Abstract :
Seiring dengan berkembangnya tren ?Back to Nature?, masyarakat mulai beralih
dari pengobatan kimia ke pengobatan herbal atau pengobatan tradisional yang
berasal dari alam. Salah satu bentuk dari obat tradisional yaitu simplisia daun
tanaman obat. Kebenaran serbuk simplisia kering tanaman obat salah satunya dapat
ditentukan melalui uji mikroskopis dengan melihat fragmen-fragmen pengenalnya,
namun hal tersebut masih sulit ditentukan oleh manusia karena kurangnya
informasi yang memuat acuan baku. Dataset dari citra mikroskopis fragmen
simplisia daun tanaman obat pun masih terbatas. Selain itu, pencocokan manual
hasil uji mikroskopis dengan buku referensi standar membutuhkan waktu yang
cukup lama dan memungkinkan terjadinya kesalahan manusia, sehingga perlu
diterapkan kecerdasan buatan yang dapat membantu peneliti dalam memprediksi
dengan cepat dan akurat jenis tanaman obat beserta bagian fragmennya berdasarkan
citra mikroskopis. Kinerja pembelajaran mendalam telah menunjukkan hasil yang
menjanjikan dalam bidang visi komputer dalam beberapa tahun terakhir.
Terinspirasi dari teknik pembelajaran mendalam yang canggih, karya yang
diusulkan menyajikan model pembelajaran mendalam untuk mengidentifikasi dan
mengklasifikasikan gambar fragmen mikroskopis tanaman obat simplisia beserta
bagian fragmennya yang telah ditingkatkan dengan menggunakan teknik
augmentasi data, arsitektur EfficientNetB0 yang telah dilakukan penambahan
lapisan baru, serta penggunaan fungsi ReduceLROnPlateau dalam proses
pelatihannya, yang disebut sebagai "SimpliScopeX". Model SimpliScopeX juga
dapat mengekstrak fitur cita mikroskopis fragmen simplisia daun tanaman obat
secara otomatis. Hasil percobaan dengan menggunakan dataset baru menunjukkan
bahwa model usulan kami dapat menghasilkan nilai akurasi tertinggi sebesar
80,25% terhadap data uji untuk masalah citra mikroskopis simplisia daun obat.
Kata Kunci ? Klasifikasi Citra, Pembelajaran Mendalam, Simplisia Daun,
Tanaman Obat