CNN-Based Identification of Waterlogging-Tolerant Plants for Consumption Safety
DOI:
https://doi.org/10.35335/jmirte.v5i1.393Keywords:
Convolutional Neural Network, MobileNetV2, Plant Identification, Waterlogging Tolerant Plants, Consumption FeasibilityAbstract
Indonesia's tropical climate creates a high risk of flooding that produces prolonged waterlogging in many regions. Several plant species survived under such conditions and were potentially used as alternative food sources, yet not all were safe for direct consumption, while public knowledge to distinguish safe from toxic species remained limited. This study aimed to design an image-based identification system for waterlogging-tolerant plants using a Convolutional Neural Network (CNN) with the MobileNetV2 architecture to determine consumption feasibility. The model was trained through transfer learning on 1,500 images covering 15 species, split 70:15:15 for training, validation, and testing. The system integrated a Laravel web application with a FastAPI-based Machine Learning Service via REST API. Testing on 225 images yielded an accuracy of 84%, precision of 85%, recall of 84%, and an F1-score of 84%, with each result accompanied by the species' consumption status, characteristics, edible parts, and processing method.
References
Abdiel, F. K., & Yuhri, M. S. (2026). Klasifikasi 10 jenis daun tanaman herbal Indonesia menggunakan CNN dengan arsitektur MobileNetV2 berbasis WEB. Seminar Nasional Teknologi & Sains (STAINS), 5(1).
Adelia, D., Fitri, Z., & Agusniar, C. (2025). Deteksi daun herbal dan beracun menggunakan convolutional neural network untuk klasifikasi tanaman herbal dan beracun. Rabit: Jurnal Teknologi dan Sistem Informasi Univrab, 10(2), 204–216.
Alamsyah, S. F. (2019). Implementasi deep learning untuk klasifikasi tanaman TOGA berdasarkan ciri daun berbasis android. Ubiquitous: Computers and its Applications Journal, 2(2), 113–122.
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8, Article 53.
Badan Nasional Penanggulangan Bencana. (2024). Buku data bencana Indonesia tahun 2023. Pusdatinkom BNPB. https://bnpb.go.id/buku/buku-data-bencana-indonesia-tahun-2023
Bismi, W., Novianti, D., & Qomaruddin, M. (2024). Analisis perbandingan klasifikasi citra genus Panthera dengan pendekatan deep learning model MobileNet. Jurnal Informatika dan Rekayasa Perangkat Lunak, 6(1), 1–9.
Butar-Butar, R. J. H., & Marpaung, N. L. (2023). Deep learning untuk identifikasi daun tanaman obat menggunakan transfer learning MobileNetV2. Jurnal Informatika: Jurnal Pengembangan IT, 8(2).
Fahmi, A., & Wakhid, N. (2018). Karakteristik lahan rawa. Dalam Agroekologi Rawa (pp. 91–118). PT Rajagrafindo Persada.
Felix, F., Wijaya, J., Sutra, S. P., Kosasih, P. W., & Sirait, P. (2020). Implementasi convolutional neural network untuk identifikasi jenis tanaman melalui daun. Jurnal Sifo Mikroskil, 21(1), 1–10.
Hariman, A. A., Mulyana, D. I., & Yel, M. B. (2023). Klasifikasi jajanan tradisional Jawa Tengah dengan metode transfer learning dan MobileNetV2. Informasi Interaktif: Jurnal Informatika dan Teknologi Informasi, 8(1).
Ichwan, M., & Sumantri, H. (2024). Evaluasi kinerja model Inception ResNet-V2 dan Inception-V4 dalam mengklasifikasi kualitas biji kakao. MIND (Multimedia Artificial Intelligent Networking Database) Journal, 9(1), 25–41.
Loreti, E., & Perata, P. (2020). The many facets of hypoxia in plants. Plants, 9(6), 745.
Mulyana, S., Mansur AS, Warjaya, A., Muthmainnah, I., Al Idrus, S. I., & Indra, Z. (2025). Identifikasi penyakit tanaman berdasarkan citra daun berbasis web dengan pendekatan algoritma convolutional neural network. SKANIKA: Sistem Komputer dan Teknik Informatika, 8(2), 305–317.
Nasution, W. A., Niska, D. Y., Al Idrus, S. I., Indra, Z., & Taufik, I. (2025). Implementasi metode convolutional neural network (CNN) dalam klasifikasi tanaman herbal berbentuk rimpang pada sistem informasi berbasis website. JATI: Jurnal Mahasiswa Teknik Informatika, 9(5).
Ningsih, N. P., Suryadi, E., Bakti, L. D., & Imran, B. (2022). Klasifikasi penyakit early blight dan late blight pada tanaman tomat berdasarkan citra daun menggunakan metode convolutional neural network berbasis website. Jurnal Kecerdasan Buatan dan Teknologi Informasi, 1(3), 27–35.
Pan, J., Sharif, R., Xu, X., & Chen, X. (2021). Mechanisms of waterlogging tolerance in plants: Research progress and prospects. Frontiers in Plant Science, 11, Article 627331.
Prabaningrum, H., Nugroho, A. S., & Kaswinarni, F. (2018). Keanekaragaman tumbuhan yang berpotensi sebagai bahan pangan di Cagar Alam Gebugan Semarang. Jurnal Biologi dan Pembelajarannya (JB&P), 5(2).
Putra, G. A., Cahyani, D., Marpaung, D. S. S., & Fil'aini, R. (2020). Fenotiping digital tanaman: Tinjauan terhadap teknologi dan algoritma pengolahan citra. Jurnal Industri Pertanian, 2(1), 130–141.
Saidi, I. A., Azara, R., Ramadhani N., S., & Yanti, E. (2022). Nutrisi dan komponen bioaktif pada sayuran daun. UMSIDA Press.
Setiyono, B., dkk. (2023). Identifikasi tanaman obat Indonesia melalui citra daun menggunakan metode convolutional neural network (CNN). Jurnal Teknologi Informasi dan Ilmu Komputer, 10(2).
Sinlae, F., Irwanda, E., Maulana, Z., & Syahputra, V. E. (2024). Penggunaan framework Laravel dalam membangun aplikasi website berbasis PHP. Jurnal Siber Multi Disiplin, 2(2), 119–132.
Sitorus, R. E. W. B., Batee, D., Hutagaol, G. H., Rachmika, M., Christian, D., & Sinaga, F. M. (2025). Klasifikasi jenis tumbuhan batang daun dan buah. Jurnal Sifo Mikroskil (JSM), 26(1), 55–70.
Jurnal Manajemen, Informatika, Rekayasa Perangkat Lunak dan Teknologi Komunikasi is licensed under a 