3.4. Perancangan Antarmuka Sistem
3.4.1. Rancangan Tampilan Splashscreen
Hal pertama yang ditampilkan ketika membuka aplikasi adalah halaman splashscreen.Halaman ini berisi logo dan nama dari aplikasi. Rancangan tampilan halaman splashscreen dapat dilihat pada Gambar 3.13.
Gambar 3.13. Rancangan Tampilan Splashscreen 3.4.2. Rancangan Tampilan Home
Halaman home merupakan tampilan utama aplikasi. Pada halaman home akan terdapat dua tombol, yang pertama adalah info button. Info button akan menampilkan pop-up yang berisi tentang info mengenai aplikasi dan nama dari penulis. Kemudian tombol yang kedua adalah scan button, tombol ini akan mengarahkan kita ke halaman selanjutnya. Rancangan tampilan halaman home dapat dilihat pada Gambar 3.14.
Gambar 3.14. Rancangan Tampilan Home
3.4.3. Rancangan Tampilan Testing
Setelah memilih scan button pada halaman sebelumnya, maka akan tampil halaman testing.
Halaman ini berguna untuk menguji sistem yang telah dibuat. User akan mengarahkan obat ke kamera yang telah dibuka. Kemudian hasilnya akan tampil di bagian result. Untuk melihat deskripsi dari nama obat yang diperoleh, user diharuskan memilih view description button.
Rancangan tampilan testing dapat dilihat pada Gambar 3.15.
Gambar 3.15. Rancangan Tampilan Testing 3.4.4. Rancangan Tampilan Deskripsi
Setelah menekan tombol view description pada halaman sebelumnya, user akan diarahkan ke halaman deskripsi. Halaman ini berisi informasi mengenai obat yang didapatkan pada halaman sebelumnya. Pada halaman ini juga disediakan tombol close bila user ingin mendeteksi obat lain. Maka akan kembali ke halaman testing. Rancangan dari halaman deskripsi dapat dilihat pada Gambar 3.16.
Gambar 3.16. Rancangan Tampilan Deskripsi
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi implementasi dan pengujian algoritma Convolutional Neural Network dalam proses pengidentifikasian citra obat-obatan. Pengujian dilakukan menurut analisis yang dituliskan pada bab sebelumnya.
4.1. Implementasi Sistem
Tahap ini merupakan proses yang dilakukan untuk mengidentifikasi obat-obatan menggunakan metode Convolutional Neural Network. Bahasa pemrograman yang digunakan untuk melakukan training adalah python dengan menggunakan jupyter noebook. Sistem yang dibangun berbasis mobile yang dibuat menggunakan bahasa pemrograman java menggunakan Android Studio.
4.1.1. Spesifikasi Perangkat Keras
Berikut adalah spesifikasi perangkat keras yang penulis gunakan untuk membangun sistem.
Tabel 4.1. Spesifikasi Perangkat Keras
Perangkat Keras Komponen
Redmi S2 Memori Internal (32 GB) RAM (3 GB)
Camera 12 MP
Battery 3080 mAh Redmi Note 7 Memori Internal (64 MP)
RAM (4 GB) Camera 48 MP Battery 4000 mAh
4.1.2. Spesifikasi Perangkat Lunak
Berikut adalah spesifikasi perangkat lunak yang penulis gunakan untuk membangun sistem.
Tabel 4.2. Spesifikasi Perangkat Lunak
Perangkat Lunak Komponen
ASUSTek Computer X456URK Windows 10 Pro 64-bit Miniconda 3
Pada bab sebelumnya telah disebutkan bahwa data dibagi menjadi tiga dataset yaitu training dataset, validation dataset dan testing dataset dengan perbandingan 80%, 10%, 10%, dimana data training sebanyak 970 citra, validation sebanyak 119 citra dan testing sebanyak 126 citra. Pada Tabel 4.3 dapat dilihat perbandingan dari ketiga dataset tersebut.
Tabel 4.3. Pembagian Citra Pada Dataset
Pada Gambar 4.1 dapat dilihat contoh data obat yang digunakan pada proses training untuk penyelesaian penelitian ini.
Gambar 4.1. Implentasi Data 4.1.4. Proses Training
Proses training dilakukan dengan metode Convolutional Neural Network. Untuk menentukan model terbaik, maka penulis melakukan beberapa kali percobaan dengan learning rate dan
jumlah epoch yang berbeda-beda. Parameter yang diamati dari perbandingan ini adalah tingkat akurasi dan loss yang dihasilkan. Hasil percobaan dapat dilihat pada Tabel 4.4.
