JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710

Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

IMPLEMENTASI DEEP LEARNING UNTUK DETEKSI JENIS OBAT

MENGGUNAKAN ALGORITMA CNN BERBASIS WEBSITE

Rendra Soekarta1), Muhammad Yusuf2), Muh. Fadli Hasa3) Nurul Annisa Basri4)
1,2,3,4 Program Studi Teknik Informatika, Universitas Muhammadiyah Sorong, Jl. Pendidikan, No. 27, Kelurahan Klabulu,
Distrik Malaimsimsa, Kota Sorong, Prov. Papua Barat Daya.
Co Responden Email: [email protected]

Abstract
Article history Medicine refers to substances or mixtures of materials, including biological
Received 29 Sep 2023 products, used to influence or investigate physiological systems with the aim of
Revised 06 Nov 2023
Accepted 09 Nov 2023 diagnosing, preventing, curing, restoring, and improving health. There are several
Available online 22 Nov 2023 issues related to the increasing prevalence of brands and types of drugs on the
market, where each brand may have the same or different active ingredients and
Keywords indications. In the rapidly evolving pharmaceutical environment, the need for
Classification,
Medication, automation in drug management is crucial. This is due to various factors,
Deep Learning, including the increasing volume of drugs, the complexity of pharmaceutical
Convolutional Neural Network, products, and the goal of improving efficiency and accuracy in inventory
Website management. Deep learning plays a key role in meeting these needs. In this study,
a system was created with the aim of automatically classifying types of drugs. Deep
Learning is a machine learning area that uses artificial neural networks to solve
problems with large datasets. The algorithm used in the deep learning system is
the Convolutional Neural Network (CNN). The process of classifying the types of
drug dosage forms, such as tablets and capsules, involves data collection, data
preprocessing, splitting the data into 70% training data and 30% test data. The
system achieved the highest accuracy level of 99% and validation accuracy of 99%,
as well as obtaining the highest model accuracy results using the F1-Score with a
score of 100%. This explains that the Convolutional Neural Network (CNN)
algorithm is influenced by a large amount of training data, and the larger the data
used, the higher the accuracy achieved.

Abstrak
Obat merujuk pada substansi atau campuran bahan termasuk produk biologi yang
Riwayat
Diterima 29 Sep 2023 digunakan untuk mempengaruhi atau menyelediki sistem fisiologi dengan tujuan
Revisi 06 Nov 2023 mendiagnosis, mencegah, menyembuhkan, memulihkan, meningkatkan kesehatan.
Disetujui 09 Nov 2023 Terdapat beberapa permasalahan terkait semakin maraknya merk dan jenis obat
Terbit online 22 Nov 2023
yang beredar tersebut, dimana tiap merk memiliki bahan dasar dan indikasi yang
Kata Kunci sama ataupun berbeda. Dalam lingkungan farmasi yang berkembang pesat,
Klasifikasi, kebutuhan untuk automatisasi dalam pengelolaan obat sangat penting. Ini
Obat, disebabkan oleh berbagai faktor, termasuk meningkatnya volume obat,
Deep Learning,
kompleksitas produk farmasi, serta tujuan untuk meningkatkan efisiensi dan akurasi
Convulutional Neural Network,
Website dalam manajemen stok obat. Deep learning memainkan peran kunci dalam
memenuhi kebutuhan tersebut, pada penelitian ini dibuat sistem dengan tujuan untuk
mengklasifikasi jenis obat secara otomatis. Deep Learning merupakan area
pembelajaran mesin yang menggunakan jaringan syaraf tiruan untuk menyelesaikan
masalah dengan kumpulan data besar. Algoritma yang digunakan dalam sistem deep
learning yaitu Convulutional Neural Network (CNN). Proses klasifikasi jenis bentuk
sediaan obat tablet dan kapsul dengan tahap pengumpulan data, preprocessing data
membagi data dengan jumlah data train 70% dan data test 30% mendapatkan hasil
tingkat accuracy tertinggi yaitu 99% dan val accuracy 99%, serta memperoleh hasil
akurasi model dengan menggunakan model f1- Score tertinggi yaitu dengan skor
100%. Hal tersebut menjelaskan bahwa algoritma Convolutuinal Neural Network
(CNN) dipengaruhi oleh data training yang jumlahnya besar, semakin besar data
yang digunakan maka semakin tinggi juga akurasi yang didapatkan.

