Perbandingan Performa SSD Mobilenet V3 Large dan SSD Mobilenet V2 Fpnlite untuk Deteksi Objek Pada Produk Retail

Abstract

Era revolusi industri 4.0 menuntut berbagai sektor industri untuk bergerak lebih cepat, tidak terkecuali industri retail. Sebagai salah satu aspek dalam industri retail yang sangat penting, ketersediaan barang pada rak (On-Shelf Availability) menjadi perhatian khusus karena sangat mempengaruhi loyalitas customer terhadap suatu produk. On-Shelft Availability (OSA) merupakan salah satu aspek yang dapat ditingkatkan performanya dengan memanfaatkan teknologi kecerdasan bautan. Salah satu jenis kecerdasan buatan atau machine learning yang dapat diimplementasikan untuk OSA adalah deteksi objek. Deteksi objek adalah teknologi yang memanfaatkan kemampuan komputer untuk mendeteksi objek yang diinginkan dari gambar atau video yang disediakan. Pada kontek OSA, deteksi objek digunakan untuk mendeteksi ada atau tidaknya produk atau Stock Keeping Unit (SKU) yang dicari. TensorFlow merupakan framework machine learning yang menyediakan berbagai aristektur yang ditawarkan pada TensorFlow Object Detection API. Salah satu arsitektur deteksi objek yang paling cocok digunakan di perangkat bergerak adalah SSD MobileNet. Pada penelitian sebelumnya, peneliti sudah mengimplementasikan SSD MobileNet pada perangkat bergerak dengan framework TensorFlow 1 dan arsitektur SSD MobileNet. Saat ini, TensorFlow sudah merilis TensorFlow versi 2, sehingga dimungkinkan adanya pembaruan untuk penelitian penulis. Oleh sebab itu, penulis melakukan penelitian terkait perbandingan hasil deteksi objek model SSD MobileNet di TensorFlow 1 dan 2 pada konteks OSA. Tahapan penelitian dimulai dari pengumpulan data, pelabelan data, pemrosesan data, pelatihan data, integrasi model, dan evaluasi model. Pada penelitian ini, penulis menggunakan arsitektur SSD MobileNetV2 untuk TensorFlow 2 dengan tiga variasi input resizer yakni 320x320, 640x640, dan 1024x1024. Untuk TensorFlow 1, input resizer yang digunakan adalah 1024x1024 yang diambil dari pengalaman proyek yang pernah dilakukan oleh penulis. Hasil penelitian menunjukkan bahwa hasil deteksi objek menggunakan TensorFlow 2 lebih unggul dibandingkan TensorFlow 1 jika deteksi dilakukan menggunakan model asli di perangkat komputer. Hal ini ditunjukkan dengan hasil mAP ketiga model TensorFlow 2 yang lebih tinggi. Namun, saat dikonversi ke TensorFlow Lite, seluruh model baik dari TensorFlow 2 maupun TensorFlow 1 mendapatkan hasil mAP yang tidak jauh berbeda. Waktu inferensi juga menunjukkan perbedaan antar satu model dengan model lainnya. Model yang memiliki input resizer lebih besar cenderung memiliki inference time yang lebih lama.