Analisis Kinerja Deteksi Gerakan dan Pengenalan Objek Produk Ritel Berbasis YoloV8
Abstract
Teknologi yang saat ini paling umum digunakan oleh industri ritel untuk mengidentifikasi produk adalah barcode. Karena keterbatasan barcode, QR (quick response) code lalu diusulkan. Namun, tantangan dari QR code adalah tidak semua produk memiliki QR code untuk dipindai pada mesin transaksi. Banyaknya variasi kode kemudian memicu penelitian untuk penggunaan teknologi visi komputer untuk mengenali sebuah produk. Berbagai teknologi deep learning telah diterapkan untuk mengenali produk, diantaranya adalah Faster R-CNN, Mask R-CNN, FCIS, RetinaNet, dan YOLO. Teknologi YOLO pada penelitian sebelumnya menggunakan versi YOLOv2 dan mampu mengenali produk pada datasetVOC 2012 dengan nilai mAP sebesar 78,2%. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis YOLO versi terbaru yaitu YOLOv8 untuk mengenali dan mendeteksi arah gerak produk ritel. Data yang digunakan terdiri dari 987 gambar dari 10 produk. Hasil pengujian pada proses pengenalan produk secara umum diperoleh nilai mAP50 sebesar 98% dan mampu mendeteksi arah gerak produk dengan baik. Berdasarkan hasil pengujian tersebut dapat disimpulkan bahwa penggunaan YOLOv8 secara signifikan dapat mendeteksi arah dan mengenali produk retail dengan baik.
Downloads
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Copyright Notice
An author who publishes in the Jurnal Elektro dan Telekomunikasi Terapan agrees to the following terms:
- Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-NonCommercial 4.0 International License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
- Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
- Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
Read more about the Creative Commons Attribution-NonCommercial 4.0 International License. here: http://creativecommons.org/licenses/by-nc/4.0/.
Privacy Statement
The names and email addresses entered in this journal site will be used exclusively for the stated purposes of this journal and will not be made available for any other purpose or to any other party.