JIKA | 455
JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710
Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

PENDAHULUAN Algoritma Convolutional Neural Network

(CNN) memiliki keunggulan dalam
Obat adalah zat yang dapat mempengaruhi
pengolahan dan analisis data visual (gambar)
proses kehidupan dan merupakan senyawa
(Nugroho, Fenriana, & Arijanto, 2020).
yang digunakan untuk mencegah, mengobati,
Dengan fitur yang bisa mengekstraksi secara
dan mendiagnosa suatu penyakit yang dapat
otomatis dapat mengidentifikasi fitur-fitur
menyebabkan suatu keadaan tertentu dalam
penting dari data visual tanpa memerlukan
tubuh (Prabowo, 2021). Saat ini berbagai jenis
fitur manual yang dirancang manusia.
obat dengan berbagai indikasi telah tersebar di
Algoritma menggunakan lapisan konvolusi
Indonesia. Terdapat beberapa permasalahan
untuk mendeteksi pola dan fitur yang berbeda
terkait semakin maraknya merk dan jenis obat
dari gambar, seperti tepi, sudut, tekstur, dan
yang beredar tersebut, dimana tiap merk
objek. Hal ini memungkinkan CNN untuk
memiliki bahan dasar dan indikasi yang sama
secara efisien mengekstraksi fitur-fitur penting
ataupun berbeda. Maka dari itu untuk
yang relevan dari data visual yang kompleks
membedakan tujuan penggunaan obat
(Putri, 2023).
dibedakan beberapa bentuk sediaan obat.
Terdapat beberapa penelitian dalam
Salah satu bentuk sediaan obat yaitu tablet,
melakukan klasifikasi citra dengan
kapsul, serbuk, pil, supositoria, ovula.
menggunakan metode CNN. Pada penelitian
Dalam lingkungan farmasi yang
dengan judul “Implementasi Deep Learning
berkembang pesat, kebutuhan untuk
pada Sistem Klasifikasi Hama Tanaman Padi
automatisasi dalam pengelolaan obat sangat
Menggunakan Metode Convolutional Neural
penting. Ini disebabkan oleh berbagai faktor,
Network (CNN)” (Yuliany, Aradea, & Andi
termasuk meningkatnya volume obat,
Nur Rachman, 2022) untuk mengatasi masalah
kompleksitas produk farmasi, serta tujuan
overfitting, metode ini menerapkan tiga skema
untuk meningkatkan efisiensi dan akurasi
pembagian data, yaitu data training dan data
dalam manajemen stok obat. Industri farmasi
testing serta menggunakan beberapa parameter
menghasilkan berbagai jenis obat dalam
yang membantu mengurangi masalah tersebut.
berbagai bentuk, seperti tablet, kapsul, serbuk,
Hasil akurasi tertinggi, mencapai 77,33%,
cairan, salep, dan sebagainya. Masing-masing
berhasil dicapai oleh model dengan skema
produk memiliki karakteristik fisik dan
pembagian data 90:10, sementara akurasi
kemasan yang berbeda. Oleh karena itu,
training mencapai 78,30%.
otomatisasi diperlukan untuk mengenali jenis
Berdasarkan hal tersebut maka perlu
obat secara efisien, terutama dalam
dilakukan penelitian terkait pengenalan citra
penanganan produk yang beragam.
jenis obat dengan pendekatan Deep Learning
Pada era sekarang ini, untuk dapat
menggunakan algoritma CNN yang bertujuan
mengklasifikasikan jenis obat dapat
dengan memanfaatkan kemajuan teknologi
memanfaatkan teknologi, salah satunya adalah
identifikasi citra dan transkrip suara dapat
machine learning. Machine learning banyak
memfasilitasi penyandang tuna netra agar bisa
digunakan untuk berbagai tujuan dan
membedakan bentuk obat yang beredar agar
kebutuhan, daintaranya penelitian dalam
tidak salah dalam penggunaan.
klasifikasi kelompok obat yang digunakan
dalam penanganan pasien berdasarkan kondisi
METODE PENELITIAN
tubuhnya (Nurkholis, Susanto, & Wijaya,
2021). Dalam penelitian yang berjudul Pendekatan pemecahan masalah dalam
“Komparasi Algoritma Machine Learning penelitian ini yaitu dengan pendekatan deep
Untuk Klasifikasi Kelompok Obat” (Purwono, learning dengan menggunaakan algoritma
Wirasto, & Nisa, 2021). Untuk mengatasi hal convolutional neural network (CNN). Deep
ini, penggunaan model pembelajaran berbasis learning adalah area pembelajaran mesin yang
jaringan saraf tiruan multi-layer akan menggunakan jaringan saraf tiruan untuk
memberikan hasil yang lebih baik. Oleh karena menyelesaikan masalah dengan kumpulan data
itu, teknik deep learning diperlukan disini. besar (Sutriawan, Fanani, Alzami, & Basuki,
Salah satu metode deep learning yang dapat 2023). Metode deep learning memberikan
digunakan untuk klasifikasi citra adalah arsitektur yang sangat kuat untuk Supervised
Convolutional Neural Network (CNN) Learning. Dengan menambahkan lapisan
(Handayanto & Herlawati, 2020). memungkinkan model pembelajaran untuk
JIKA | 456
JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710
Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