Tabel 4.4. Percobaan Dengan Beberapa Learning Rate dan Epoch
No Learning
Rate Epoch
Training Validation
Pecobaan Accuracy Loss Accuracy Loss
1 0.1 50 18.13% 1.92 20% 1.88
Dari hasil percobaan pada Tabel 4.4, dapat disimpulkan bahwa hasil terbaik diperoleh pada percobaan 11, dimana training accuracy yang dicapai sebesar 99.37% dengan loss 0.05 dan validation accuracy sebesar 96.67% dan loss 0.12. Maka penulis memutuskan menggunakan model terbaik tersebut, dimana learning rate yang digunakan adalah 0.001 dan jumlah epoch adalah 150. Tampilan proses training data dilihat pada Gambar 4.2.
Gambar 4.2. Proses Training Data
Gambar 4.3. Perbandingan Akurasi Training dan Validation
Gambar 4.4. Perbandingan Loss Training dan Validation
Berdasarkan hasil yang didapatkan pada Gambar 4.3 dan Gambar 4.4, dapat diketahui bahwa model tidak mengalami undefitting ataupun overfitting. Model dinilai sudah cukup baik untuk mengidentifikasi obat-obatan.
4.1.5. Implementasi Perancangan Antarmuka 1. Logo Aplikasi
Tampilan logo dan nama aplikasi pada android dapat dilihat pada Gambar 4.5.
Gambar 4.5. Logo Aplikasi 2. Tampilan Splashscreen
Hal pertama yang ditampilkan ketika membuka aplikasi adalah halaman splashscreen.Halaman ini berisi logo dan nama dari aplikasi. Implementasi tampilan halaman splashscreen dapat dilihat pada Gambar 4.6.
Gambar 4.6. Implementasi Halaman Splashscreen 3. Tampilan Home
Halaman home merupakan tampilan utama aplikasi. Pada halaman home terdapat dua tombol, yaitu info button dan scan button. Info button akan menampilkan pop-up yang bertuliskan informasi mengenai aplikasi dan nama penulis (dapat dilihat pada Gambar 4.8). Kemudian scan button akan mengarahkan kita ke halaman selanjutnya.
Implementasi tampilan halaman home dapat dilihat pada Gambar 4.7.
Gambar 4.7. Implementasi Halaman Home
Gambar 4.8. Implementasi Pop-up dari Info Button
4. Tampilan Testing
Setelah memilih scan button pada halaman sebelumnya, maka akan tampil halaman testing. Halaman ini berguna untuk menguji sistem yang telah dibuat. User mengarahkan obat ke kamera. Kemudian hasilnya tampil di bagian bawah. Untuk melihat deskripsi dari nama obat yang diperoleh, user diharuskan memilih tombol lihat deskripsi. Implementasi tampilan testing dapat dilihat pada Gambar 4.9.
Gambar 4.9. Implementasi Halaman Testing 5. Tampilan Deskripsi
Seteleh menekan tombol lihat deskripsi pada halaman sebelumnya, user akan diarahkan ke halaman deskripsi. Halaman ini berisi informasi mengenai obat yang didapatkan pada halaman sebelumnya. Jika user menekan tombol tutup, maka user akan kembali ke halaman testing. Implementasi dari halaman deskripsi dapat dilihat pada Gambar 4.10.
Gambar 4.10. Implementasi Halaman Deskripsi 4.2. Prosedur Penggunaan
Prosedur yang dilakukan untuk proses identifikasi dengan menekan tombol scan button pada halaman home, kemudian akan diarahkan ke halaman testing dimana kamera akan dibuka, dapat dilihat pada Gambar 4.9. Kemudian user akan mengarahkan kamera kepada obat yang ingin diidentifikasi. Setelah mendapatkan hasil nama obat, user dapat menekan tombol lihat deskripsi, kemudian informasi tentang tersebut akan ditampilkan, seperti ditunjukan pada Gambar 4.10.
4.3. Pengujian Sistem
Pengujian sistem bertujuan mengetahui bagaimana kemampuan dari sistem yang sudah dibangun untuk pengidentifikasian obat-obatan. Pengujain dilakukan secara langsung melalui kamera android dan juga menggunakan dataset yang tersedia menggunakan confusion matrix. Pengujian secara langsung dilakukan dengan berbagai kondisi seperti menggunakan perangkat ponsel yang berbeda, intensitas cahaya yang berbeda, jarak yang berbeda serta
kondisi lainnya. Pada Tabel 4.5 akan menunjukan hasil identifikasi menggunakan ponsel Redmi Note 7.
