Abstrak

Identifikasi sisa obat pada populasi yang membutuhkan bantuan, khususnya lansia, dapat menghadapi kendala ketika kemasan obat mengalami kerusakan atau terpotong sehingga informasi visualnya berkurang. Penelitian ini merancang pipeline feature engineering berbasis Computer Vision untuk mengidentifikasi sisa obat pada kondisi fisik yang mengalami kerusakan bertahap. Citra sisa obat diubah menjadi sebelas fitur numerik yang terdiri atas fitur morfologi, warna HSV, dan tekstur GLCM, yang selanjutnya dilakukan proses klasifikasi menggunakan algoritma K-Nearest Neighbors. Dataset terdiri atas 2.395 citra yang mewakili 20 kelas obat dan suplemen dalam empat fase kondisi fisik, yaitu kemasan utuh, lecek, terpotong, dan pil telanjang, yang diperoleh menggunakan dua variasi warna latar, yaitu biru tua dan hijau stabilo. Nilai K optimal ditentukan menggunakan metode grid search yang dipadukan dengan Stratified K-Fold Cross-Validation. Hasil pengujian menunjukkan bahwa akurasi dari model yang dibangun mencapai 77,82% untuk dataset dengan latar biru tua dan 71,25% untuk dataset dengan latar hijau stabilo dengan nilai K=1, sehingga latar biru tua dipilih sebagai konfigurasi utama. Model kemudian diimplementasikan ke dalam purwarupa aplikasi web berbasis Streamlit yang dilengkapi mekanisme distance thresholding untuk menolak objek di luar cakupan kelas. Pada pengujian kondisi nyata berskala terbatas, diperoleh akurasi klasifikasi objek dalam cakupan kelas sebesar 44,4% pada latar biru tua dan 77,8% pada latar hijau stabilo, serta tingkat penolakan objek di luar cakupan sebesar 75,0% pada kedua latar. Hasil ini belum dapat digunakan untuk menyimpulkan keunggulan salah satu latar pada kondisi nyata karena jumlah sampel terbatas dan kondisi akuisisi belum sepenuhnya sesuai SOP.