merepresentasikan gambar berlabel dengan

lebih baik (Hariz, Yulita, & Suryana, 2022).
Machine learning menggunakan teknik untuk
mengekstraksi fitur dari data pelatihan dan
algoritma pembelajaran yang dirancang
khusus untuk melakukan klasifikasi gambar
dan pengenalan suara. Meskipun demikian,
metode ini masih memiliki beberapa
kelemahan terkait kecepatan dan akurasi
(Alwanda, Ramadhan, & Alamsyah, 2020).
Convolutional Neural Network (CNN)
merupakan perkembangan dari Multi Layer
Perceptron (MLP) yang digunakan untuk
memproses data dua dimensi (Salawazo, Gea,
Gea, & Azmi, 2019). CNN termasuk dalam
jenis Jaringan Saraf Tiruan Mendalam (Deep
Neural Network) yang banyak digunakan
dalam analisis gambar dengan kompleksitas
tinggi dan sering diaplikasikan dalam
penelitian tentang analisis gambar (Sulistyo &
Widodo, 2022). CNN terdiri dari lapisan input, Gambar 2. Alur Penelitian
lapisan output, dan sejumlah lapisan 1. Identifikasi Masalah
tersembunyi. Pada lapisan-lapisan Langkah pertama yang harus diambil oleh
tersembunyi tersebut, terdapat lapisan peneliti setelah memilih topik penelitian
konvolusi, lapisan pooling, dan lapisan fully adalah mengidentifikasi permasalahan yang
connected (Parameswari & Prihandoko, 2022). akan diteliti. Identifikasi ini bertujuan untuk
Hasil dari konvolusi ini menghasilkan mengklarifikasi batasan permasalahan agar
transformasi linear dari data yang diinput penelitian tetap berfokus pada tujuannya.
berdasarkan informasi spasial yang Dalam konteks ini, penelitian dilakukan untuk
terkandung dalam data tersebut. Bobot pada mengklasifikasikan jenis obat, seperti kapsul
lapisan ini akan menentukan kernel konvolusi dan tablet, menggunakan algoritma
yang diaplikasikan, sehingga kernel konvolusi Convolutional Neural Network (CNN).
ini dapat diatur melalui pelatihan 2. Studi Literatur
menggunakan data input pada Convolutional Studi literatur memiliki peran penting
Neural Network (Alwanda et al., 2020). sebagai pengenalan teori dalam penelitian
yang sedang dilakukan oleh peneliti. Peneliti
menggunakan referensi dari berbagai sumber,
termasuk jurnal, skripsi, dan artikel yang
terkait dengan machine learning, klasifikasi
gambar, serta Convolutional Neural Network
(CNN). Tujuan dari studi literatur ini adalah
untuk memberikan wawasan yang mendalam
tentang analisis, teknik, dan strategi yang
relevan dalam melakukan penelitian. Dengan
demikian, diharapkan studi literatur tersebut
Gambar 1. Model Lapisan Convolutional Neural dapat memberikan kontribusi yang berarti
Network dalam pengembangan penelitian yang sedang
Dalam melakukan penelitian ini, dilakukan.
dilakukan beberapa tahapan alur penelitian 3. Pengumpulan Data
yaitu dengan identifikasi masalah, Tahapan pengumpulan data dilakukan
pengumpulan data, implementasi dengan cara mengambil foto secara langsung
convulutional neural network (CNN), di apotek. Gambar yang diambil tentunya
implementasi extreme programming, serta merupakan obat umum yang mudah
kesimpulan dan saran. Alur penelitian dapat digunakan, peneliti membatasi pengambilan
dilihat pada gambar 2 berikut ini:
JIKA | 457
JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710
Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

gambar secara besar-besaran dikarenakan peneliti melakukan pengolahan data dengan

