Proses granulasi adalah tahap penting dan menantang dalam pembuatan sediaan tablet, yang dipengaruhi oleh variabilitas bahan baku dan sulit untuk direproduksi dari lingkungan penelitian dan pengembangan. Kontrol saat ini, yang menggunakan kondisi tetap seperti arus atau torsi mixer dan pada pemeriksaan akhir dilakukan visual manual oleh operator, memiliki kelemahan dalam hal reprodusibilitas dan ketergantungan pada kemampuan operator. Oleh karena itu, diperlukan metode kontrol yang mampu memonitor proses secara in-line dan real-time untuk meningkatkan reprodusibilitas. Penelitian ini bertujuan mengembangkan metode pemantauan in-line dan real-time pada proses granulasi basah menggunakan teknologi pemrosesan gambar dengan deep learning. Kami mengembangkan model klasifikasi gambar dengan dua kelas: "Fail" untuk proses granulasi yang belum mencapai titik akhir, dan "Success" untuk yang sudah mencapai titik akhir. Arsitektur deep learning yang digunakan adalah native Convolutional Neural Network (CNN), yang menunjukkan akurasi terbaik (97%) dibandingkan model lain seperti MobileNetV2, RestNet50V2, dan EfficientNetB0. Metode pengambilan gambar yang kami lakukan adalah dengan cara menempatkan kamera dan pencahayaan dari posisi atas mesin granulator dan mengambil gambar sepanjang proses granulasi berjalan. Didapatkan total 23.950 gambar yang mencakup 15.324 gambar dengan label “Fail” dan 8626 gambar dengan label “Success”. Dikarenakan jumlah gambar dengan label “Success” lebih sedikit dari label “Fail” kami melakukan oversampling dengan metode SMOTE untuk gambar dengan label “Success” sebanyak 4313 gambar sehingga total dataset mencakup 15.324 gambar dengan label “Fail” dan 12.939 gambar dengan label “Success”. Dataset ini kami bagi menjadi 80% untuk pelatihan dan 20% untuk validasi dan didapatkan model dengan akurasi 88%, sensitivity 0.96, dan presisi 0.8. Kami menggunakan nilai moving average dari confidence prediksi model algoritma sebagai algoritma penentuan titik akhir, dengan window moving average 10 dan threshold 0.9. Model kami berhasil menghentikan proses granulasi dengan baik dan tidak mengalami perbedaan yang signifikan secara statistik dengan proses konvensional dengan nilai p-value > 0.05. Dapat disimpulkan bahwa teknologi pemrosesan gambar menggunakan deep learning dengan algoritma CNN native mampu digunakan sebagai metode pemantauan in-line dan real-time pada proses granulasi basah. Teknologi ini dapat dioptimalkan lebih lanjut untuk digunakan secara luas dalam industri farmasi.

---

The granulation process is a crucial and challenging stage in tablet manufacturing, influenced by the variability of raw materials and difficult to reproduce from research and development environments. The current control, which uses fixed conditions such as mixer current or torque and final visual inspection by operators, has weaknesses in terms of reproducibility and dependence on the operators' skills. Therefore, a control method capable of monitoring the process in-line and in real-time is needed to improve reproducibility. This study aims to develop an in-line and real-time monitoring or PAT method for the wet granulation process using image processing technology with deep learning. We developed an image classification model with two classes: “Fail” for granulation processes that have not reached the endpoint, and “Success” for those that have. The deep learning architecture used is a native Convolutional Neural Network (CNN), which demonstrated the best accuracy (97%) compared to other models such as MobileNetV2, RestNet50V2, and EfficientNetB0. The image capture method was carried out by placing the camera and lighting from the top position of the granulator machine, taking pictures throughout the granulation process. A total of 23,950 images were obtained which included 15,324 images labelled "Fail" and 8,626 images labelled "Success". Due to the smaller number of images labelled "Success", we oversampled 4,313 images labelled "Success" using the SMOTE method, so that the total dataset includes 15,324 images labelled "Fail" and 12,939 images labelled "Success". This dataset was divided into 80% for training and 20% for validation, resulting in a model with 88% accuracy, 0.96 sensitivity, and 0.8 precision. We used the moving average value of the model's confidence prediction algorithm as the endpoint determination algorithm, with a moving average window of 10 and a threshold of 0.9. Our model successfully stopped the granulation process and had no statistically significant difference with the conventional process, with a p-value > 0.05. In conclusion, image processing technology using deep learning with native CNN algorithm can be used as an in-line and real-time monitoring method in wet granulation process. This technology can be further optimized for widespread use in the pharmaceutical industry.