STUDI KOMPARASI KINERJA ALGORITMA DEEP LEARNING INCEPTIONV3, XCEPTION DAN DENSENET201 DENGAN TEKNIK ENSEMBLE UNTUK KLASIFIKASI CITRA DAUN BERKHASIAT OBAT

Putri, Zabrila Amrina Zadia and Vatresia, Arie and Anggriani, Kurnia (2025) STUDI KOMPARASI KINERJA ALGORITMA DEEP LEARNING INCEPTIONV3, XCEPTION DAN DENSENET201 DENGAN TEKNIK ENSEMBLE UNTUK KLASIFIKASI CITRA DAUN BERKHASIAT OBAT. Other thesis, Universitas Bengkulu.

[thumbnail of Thesis] Archive (Thesis)
Skripsi_G1A021053_Zabrila Amrina Zadia Putri - Zabrila Amrina.pdf - Bibliography
Restricted to Repository staff only
Available under License Creative Commons GNU GPL (Software).

Download (5MB)

Abstract

Indonesia dikenal sebagai negara dengan kekayaan keanekaragaman hayati yang
melimpah, termasuk berbagai jenis tanaman obat yang telah digunakan secara turun�temurun sebagai bahan pengobatan tradisional. Di antara bagian tanaman, daun sering
kali menjadi komponen yang paling banyak dimanfaatkan karena kandungan zat aktif
yang berkhasiat bagi kesehatan. Namun, identifikasi daun berkhasiat obat secara visual
sering kali menghadapi tantangan karena banyaknya variasi morfologi yang mirip antar
spesies. Oleh karena itu, pengembangan teknologi yang dapat membantu proses
identifikasi tanaman obat secara otomatis menjadi sangat penting, terutama untuk
mendukung pengobatan alternatif dan kesehatan masyarakat. Penelitian ini bertujuan
untuk melakukan studi komparatif terhadap kinerja tiga arsitektur deep learning berbasis
transfer learning, yaitu InceptionV3, Xception, dan DenseNet201, yang diintegrasikan
dengan pendekatan weighted average ensemble. Dataset yang digunakan mencakup 10
kelas citra daun berkhasiat obat dengan total 10.000 citra, yang dibagi menjadi data latih,
validasi, dan uji. Hasil evaluasi menunjukkan bahwa DenseNet201 dan Xception
mencapai performa optimal pada epoch ke-50 dengan optimizer Adam, sementara
InceptionV3 optimal dengan RMSprop. Empat kombinasi ensemble dievaluasi, dan
kombinasi InceptionV3–Xception–DenseNet201 memberikan performa paling unggul
dengan akurasi 100% pada data uji pertama dan 92.90% pada data uji kedua. Kombinasi
Xception–DenseNet201 juga menunjukkan performa tinggi, dengan akurasi pada data uji
pertama 100% dan 91.80% pada data uji kedua. Penelitian ini menunjukkan bahwa
pendekatan ensemble mampu meningkatkan stabilitas dan akurasi klasifikasi citra daun
obat, serta berpotensi menjadi solusi praktis dalam identifikasi tanaman obat secara
otomatis.
Kata Kunci: deep learning, transfer learning, teknik ensemble, klasifikasi citra, daun
berkhasiat obat

Item Type: Thesis (Other)
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Informatics Engineering
Depositing User: 58 lili haryanti
Date Deposited: 03 Nov 2025 04:32
Last Modified: 03 Nov 2025 04:32
URI: https://repository.unib.ac.id/id/eprint/30876

Actions (login required)

View Item
View Item
Slot Gacor Mantap Hari Ini Maxwin 2025 slot gacor Slot Gacor Thailand Rekomendasi Slot Gacor Slot Pulsa Link Slot Gacor