Publisher

UNBINUNBIN

Journal Jurnal SAINTEKOM (Sains dan Teknologi Komputasi)Jurnal SAINTEKOM (Sains dan Teknologi Komputasi) Abstract

Proses produksi kapsul jelly memiliki kemungkinan adanya gagal produksi, untuk itu adanya team QC yang memastikan hasil proses produksi agar sesuai standar yang ada. Proses pengecekan hasil produksi kapsul jelly umumnya masih menggunakan teknik manual yaitu dilakukan pengecekan satu persatu. Proses pengecekan memiliki beberapa kekurangan seperti pengamatan yang harus selalu fokus serta kecepatan pengecekan berfokus kepada SDM yang terampil. Untuk itu peneliti ingin mengembangkan penelitian di bidang Deteksi Kualitas Produk Jelly Capsule Pada Industry Farmasi Dengan Pendekatan Convolutional Neural Network (CNN) dengan mengembangkan prototype aplikasi AI Defect Shield System dan Pengembangan Prototyoe, proses pengecekan akan dilakukan menggunakan pencitraan digital dengan membandingkan hasil kapsul produksi dengan hasil pelatihan yang sudah dilakukan sebelumnya. Spesifikasi yang digunakan yaitu: prosesar i7-8650U CPU @ 1.90GHz 2.11 GHz, dengan ram 16GG, SSD 256GB, dan GPU Intel UHT Graphic 620. Hasil dari penelitian ini akan berbentuk web yang dihubungkan dengan camera external (webcame) yang akan diletakan di conveyor hasil produksi, pengecekan dapat dilakukan dengan dua metode yaitu pengecekan secara otomatis ataupun dengan mengupload foto kapsul untuk mengetahui hasil deteksi, hasil history pengecekan akan disimpan dalam bentuk file csv dan pdf. Hasil pengujian menampilkan akurasi dari pengecekan kapsul bernilai 81.82%.

Conclusion

Sistem deteksi kapsul jelly berbasis CNN membantu proses pengecekan kualitas, meningkatkan efisiensi dan konsistensi.Sistem dapat mendeteksi kerusakan pada kapsul dengan akurasi 81,82 %, precision 79,31 % dan recall 85,19 %.Model tersebut berhasil diuji secara nyata di lingkungan industri farmasi, mencatat performa yang memenuhi standar kualitas.

Future Research

Saran penelitian lanjutan dapat memfokuskan pada pengembangan sistem deteksi kapsul jelly dari jarak jauh dengan penggunaan sensor lanjutan sehingga eliminasi kebutuhan kontak langsung dapat dicapai. Penelitian selanjutnya dapat mencoba memperluas sudut pandang visual dengan menambah kamera multi‑sudut, sehingga seluruh permukaan kapsul dapat terdeteksi secara komprehensif dan mengurangi catatan cacat yang terlewat. Selain itu, penelitian berikutnya bisa mengevaluasi performa model pada variasi kondisi pencahayaan dan lingkungan produksi nyata yang beragam, guna memastikan stabilitas dan kehandalan sistem di semua skenario operasional.

References

1. CNN‐based defect detection in manufacturing. cnn based defect detection doi.org/10.1002/adc2.196CNNyAAAabased defect detection in manufacturing cnn based defect detection doi 10 1002 adc2 196
2. Deteksi Kualitas Produk  Jelly Kapsul pada Industri Farmasi dengan Pendekatan Convolutional... doi.org/10.36350/jskom.v2i1.78Deteksi Kualitas Produk AJelly Kapsul pada Industri Farmasi denganAPendekatan Convolutional doi 10 36350 jskom v2i1 78

Metadata

File size	605.74 KB
Pages	11
DMCA	Report