DETEKSI PRODUK RITEL PADA SISTEM SELF-CHECKOUT MENGGUNAKAN EFFICIENTDET
Article Sidebar
Read Counter : 6
Download : 2
Main Article Content
Abstract
Sistem self-checkout menawarkan solusi inovatif untuk mengurangi antrean dan biaya operasional di sektor ritel. Dengan memanfaatkan deep learning, sistem ini memungkinkan identifikasi produk secara otomatis tanpa interaksi kasir, sehingga meningkatkan efisiensi dan kenyamanan pelanggan. Penelitian ini mengusulkan sistem self-checkout menggunakan model EfficientDet, yaitu metode deteksi objek yang dikenal memiliki keseimbangan antara akurasi dan efisiensi komputasi. Dataset yang terdiri atas 10 jenis produk makanan dan minuman dikumpulkan serta digunakan untuk pelatihan, validasi, dan pengujian. Model dilatih dengan variasi batch size dan epoch untuk menentukan konfigurasi terbaik. Hasil optimal diperoleh pada batch size 16 dan 800 epoch, dengan akurasi pelatihan sebesar 97% dan akurasi validasi sebesar 99,79%. Kinerja sistem kemudian dievaluasi melalui tiga skenario pengujian. Pada citra dengan satu produk, sistem mencapai akurasi deteksi 100% dan akurasi pengenalan 92%. Pada citra dengan tiga produk, akurasi deteksi dan pengenalan masing-masing mencapai 72%, sedangkan pada lima produk mencapai 42% dan 30%. Hasil ini menunjukkan bahwa EfficientDet layak digunakan dalam pengembangan sistem self-checkout yang efisien dan praktis, sekaligus menyoroti tantangan dalam deteksi multiobjek.
Downloads
Article Details
Section
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
How to Cite
References
[1] W. F. Falah, L. Halim and N. Saputro, "Perancangan Awal Sistem Automatic Self-Checkout Untuk Produk Buah Berbasis CNN dan Sensor Berat Loadcell," Jurnal Teknik, vol. 21, no. 1, pp. 1-6, 2023.
[2] M. F. R. Akbari, B. Rahayudi and L. Muflikhah, "Implementasi Deep Learning menggunakan Algoritma EfficientDet untuk Sistem Deteksi Kelayakan Penerima Bantuan Langsung Tunai berdasarkan Citra Rumah di Wilayah Kabupaten Kediri," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 4, pp. 1817-1825, 2023.
[3] M. A. Saleh, Z. S. Ameen, C. Altrjman and F. Al-Turjman, "Computer-Vision-Based Statue Detection with Gaussian Smoothing Filter and EfficientDet," Sustainability, vol. 14, no. 18, pp. 1-10, 2022.
[4] I. P. Manuaba and K. A. T. Indah, "Perbaikan Deteksi Objek Metode Findcontour Menggunakan Logika Fuzzy untuk Mendeteksi Objek Aksara Bali pada Daun Lontar," Technomedia Journal, vol. 7, no. 3, pp. 314-322, 2023.
[5] H. R. Yudistira and Lina, "Human Activity Recognition dari Rekaman Video Pengawas dengan Metode YOLO," Jurnal Ilmu Komputer dan Sistem Informasi, pp. 1-5, 2022.
[6] R. L. Hasanah, M. Hasan, W. E. Pangesti and F. F. Wati, "Klasifikasi Penerima Dana Bantuan Desa Menggunakan Metode KNN (K-Nearest Neighbor)," Jurnal Techno Nusa Mandiri, vol. 16, no. 1, pp. 1-6, 2019.
[7] Ainurrohmah, "Akurasi Algoritma Klasifikasi pada Software Rapidminer dan Weka," PRISMA, Prosiding Seminar Nasional Matematika, vol. 4, pp. 493-499, 2021.
[8] W. E. Nurjanah, R. S. Perdana and M. A. Fauzi, "Analisis Sentimen Terhadap Tayangan Televisi Berdasarkan Opini Masyarakat pada Media Sosial Twitter menggunakan Metode K-Nearest Neighbor dan Pembobotan Jumlah Retweet," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 12, pp. 1750-1757, 2017.