Tabel 4.5. Contoh Hasil Pengujian Menggunakan Redmi Note 7
No Citra Desired Output Actual Output
1 FG Troches FG Troches
2 Omeprazole Omeprazole
3 Simdrol-4 Simdrol-4
4 Galdom Galdom
5 Zeviton Zeviton
6 Neo Diaform Neo Diaform
Berdasarkan hasil yang didapatkan pada Tabel 4.5, dapat dilihat bahwa identifikasi berjalan dengan baik pada perangkat Redmi Note 7.
Tabel 4.6. Hasil Pengujian Berdasarkan Intensitas Cahaya
Intensitas Cahaya Citra Desire Output Actual Output
10 lux Omeprazole Omeprazole
25 lux Omeprazole Omeprazole
50 lux Omeprazole Omeprazole
80 lux Omeprazole Omeprazole
270 lux Omeprazole Omeprazole
477 lux Omeprazole Omeprazole
794 lux Omeprazole Omeprazole
1981 lux Omeprazole Omeprazole
2788 lux Omeprazole Omeprazole
3472 lux Omeprazole Omeprazole
12372 lux Tidak Diketahui Omeprazole
17315 lux Galdom Omeprazole
Berdasarkan hasil yang diperoleh pada Tabel 4.6 dapat diketahui bahwa sistem bekerja dengan baik ketika intensitas cahaya tidak melebihi 3472 lux. Ketika kondisi intensitas cahaya melebihi 3472 lux, maka sistem akan banyak melakukan kekeliruan dalam mengidentifikasi.
Tabel 4.7. Hasil Pengujian Berdasarkan Jarak
Jarak Citra Desired Output Actual Output
5 cm Omeprazole Omeprazole
10 cm Omeprazole Omeprazole
15 cm Omeprazole Omeprazole
20 cm Omeprazole Omeprazole
25 cm Omeprazole Omeprazole
30 cm Omeprazole Omeprazole
40 cm Galdom Omeprazole
50 cm Galdom Omeprazole
Pada Tabel 4.7 dapat dilihat bahwa sistem dapat mengidentifikasi dengan baik ketika jarak obat dengan kamera tidak melebihi 30 cm. Jarak yang semakin bertambah akan membuat tampilan obat terlihat lebih kecil, hal inilah yang menyebabkan sistem kesulitan dalam mengidentifikasi obat.
Tabel 4.8. Hasil Pengujian Dengan Latar Berbeda
Background Citra Desired Output Actual Output
Kertas Putih Omeprazole Omeprazole
Latar Merah Omeprazole Omeprazole
Di dalam plastik
transparan Omeprazole Omeprazole
Motif bunga Galdom Omeprazole
Kayu Cokelat Omeprazole Omeprazole
Kain Motif Galdom Omeprazole
Kain motif Omeprazole Omeprazole
Buku tulis putih
bergaris Omeprazole Omeprazole
Tabel 4.8 menunjukan bahwa sistem dapat mengidentifikasi obat dengan latar yang berbeda dengan cukup baik namun terjadi beberapa kesalahan bila obat di identifikasi menggunakan latar yang bermotif. Oleh sebab itu disarankan untuk mengidentifikasi obat dengan latar yang hanya memiliki satu warna saja.
Tabel 4.9. Pengujian Dengan Kondisi Tertentu
No Kondisi Citra Desired Output Actual Output
1 Tidak ada obat Tidak Diketahui Tidak Diketahui
2 Obat baru diluar
dataset Omeprazole Tidak Diketahui
3 Obat baru diluar
dataset Tidak Diketahui Tidak Diketahui
4 Obat baru diluar
dataset Tidak Diketahui Tidak Diketahui
5
Dua obat (obat yang ada di dataset dan obat
baru)
Neo Diaform Neo Diaform
6 Dua obat FG Troches FG Troches,
Zeviton
7 Dua Obat Zeviton Omeprazole, Zeviton
8 Dua obat Simdrol-4 Simdrol-4,
Galdom
9 Tiga obat Neo Diaform
Omeprazole, Neo Diaform,
FG Troches
10 Tiga obat Galdom Simdrol-4, Galdom, Zeviton
11 Tiga obat Neo Diaform
Simdrol-4, Galdom, Neo
Diaform
12 Enam buah obat Neo Diaform
FG Troches, Omeprazole, Neo Diaform,
Simdrol-4, Galdom, Zeviton
Pada Tabel 4.9 dapat dilihat bahwa sistem memiliki kekurangan. Sistem ini dirancang untuk dapat mengidentifikasi satu nama obat saja, tetapi penulis mencoba pengujian dengan
kondisi-12 dapat penulis simpulkan bahwa sistem akan menampilkan hasil berdasarkan nama obat yang lebih banyak dipelajari pada proses training. Jumlah data yang digunakan pada proses training dapat dilihat pada Tabel 4.3. Sistem akan menampilkan hasil yang paling dikenali oleh sistem saat proses training.
