Literature Review 1

Penulis Jurnal Shupeng Liu, Weiyang Chen, Xiangjun Dong

Judul Jurnal Automatic Classification of Chinese Herbal Based on Deep Learning
Method
Volume & Halaman Vol.1, No.1 Hal. 1-11
Jurnal
Tahun Jurnal 2018
Tanggal Ulasan 23 Desember 2022
Abstraksi Dalam masyarakat saat ini, standar hidup masyarakat menjadi lebih baik
dan lebih baik. Pada saat yang sama, banyak masalah juga muncul dalam
pola makan, yang menyebabkan peningkatan kejadian penyakit. Obat
herbal Cina telah banyak digunakan dalam pengobatan banyak penyakit.
Tapi itu adalah masalah dalam pengumpulan dan klasifikasi obat-obatan
herbal China. Ada berbagai macam tanaman jamu cina, dan ada juga
beberapa tanaman jamu cina yang terlihat sangat mirip. Seorang ahli
taksonomi pun hampir tidak bisa membedakan setiap jamu, apalagi untuk
pemula. Jadi kami merancang metode untuk secara otomatis
mengidentifikasi dan mengklasifikasikan obat-obatan herbal Tiongkok
dengan memproses gambar dan metode pembelajaran mendalam, yang
dapat sangat mengurangi beban kerja, dan meningkatkan efisiensi kerja.
Teknologi pengenalan dan identifikasi jamu Cina berdasarkan pemrosesan
gambar dan metode pembelajaran mendalam dapat secara efektif
mengatasi kekurangan pengenalan manual yang membutuhkan
pengalaman yang kaya. Saat ini, pembelajaran mendalam semakin populer,
terutama untuk klasifikasi gambar, jadi kami menggunakan GoogLeNet
untuk mengklasifikasikan 50 jenis jamu Cina berdasarkan gambarnya
dalam kondisi alami dengan latar belakang yang kompleks. Dan metode
mencapai kinerja yang baik. TOP-1 mencapai akurasi 62,8%, dan TOP-5
mencapai akurasi 89,4%.
Tujuan Jurnal Tujuan pembuatan jurnal ini adalah untuk meningkatkan nilai akurasi
klasifikasi lebih tinggi lagi untuk menghidari kesalahan atau kegagalan
dalam penggunaan dimasa depan.

Para penulis juga telah menyampaikan bahwa obat-obatan herbal

merupakan sesuatu yang sangat penting, oleh karena ini wajib di ciptakan
alat yang mampu memudahkan masyarakat dalam menemukan serta
mengidentifikasi tanaman herbal.

Jadi para penulis merancang metode untuk secara otomatis

mengidentifikasi dan mengklasifikasikan obat-obatan herbal Tiongkok
dengan memproses gambar dan metode pembelajaran mendalam, yang
dapat sangat mengurangi beban kerja, dan meningkatkan efisiensi kerja.
Teori
Pada 2016, Maolin Wang et al. menggunakan algoritma SOM untuk
mengklasifikasikan gambar jamu Cina. Walaupun hasil yang dicapai cukup
baik, namun jumlah citranya relatif sedikit, dan jenis citranya tidak banyak.

Metode Penelitian Dalam makalah ini, menggunakan GoogLeNet di Caffe, penggunaan

utama model modul Inception, model ini menggunakan kernel konvolusi 3
1*1 dan lapisan penyatuan masing-masing pada operasi lapisan depan,
kemudian operasi setelah konvolusi dari dua 1*1 hasil konvolusi, lapisan
konvolusi menggunakan 3*3 dan 5*5, sementara menggunakan konvolusi
1*1 lapisan kumpulan, yang meningkatkan lebar jaringan, mereka akhirnya
akan bersatu dan kemudian langkah selanjutnya operasi. Awal modul ini
meningkatkan kinerja dan tidak menambah jumlah perhitungan, dan
efeknya sangat bagus. Pada saat yang sama, untuk menghindari masalah
hilangnya gradien, jaringan menambahkan 2 softmax tambahan tambahan
untuk gradien maju.

