dc.description.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. |
en_US |