ALAT SORTIR OBAT TABLET BERBASIS CITRA DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)

Pengendalian kualitas merupakan aspek penting dalam proses produksi untuk memastikan produk yang dihasilkan memenuhi standar yang ditetapkan. Dalam industri farmasi, inspeksi kualitas obat tablet masih banyak dilakukan secara manual, yang rentan terhadap kesalahan manusia dan kurang efisien. Oleh karena itu, penelitian ini mengusulkan pengembangan alat pengendalian kualitas obat tablet berbasis citra menggunakan metode Convolutional Neural Network (CNN). Sistem ini dirancang untuk mendeteksi kecacatan pada obat tablet, seperti retak, dan pecah, dengan menggunakan kamera industri yang terintegrasi dengan konveyor. Algoritma CNN digunakan untuk mengklasifikasikan kondisi obat tablet berdasarkan citra yang diperoleh. Hasil penelitian diharapkan dapat meningkatkan akurasi dan efisiensi dalam proses inspeksi kualitas, mengurangi jumlah produk cacat yang sampai ke konsumen, serta mengoptimalkan otomatisasi dalam industri farmasi. Pengujian dilakukan secara menyeluruh terhadap sistem mekanik, sistem elektronika, serta performa algoritma CNN dalam mengklasifikasikan kondisi obat tablet ke dalam tiga kelas, yaitu normal, pecah, dan retak. Model CNN yang digunakan mengadopsi arsitektur MobileNetV2 dan dilatih menggunakan dataset citra obat tablet yang telah melalui proses prapemrosesan dan augmentasi data. Berdasarkan hasil training model CNN, diperoleh akurasi pelatihan sebesar 99% dengan nilai loss yang rendah, yang menunjukkan bahwa model mampu mempelajari karakteristik citra obat tablet secara optimal. Selanjutnya, pada tahap pengujian (testing), model menghasilkan akurasi sebesar 97%, yang menandakan bahwa model memiliki kemampuan generalisasi yang baik terhadap data baru. Hasil Confusion matrix juga menunjukkan tingkat kesalahan klasifikasi yang sangat kecil pada masing-masing kelas.