Klasifikasi Daun Herbal Berdasarkan Fitur Tekstur dan Bentuk Menggunakan Algoritma Random Forest

Abstrak

Penelitian ini mengembangkan sistem klasifikasi otomatis untuk daun herbal sebagai solusi terhadap keterbatasan identifikasi manual yang rentan menimbulkan kesalahan, khususnya pada daun dengan bentuk dan tekstur yang mirip. Metode yang digunakan meliputi ekstraksi fitur tekstur menggunakan Local Binary Pattern (LBP) dan fitur bentuk dengan Histogram of Oriented Gradients (HOG), kemudian diklasifikasikan menggunakan algoritma Random Forest . Dataset penelitian terdiri dari 950 citra daun herbal Indonesia yang mencakup 19 jenis, dengan masing-masing kelas diwakili oleh 50 citra. Sistem kinerja diuji pada tiga skenario pembagian data, yakni 70:30, 80:20, dan 90:10, dengan validasi menggunakan k-fold cross validation . Hasil pengujian menunjukkan bahwa fitur HOG secara konsistensi memberikan akurasi tinggi dan stabil, yaitu antara 97.37% hingga 97.89%, dengan nilai presisi , recall , dan F1-score berkisar 0.98. Sebaliknya, penggunaan LBP + Random Forest menghasilkan akurasi yang lebih rendah, yakni 85.26% hingga 89.82%. Penggabungan fitur LBP dan HOG terbukti meningkatkan performa model secara signifikan, mencapai akurasi tertinggi 98.95% pada pembagian data 90:10, dengan nilai presisi, recall, dan F1-score mencapai 0.99. Validasi silang menunjukkan stabilitas model dengan rata-rata akurasi 0,979 dan standar deviasi 0,011. Temuan ini menunjukkan bahwa fitur bentuk memiliki peran lebih dominan dibandingkan fitur tekstur dalam proses klasifikasi daun herbal. Meskipun demikian, kombinasi keduanya mampu memberikan representasi visual yang lebih lengkap dan meningkatkan ketahanan model terhadap variasi data. Sistem yang dikembangkan diharapkan dapat menjadi sarana bantu yang efektif dalam identifikasi tanaman herbal dan mendukung pengembangan layanan kesehatan tradisional berbasis teknologi.