Klasifikasi Tulisan Tangan Pada Resep Obat Menggunakan Convolutional Neural Network
DOI:
https://doi.org/10.33633/tc.v22i2.8075Keywords:
Resep, Obat, CNN, Preprocessing, Transfer LearningAbstract
Obat merupakan bahan kimia yang dapat merepresentasikan tubuh secara fisiologi dan psikologi ketika dikonsumsi. Obat sebagai alat bantu untuk menyembuhkan dari berbagai macam penyakit. Dengan berkembangnya zaman dan bertambahnya wawasan, menyebabkan bertambah juga jenis obat-obatan yang memiliki banyak manfaat dan kegunaanya. Penelitian ini bertujuan untuk mendeteksi nama obat dalam resep dokter menggunakan Convolutional Neural Network (CNN) dengan transfer learning. Metode transfer learning merupakan metode yang popular dalam mengklasifikasi gambar digital yang berguna untuk mempercepat proses klasifikasi. Penelitian ini membandingkan lima artistektur transfer learning yaitu VGG16, Resnet, Xception, LeNet, dan GoogleNet. Penelitian ini juga menggunakan grayscaling, resizing, dan median filter pada tahap preprocessing. Preprocessing digunakan untuk meningkatkan kualitas citra pada citra resep obat dan menghilangkan noise pada citra. ResNet-50 merupakan arsitektur terbaik untuk mengklasifikasi nama obat. Pada percobaan menggunakan ResNet-50, mendapatkan F1 score tertinggi yaitu sebesar 97,56% dan waktu training rata-rata 0,25 detik setiap epoch. Dapat disimpulkan Resnet merupakan arsitektur terbaik untuk mengklasifikasikan nama obat dalam citra resep dokter serta dapat mendeteksi nama obat secara akurat.References
R. Achkar, K. Ghayad, R. Haidar, S. Saleh, and R. Al Hajj, “Medical handwritten prescription recognition using CRNN,” CITS 2019 - Proceeding 2019 Int. Conf. Comput. Inf. Telecommun. Syst., Aug. 2019, doi: 10.1109/CITS.2019.8862004.
Arrahman, Purwanto, and P. Nurtantio, “Klasifikasi Nama Obat Tulisan Tangan Dokter dengan Metode GLCM dan Backpropagation Neural Network,” J. Teknol. Inf., vol. 12, pp. 123–134, 2016.
T. Jain, R. Sharma, and R. Malhotra, “Handwriting Recognition for Medical Prescriptions using a CNN-Bi-LSTM Model,” 2021 6th Int. Conf. Converg. Technol. I2CT 2021, Apr. 2021, doi: 10.1109/I2CT51068.2021.9418153.
E. Hassan, H. Tarek, M. Hazem, S. Bahnacy, L. Shaheen, and W. H. Elashmwai, “Medical Prescription Recognition using Machine Learning,” 2021 IEEE 11th Annu. Comput. Commun. Work. Conf. CCWC 2021, pp. 973–979, Jan. 2021, doi: 10.1109/CCWC51732.2021.9376141.
N. Palani and N. Sampath, “Detecting and Extracting Information of Medicines from a Medical Prescription Using Deep Learning and Computer Vision,” 2022 Int. Conf. Knowl. Eng. Commun. Syst., pp. 1–6, Dec. 2022, doi: 10.1109/ICKECS56523.2022.10060502.
C. Kanan and G. W. Cottrell, “Color-to-Grayscale: Does the Method Matter in Image Recognition?,” PLoS One, vol. 7, no. 1, p. e29740, Jan. 2012, doi: 10.1371/JOURNAL.PONE.0029740.
G. R. Arce and M. P. Mcloughlin, “Theoretical analysis of the max/median filter,” IEEE Trans. Acoust., vol. 35, no. 1, pp. 60–69, 1987, doi: 10.1109/TASSP.1987.1165036.
Y. S. Wang, C. L. Tai, O. Sorkine, and T. Y. Lee, “Optimized scale-and-stretch for image resizing,” ACM SIGGRAPH Asia 2008 Pap. SIGGRAPH Asia’08, 2008, doi: 10.1145/1457515.1409071.
U. Erkan, S. Engino?lu, D. N. H. Thanh, and L. M. Hieu, “Adaptive frequency median filter for the salt and pepper denoising problem,” IET Image Process., vol. 14, no. 7, pp. 1240–1247, 2020, doi: 10.1049/iet-ipr.2019.0398.
R. Saini, P. Semwal, and T. H. Jaware, “Brain Tumor Classification Using VGG-16 and MobileNetV2 Deep Learning Techniques on Magnetic Resonance Images (MRI),” pp. 300–313, 2023, doi: 10.1007/978-3-031-27609-5_24.
A. Victor Ikechukwu, S. Murali, R. Deepu, and R. C. Shivamurthy, “ResNet-50 vs VGG-19 vs training from scratch: A comparative analysis of the segmentation and classification of Pneumonia from chest X-ray images,” Glob. Transitions Proc., vol. 2, no. 2, pp. 375–381, Nov. 2021, doi: 10.1016/J.GLTP.2021.08.027.
Y. Lecun, L. Bottou, Y. Bengio, and P. Ha, “LeNet,” Proc. IEEE, no. November, pp. 1–46, 1998.
F. Chollet, “XCeption: Deep Learning with Depthwise Separable Convolutions,” Comput. Vis. Found., 2016, doi: 10.4271/2014-01-0975.
C. Szegedy et al., “Going deeper with convolutions,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 07-12-June, pp. 1–9, 2015, doi: 10.1109/CVPR.2015.7298594.
R. Anand, T. Shanthi, M. S. Nithish, and S. Lakshman, “Face Recognition and Classification Using GoogleNET Architecture,” Adv. Intell. Syst. Comput., vol. 1048, pp. 261–269, 2020, doi: 10.1007/978-981-15-0035-0_20/COVER.
Downloads
Published
Issue
Section
License
Copyright (c) 2023 Mohammad Farid Naufal
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Pernyataan Lisensi
Artikel yang diterbitkan dalam jurnal Techno.Com dilisensikan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional (CC BY-NC 4.0).
Anda diperbolehkan untuk menyalin, mendistribusikan, menampilkan, dan melakukan karya dari artikel ini serta membuat karya turunan selama Anda memberikan kredit yang sesuai kepada penulis asli dan tidak menggunakan karya ini untuk tujuan komersial. Untuk melihat salinan lisensi ini, kunjungi [Creative Commons Attribution-NonCommercial 4.0 International](https://creativecommons.org/licenses/by-nc/4.0/).
---
Contoh pengkreditan:
- Penulis: [Nama Penulis]
- Judul Artikel: [Judul Artikel]
- Jurnal: Techno.Com, Vol. [Nomor Volume], No. [Nomor Edisi], Tahun [Tahun Penerbitan]
Jika Anda ingin menggunakan karya ini untuk tujuan komersial, Anda harus mendapatkan izin terlebih dahulu dari penulis atau penerbit.
---