tidak semua obat bisa di jangkau tanpa tanpa melakukan perubahan ukuran dan rotasi citra
resep dokter. Variable yang digunakan dalam sesuai dengan kebutuhan yang diinginkan.
penelitian ini dalam Tabel 1 tentang penjelasan Setelah dataset gambar jenis obat dipilih,
dan definisi operasional variabel penelitian. dataset tersebut diunggah ke Google Drive
Tabel 1 Definisi operasional variabel penelitian sebagai tempat penyimpanan yang digunakan
Definisi Operasional oleh Google Collaboratory.
Variabel
Penelitian c. Membuat Model CNN
Gambar yang hanya berisi Pada tahap ini peneliti akan membangun
Obat
obat kapsul dengan model Convulution Neural Network untuk
kapsul
backround putih.
mengklasifikasikan jenis bentuk sediaan obat
Gambar yang hanya berisi
Obat tablet obat kapsul dengan
kapsul dan tablet, kemudian akan
backround putih menggunakan arsitektur VGG-16 pada sistem
yang akan dibangun.
4. Pengembangan Model CNN d. Learning (Training)
Pada tahap ini akan merancang model Proses learning yang sering disebut
Convolutional Neural Network untuk training adalah untuk melatih model CNN
membuat implementasi deep learning dalam yang dirancang untuk memahami dan
klasifikasi jenis obat kapsul dan tablet. membedakan gambar jenis obat yang
Perancangan model CNN dilakukan diindeks menurut kelasnya. Proses
menggunakan platform google colaboratory pembelajaran dilakukan melalui beberapa
(Maulana & Rochmawati, 2020) dengan epoch. Dengan epoch diambil model CNN
langkah-langkah seperti gambar 3 berikut ini: yang memberikan nilai indeks akurasi tertinggi
dalam mengklasifikasikan citra jenis obat.
Besaran target yang digunakan dalam proses
learning ini adalah akurasi ≥ 0,999 dan loss ≤
0,05. Akurasi dalam penelitian ini merupakan
variabel yang merepresentasikan kinerja yang
digunakan untuk menilai tolak ukur
keberhasilan model CNN untuk
mengklasifikasi citra jenis obat. Proses
learning dapat dilihat pada gambar 4 berikut
ini:

Gambar 3. Flowchart CNN

Berdasarkan gambar alur model diatas

dapat dijelaskan sebagai berikut:
a. Persiapan Dataset
Dataset yang digunakan pada penelitian
ini merupakan dataset jenis obat. Dataset jenis
obat berisi citra obat kapsul dan obat tablet.
Dataset jenis obat diperoleh secara langsung
dengan cara mengambil gambar pada tempat
penelitian kemudian diupload pada google
drive . Dataset jenis obat terdiri dari 2 kelas
kapsul dan tablet yang terbagi atas data yaitu
data test dan data training.
b. Preprocessing
Tujuan dari proses preprocessing adalah
untuk mempersiapkan data mentah agar siap
untuk diolah oleh sistem. Pada tahap ini, Gambar 4. Flowchart Proses Learning

JIKA | 458
JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710
Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

e. Testing
Proses pengujian merupakan tahap
terakhir dalam keseluruhan sistem penelitian.
Tahap pengujian dimulai dengan melakukan
pengubahan ukuran citra input agar sesuai
dengan model yang diinginkan. Setelah
dilakukan pengubahan ukuran, Convolutional
Neural Network (CNN) akan melakukan
klasifikasi citra input. Hasil dari proses
klasifikasi CNN adalah klasifikasi jenis obat
dan probabilitas citra uji.
f. Saving Model
Pada fase ini, peneliti akan menyimpan
sampel yang akan digunakan dalam perangkat
lunak/website. Hasil penyimpanan model ini
akan berbentuk file dengan ekstensi h5, di
mana file.h5 adalah file data yang disimpan
dalam Format Data Hirarki (HDF) yang berisi
array multidimensi

