Sistem Klasifikasi Daun Tanaman Obat dan Beracun Menggunakan Convolutional Neural Network Berbasis Raspberry Pi
DOI:
https://doi.org/10.30865/jurikom.v15i5.9866Keywords:
Convolutional Neural Network , Klasifikasi, Tanaman Obat, Tanaman Beracun, Raspberry PiAbstract
Tanaman obat dan tanaman beracun seringkali menunjukkan kemiripan morfologi pada daunnya, sehingga sulit dibedakan secara visual dan meningkatkan risiko penyalahgunaan. Tujuan penelitian ini adalah untuk mengembangkan sistem klasifikasi otomatis berbasis citra daun menggunakan metode Convolutional Neural Network (CNN) yang diimplementasikan pada Raspberry Pi untuk membedakan antara tanaman obat dan tanaman beracun. Metode yang diusulkan memanfaatkan model CNN yang dilatih pada arsitektur MobileNetV2 yang dimodifikasi dengan dataset yang terdiri dari 3.200 gambar daun dari 27 kelas, termasuk 15 tanaman obat, 11 tanaman beracun, dan 1 kelas non-daun. Sistem ini dirancang menggunakan framework Flask sebagai antarmuka web, database MySQL untuk penyimpanan data, dan diintegrasikan dengan kamera RaspiCam OV5647 untuk mendukung dua mode akuisisi gambar: unggah gambar dan pengambilan gambar secara real-time. Pengujian dilakukan menggunakan 135 gambar uji, dan hasilnya menunjukkan bahwa akurasi klasifikasi mencapai 96% untuk gambar yang diunggah dan 90% untuk pengambilan gambar secara langsung. Hasil klasifikasi ditampilkan secara real-time di situs web dan disimpan dalam database sebagai riwayat klasifikasi. Temuan ini menunjukkan bahwa CNN yang dimodifikasi dapat mengklasifikasikan tanaman obat dan tanaman beracun secara otomatis, cepat, dan akurat. Sistem yang dikembangkan berpotensi untuk diterapkan di lingkungan dunia nyata sebagai solusi berbasis web, sehingga mendukung klasifikasi tanaman yang efisien dan meningkatkan keselamatan publik dalam pemanfaatan tanaman.
References
[1] BPOM, “Siaran Pers | Badan Pengawas Obat dan Makanan.” Accessed: Aug. 20, 2025. [Online]. Available: https://www.pom.go.id/siaran-pers/potensi-obat-herbal-indonesia
[2] Alfitriana Riska, Purnawansyah, H. Darwis, and W. Astuti, “Studi Perbandingan Kombinasi GMI, HSV, KNN, dan CNN pada Klasifikasi Daun Herbal,” Indones. J. Comput. Sci., vol. 12, no. 3, pp. 1201–1215, 2023, doi: https://doi.org/10.33022/ijcs.v12i3.3210.
[3] Y. A. Suwitono and F. J. Kaunang, “Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras,” J. Komtika (Komputasi dan Inform., vol. 6, no. 2, pp. 109–121, 2022, doi: https://doi.org/10.31603/komtika.v6i2.8054.
[4] R. Pujiati and N. Rochmawati, “Identifikasi Citra Daun Tanaman Herbal Menggunakan Metode Convolutional Neural Network ( CNN ),” JINACS (Journal Informatics Comput. Sci., vol. 03, pp. 351–357, 2022, doi: https://doi.org/10.26740/jinacs.v3n03.p351-357.
[5] W. Dwiatmoko, “Perancangan sistem pengenalan jenis tanaman obat dengan kamera berbasis android,” 2020, [Online]. Available: http://eprints.ums.ac.id/id/eprint/82661
[6] A. Herdiansah, R. I. Borman, D. Nurnaningsih, A. A. J. Sinlae, and R. R. Al Hakim, “Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 2, p. 388, 2022, doi: https://doi.org/10.30865/jurikom.v9i2.4066.
[7] S. J. Manek, “KLASIFIKASI TANAMAN BERACUN BERDASARKAN CITRA DAUN DENGAN METODE BACKPROPAGATION,” 2021, Accessed: Aug. 20, 2025. [Online]. Available: https://eprints.mercubuana-yogya.ac.id/id/eprint/14970
[8] Dr. Kevin Adrian, “Waspadai Bahaya Tanaman Beracun - Alodokter.” Accessed: Aug. 20, 2025. [Online]. Available: https://www.alodokter.com/reaksi-alergi-akibat-tanaman-beracun-ini-cara-mengatasinya
[9] M. F. Nazuli, M. Fachrurrozi, M. Q. Rizqie, and M. Ikhsan, “Image Classification of Poisonous Plants Using the MobileNetV2 Convolutional Neural Network Model Method,” Matrik J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 24, no. 2, pp. 371–380, 2025, doi: https://doi.org/10.30812/matrik.v24i2.4284.
