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%.