Deep Learning CNN Untuk Identifikasi Gulma Berkhasiat Obat

Abstract

Keanekaragaman hayati Indonesia, termasuk gulma yang memiliki senyawa berkhasiat obat namun masih sulit diidentifikasi secara manual. Tujuan penelitian adalah menemukan dan mengembangkan model deep learning berbasis convolution neural network (CNN) untuk identifikasi gulma berkhasiat obat dengan memperhatikan jumlah filter pada setiap lapisan konvolusional. Metode dilakukan melalui pengumpulan dataset citra sebanyak 12 spesies gulma dengan tiap kelas berjumlah 220 citra, prapemrosesan data, pelatihan model dilakukan pada tiga skema arsitektur CNN yang berbeda dan pengujian model dengan evaluasi menggunakan hasil klasifikasi, akurasi, dan citra hasil deteksi. Hasil penelitian menunjukkan dari tiga skema model perhatian CNN yang telah memberikan performa tertinggi pada skema satu dengan akurasi 74,17% dan kappa 72,84%, disusul secara berurutan yaitu skema kedua dengan akurasi 72,50% dan nilai kappa 70%, serta skema ketiga dengan akurasi 70% dan nilai kappa 67,27%. Temuan ini menegaskan efektivitas CNN dalam mengekstraksi fitur spasial citra gulma berkhasiat obat dan memberikan kontribusi signifikan sebagai langkah awal menuju digitalisasi botani dan pengembangan fitofarmaka berbasis gulma obat.