Pengujian juga dilakukan dengan testing dataset yang berisi 126 citra yang belum pernah dikenali sistem. Pengujian dilakukan menggunakan confusion matrix. Hasil dari confusion matrix dapat dilihat pada Tabel 4.10.
Tabel 4.10. Confusion Matrix FG
Troches Galdom Neo
Diaform Omerazole Simdrol-4 Zeviton Total
FG Troches 29 0 0 0 0 0 29
Untuk mengetahui kinerja algoritma CNN pada penelitian ini maka akan dilakukan pengujian dengan beberapa perhitungan yaitu akurasi, presisi dan recall dengan menggunakan persamaan sebagai berikut.
TP (True Positive) = jumlah data yang benar yang di identifikasi benar oleh sistem
FP (False Positive) = jumlah data yang benar namun di identifikasi salah oleh sistem FN (False Negative) = jumlah data yang salah namun di identifikasi salah oleh sistem
Untuk mengetahui tingkat akurasi pengujian sistem ini, maka digunakan persamaan 4.1.
Berdasarkan hasil dari confusion matrix yang didapatkan pada Tabel 4.10, maka kita dapat menghitung akurasi adalah sebagai berikut.
Kemudian kita akan menghitung presisi menggunakan persamaan 4.2 berdasarkan data yang didapatkan pada Tabel 4.10.
Tabel 4.11. Perhitungan Presisi FG
Troches Galdom Neo
Diaform Omerazole Simdrol-4 Zeviton
TP 29 18 20 17 21 17
FP 0 0 1 1 1 1
Presisi =
TP/(TP+FP) 29/29=1 18/18=1 20/21=0.95 17/18=0.94 21/22=0.95 17/18=0.94
Kemudian kita akan menghitung recall menggunakan persamaan 4.3 berdasarkan data yang tersedia pada Tabel 4.10.
Tabel 4.12. Perhitungan Recall
FG Troches Galdom Neo
Diaform Omerazole Simdrol-4 Zeviton
TP 29 18 20 17 21 17
FN 2 1 0 0 0 0
Recall =
TP/(TP+FN) 29/31=0.93 18/19=0.94 20/20=1 17/17=1 21/21=1 17/17=1
Menurut perhitungan diatas dapat diambil kesimpulan bahwa akurasi algoritma Convolutional Neural Network dalam mengidentifikasi obat-obatan mencapai 96.82%, mendapatkan nilai presisi 96.33% dan nilai recall sebesar 97.83%
BAB 5 PENUTUP
Bab ini berisi kesimpulan dari hasil dari penelitian dan saran yang diajukan agar berguna bagi penelitian selanjutnya.
5.1. Kesimpulan
Adapun kesimpulan yang diperoleh berdasarkan penelitian adalah sebagai berikut.
1. Sistem pengidentifikasian obat-obatan menggunakan Convolutional Neural Network mendapatkan akurasi hingga 96.82%.
2. Berdasarkan beberapa percobaan, pemilihan parameter berupa learning rate 0.001 dan jumlah epoch 150 merupakan nilai terbaik yang dapat digunakan untuk pelatihan data.
3. Sistem mampu mengidentifikasi obat dengan baik menggunakan ataupun tidak menggunakan kemasan obat serta dengan background yang berbeda-beda.
4. Penyebab kesalahan sistem mengidentifikasi nama obat adalah intensitas cahaya yang berlebihan (lebih dari 3472 lux) dan jarak kamera ke obat yang terlalu jauh (lebih dari 30 cm).
5.2. Saran
Adapun saran untuk pengembangan penelitian selanjutnya adalah sebagai berikut.