Basis data: Basis data kami memiliki 50 kategori jamu Cina, berisi total
8500 gambar, kami membaginya menjadi set pelatihan dan tes, set
pelatihan 6400 gambar, dan set tes 2100 gambar, Jumlah gambar dari
masing-masing jenis berbeda, dengan hanya beberapa lusin gambar dan
lebih dari beberapa ratus. Rasio distribusi juga berbeda, ada yang dibagi
menjadi 15% dan 85%, dan ada yang dibagi menjadi 40% dan 60%, tetapi
semuanya berada dalam kisaran ini.

Konfigurasi komputer: RAM:8G, prosesor: Intel (R) Core (TM) i7-6700

CPU @ 3.40GHZ 3.40GHz, GPU: GT730

Pengaturan parameter jaringan: Batch_size TEST kami diatur ke 10 (ini

tidak akan berfungsi jika pengaturannya terlalu tinggi). Karena data kami
hanya memiliki 50 kategori gambar herbal, maka num_out dari semua
softmax diset ke 50. Test_iter diset ke 210, learning rate 0.0035,
momentum diset ke 0.9, dan weight reduction 0.0005., Stepsize diset ke
7000 (diuji untuk mendapatkan hasil terbaik), Max_iter disetel ke 35000
(percobaan menunjukkan bahwa akurasi pada dasarnya tidak berubah
setelah 5 iterasi), dan terakhir disetel ke pelatihan GPU.

Hasil Penelitian
Hasil Eksperimen: Kami mendapatkan akurasi masing-masing TOP-1 dan
TOP-5, dan Gambar. 3 menunjukkan perubahan dalam akurasi operasi
kami. TOP-1 berarti akurasi satu prediksi, dan TOP-5 berarti akurasi lima
prediksi.
 Literature Review 2

Penulis Jurnal Haryono, Khairul Anam, Azmi Saleh

Judul Jurnal A Novel Herbal Leaf Identification and Authentication Using Deep
Learning Neural Network
Volume & Halaman Vol.1, No.1 Hal. 1-11
Jurnal
Tahun Jurnal 2020
Tanggal Ulasan 25 Desember 2022
Abstraksi Tanaman herbal merupakan tanaman yang dapat digunakan sebagai
alternatif penyembuhan penyakit secara alami. Keberadaan tanaman herbal
masih belum banyak diketahui oleh masyarakat. Hal ini dikarenakan
banyaknya jenis tumbuhan obat sehingga memerlukan pengetahuan khusus
untuk mengenalinya. Diperlukan sistem pengenalan daun herbal yang
cerdas dan akurat untuk mengatasi hal tersebut. Penelitian ini bertujuan
untuk mengidentifikasi dan mengotentikasi daun herbal menggunakan
metode convolutional neural network dan Long Short-Term Memory
(CNN-LSTM). Identifikasi dilakukan terhadap sembilan jenis herbal daun
yang terbagi menjadi dua pertiga data latih dan sepertiga data uji. Hasil
proses identifikasi divalidasi dengan data lain yang tidak termasuk data
latih dan data uji, serta data daun selain sembilan jenis daun yang
teridentifikasi. Metode CNN-LSTM menunjukkan hasil yang baik dalam
proses identifikasi, dengan akurasi sebesar 94,96%.
Tujuan Jurnal Penelitian ini mengusulkan klasifikasi tanaman herbal berdasarkan
identifikasi dan autentikasi daun herbal menggunakan kombinasi
pembelajaran mendalam dari convolutional neural network (CNN) dan
Long Short-Term Memory (LSTM) sebagai pengembangan dari metode
sebelumnya. CNN-LSTM merupakan metode deep learning yang dapat
melakukan proses convolutional atau proses LSTM secara mendalam di
setiap unitnya.
Teori Studi sebelumnya sebagian besar berfokus pada identifikasi daun. Dalam
sistem identifikasi, banyak metode klasifikasi yang digunakan untuk
mengetahui jenis tanaman herbal melalui identifikasi daun dan membantu
pengguna mengidentifikasi daun herbal tanpa pengetahuan khusus tentang
botani atau tanaman herbal.

