Tantangan Pembacaan Kode Produksi & Expired Date di Pabrik
Mencetak tanggal kedaluwarsa (Exp Date) dan nomor lot produksi menggunakan mesin Continuous Inkjet Printer (CIJ) atau Laser Coder adalah standar wajib di industri F&B dan Farmasi. Namun, karakter yang tercetak di lapangan sering kali jauh dari sempurna:
- Titik-titik dot-matrix terpisah atau tidak berurutan rapat
- Tinta meluncur pada permukaan plastik yang melengkung atau licin
- Karakter miring akibat getaran conveyor atau pergeseran posisi produk
- Latar belakang kemasan bertekstur, bergaris, atau penuh gambar cetakan warna-warni
Metode 1: OCR Konvensional (Optical Character Recognition)
OCR tradisional bekerja menggunakan metode Binarization (Thresholding) & Template Matching:
- Gambar dikonversi menjadi biner hitam-putih murni murni berdasarkan ambang batas piksel.
- Setiap karakter dipotong (segmentasi) dan dibandingkan piksel-demi-piksel dengan font rujukan yang sudah didaftarkan sebelumnya.
Kelemahan OCR Konvensional: Sangat sensitif terhadap perubahan pencahayaan, posisi miring, atau tinta putus. Jika titik dot-matrix hilang 1 piksel saja, OCR konvensional sering gagal mengenali huruf (misal: angka '8' disangka 'B' atau '0').
Metode 2: Deep Learning Vision AI OCR (Neural Network)
Deep Learning OCR menggunakan model Convolutional Neural Network (CNN) yang telah dilatih dengan puluhan ribu variasi bentuk karakter nyata di lingkungan industri.
Bukan sekadar mencocokkan pola piksel mentah, AI memahami fitur hierarkis karakter (garis, sudut, kurva, dan konteks kata). AI tetap mampu mengenali angka '2026' dengan akurat meskipun cetakan tinta buram, sedikit terhapus, terdistorsi, atau tercetak di atas latar belakang bergambar.
Tabel Perbandingan Head-to-Head
| Parameter | OCR Konvensional | Deep Learning Vision AI |
|---|---|---|
| Akurasi pada Dot-Matrix | 75% - 88% (Sering Mis-read) | > 99.8% (Sangat Akurat) |
| Toleransi Posisi Miring / Shift | Rendah (Harus Presisi) | Sangat Tinggi (±45°) |
| Sensitivitas Pencahayaan | Sangat Sensitif | Tahan Variasi Cahaya |
| Waktu Waktu Setup Font | Lama (Harus buat font baru) | Instant (Pre-trained Model AI) |
| Handling Background Noise | Buruk (Latar harus kontras) | Unggul (Abaikan gambar latar) |
Hasil Pengujian Lapangan (Field Trial)
Pada pengujian lapangan di lini produksi produk kesehatan & minuman, sistem Deep Learning Vision AI Ornova terbukti mampu membaca kode produksi secara real-time pada kecepatan lini tinggi tanpa satupun terjadi kesalahan baca (*zero false rejection*), memastikan tidak ada produk salah cetak yang lolos ke konsumen.
Pertanyaan yang sering diajukan
Kapan OCR konvensional masih cukup, tanpa perlu deep learning?
Kalau karakter dicetak konsisten pada permukaan datar dengan latar polos dan pencahayaan stabil, OCR konvensional sudah memadai — lebih murah, lebih cepat disiapkan, dan tidak perlu data pelatihan. Deep learning baru diperlukan saat karakter bervariasi, permukaan melengkung, atau latar belakangnya ramai.
Berapa banyak sample yang dibutuhkan untuk melatih model deep learning?
Bergantung keragaman kondisi yang harus ditangani. Yang lebih menentukan bukan jumlahnya, melainkan cakupannya: model perlu melihat contoh dari setiap variasi yang mungkin muncul — termasuk cetakan yang buram, terpotong, dan miring. Seratus sample beragam lebih berguna daripada seribu sample yang seragam.
Apakah sistem perlu dilatih ulang setiap ganti produk?
Tidak selalu. Kalau jenis cetakan dan latar belakangnya serupa, model yang sudah ada biasanya masih bekerja. Pelatihan ulang diperlukan saat muncul kondisi yang benar-benar baru — misalnya berganti jenis kemasan atau mesin pencetak kode.
Apa yang terjadi kalau kode terbaca salah, bukan tidak terbaca?
Ini justru risiko yang lebih berbahaya daripada gagal baca, karena produk dengan tanggal keliru bisa lolos. Karena itu sistem sebaiknya dikonfigurasi untuk menolak saat tingkat keyakinannya rendah, bukan menebak. Lebih baik satu produk baik ikut tertolak daripada satu produk salah tanggal lolos ke pasar.