5. Pembuatan Aplikasi Menggunakan Gambar 5. Flowchart Aplikasi

Metode Extreme Programming
Tahap implementasi metode extreme c. Coding
programming merupakan tahap pembuatan Perancangan sistem dalam sistem tersebut
aplikasi berbasis web (Nurkholis et al., 2021) dibuat dengan menggunakan metode
dengan mengimplementasikan model CNN Convolutional Neural Network (CNN) yang
yang telah selesai dibuat sebelumnya. Tahapan telah dirancang sebelumnya. Untuk membuat
dalam metode pengembangan sistem tampilan dari user interface menggunakan
Extreme Programming, yaitu: bantuan library flask Python. Untuk membuat
a. Planning script coding dalam sistem menggunakan
Tahap perencanaan dapat dimulai dengan HTML dan untuk metode pengembangannya
mendengarkan rangkaian kebutuhan dari suatu menggunakan metode Extreme Programming
sistem yang memungkinkan pengguna yang dimana metode tersebut lebih sering
memahami proses bisnis sistem dan digunakan untuk pengembangan aplikasi yang
mendapatkan pemahaman yang jelas tentang sederhana.
fitur utama, fungsionalitas, dan keluaran yang d. Testing
diinginkan. Sistem yang akan dibangun Pada tahap ini hal yang dilakukan adalah
dilengkapi dengan fitur pengambilan gambar menguji sistem yang telah dibangun. Langkah
secara langsung pada saat penginputan ini sangat penting untuk menunjang evaluasi
gambar, dan untuk hasil keluaran yang sitem, sistem yang telah dibangun harus
dihasilkan akan mengeluarkan hasil klasifikasi melewati tahap ini agar layak digunakan.
berupa transkip suara. Selain itu adapun Apabila ditemukan kesalahan maka pengujian
kebutuhan sistem merupakan penjelasan tersebut digunakan sebagai bahan evaluasi
mengenai sistem klasifikasi jenis obat agar sistem untuk memperbaiki kesalahan pada
proses pelaksanaannya lebih mudah dilakukan sistem. Metode yang digunakan dalam
b. Design pengujian sistem adalah Black Box Testing
Pada tahap design ini divisualisasikan dengan menggunakan teknik Boundary Value
flowchart yang tujuannya adalah untuk Analysis yang berfokus pada pencarian error
memperjelas gambaran alur kerja aplikasi dari luar atau dari sisi dalam perangkat lunak.
yang dibuat, dapat dilihat pada gambar 5. Berikut merupakan langkah-langkah
sebagai berikut: pengujian sistem menggunakan Black Box
Testing.

JIKA | 459
JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710
Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

HASIL DAN PEMBAHASAN

3. Flamar_50_Tablet
1. Hasil Pengumpulan Data
Pada penelitian yang dilakukan, peneliti
menggunakan dataset yang terdiri dari jenis 4. Folavit_Tablet
bentuk sediaan obat kapsul dan tablet terbagi
atas 11 kelas yaitu Clindamycin HCL, Diapet, 5. Laxing_Kapsul
Flamar 50, Folavit, Laxing, Omeprazole,
Ranitidine, Sangobion, Promag, Paracetamol,
Undifined. Dataset tersebut telah dikumpulkan 6. Omeprazole_Kapsul
pada saat peneliti melakukan observasi.
Tabel 2. Jumlah Dataset 7. Ranitidine_Kapsul
Data
No. Label
Train Test
8. Sangobion_Kapsul
Clindamycin_HCL_
1. 35 15
Kapsul
2. Diapet_Kapsul 28 22 9. Promag_Tablet
3. Flamar_50_Tablet 41 9
4. Folavit_Tablet 35 15
10. Paracetamol_Tablet
5. Laxing_Kapsul 38 12
6. Omeprazole_Kapsul 39 11
Setelah mempersiapkan dataset yang
7. Ranitidine_Tablet 38 12
telah diupload ke google drive, selanjutnya
8. Sangobion_Kapsul 27 23
data akan dibagi menjadi 11 kelas. Hal tersebut
9. Promag_Tablet 43 7
10. Paracetamol_Tablet 35 15 dilakukan pemrosesan data sebelum
11. Undifined 31 19 menggunakannya untuk melatih model.
Terdapat data baru yang terdiri dari fitur
Berdasarkan tabel diatas, diketahui bahwa (‘feature’) dan label (‘label’) dengan
dataset terdiri dari 10 kelas dan dibagi atas 2 melakukan iterasi data tersebut. Selanjutnya
folder yaitu train dan test. Pada folder data ‘num_classes’ diatur sebagai 12 yang
train yang terdiri dari 11 kelas berjumlah 385 menunjukkan jumlah kelas yang ingin
dataset. Pada folder data test mempunyai 11 diprediksi.
kelas dengan jumlah dataset sejumlah 165 b. Preprocessing Data
dataset. Total keseluruhan dataset yang Pada tahap ini merupakan tahap untuk
digunakan dalam penelitian yang akan mengatur pembagian data yang akan disebar
dilakukan berjumlah 550 dataset. pada model yang digunakan yaitu
Convulutuional Neural Network. Untuk
2. Implementasi Model CNN melakukan augmentasi data gambar dalam
a. Persiapan Dataset proses train model menggunakan Keras di
Dataset yang digunakan dalam penelitian google collab. Pada sistem ini peneliti
yang akan dilakukan terdiri dari 550 dataset dapat menentukan ukuran ‘batch_size’ yang
yang kemudian dibagi menjadi 11 kelas yang digunakan saat melatih model. Pada setiap
terdiri atas 2 bentuk sediaan obat yaitu kapsul iterasi pelatihan, model akan menerima 150
dan tablet. Dataset kemudian diupload pada contoh data sekaligus untuk diolah. Dalam
google drive yang berfungsi sebagai media setiap batch, model akan menghitung loss
penyimpanan data pada google collaboratory. (kesalahan) berdasarkan prediksi yang
Berikut contoh dataset yang akan digunakan dihasilkan dan memperbarui parameter model
pada penelitian ini: (misalnya, bobot). Peneliti menggunakan
Tabel 3. Visualiasi Dataset ukuran batch yang kecil untuk memberikan
No. Label Dataset perkiraan gradien yang lebih akurat pada
setiap langkah.
Clindamycin_HCL_ c. Split Data
1.
Kapsul
Pada tahap ini merupakan tahap dimana
sistem akan membagi dataset menjadi training
2. Diapet_Kapsul set dan data testing set secara acak. ukuran
pengujian ‘test_size= 0,3’ akan dibagi menjadi
JIKA | 460
JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710
Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