Sebuah penelitian yang mengidentifikasi berbagai jenis daun herbal telah

dilakukan dalam beberapa tahun terakhir. Penelitian yang dilakukan oleh
[9] mengidentifikasi tanaman obat untuk menentukan nilai kandungan
tanaman obat. Penelitian ini menggunakan ekstraksi ciri berdasarkan
computer vision. Eksperimen lain yang dilakukan oleh [10]
mengautentikasi tanaman herbal aralia menggunakan ITS2 Sequences dan
Multiplex-SCAR Markers. Penelitian lain juga melakukan klasifikasi daun
herbal menggunakan metode SVM [11]. Ekstraksi ciri citra dilakukan
dengan teknik Scale Invariant Feature Transform (SIFT). Fitur SIFT
digunakan untuk mengatasi transformasi affine, noise, dan perubahan
pencahayaan. Klasifikasi 5 jenis daun menggunakan Laws' mask analysis
dan SVM sebagai classifier juga dilakukan [12]. Akurasi yang diperoleh
 adalah 90,27%. Pada [13], identifikasi tanaman herbal Thailand dilakukan
dengan menggunakan metode CNN. Dalam karya ini, kerangka ekstraksi
fitur menggunakan Fast R-CNN dan VGGNet. Menurut [14], penelitian
tentang introduksi tanaman herbal Vietnam dilakukan dengan
menggunakan fitur deep convolutional. Model pembelajaran yang
digunakan berbasis VGG16 yang terdiri dari 5 blok residual dasar untuk
ekstraksi fitur citra.
Metode Penelitian Penelitian ini mengidentifikasi dan mengotentikasi daun herbal
menggunakan CNN-LSTM. Berikut tahapan penerapan metode yang
digunakan:

Data citra daun jamu terlebih dahulu dilakukan preprocessing sebelum

diolah oleh CNN dan LSTM. Preprocessing bertujuan untuk
menghilangkan noise, memperjelas fitur data citra, memperkecil ukuran
citra, dan mengubah data citra daun herbal agar dapat diproses oleh CNN
dan LSTM. Setelah data citra diolah terlebih dahulu, citra daun jamu
kemudian diolah dalam pembelajaran fitur dengan model CNN dan model
LSTM untuk mendapatkan sistem pengenalan daun jamu yang akurat.
Output yang dihasilkan berupa klasifikasi dan prediksi herbal daun.
Hasil Penelitian Pada penelitian ini diambil sembilan jenis daun herbal untuk keperluan
data dalam proses autentikasi. Data daun yang diambil antara lain Alpinia
galanga, anredera cordifolia, centella asiatica, morinda citrifolia, piper
betle, psidium guajava, syzygium polyanthum, kunyit, dan ziziphus
mauritiana. Setiap jenis daun jamu terdiri dari 450 sampel data yang
terbagi menjadi dua pertiga data latih dan sepertiga data uji. Jumlah data
yang diambil dari sembilan jenis herbal daun sebanyak 4050 data yang
terbagi menjadi 2700 data latih dan 1350 data uji. Data diolah melalui
model CNN-LSTM.

Metode CNN-LSTM yang diterapkan pada penelitian ini menunjukkan

hasil yang baik dan mampu mengidentifikasi jenis herbal daun dengan
benar. Selama pelatihan, tingkat akurasi yang dihasilkan adalah 94,45%
menggunakan model CNN dan 96,77% menggunakan model CNN-LSTM.
Tingkat akurasi yang dihasilkan saat pengujian data adalah 94,96%. Data
pengujian ini didasarkan pada dataset pengujian. Hasil ini menunjukkan
bahwa sistem identifikasi dan otentikasi daun jamu menggunakan
CNNLSTM
metode bekerja dengan baik dan benar. Oleh karena itu, metode yang
diusulkan ini dapat mengatasi permasalahan yang ada seperti
ketergantungan metode tradisional, tingkat akurasi yang masih kurang
memuaskan, dan perlunya ahli dalam identifikasi daun herbal.
 Literature Review 3

