IDENTIFIKASI JENIS OBAT BERDASARKAN GAMBAR LOGO PADA KEMASAN MENGGUNAKAN METODE NAIVE BAYES
Abstract
There many types of drugs have been approved by the government and circulating in the community, but many people don’t know. In this study, I want to create an application that can identify the type of drug based on the logo on the packaging. I’m using 4 different types of modern medicine and 3 types of herbal medicine, total there will be as many as 7 different logo that will be used. Pictures will be entered into the application, then detected the edges of the image using the Edge Detection, to get the shape of the logo image, after it is extracted using methods GLCM, extraction will produce output in the form of numbers, the numeric data is then classified using Naïve Bayes classification and will get the results in the form of the type of drug. From the experiments it was found that the resulting level of accuracy is quite high, there are 3 categories of types of drugs that have a high accuracy on Obat Bebas, Obat Bebas Terbatas and Obat Keras. From the results of these trials concluded that the Naïve Bayes method can be used to mengkalsifikasi types of drugs is based on the logo on the packaging of drugs.
Keywords: logo, drug, image processing, edge detection, GLCM, naïve bayes
Terdapat banyak jenis obat telah disetujui oleh pemerintah dan beredar di masyarakat, namun banyak masyarakat tidak mengetahuinya. Pada penelitian ini saya ingin membuat suatu aplikasi yang dapat mengindentifikasi jenis obat berdasarkan logo pada kemasan. Saya menggunakan 4 jenis obat moderen dan 3 jenis obat herbal, total akan terdapat sebanyak 7 macam logo yang akan digunakan. Gambar akan diinputkan ke dalam aplikasi, kemudian dideteksi tepian gambarnya menggunakan metode Edge Detection, untuk mendapatkan bentuk dari gambar logo, setelah itu diekstraksi menggunakan metode GLCM, hasil ekstraksi akan menghasilkan output berupa angka, data angka ini kemudian diklasifikasikan menggunakan metode Naïve Bayes dan akan mendapatkan hasil klasifikasi berupa jenis obat. Dari percobaan yang dilakukan didapatkan bahwa tingkat akurasi yang dihasilkan cukup tinggi, terdapat 3 buah kategori jenis obat yang memiliki akurasi yang tinggi yaitu pada jenis Obat Bebas, Obat Bebas Terbatas dan Obat Keras. Dari hasil percobaan tersebut disimpulkan bahwa metode Naïve Bayes dapat digunakan untuk mengkalsifikasi jenis obat berdasarkan logo pada kemasan obat.
Kata kunci: logo, obat, image processing, edge detection, GLCM, naïve bayes
Full Text:
PDFReferences
Hernani, 2011. Pengembangan Biofarmaka Sebagai Obat Herbal Untuk Kesehatan. Bul. Teknol. Pascapanen Pertan., vol. 7, no. 1.
D. M. Sari, 2013. Aplikasi Informasi Obat Bebas Berbasis Android. STMIK AMIKOM Yogyakarta.
Ariastuti and Reni, 2011. Profile Swamedikasi dan Hubungan Antara Tingkat Pengetahuan dengan Swamedikasi Nyeri Kepala Pada Masyarakat di Kecamatan Banyudono Kabupaten Boyolali. Universitas Muhammadiyah Surakarta.
Supriyatna, M. MW, Y. Iskandar, and M. Febriyanti, 2014. Prinsip Obat Herbal: Sebuah Pengantar Untuk Fitoterapi. Yogyakarta: Depublish.
Anggradini and S. Lianti, 2011. Perbedaan Pengetahuan Tentang Obat Sebelum dan Sesudah Pemberian Penyuluhan dengan Leaflet pada Ibu - Ibu Pesucen Kecamatan Petarukan Kabupaten Pemalang. Universitas Muhammadiyah Surakarta.
S. Utami, 2014. Gringsing Woven Cloth: The Motif Correlation, Function, And Symbolic Meanings. J. Univ. Negeri Yogyakarta.
R. Maini and H. Aggarwal, Study and Comparison of Various Image Edge Detection Techniques. Int. J. Image Process., vol. 147002, no. 3, pp. 1–12.
J. Canny, 1986. A Computational Approach to Edge Detection. IEEE Trans. Pattern Anal. Mach. Intell., vol. PAMI-8, pp. 679–698.
S. Rodgers and R. Cumella, 2012. Encountering Asian Art through Joint Faculty-Student Field Research and Museum Curatorship : Ignatian Parallels. Jesuit High. Educ., vol. 1, no. 1, pp. 73–96.
N. Zulpe and V. Pawar, 2012. GLCM Textural Features for Brain Tumor Classification. Int. J. Comput. Sci., vol. 9, no. 3, pp. 354–359.
D. Gadkari, 2004. Image Quality Analysis Using GLCM, in College of Arts and Sciences. University of Central Florida.
H. B. Kekre, S. D. Thepade, A. K. Sarode, and V. Suryawanshi, 2010. Image Retrieval using Texture Features extracted from GLCM, LBG and KPE. Int. J. Comput. Theory Eng., vol. 2, no. 5, pp. 695–700.
O. Nuraeni, 2014. Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier. Gunadarma.
P. Seminar and N. Aplikasi, Klasifikasi Teks Dengan Naive Bayes Classifier (NBC) untuk Pengelompokan Teks Berita dan Abstract Akademis. in Prosiding Seminar Nasional Aplikasi Sains dan Teknologi, 2012, no. 2011, pp. 269–277.
Pengantar Pemrograman MATLAB. pp. 1–20.
P. Berens, 2009. A Matlab Toolbox for Circular Statistics. J. Stat. Softw., vol. 31, no. 10.
S. B. Wahyu, Susilo, and Kusminarto, 2013. Aplikasi Perangkat Lunak Berbasis MATLAB Untuk Pengukuran Radiograf Digital. J. Pendidik. Fis. Indones., vol. 9, pp. 85–92.
L. Vincent, 1993. Morphological Grayscale Reconstruction in Image Analysis: Applications and E cient Algorithms 1 Introduction. IEEE Trans. Image Process., vol. 2, no. 2.
Inwijayati and P. Bertalya, Identifikasi Ciri Kain Menggunakan Fitur Tekstur dan Gray Level Difference Method.
H. Achmad, I. R. Rizal, and N. Bahrun, 2015. Analisis Deteksi Tepi Pada Citra Berdasarkan Perbaikan Kualitas Citra.
K. A. Nugraha, W. Hapsari, and N. A. Haryono, 2014. Analisis Tekstur Pada Citra Motif Batik Untuk Klasifikasi Menggunakan K-NN. J. Inform., vol. 10, no. 2, pp. 135–140.
J. Malik, S. Belongie, T. Leung, and J. Shi, 2001. Contour and Texture Analysis for Image Segmentation. Int. J. Comput. Vis., vol. 43, no. 1, pp. 7–27.
DOI: http://dx.doi.org/10.20527/klik.v3i2.46
Copyright (c) 2016 KLIK - KUMPULAN JURNAL ILMU KOMPUTER
This work is licensed under a Creative Commons Attribution 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License. View My Stats