PENERAPAN KNN DALAM KLASIFIKASI DAUN HERBAL DENGAN CIRI TULANG MENYIRIP MENGGUNAKAN DEEP FEATURES

Wardhani, Lintang Sari Putri (2025) PENERAPAN KNN DALAM KLASIFIKASI DAUN HERBAL DENGAN CIRI TULANG MENYIRIP MENGGUNAKAN DEEP FEATURES. Undergraduate thesis, UPN Veteran Jawa Timur.

	Text (Cover) 21081010247. -cover.pdf Download (1MB)
	Text (Bab 1) 21081010247. -bab1.pdf Download (264kB)
	Text (Bab 2) 21081010247. -bab2.pdf Restricted to Repository staff only until 19 June 2027. Download (1MB)
	Text (Bab 3) 21081010247. -bab3.pdf Restricted to Repository staff only until 19 June 2027. Download (646kB)
	Text (Bab 4) 21081010247. -bab4.pdf Restricted to Repository staff only until 19 June 2027. Download (1MB)
	Text (Bab 5) 21081010247. -bab5.pdf Download (532kB)
	Text (Daftar Pustaka) 21081010247. -daftar pustaka.pdf Download (209kB)
	Text (Lampiran) 21081010247. -lampiran.pdf Restricted to Repository staff only until 19 June 2027. Download (531kB)

Abstract

Indonesia memiliki keanekaragaman hayati yang tinggi, termasuk berbagai jenis tanaman obat keluarga yang berperan penting dalam pengobatan tradisional. Namun, identifikasi jenis daun tanaman obat seringkali sulit dilakukan secara manual karena kemiripan bentuk daun, sehingga diperlukan metode klasifikasi yang akurat dan efisien. Penelitian ini mengusulkan metode klasifikasi daun herbal dengan ciri tulang menyirip menggunakan pendekatan deep learning dan machine learning. Model yang diusulkan merupakan kombinasi ekstraksi fitur menggunakan arsitektur CNN ResNet-50 dan klasifikasi menggunakan algoritma KNN. Model CNN-KNN ini dirancang untuk menangkap ciri visual yang kompleks dari citra daun dam mengelompokkan jenis daun secara efektif. Dataset yang digunakan terdiri dari 600 citra daun dari enam jenis tanaman herbal, yaitu daun kunyit kuning, daun kunyit putih, daun temu hitam, daun temu kunci, daun temu putih, dan daun temulawak, masing-masing sebanyak 100 citra. Evaluasi performa menunjukkan bahwa model CNN-KNN mencapai akurasi klasifikasi sebesar 99,17%, lebih tinggi dibandingkan penggunaan ResNet-50 atau KNN tunggal. Model akhir diimplementasikan dalam platform berbasis web menggunakan Flask yang mampu menerima input gambar daun dan memberikan hasil prediksi secara real-time. Hasil penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem identifikasi tanaman obat secara digital yang praktis, akurat, dan mudah diakses untuk kebutuhan edukasi maupun penelitian lanjutan.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Sari, Anggraini Puspita	0716088605	anggraini.puspita.if@upnjatim.ac.id
Thesis advisor	Maulana, Hendra	1423128301	hendra.maulana.if@upnjatim.ac.id

Subjects:

Q Science > QA Mathematics > QA76.87 Neural computers
T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Lintang Sari Putri Wardhani

Date Deposited:

20 Jun 2025 01:23

Last Modified:

20 Jun 2025 01:23

URI:

https://repository.upnjatim.ac.id/id/eprint/38593