesies tanaman yang ada menimbulkan tantangan dalam membedakan antara tanaman yang dapat dikonsumsi dan yang mengandung racun, karena tanaman herbal dan beracun sering kali memiliki karakteristik morfologi daun yang mirip. Oleh karena itu, penelitian ini dilakukan untuk merancang sistem klasifikasi untuk membedakan daun tanaman herbal dan beracun yang diharapkan dapat dimanfaatkan oleh masyarakat sebagai upaya preventif dalam mengurangi risiko keracunan akibat identifikasi tanaman yang tidak tepat. Sistem ini dibangun dengan arsitektur Convolutional Neural Network (CNN) yang diimplementasikan melalui framework Flask dan dilengkapi dengan rule-based system untuk menentukan kategori tanaman berdasarkan hasil prediksi model. Dataset terdiri dari 960 gambar dengan 8 kelas daun tanaman lokal Indonesia, di mana empat kategori termasuk tanaman herbal (kelor, mint, sirih, dan kemangi) dan empat kategori tanaman beracun (saga rambat, bandotan, gympie-gympie, dan jelatang). Penelitian ini melakukan percobaan terhadap beberapa arsitektur CNN, termasuk model custom dan pretrained (EfficientNetB0, MobileNetV2, dan ResNet50V2). Hasil terbaik diperoleh dari model EfficientNetB0 yang dilatih menggunakan gambar dengan input shape 224×224 piksel, dengan batch size 24, menggunakan optimizer Adam, yang mencapai akurasi pelatihan 99,51% dan validasi 98,96%. Model ini menunjukkan hasil akurasi lebih unggul dibandingkan model lainnya, seperti model custom (93,88%), MobileNetV2 (99,50%), dan ResNet50V2 (99,38%). Untuk hasil evaluasi menunjukkan bahwa model EfficientNetB0 memiliki performa sangat baik, dengan akurasi klasifikasi keseluruhan sebesar 99,00%, precision 99,00%, recall 99,00%, dan skor f1-score 99,00%.