1. Diharapkan pada penelitian selanjutnya membuat sistem yang dapat mengidentifikasi beberapa obat sekaligus.
2. Diharapkan pada penelitian selanjutnya untuk mencoba kombinasi parameter-parameter lainnya.
3. Diharapkan pada penelitian selanjutnya menggunakan metode neural network lainnya untuk dapat mengatasi kekurangan pada penelitian ini.
4. Diharapkan pada penelitian selanjutnya memperbanyak dan memperluas jenis obat yang digunakan.
DAFTAR PUSTAKA
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.
Almas, P. 2019. WHO: Kesalahan Medis Picu 2,6 Juta Kematian di Dunia. Republika.co.id, 14 September 2019 (diakses 7 April 2021).
Andono, P.N., Sutojo, T. & Muljono. 2017. Pengolahan Citra Digital. Pramesta, A. Penerbit ANDI : Yogyakarta.
Android. (2021). Meet Android Studio. (Online) https://developer.android.com/studio/intro (20 April 2021).
Botha, A., Niksch, L., Terblanche, R., Venter, K., & Joubert, G. 2017. Illegible handwriting and other prescription errors on prescriptions at National District Hospital, Bloemfontein.
59(1):52-55.
Deng, L. & Yu, D., 2014. Deep Learning: Methods and Application. Foundations and Trends in Signal Processing : USA.
Dwiatmoko, W. 2020. Perancangan Sistem Pengenalan Jenis Tanaman Obat Dengan Kamera Berbasis Android. Skripsi. Universitas Muhammadiyah Surakarta.
Fikriya, Z.A., Irawan, M.I., & Soetrisno. 2017. Implementasi Extreme Learning Machine untuk Pengenalan Object Citra Digital. Jurnal Sains dan Seni ITS 6(1): A18-A23
Hidayatullah, P. 2017. Pengolahan Citra Digital Teori Dan Aplikasi Nyata. Penerbit Informatika: Bandung.
Hnoohom, N., Yuenyong, S., & Chotivatunyu, P. 2018. MEDiDEN: Automatic Medicine Identification Using a Deep Convolutional Neural Network. 2018 International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP).
IEEE.
Irfan, I. & Hidayat, D.R. 2020. Literasi Penggunaan Obat Dengan “Tanya Lima O”. Jurnal Pengabdian Kampus 7(1): 14-16.
Karpathy, A. (2018). Introduction to Convolutional Neural Networks.
Kementrian Kesehatan RI. 2017. Memasyarakatkan Tanya Lima O. (Online) https://farmalkes.kemkes.go.id/2017/09/memasyarakatkan-tanya-lima-o/ (7 April 2021).
Kusumanto, R.D., & Tompunu, A.N. 2011. Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi RGB (Semantik).
Lukman, Andi., Marwana. 2014. Machine Learning Multi Klasifikasi Citra Digital. Konferensi Nasional Ilmu Komputer.
Mulyanto, F. 2020. Aplikasi Pendeteksian Objek Buah-buahan Yang Memiliki Kemiripan Menggunakan Algoritma Faster R-CNN Berbasis Android. Skripsi. Universitas Sumatera Utara.
Noviani, N & Nurilawati, V. 2017. Farmakologi. Edisi 2017. Pusat Pendidikan Sumber Daya Manusia Kesehatan: Jakarta Selatan.
R, A. 2017. Beberapa Kasus Kesalahan Pemberian Obat yang Berakibat Fatal. Majalah Farmasetika, 1 November 2017 (diakses 7 April 2021).
Restyana, A., Admaja, W., & Ubanayo, K. 2020. Pemberdayaan Pemahaman Masyarakat dalam Peningkatan Pengetahuan Penggunaan Obat Dan Antibiotik Dengan Benar Melalui Penyuluhan Dalam Rangka Manajemen Kesehatan Keluarga. Journal of Community Engagament and Employment 2(1): 23-28.
Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, O.D & Wijanarto. 2009. Teori Pengolahan Citra Digital. Penerbit ANDI : Yogyakarta.
Tanaka, M., Okutomi, M. 2014. A Novel Inference of a Restricted Boltzmann Machine. 22ⁿᵈ International Conference on Pattern Recognition (ICPR), pp.1526–1531.
Tensorflow (2021) Tensorflow Core | Machine Learning for Beginners and Experts (Online) https://www.tensorflow.org/overview/?hl=id (1 September 2021).
Tensorflow (2021) Tensorflow Lite (Online) https://www.tensorflow.org/lite/guide?hl=id (1 September 2021).
LAMPIRAN