| dc.description.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, [email protected], [email protected]:0.95, F1-score, IoU, dan inference time.
Hasil penelitian menunjukkan bahwa proporsi 60% data berlabel menghasilkan performa
optimal, dengan model Pretrained YOLOv11 mencapai [email protected] 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. | en_US |
