KLASIFIKASI DAUN HERBAL BERTULANG MENYIRIP MENGGUNAKAN K-NEAREST NEIGHBOR

Abstract

Indonesia memiliki kekayaan keanekaragaman hayati, termasuk berbagai jenis tanaman herbal yang dimanfaatkan untuk pengobatan tradisional. Salah satu bagian tanaman yang sering dimanfaatkan ada-lah daun, karena kandungan senyawa bioaktifnya dan kemudahan da-lam pengolahan. Namun, proses identifikasi daun herbal sering men-galami kendala karena kemiripan bentuk antar jenis daun. Untuk mengatasi tantangan tersebut, penelitian ini mengembangkan sistem klasifikasi daun herbal bertulang menyirip menggunakan algoritma K-NN yang dikombinasikan dengan ekstraksi fitur berbasis deep learning menggunakan arsitektur ResNet-50. Penelitian dilakukan dengan mengumpulkan 600 citra daun dari empat jenis tanaman herbal. Citra mengalami tahapan praproses, ekstraksi fitur menggunakan ResNet-50, vektor fitur yang dihasilkan diklasifikasikan menggunakan K-NN dengan berbagai parameter. Evaluasi dilakukan menggunakan confu-sion matrix, akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa skenario terbaik diperoleh pada kombinasi metrik Euclidean dengan nilai k = 5, pembobotan uniform, dan proporsi data latih-uji 70:30, menghasilkan akurasi sebesar 98,61%. Temuan ini menunjuk-kan bahwa kombinasi metode K-NN dan ekstraksi fitur ResNet-50 dapat mengklasifikasi daun herbal dengan akurasi tinggi, serta mem-iliki potensi untuk diterapkan secara luas dalam sistem identifikasi tanaman berbasis citra digital.