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.