70% training set dan 30% testing set. Hasil dari hal ini, dapat mencoba beberapa nilai epoch
kode diatas akan mencetak bentuk (shape) dari yang berbeda untuk melihat performa model
data train dan testing, memberikan informasi berkembang agar memberikan hasil yang baik
tentang jumlah data yang ada pada masing- tanpa overfitting. Nilai accuracy tertinggi
masing folder. Dengan begitu dapat diketahui terdapat pada epoch ke-11 dengan nilai 99%
bahwa folder train berjumlah 350 dataset, dan nilai val_accuracy tertinggi terdapat pada
sedangkan untuk folder testing terdiri dari 150 epoch ke-9 dengan nilai 99%. Berikut adalah
dataset dengan ketentuan pembagian kelas hasil grafik plot dari training yang telah
sebanyak 10 kelas. dilakukan:
d. Pembuatan Model CNN
Pada tahap pembuatan model ini, peneliti
menggunakan arsitektur VGG-16. Peneliti
menggunakan arsitektur ini karena VGG-16
adalah model CNN yang memanfaatkan
convolution layer yang kecil sehingga
memungkinkan hasilnya akan lebih akurat
daripada model CNN yang lain. Berikut kode
yang digunakan:

Gambar 7. Grafik Akurasi Training dan

Validasi
Gambar diatas menunjukkan grafik
akurasi pelatihan yang mendekati nilai 1
Gambar 6. Visualisasi Model CNN
seiring dengan peningkatan epoch, baik pada
Pada gambar diatas menjelaskan kode
dataset training maupun pada dataset
dalam membuat dan mengompilasi model
validation. Sehingga, didapatkan hasil pada
menggunakan VGG-16 yang sudah dilatih
epoch ke-11 dengan nilai akurasi pelatihan dan
sebelumnya dengan menggunakan dataset
validasi masing-masing adalah 0,9943 dan
ImageNet. Parameter ‘input_shape’
0,9867. Grafik garis berwarna biru merupakan
menentukan dimensi input yang diharapkan
accuracy data training, sedangkan untuk garis
untuk model, dalam sistem parameter
berwarna merah merupakan accuracy data
‘weights’ diatur sebagai “imagenet” untuk
validation. Berdasarkan gambar grafik diatas
menggunakan bobot yang sudah dilatih
dapat diketahui bahwa grafik tersebut
sebelumnya. Selanjutnya kodingan diatur
merupakan grafik goodfit untuk akurasi
untuk menonaktifkan freeze semua lapisan di
training dan validation.
dalam model VGG-16 dengan melakukan
iterasi pada setiap lapisan. Lapisan ‘dense’
ditambahkan dengan jumlah unit sesuai jumlah
kategori (kelas) yang ingin di prediksi,
kemudian fungsi aktivasi ‘softmax’ digunakan
untuk menghasilkan probabilitas prediksi
untuk setiap kategori.
e. Training
Setelah melakukan pembuatan model,
selanjutnya peneliti akan melakukan training
yang berfungsi untuk melakukan prediksi
kepada model. Setelah prediksi dibuat, loss
(kesalahan) antara prediksi model dan label Gambar 8. Grafik Loss Training dan
akan dihitung. jumlah epoch yang peneliti Validation
gunakan adalah 50 epoch. Jumlah epoch f. Testing
merujuk pada jumalh kali seluruh dataset Pada tahap ini dilakukan pengujian untuk
pelatihan. Biasanya, dalam pelatihan deep menguji tingkat akurasi arsitektur VGG-16
learning, jumlah epoch ditentukan sebelumnya dan menguji label prediksi pada sistem yang
berdasarkan eksperimen dan validasi. Dalam telah dibuat.
JIKA | 461
JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710
Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

menu untuk melakukan klasifikasi dengan fitur

Mulai Classify. Fitur ini langsung mengarah ke
halaman selanjutnya untuk melakukan
klasifikasi jenis obat.