Penulis Jurnal Febri Liantoni, Hendro Nugroho

Judul Jurnal KLASIFIKASI DAUN HERBAL MENGGUNAKAN
METODE NAÏVE BAYES CLASSIFIER DAN KNEAREST
NEIGHBOR
Volume & Halaman Vol.5, No.1 Hal. 1-11
Jurnal
Tahun Jurnal 2015
Tanggal Ulasan 15 Januari 2023
Abstraksi Perkembangan ilmu tanaman telah mengalami kemajuan yang pesat,
khususnya ilmu mengenai tanaman herbal. Tanaman herbal memiliki
banyak manfaat bagi kehidupan manusia yaitu sebagai penyedian oksigen,
bahan makanan, obat-obatan, maupun bahan kosmetika. Untuk mengetahui
jenis-jenis tanaman herbal dapat dilakukan dengan proses klasifikasi.
Klasifikasi tanaman herbal dapat dilakukan dengan cara mengidentifikasi
bentuk citra daun dari tanaman tersebut. Proses klasifikasi tanaman herbal
memerlukan ekstraksi fitur dari bentuk dari tanaman tersebut. Pada
penelitian ini, fitur invariant moment dan fitur geometri digunakan untuk
ekstraksi fitur daun herbal. Fitur yang digunakan berjumlah 10 fitur. Ada
beberapa macam metode klasifikasi yang biasa digunakan. Pada penelitian
ini metode klasifikasi yang digunakan adalah metode Naïve Bayes
Classifier dan K-Nearest Neighbor (KNN). Metode Naïve Bayes Classifier
merupakan metode Bayesian Learning yang paling cepat dan sederhana.
Sedangkan metode KNN dapat melakukan klasifikasi dengan cepat
berdasarkan jarak terdekat diantara objek data.Berdasarkan hasil uji coba
yang dilakukan, penggunaan metode Naïve Bayes Classifier didapatkan
nilai akurasi sebesar 75%, sedangkan dengan menggunakan metode K-
Nearest Neighbor didapatkan nilai akurasi sebesar 70,83%. Hal ini
menunjukkan bahwa kinerja metode Naïve Bayes Classifier lebih baik
dibandingkan metode KNN.
Tujuan Jurnal Pada penelitian ini akan dilakukan klasifikasi tanman herbal berdasarkan
fitur bentuk tepi daun. Metode klasifikasi yang digunakan adalah Naïve
Bayes Classifier dan K-Nearest NeighborSebelum dilakukan tahapan
pengelompokkan, maka terlebih dahulu dilakukan tahapan praproses citra
dan ektraksi fitur citra tepi daun agar didapatkan nilai masukan yang tepat
untuk tahapan klasifikasi spesies daun berdasarkan citra daun.
Teori Beberapa penelitian yang telah dilakukan tentang pengelompokkan bentuk
tanaman, umumnya menggunakan metode jaringan saraf tiruan.. Metode
jaringan saraf tiruan banyak digunakan karena metode ini dikenal lebih
cepat secara substansial. Akan tetapi penentuan jumlah hidden layer yang
digunakan akan berpengaruh besar pada uji coba yang dihasilkan, selain
itujumlah parameter epoch yang besar mengakibatkan tingkat komputasi
yang lebih tinggi.

Sebuah penelitian yang mengidentifikasi berbagai jenis daun herbal telah

dilakukan dalam beberapa tahun terakhir. Penelitian yang dilakukan oleh
[9] mengidentifikasi tanaman obat untuk menentukan nilai kandungan
 tanaman obat. Penelitian ini menggunakan ekstraksi ciri berdasarkan
computer vision. Eksperimen lain yang dilakukan oleh [10]
mengautentikasi tanaman herbal aralia menggunakan ITS2 Sequences dan
Multiplex-SCAR Markers. Penelitian lain juga melakukan klasifikasi daun
herbal menggunakan metode SVM [11]. Ekstraksi ciri citra dilakukan
dengan teknik Scale Invariant Feature Transform (SIFT). Fitur SIFT
digunakan untuk mengatasi transformasi affine, noise, dan perubahan
pencahayaan. Klasifikasi 5 jenis daun menggunakan Laws' mask analysis
dan SVM sebagai classifier juga dilakukan [12]. Akurasi yang diperoleh
adalah 90,27%. Pada [13], identifikasi tanaman herbal Thailand dilakukan
dengan menggunakan metode CNN. Dalam karya ini, kerangka ekstraksi
fitur menggunakan Fast R-CNN dan VGGNet. Menurut [14], penelitian
tentang introduksi tanaman herbal Vietnam dilakukan dengan
menggunakan fitur deep convolutional. Model pembelajaran yang
digunakan berbasis VGG16 yang terdiri dari 5 blok residual dasar untuk
ekstraksi fitur citra.
Metode Penelitian Menggunakan metode umum sepeti data collection, preprocessing, ekstrasi
fitur, fitur geometris, fitur invariant moment, dan juga menggunakan KNN
- K-Nearest Neigtbor Classifier

