Article Sidebar
Main Article Content
Abstract
Peningkatan kualitas dan keamanan produk farmasi merupakan keharusan dalam industri farmasi berdasarkan pedoman CPOB (Cara Pembuatan Obat yang Baik). Cacat fisik pada obat tablet dapat mengacu pada berbagai kondisi atau perubahan pada penampilan fisik tablet yang dapat mempengaruhi kualitas dan keamanan produk. Beberapa contoh indikasi cacat fisik pada obat tablet termasuk pecah, retak, cuil, dan capping. Penelitian ini merancang model klasifikasi CNN yang menerapkan deteksi tepi menggunakan metode Canny pada tahap pra-pemrosesan untuk mempermudah model dalam mempelajari tepi dari kualitas obat. Selain itu, penerapan base model EfficientNetB0 dilakukan untuk meningkatkan kinerja model CNN. Model yang dirancang dengan penambahan deteksi Canny dan EfficientNetB0 berhasil mencapai akurasi training yang tinggi, yaitu 100% dan akurasi testing 96.875%. Penelitian ini diharapkan dapat mengoptimalkan pengawasan dan pemeriksaan cacat pada obat tablet secara keseluruhan dengan menggunakan sistem berbasis otomatis yang menerapkan metode CNN.
Keywords
Article Details
Copyright (c) 2024 Shafa Frilla Tama, Mat Syai'in, Adianto, Noorman Rinanto, Dimas Pristovani Riananda
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
- BPOM, “Peringati Hari Lingkungan Hidup Sedunia: BPOM Dukung Produksi dan Konsumsi Obat dan Makanan Berkelanjutan,” 17 Juli, 2023. https://www.pom.go.id/siaran-pers/Peringati-Hari-Lingkungan-Hidup-Sedunia:-BPOM-Dukung-Produksi-dan-Konsumsi-Obat-dan-Makanan-Berkelanjutan.
- KEMKES, “Daftar Industri Farmasi Seluruh Indonesia sampai dengan bulan Mei 2017,” 1 Maret, 2021. https://farmalkes.kemkes.go.id/unduh/daftar-industri-farmasi-seluruh-indonesia-sampai-dengan-bulan-mei-2017/ (accessed Nov. 11, 2023).
- H. J. Kwon, H. G. Kim, and S. H. Lee, “Pill detection model for medicine inspection based on deep learning,” Chemosensors, vol. 10, no. 1, 2022, doi: 10.3390/chemosensors10010004.
- A. Prasetyo, E. M. Yuniarto, P. Suprobo, and A. Tambusay, “Application of Edge Detection Technique for Concrete Surface Crack Detection,” 2022 Int. Semin. Intell. Technol. Its Appl. Adv. Innov. Electr. Syst. Humanit. ISITIA 2022 - Proceeding, pp. 209–213, 2022, doi: 10.1109/ISITIA56226.2022.9855280.
- A. Sasikumar, M. Sathyanarayanan, A. N. Sriayapppan, R. Santhosh, and R. Reshma, “A CNN-based Canny Edge Detection Approach for Car Scratch Detection,” 6th Int. Conf. Inven. Comput. Technol. ICICT 2023 - Proc., no. Icict, pp. 404–409, 2023, doi: 10.1109/ICICT57646.2023.10134444.
- S. Si et al., COMPUTER VISION DAN PENGOLAHAN CITRA DIGITAL. Surabaya, Jawa Timur: PUSTAKA AKSARA, 2022, 2022.
- L. Utari and A. Zulfikar, “Penerapan Convolutional Neural Networks Menggunakan Edge Detection Untuk Identifikasi Motif Jenis Batik,” vol. 13, no. 1, pp. 110–123, 2023, doi: 10.36350/jbs.v13i1.184.