Gambar 9. Akurasi Model Confusion Matrix

g. Saving Model
Tahap terakhir dalam pengembangan
model CNN adalah saving model. Tahap ini
dilakukan untuk menyimpan model yang telah
dibuat. Berikut merupakan kode yang
digunakan untuk menyimpan model: Gambar 12. Tampilan Deteksi

Pada menu ini terdiri atas dua button yang

Gambar 10. Saving Model diantaranya adalah icon kamera yang
Berdasarkan gambar diatas, model yang berfungsi untuk mengambil gambar secara
telah dilatih akan disimpan file dengan format langsung atau menupload gambar dari galeri
h5. Dalam kasus ini, model disimpan dengan serta memilih file yang ada di penyimpanan
nama file “yuyumodel.h5” yang mencakup device yang digunakan. Pada saat user
arsitektur model, bobot, dan konfigurasi memasukkan gambar obat maka selanjutnya
lainnya yang telah ditentukan selama proses yang dilakukan adalah menekan button
pelatihan. “classify” untuk mendeteksi gambar yang
sudah masukkan.
3. Pembuatan Aplikasi
a. Hasil Implementasi Interface

Gambar 13. Tampilan Result

Pada gambar diatas merupakan tampilan

Gambar 11. Tampilan Home akhir yang berisi tentang hasil yang berisi
tentang nama obat, deskripsi, dan fungsi obat
Pada gambar diatas berisi tampilan yang sudah dideteksi oleh sistem. Hasil
halaman utama yang langsung menampilkan keluaran dari sistem juga berupa transkrip

JIKA | 462
JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710
Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

suara yang akan bunyi pada saat sistem Convulutional Neural Network (CNN), maka
melakukan klasifikasi. diperoleh beberapa kesimpulan yaitu, sistem
mampu diimplementasikan pada klasifikasi
PENGUJIAN SISTEM bentuk jenis obat kapsul dan tablet yang terdiri
Pada tahap ini merupakan pengujian yang dari 10 jenis obat yaitu Clindamycin HCL,
berfungsi untuk memastikan semua fitur pada Diapet, Folavit, Flamar 50, Laxing,
sistem yang telah dibuat apakah semua fitur Omeprazole, Ranitidine, Sangobion, Promag,
sudah berjalan dengan baik. Berikut tabel dan Paracetamol dengan menggunakan
pengujian sistem yang telah dilakukan. algoritma Convulutional Neural Network
(CNN) ke dalam sistem berbasis website.
Tabel 4. Pengujian Sistem Berdasarkan hasil blackbox testing yang telah
Uji Kasus Skenario uji Hasil Kesimpulan dilakukan menunjukkan bahwa sistem
coba yang berhasil. Training epoch yang dilakukan
diharapkan sebanyak 50 kali dengan menggunakan 550
Training Training Sukses ≥ 80 Sesuai citra yang terbagi atas 11 kelas jenis obat
model dengan pembagian data 30:70 mendapatkan
menggunakan hasil tingkat accuracy tertinggi yaitu 99% dan
Convolutional %
val accuracy 99%. Dan memperoleh hasil
Neural akurasi model dengan menggunakan model f1-
Network Score tertinggi yaitu dengan skor 100%. Hal
(CNN)
ini menjelaskan bahwa algoritma
Membuka Membuka dan Aplikasi Sesuai
aplikasi menjalankan dapat
Conculutuinal Neural Network (CNN)
aplikasi dibuka dipengaruhi oleh data training yang jumlahnya
klasifikasi dengan besar, semakin besar data yang digunakan
jenis obat lancar maka semakin tinggi juga akurasi yang
Klasifikasi MengklasifikaAplikasi Sesuai didapatkan.
jenis obat sikan jenis menghasilk
obat an output REFERENSI
berupa hasil
klasifikasi Alwanda, M. R., Ramadhan, R. P. K., &
jenis obat Alamsyah, D. (2020). Implementasi
Tombol Memilih , Menampilk Sesuai Metode Convolutional Neural Network
Upload memproses an hasil Menggunakan Arsitektur LeNet-5 untuk
dan dan klasifikasi Pengenalan Doodle. Jurnal Algoritme,
klasifikasi menampilkan jenis obat 1(1), 45–56.
hasil https://doi.org/10.35957/algoritme.v1i1.
klasifikasi 434
jenis obat
Transkrip Mengeluarkan Sistem Sesuai Handayanto, R. T., & Herlawati, H. (2020).
suara suara sesuai mampu Machine Learning Berbasis Desktop dan
dengan mengeluark Web dengan Metode Jaringan Syaraf
gambar jenis an suara Tiruan Untuk Sistem Pendukung
obat yang sesuai Keputusan. Jurnal Komtika (Komputasi
dimasukkan gambar
Dan Informatika), 4(1), 15–26.
Tombol Tidak Sistem Sesuai
“Classify” mengupload mengeluark
https://doi.org/10.31603/komtika.v4i1.3
gambar pada an pesan 698
aplikasi “Error – Hariz, F. A., Yulita, I. N., & Suryana, I. (2022).
Image Not Human Activity Recognition
Uploaded”
Berdasarkan Tangkapan Webcam
Menggunakan Metode Convolutional
KESIMPULAN Neural Network (CNN) Dengan
Berdasarkan hasil implementasi dan Arsitektur MobileNet. JITSI : Jurnal
pengujian yang telah dilakukan untuk Ilmiah Teknologi Sistem Informasi, 3(4),
mengklasifikasi jenis obat kapsul dan tablet 103–115.
dengan menggunakan algoritma https://doi.org/10.30630/jitsi.3.4.97
JIKA | 463
JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang P ISSN : 2549-0710
Tangerang, November 2023, Vol 7 No 4, pp 455-464 E ISSN : 2722-2713

