Pendekatan Semi-supervised Learning untuk Proses Pelabelan Produk Retail untuk meningkatkan Performa Deteksi Objek Halaman Judul

Abstract

Penelitian ini mengimplementasikan pendekatan semi-supervised learning berbasis

pseudo-labeling untuk meningkatkan performa deteksi objek produk retail dalam konteks On- Shelf Availability (OSA) dengan memanfaatkan kombinasi data berlabel dan tidak berlabel.

Latar belakang penelitian adalah tingginya biaya dan waktu yang dibutuhkan untuk anotasi manual pada sistem deteksi objek yang melibatkan ratusan kategori produk dengan variasi visual tinggi. Penelitian menggunakan arsitektur YOLOv8n dan YOLOv11n yang dilatih pada dataset berisi 918 gambar dengan 174 kelas produk retail (total 11.161 objek), yang dibagi menjadi empat proporsi data berlabel: 20%, 40%, 60%, dan 80%. Metodologi penelitian mencakup lima tahapan: pengumpulan dan persiapan data dengan

anotasi manual format YOLO, supervised training untuk menghasilkan teacher model, pseudo- labeling dengan confidence threshold 0.7, semi-supervised training dengan tiga strategi

inisialisasi (pretrained, teacher model, dan pseudo model), serta evaluasi menggunakan metrik precision, recall, mAP@0.5, mAP@0.5:0.95, F1-score, IoU, dan inference time. Hasil penelitian menunjukkan bahwa proporsi 60% data berlabel menghasilkan performa optimal, dengan model Pretrained YOLOv11 mencapai mAP@0.5 sebesar 0.951 mendekati performa fully supervised dengan namun menghemat 40% effort anotasi. Penelitian membuktikan bahwa semi-supervised learning efektif mengurangi ketergantungan terhadap anotasi manual dengan proporsi 60% sebagai titik optimal antara performa dan efisiensi, memberikan rekomendasi praktis untuk implementasi sistem deteksi objek retail yang cost-effective dengan performa mendekati fully supervised.