Electronic Theses and Dissertation

Indonesia memiliki kekayaan tanaman herbal yang sangat beragam, namun proses identifikasinya secara konvensional terkendala oleh keterbatasan pengetahuan masyarakat dan jumlah pakar yang terbatas. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa dua arsitektur Convolutional Neural Network (CNN) berbasis transfer learning, yaitu EfficientNetV2-S dan ConvNeXtV2-Tiny, dalam mengklasifikasikan 116 tanaman herbal Indonesia menggunakan citra tanaman. Dataset yang digunakan merupakan gabungan dataset IndoHerb dan dataset tanaman herbal Aceh, terdiri dari 11.600 citra dengan 100 gambar per kelas. Kedua model dilatih menggunakan bobot pra-latih ImageNet-1K dengan optimizer AdamW dan augmentasi Mixup serta CutMix, pada dua variasi learning rate (5×10⁻⁵ dan 1×10⁻⁴). Hasil eksperimen menunjukkan bahwa learning rate 1×10⁻⁴ menghasilkan performa terbaik pada kedua model. ConvNeXtV2-Tiny mencapai test accuracy 97,67% dengan macro F1-Score 97,66%, mengungguli EfficientNetV2-S yang mencapai test accuracy 97,59% dengan macro F1-Score 97,57%. Berdasarkan hasil tersebut, ConvNeXtV2-Tiny direkomendasikan sebagai model terbaik untuk klasifikasi tanaman herbal Indonesia dan diimplementasikan bersama EfficientNetV2-S ke dalam prototipe aplikasi web berbasis Streamlit untuk mendukung identifikasi tanaman herbal secara otomatis.

Indonesia possesses an enormous diversity of herbal plants; however, conventional identification is hindered by limited public knowledge and a shortage of experts. This study aims to analyze and compare the performance of two transfer learning-based Convolutional Neural Network (CNN) architectures, namely EfficientNetV2-S and ConvNeXtV2-Tiny, in classifying 116 species of Indonesian herbal plants using leaf images. The dataset combines the IndoHerb dataset and an Acehnese herbal plant dataset, comprising 11,600 images with 100 images per class. Both models were trained using ImageNet-1K pre-trained weights with the AdamW optimizer and Mixup and CutMix augmentation, evaluated under two learning rate settings (5×10⁻⁵ and 1×10⁻⁴). Results show that a learning rate of 1×10⁻⁴ yielded the best performance for both models. ConvNeXtV2-Tiny achieved the highest test accuracy of 97.67% with a macro F1-Score of 97.66%, outperforming EfficientNetV2-S, which achieved 97.59% test accuracy and a macro F1-Score of 97.57%. Based on these findings, ConvNeXtV2-Tiny is recommended as the best model for Indonesian herbal plant classification and was implemented alongside EfficientNetV2-S in a Streamlit-based web application prototype to support automatic herbal plant identification.