Maulana, F. F., & Rochmawati, N. (2020). Putri, A. A. (2023). Convolution Neural

Klasifikasi Citra Buah Menggunakan Networks Untuk Deteksi Covid-19
Convolutional Neural Network. Journal Melalui CT Scan. Prosiding SAINTEK:
of Informatics and Computer Science Sains Dan Teknologi, 2(1), 222–230.
(JINACS), 1(02), 104–108. Retrieved from
https://doi.org/10.26740/jinacs.v1n02.p1 https://www.jurnal.pelitabangsa.ac.id/in
04-108 dex.php/SAINTEK/article/view/2160
Nugroho, P. A., Fenriana, I., & Arijanto, R. Salawazo, V. M. P., Gea, D. P. J., Gea, R. F.,
(2020). Implementasi Deep Learning & Azmi, F. (2019). Implementasi
Menggunakan Convolutional Neural Metode Convolutional Neural Network (
Network ( Cnn ) Pada Ekspresi Manusia. CNN ) Pada Peneganalan Objek Video
Algor, 2(1), 12–21. CCTV. Jurnal Mantik Penusa, 3(1), 74–
79.
Nurkholis, A., Susanto, E. R., & Wijaya, S.
(2021). Penerapan Extreme Sulistyo, G. B., & Widodo, P. (2022).
Programming dalam Pengembangan Klasifikasi Citra X-Ray Covid-19
Sistem Informasi Manajemen Pelayanan Dengan Model Convolutional Neural
Publik. J-SAKTI (Jurnal Sains …, 5, Networks Algorithma Logistic
124–134. Regretion. Ijns.Org Indonesian Journal
on Networking and Security, 11(1), 62–
Parameswari, P. L., & Prihandoko. (2022).
69.
Penggunaan Convolutional Neural
Network Untuk Analisis Sentimen Opini Sutriawan, S., Fanani, A. Z., Alzami, F., &
Lingkungan Hidup Kota Depok Di Basuki, R. S. (2023). Deep Learning
Twitter. Jurnal Ilmiah Teknologi Dan Jaringan Saraf Tiruan Untuk Pemecahan
Rekayasa, 27(1), 29–42. Masalah Deteksi Penyakit Daun Apel.
https://doi.org/10.35760/tr.2022.v27i1.4 Jurnal Teknologi Informasi Dan
671 Komunikasi (TIKomSiN), 11(1), 35.
https://doi.org/10.30646/tikomsin.v11i1.
Prabowo, W. L. (2021). Teori Tentang
729
Pengetahuan Peresepan Obat. Jurnal
Medika Hutama, 02(04), 402–406. Yuliany, S., Aradea, & Andi Nur Rachman.
(2022). Implementasi Deep Learning
Purwono, P., Wirasto, A., & Nisa, K. (2021).
pada Sistem Klasifikasi Hama Tanaman
Comparison of Machine Learning
Padi Menggunakan Metode
Algorithms for Classification of Drug
Convolutional Neural Network (CNN).
Groups. Sisfotenika, 11(2), 196.
Jurnal Buana Informatika, 13(1), 54–65.
https://doi.org/10.30700/jst.v11i2.1134
https://doi.org/10.24002/jbi.v13i1.5022

JIKA | 464