[10] M. J. Habibie, “Mengidentifikasi Tanaman Beracun pada Pola Daun dengan Jaringan Syaraf Tiruan Learning Vector Quantification,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 3, no. 1, p. 7, 2019, doi: https://doi.org/10.35870/jtik.v3i1.47.
[11] A. D. Nurcahyati, R. M. Akbar, and S. Zahara, “Klasifikasi Citra Penyakit pada Daun Jagung Menggunakan Deep learning dengan Metode Convolution Neural Network (CNN),” SUBMIT J. Ilm. Teknol. Infomasi dan Sains, vol. 2, no. 2, pp. 43–51, 2022, doi: https://doi.org/10.36815/submit.v2i2.1877.
[12] A. P. P Prasetyo, M. Irfansyah, K. Exaudi, and T. Wanda Septian, “Sistem Pemilah Sampah Organik Berbasis Raspberry Pi Menggunakan Klasifikasi CNN,” J. Sisfotenika, vol. 13, no. 1, pp. 76–90, 2023, doi: https://doi.org/10.30700/jst.v13i1.1340.
[13] E. Oktayessofa, C. A. Sari, E. H. Rachmawanto, and N. M. Yaacob, “CLASSIFICATION OF ORGANIC AND NON-ORGANIC WASTE WITH CNN-MOBILENET-V2,” J. Tek. Inform., vol. 5, no. 4, pp. 1173–1180, 2024, doi: https://doi.org/10.52436/1.jutif.2024.5.4.2165.
[14] M. Muttaqin et al., “CNN Classification of Malaria Parasites in Digital Microscope Images Using Python on Raspberry Pi,” Bul. Ilm. Sarj. Tek. Elektro, vol. 5, no. 1, pp. 108–120, 2023, doi: https://doi.org/10.12928/biste.v5i1.7522.
[15] N. Fajria, J. T. Elektro, P. N. Padang, C. Author, and J. Beracun, “Deteksi Jamur Beracun dan Tidak Beracun Menggunakan CNN dan YOLO,” Elektron J. Ilm., vol. 16, pp. 14–21, 2024, doi: https://doi.org/ 10.30630/ eji.0.0.453.
[16] M. E. Purba, A. Z. Situmorang, G. L. Br Ginting, M. W. P. Lubis, and F. M. Sinaga, “Klasifikasi Sampah Organik dan Anorganik Menggunakan Algoritma CNN,” J. Sifo Mikroskil, vol. 26, no. 1, pp. 37–54, 2025, doi: https://doi.org/10.55601/jsm.v26i1.1510.
[17] A. Wulandari, R. Regasari, M. Putri, and A. S. Budi, “Implementasi Algoritma Xception pada Sistem Deteksi Katarak Menggunakan Raspberry Pi Berbasis Citra Mata,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 4, pp. 1–8, 2025, [Online]. Available: http://j-ptiik.ub.ac.id
[18] Muslihati, S. Sahibu, and I. Taufik, “Implementation of the Convolutional Neural Network Algorithm for Classifying Types of Organic and Non-Organic Waste,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. July, pp. 840–852, 2024, doi: https://doi.org/10.57152/malcom.v7i2.1346.
[19] M. Rahman, Asriyanik, and A. Pambudi, “Identifikasi Citra Daun Selada Dalam Menentukan Kualitas Tanaman Menggunakan Algoritma Convolutional Neural Network (CNN),” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 3, pp. 2830–7062, 2023, [Online]. Available: http://dx.doi.org/10.23960/jitet.v11i3 s1.3438
[20] Haryono, K. Anam, and A. Saleh, “Autentikasi Daun Herbal Menggunakan Convolutional Neural Network dan Raspberry Pi,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 3, pp. 278–286, 2020, doi: https://doi.org/10.22146/.v9i3.302.
[21] S. Adiningsi and R. A. Saputra, “Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) Dengan Model VGG16,” J. Inform. Polinema, vol. 9, no. 4, pp. 451–460, 2023, doi: https://doi.org/10.33795/jip.v9i4.1420.
[22] D. Hananta Firdaus, B. Imran, L. Darmawan Bakti, and E. Suryadi, “Klasifikasi Penyakit Katarak Berdasarkan Citra Menggunakan Metode Convolutional Neural Network (Cnn) Berbasis Web,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 1, no. 3, pp. 18–26, 2022, doi: https://doi.org/10.69916/jkbti.v1i3.6.
[23] N. Kasim, M. B. Fadilah, W. Al Hidayat, and R. A. Saputra, “Klasifikasi Jenis Tanaman Herbal Berdasarkan Citra Menggunakan Metode Convolution Neural Network ( CNN ),” J. TEKNO KOMPAK, vol. 19, no. 1, pp. 64–78, 2025, doi: https://doi.org/10.33365/jtk.v19i1.4536.
[24] M. Sholihin, M. F. Fudzee, and L. Anifah, “A Novel CNN-Based Approach for Classification of Tomato Plant Diseases,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 24, no. 3, pp. 163–176, 2025, doi: https://doi.org/10.30812/matrik.v24i3.4464.