- K. Panggalih, W. Kurniawan, and W. Gata, “Implementasi Perbandingan Deteksi Tepi Pada Citra Digital Menggunakan Metode Roberst, Sobel, Prewitt dan Canny,” Infotek J. Inform. dan Teknol., vol. 5, no. 2, pp. 337–347, 2022, doi: 10.29408/jit.v5i2.5923.
- J. Raihan and S. A. Ridita, “PhytoCare : A hybrid approach for identifying Rice , Potato and Corn diseases PhytoCare : A hybrid approach for identifying Rice , Potato and Corn diseases,” no. February, 2024.
- A. S. Ahmari, “Klasifikasi Gambar Menggunakan Ekstraksi Fitur GLCM Dan Model CNN Efficient-B4 Untuk Deteksi Penyakit Daun Teh,” Skripsi S1, pp. 1–118, 2023.
References
BPOM, “Peringati Hari Lingkungan Hidup Sedunia: BPOM Dukung Produksi dan Konsumsi Obat dan Makanan Berkelanjutan,” 17 Juli, 2023. https://www.pom.go.id/siaran-pers/Peringati-Hari-Lingkungan-Hidup-Sedunia:-BPOM-Dukung-Produksi-dan-Konsumsi-Obat-dan-Makanan-Berkelanjutan.
KEMKES, “Daftar Industri Farmasi Seluruh Indonesia sampai dengan bulan Mei 2017,” 1 Maret, 2021. https://farmalkes.kemkes.go.id/unduh/daftar-industri-farmasi-seluruh-indonesia-sampai-dengan-bulan-mei-2017/ (accessed Nov. 11, 2023).
H. J. Kwon, H. G. Kim, and S. H. Lee, “Pill detection model for medicine inspection based on deep learning,” Chemosensors, vol. 10, no. 1, 2022, doi: 10.3390/chemosensors10010004.
A. Prasetyo, E. M. Yuniarto, P. Suprobo, and A. Tambusay, “Application of Edge Detection Technique for Concrete Surface Crack Detection,” 2022 Int. Semin. Intell. Technol. Its Appl. Adv. Innov. Electr. Syst. Humanit. ISITIA 2022 - Proceeding, pp. 209–213, 2022, doi: 10.1109/ISITIA56226.2022.9855280.
A. Sasikumar, M. Sathyanarayanan, A. N. Sriayapppan, R. Santhosh, and R. Reshma, “A CNN-based Canny Edge Detection Approach for Car Scratch Detection,” 6th Int. Conf. Inven. Comput. Technol. ICICT 2023 - Proc., no. Icict, pp. 404–409, 2023, doi: 10.1109/ICICT57646.2023.10134444.
S. Si et al., COMPUTER VISION DAN PENGOLAHAN CITRA DIGITAL. Surabaya, Jawa Timur: PUSTAKA AKSARA, 2022, 2022.
L. Utari and A. Zulfikar, “Penerapan Convolutional Neural Networks Menggunakan Edge Detection Untuk Identifikasi Motif Jenis Batik,” vol. 13, no. 1, pp. 110–123, 2023, doi: 10.36350/jbs.v13i1.184.
K. Panggalih, W. Kurniawan, and W. Gata, “Implementasi Perbandingan Deteksi Tepi Pada Citra Digital Menggunakan Metode Roberst, Sobel, Prewitt dan Canny,” Infotek J. Inform. dan Teknol., vol. 5, no. 2, pp. 337–347, 2022, doi: 10.29408/jit.v5i2.5923.
J. Raihan and S. A. Ridita, “PhytoCare : A hybrid approach for identifying Rice , Potato and Corn diseases PhytoCare : A hybrid approach for identifying Rice , Potato and Corn diseases,” no. February, 2024.
A. S. Ahmari, “Klasifikasi Gambar Menggunakan Ekstraksi Fitur GLCM Dan Model CNN Efficient-B4 Untuk Deteksi Penyakit Daun Teh,” Skripsi S1, pp. 1–118, 2023.