Deteksi buah untuk Automatic Self-Checkout System menggunakan Computer Vision

Abstract

Dalam proses penjualan menggunakan sistem konvensional untuk produk yang tidak memiliki kode barcode, seperti buah-buahan, diperlukan layanan manual dengan kasir. Hal ini tidak hanya memerlukan tenaga manusia, tetapi juga meningkatkan risiko kesalahan dalam memasukkan data untuk pelabelan buah. Tugas akhir ini akan difokuskan pada penerapan metode deteksi objek menggunakan CNN (Convolutional Neural Network) dengan bantuan kamera dan penambahan sensor load cell sebagai POS (Point-Of-Sale) untuk proses pembelian buah di supermarket dan pasar swalayan. Proses perancangan dilakukan dengan pengukuran Working Distance kamera untuk diterapkan pada rancangan mekanik dan kalibrasi sensor load cell tipe single point dengan model CZL601. Proses kalibrasi yang dilakukan pengukuran menggunakan load cell single point dengan model CZL-601 didapatkan maksimum nilai error 1,5% sedangkan jika penambahan berat dilakukan dengan serentak didapatkan maksimum nilai error 0,03%. sehingga penggunaan tipe load cell tersebut dapat digunakan pada rancangan automatic self-checkout system sebagai POS. Selanjutnya, proses machine learning seperti pengumpulan dataset dan proses training serta evaluasi arsitektur deteksi objek sekaligus pemilihan arsitektur. Arsitektur deteksi objek yang akan di uji merupakan arsitektur EfficientDet D-0 dan MobileNet V2. arsitektur yang akan digunakan pada rancangan tugas akhir ini merupakan arsitektur Berdasarkan hasil pengujian yang telah dilakukan EfficientDet D-0 dengan nilai akurasi 97%, presisi 97% dan recall 100% dengan waktu setiap pendeteksian 1,92 detik. Nilai tersebut didapatkan setelah dilakukan pengujian deteksi objek secara real-time menggunakan Raspberry Pi 4B dan Picamera V1.3 untuk dataset 4 (empat) jenis buah yang terdiri dari apel, jeruk, lemon dan pisang. Dengan menggunakan arsitektur tersebut proses automatic self-checkout system dapat dilakukan dengan cepat dan akurat.