Analisis Keandalan YOLOv8m untuk Deteksi Varian Produk Kemasan Kotak pada Sistem Manajemen Kesediaan Stock
DOI:
https://doi.org/10.36423/index.v6i2.1984Abstract
Sistem manajemen kesediaan stock secara otomatis dapat meningkatkan efisiensi waktu ketika proses pendataan produk, mempercepat laju penjualan, efisiensi budget, hingga meminimalisir terjadinya tindakan kecurangan pendataan oleh petugas toko. Demi terciptanya tujuan tersebut sudah seharusnya sistem pendataan kesediaan stock dioptimalisasi dengan sistem otomatisasi. Sayangnya, sistem pendataan saat ini masih dilakukan secara manual dengan basis pengecekan produk pada display shelfing sehingga memicu terjadinya kesalahan pendataan oleh petugas, tentunya akar permasalahan ini harus segera diputuskan sehingga efisiensi manajemen persediaan stock dapat terorganisir. Sistem deteksi real-time menggunakan metode YOLO telah beberapa kali dilakukan dan terbukti telah berkontribusi positif pada keakuratan hasil deteksi, salah satunya yakni metode YOLOv8. Pada penelitian ini menggunakan komparasi 4 metode YOLOv8 diantaranya yakni YOLOv8n, YOLOv8s, YOLOv8m, dan YOLOv8l, sebagai langkah untuk menciptakan akurasi model terbaik. Produk deteksi yang digunakan pada penelitian ini menggunakan produk “Pocky 70gram Biscuit Sticks” dengan total varian produk sebanyak 8 class. Penelitian ini menggunakan 400 data training dan 400 data validation. Hasil temuan dari penelitian ini yakni metode YOLOv8m memberikan kontribusi akurasi training terbaik diantara model lainnya dengan persentase precision mencapai 95.45% dan mAP50 sebesar 96.32%. Adanya penyempurnaan pada model YOLOv8m yang telah dilakukan berhasil meningkatkan precision of accuracy model sebesar 97.85% dari sebelumnya yang hanya 95.45%. Hasil persentase average confidence score pada penelitian ini sebesar 86.08% atas kontribusi pengujian keseluruhan varian produk yang diujikan. Keandalan sistem deteksi kesediaan stock ini menunjukkan bahwa sistem application mampu mengenali setiap jenis produk secara tepat dan efektif sehingga output pada penelitian ini dapat bermanfaat untuk efisiensi manajemen kesediaan stock.
References
R. Putra and Yoannita, “Perangkat Lunak Pengenalan Jenis Roti Pada Toko Roti Dengan Menggunakan Model Deteksi Objek Yolov8,” MDP Student Conf. 2024, vol. 3, no. 1, pp. 973–980, 2024.
M. Basirun, M. Prodi, S. Informasi, P. S. Komputer, and P. S. Informasi, “PENERAPAN SCM DALAM UPAYA PENGELOLAAN STOCK BAHAN BAKU PRODUKSI TAHU PADA PABRIK TAHU HELEN PENDAHULUAN Industri rumah tangga , yaitu industri yang menggunakan tenaga kerja kurang dari empat orang . Ciri industri ini memiliki modal yang sangat terbatas , ,” vol. 2, no. 3, pp. 211–218, 2022.
R. Richo, R. Y. Adhitya, M. K. Hasin, M. Syai’in, and E. Setiawan, “Eksplorasi Keandalan Sistem Sortir dan Klasifikasi Kecacatan Perekat Kemasan Menggunakan Arsitektur UNet-Inception Convolutional Neural Network,” J. Elektron. dan Otomasi Ind., vol. 10, no. 3, pp. 321–333, 2023, doi: 10.33795/elkolind.v10i3.3835.
R. Rizal, “Perancangan Early Warning System Untuk Mendukung Sistem Persediaan Barang Dagang,” Pros. Semin. Nas. SISFOTEK, vol. 9, no. September, pp. 228–236, 2018, [Online]. Available: http://seminar.iaii.or.id/index.php/SISFOTEK/article/view/83
A. Maulana, M. Suherman, A. F. N. Masruriyah, and H. Y. Novita, “PENERAPAN ALGORITMA CNN MENGGUNAKAN FRAMEWORK YOLO UNTUK DETEKSI OBJEK PRODUK DI PERUSAHAAN MANUFAKTUR,” INTI NUSA MANDIRI, vol. 18, no. 2, pp. 107–114, 2024.
A. Carolina and L. Lina, “Sistem Penjualan Dengan Pengenalan Produk Secara Otomatis Menggunakan Metode Yolo,” Simtek J. Sist. Inf. dan Tek. Komput., vol. 8, no. 2, pp. 271–275, 2023, doi: 10.51876/simtek.v8i2.224.
Y. Li, H. Huang, Q. Chen, Q. Fan, and H. Quan, “Research on a Product Quality Monitoring Method Based on Multi Scale PP-YOLO,” IEEE Access, vol. 9, pp. 80373–80387, 2021, doi: 10.1109/ACCESS.2021.3085338.
G. Wang, Y. Chen, P. An, H. Hong, J. Hu, and T. Huang, “UAV-YOLOv8: A Small-Object-Detection Model Based on Improved YOLOv8 for UAV Aerial Photography Scenarios,” Sensors, vol. 23, no. 16, 2023, doi: 10.3390/s23167190.
R. Richo, R. Yudha Adhitya, M. Khoirul Hasin, M. Syai’in, and E. Setiawan, “Analisis Pengaruh Optimizer pada Model CNN untuk Identifikasi Cacat pada Perekat Kemasan Optimizer Analysis on the CNN Model for Identification Packaging Defects,” J. Sisfotenika, vol. 13, no. 2, pp. 217–229, 2023, [Online]. Available: http://sisfotenika.stmikpontianak.ac.id/index.php/ST
I. Maulana, N. Rahaningsih, and T. Suprapti, “Analisis Penggunaan Model Yolov8 (You Only Look Once) Terhadap Deteksi Citra Senjata Berbahaya,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3621–3627, 2024, doi: 10.36040/jati.v7i6.8271.
A. Ma’aruf and M. Hardjianto, “Application of the You Only Look Once Version 8 Algorithm for Indonesian Sign Language Alphabet,” Semin. Nas. Mhs. Fak. Teknol. Inf., vol. 2, no. September, pp. 567–576, 2023.
N. J. Hayati, D. Singasatia, and M. R. Muttaqin, “Object Tracking Menggunakan Algoritma You Only Look Once (YOLO)v8 untuk Menghitung Kendaraan,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 2, pp. 91–99, 2023, doi: 10.34010/komputa.v12i2.10654.
M. IKBAL and R. A. Saputra, “Pengenalan Rambu Lalu Lintas Menggunakan Metode Yolov8,” JIKA (Jurnal Inform., vol. 8, no. 2, p. 204, 2024, doi: 10.31000/jika.v8i2.10609.
L. Wang et al., “A defect detection method for industrial aluminum sheet surface based on improved YOLOv8 algorithm,” Front. Phys., vol. 12, no. June, pp. 1–14, 2024, doi: 10.3389/fphy.2024.1419998.
B. Luo, Z. Kou, C. Han, and J. Wu, “A ‘Hardware-Friendly’ Foreign Object Identification Method for Belt Conveyors Based on Improved YOLOv8,” Appl. Sci., vol. 13, no. 20, 2023, doi: 10.3390/app132011464.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Richo Richo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
