Pengembangan Sistem Deteksi Objek pada Produk Retail dengan Arsitektur YOLOv4-tiny

Abstract

Supermarket sebagai toko retail yang menyediakan berbagai kebutuhan produk seharihari,

dalam menjalankan proses bisnisnya, sering mengalami masalah kehabisan stok barang yang memberikan dampak kerugian paling banyak. Diperkirakan, kehabisan stok barang pada produk retail berkisar antara 7% hingga 10% di seluruh dunia, yang menyebabkan kerugian hingga miliaran tiap tahunnya. Masalah ini sebagian besar disebabkan oleh manajemen barang yang buruk. Adanya dukungan dari sistem deteksi objek diharapkan dapat meningkatkan kepedulian pihak manajemen terhadap pentingnya ketersediaan suatu barang sehingga proses jual beli pada toko retail menjadi lebih baik. Berangkat dari permasalahan tersebut, pada penelitian ini peneliti menerapkan arsitektur model deteksi objek YOLO (You Only Look Once), yakni YOLOv4-tiny yang akan dijalankan pada perangkat mobile. YOLOv4-tiny digunakan karena memiliki berbagai kelebihan diantaranya terbukti memiliki kinerja yang baik, ukuran modelnya yang kecil, kompleksitas komputasi yang rendah, dan dapat memproses gambar dengan cepat. Selain itu, pada penelitian ini performa dari model ditentukan berdasarkan hasil nilai evaluasi Mean Average Precision (mAP). Adapun dataset yang digunakan pada penelitian ini sebagai studi kasus adalah produk susu bubuk sebanyak 4637 data gambar yang berisikan 106 kelas. Selain itu, metodologi yang diterapkan dalam penelitian ini terdiri dari beberapa tahap meliputi analisis masalah, kalian literatur, data collection, data preprocessing, data annotation, training model, evaluation, dan testing. Proses training berhasil diselesaikan dalam waktu 111 jam, didapatkan hasil performa dari model yang dibangun cukup tinggi dengan nilai mean average precision sebesar 92,12%. Terlebih lagi, pengujian pada perangkat android mendapatkan waktu inferensi rata-rata berkisar antara 600 hingga 700ms.