Implementasi Deep Learning Di Bidang Ecommerce Menggunakan Convolutional Neural Network Dengan Arsitektur Efficientnet Untuk Deteksi Produk (Studi Kasus : Deteksi 42 Kategori Produk Shopee Terpopuler Tahun 2020)
Abstract
Di era digital ini, sistem otomatisasi sangatlah diperlukan, sebagai contoh di
bidang e-Commerce, banyak sekali pilihan produk yang ditawarkan sehingga
perlu dibuat suatu kategori agar penggunanya lebih mudah mencari produk sesuai
kebutuhannya. Sebagai platform e-Commerce tentunya perlu dibuat suatu sistem
yang dapat mengelompokkan produk ke kategori tertentu secara otomatis karena
jika dilakukan manual tentunya akan sangat melelahkan dan memerlukan banyak
waktu. Sistem deteksi produk yang kuat yang akan meningkatkan efisiensi daftar
dan kategorisasi secara signifikan. Kenyataannya, data selalu jauh lebih rumit, ada
gambar yang salah label, latar belakang gambar yang kompleks, gambar
beresolusi rendah, data tidak seimbang, serta banyaknya kategori membuat
masalah ini masih menjadi tantangan di bidang data science. Pada studi kasus
digunakan data gambar dari e-Commerce Shopee yang berisi 105,390 gambar
yang memiliki 42 kategori paling populer di tahun 2020. Proses training
dilakukan dengan beberapa skema yang mengkombinasikan pre-trained model
yang digunakan mulai dari EfficientNet-B0 hingga EfficientNet-B7 dengan
optimizer Adam serta proporsi data train dan data test yaitu 80%:20% dan
90%:10%. Model paling efisien yaitu EfficientNet-B4 dengan akurasi 79.53%
pada data test menggunakan skema kedua. Kemudian, akan dilakukan fine tuning
pada model tersebut untuk meningkatkan akurasi. Hasil terbaik mampu
memberikan tingkat akurasi sebesar 82.88%.
Collections
- Statistics [900]