Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network
Saat ini teknologi barcode masih luas penggunaannya untuk mendata stok barang. Namun pada faktanya barcode juga memiliki kelemahan. Misal, barcode rentan mengalami kerusakan sehingga data di dalamnya sulit terbaca oleh scanner. Selain itu, barcode juga hanya bisa di-scan pada jarak tertentu, serta...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Center for Research and Community Service, Institut Informatika Indonesia Surabaya
2023-02-01
|
| Series: | Teknika |
| Subjects: | |
| Online Access: | https://ejournal.ikado.ac.id/index.php/teknika/article/view/596 |
| _version_ | 1827990800793862144 |
|---|---|
| author | Ferbian Loekman Lina |
| author_facet | Ferbian Loekman Lina |
| author_sort | Ferbian Loekman |
| collection | DOAJ |
| description |
Saat ini teknologi barcode masih luas penggunaannya untuk mendata stok barang. Namun pada faktanya barcode juga memiliki kelemahan. Misal, barcode rentan mengalami kerusakan sehingga data di dalamnya sulit terbaca oleh scanner. Selain itu, barcode juga hanya bisa di-scan pada jarak tertentu, serta letaknya yang berbeda-beda di setiap produk juga membuat user harus mencari letak barcode terlebih dahulu sebelum di-scan. Teknologi RFID yang ditawarkan untuk menjadi jalan keluar dari permasalahan pada teknologi barcode juga memiliki beberapa hambatan untuk penerapannya, salah satu contohnya adalah biaya yang mahal. Pada penelitian ini dibuat sebuah sistem manajemen inventori berbasis website menggunakan HTML, CSS, dan PHP. Hasil black box testing fungsionalitas web menunjukkan hasil yang sangat baik, tingkat keberhasilannya mencapai 93,94%. Teknologi computer vision khususnya object recognition yang menggunakan arsitektur ResNet dalam CNN juga diterapkan untuk mengenali barang melalui input-an citra objek secara otomatis. Setelah melakukan training data terhadap sepuluh kelas yang sudah ditentukan, didapatkan sebuah model dengan validation loss sebesar 1.0834e-04 dan validation accuracy mencapai 100%. Berdasarkan testing yang dilakukan, model sudah mampu mengenali satu objek dalam satu frame foto dengan tingkat akurasi mencapai 90%. Namun akurasinya menurun untuk skenario testing dengan dua dan lima objek dalam satu foto, sehingga mendapatkan hasil tingkat akurasi 56% dan 54%.
|
| first_indexed | 2024-04-10T00:40:58Z |
| format | Article |
| id | doaj.art-b3f206691db24e28a43e53aa8facad1a |
| institution | Directory Open Access Journal |
| issn | 2549-8037 2549-8045 |
| language | English |
| last_indexed | 2024-04-10T00:40:58Z |
| publishDate | 2023-02-01 |
| publisher | Center for Research and Community Service, Institut Informatika Indonesia Surabaya |
| record_format | Article |
| series | Teknika |
| spelling | doaj.art-b3f206691db24e28a43e53aa8facad1a2023-03-14T05:46:59ZengCenter for Research and Community Service, Institut Informatika Indonesia SurabayaTeknika2549-80372549-80452023-02-0112110.34148/teknika.v12i1.596Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural NetworkFerbian Loekman0Lina1Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Tarumanagara, DKI JakartaProgram Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Tarumanagara, DKI Jakarta Saat ini teknologi barcode masih luas penggunaannya untuk mendata stok barang. Namun pada faktanya barcode juga memiliki kelemahan. Misal, barcode rentan mengalami kerusakan sehingga data di dalamnya sulit terbaca oleh scanner. Selain itu, barcode juga hanya bisa di-scan pada jarak tertentu, serta letaknya yang berbeda-beda di setiap produk juga membuat user harus mencari letak barcode terlebih dahulu sebelum di-scan. Teknologi RFID yang ditawarkan untuk menjadi jalan keluar dari permasalahan pada teknologi barcode juga memiliki beberapa hambatan untuk penerapannya, salah satu contohnya adalah biaya yang mahal. Pada penelitian ini dibuat sebuah sistem manajemen inventori berbasis website menggunakan HTML, CSS, dan PHP. Hasil black box testing fungsionalitas web menunjukkan hasil yang sangat baik, tingkat keberhasilannya mencapai 93,94%. Teknologi computer vision khususnya object recognition yang menggunakan arsitektur ResNet dalam CNN juga diterapkan untuk mengenali barang melalui input-an citra objek secara otomatis. Setelah melakukan training data terhadap sepuluh kelas yang sudah ditentukan, didapatkan sebuah model dengan validation loss sebesar 1.0834e-04 dan validation accuracy mencapai 100%. Berdasarkan testing yang dilakukan, model sudah mampu mengenali satu objek dalam satu frame foto dengan tingkat akurasi mencapai 90%. Namun akurasinya menurun untuk skenario testing dengan dua dan lima objek dalam satu foto, sehingga mendapatkan hasil tingkat akurasi 56% dan 54%. https://ejournal.ikado.ac.id/index.php/teknika/article/view/596Sistem Manajemen InventoriWebsiteObject RecognitionCNNResNet Architecture |
| spellingShingle | Ferbian Loekman Lina Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network Teknika Sistem Manajemen Inventori Website Object Recognition CNN ResNet Architecture |
| title | Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network |
| title_full | Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network |
| title_fullStr | Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network |
| title_full_unstemmed | Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network |
| title_short | Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network |
| title_sort | sistem manajemen inventori dengan pengenalan barang secara otomatis menggunakan metode convolutional neural network |
| topic | Sistem Manajemen Inventori Website Object Recognition CNN ResNet Architecture |
| url | https://ejournal.ikado.ac.id/index.php/teknika/article/view/596 |
| work_keys_str_mv | AT ferbianloekman sistemmanajemeninventoridenganpengenalanbarangsecaraotomatismenggunakanmetodeconvolutionalneuralnetwork AT lina sistemmanajemeninventoridenganpengenalanbarangsecaraotomatismenggunakanmetodeconvolutionalneuralnetwork |