Hasil Penelitian Dari hasil uji coba klasifikasi citra daun herbal didapatkan kesimpulan
yaitu pada penggunaan metode Naïve Bayes Classifier didapatkan nilai
akurasi klasifikasi sebesar 75%, sedangkan dengan menggunakan metode
K-Nearest Neighbor didapatkan nilai akurasi klasifikasi sebesar 70,83%.
Hal ini menunjukkan bahwa kinerja metode Naïve Bayes Classifier lebih
baik dibandingkan metode K-Nearest Neighbor.
 Literature Review 4

Penulis Jurnal Nghia Duong-Trung, Luyl-Da Quach

Judul Jurnal A Combination of Transfer Learning and Deep Learning for
Medicinal Plant Classification
Volume & Halaman Vol.5, No.1 Hal. 1-11
Jurnal
Tahun Jurnal 2019
Tanggal Ulasan 23 Januari 2023
Abstraksi Tanaman obat merupakan elemen penting dari sistem medis asli di
Vietnam. Sumber daya ini biasanya dianggap sebagai bagian dari
pengetahuan tradisional budaya. Salah satu prasyarat untuk setiap sistem
dan/atau aplikasi rekomendasi medis adalah identifikasi dan klasifikasi
tanaman obat yang akurat. Oleh karena itu, memanfaatkan teknologi dalam
klasifikasi otomatis herbal kuratif ini menjadi penting. Sayangnya,
membangun dan melatih model pembelajaran mesin dari nol hampir tidak
mungkin karena kurangnya infrastruktur perangkat keras dan dukungan
keuangan. Ini sangat membatasi persyaratan solusi cepat untuk menangani
permintaan. Untuk tujuan ini, makalah ini mengeksploitasi gagasan
pembelajaran transfer yang merupakan peningkatan pembelajaran dalam
tugas prediksi baru melalui transferabilitas pengetahuan dari tugas prediksi
terkait yang telah dipelajari. Dengan memanfaatkan jaringan dalam
canggih yang dilatih ulang dengan data yang kami kumpulkan, eksperimen
ekstensif kami menunjukkan bahwa kombinasi yang diusulkan bekerja
dengan sempurna dan mencapai akurasi klasifikasi 98,7% dalam waktu
pelatihan yang dapat diterima.
Tujuan Jurnal makalah ini mengeksploitasi ide pembelajaran transfer yang merupakan
peningkatan pembelajaran dalam tugas prediksi baru melalui
transferabilitas pengetahuan dari tugas prediksi terkait yang telah
dipelajari.

Namun, dalam penelitian ini, penulis tidak bertujuan untuk

memaksimalkan kinerja absolut atau membangun model lengkap dari awal,
melainkan untuk mempelajari hasil transfer dari arsitektur konvolusional
yang terkenal.
Teori Metode pembelajaran transfer cenderung sangat bergantung pada algoritme
pembelajaran mesin yang digunakan untuk mempelajari tugas prediksi, dan
seringkali hanya dapat dianggap sebagai perpanjangan dari algoritme
tersebut. Kemajuan luar biasa telah dibuat dalam klasifikasi dan
pengenalan gambar, terutama berkat ketersediaan kumpulan data
beranotasi berskala besar.

Metode Penelitian Menggunakan metode umum sepeti data collection, preprocessing, ekstrasi
fitur, fitur geometris, fitur invariant moment, dan juga menggunakan KNN
- K-Nearest Neigtbor Classifier

Dalam makalah ini, kami telah mengusulkan penggunaan arsitektur

 pembelajaran mendalam yang diadaptasi dan menyelidiki gagasan
pembelajaran transfer pada masalah klasifikasi dunia nyata. Meskipun
kategori yang diuji pada awalnya tidak termasuk dalam kumpulan data
ImageNet, kombinasi tersebut bekerja dengan baik membuktikan bahwa
arah ini layak untuk diselidiki.
Hasil Penelitian Metodologi transfer yang diusulkan telah bekerja dengan baik pada gambar
tanaman obat yang tidak terlihat. Pekerjaan membantu manusia dalam
klasifikasi dan identifikasi tanaman obat di dunia nyata dan dianggap
sebagai tugas penting dalam penelitian medis.