Sistem Manajemen Inventori Dengan Pengenalan Barang Secara Otomatis Menggunakan Metode Convolutional Neural Network
DOI:
https://doi.org/10.34148/teknika.v12i1.596Keywords:
Sistem Manajemen Inventori, Website, Object Recognition, CNN, ResNet ArchitectureAbstract
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%.
Downloads
References
R. Komalasari, B. Harto, and R. Setiawan, “UMKM Go-Digital sebagai Adaptasi dan Inovasi Pemasaran Arkha Minoritas pada Pandemi COVID-19,” IKRA-ITH ABDIMAS, vol. 4, no. 1, pp. 1—7, 2021.
H. W. W. Pitoy, A. B. H. Jan, and J. S. B. Sumarauw, “Analisis Manajemen Pergudangan Pada Gudang Paris Superstore Kotamobagu,” Jurnal EMBA: Jurnal Riset Ekonomi, Manajemen, Bisnis dan Akuntansi, vol. 8, no. 3, 2020, doi: https://doi.org/10.35794/emba.v8i3.29929.
A. Kamali, “Smart warehouse vs. traditional warehouse,” CiiT International Journal of Automation and Autonomous System, vol. 11, no. 1, pp. 9—16, 2019.
A. Yanuar, ST., M.MGT. and M. Rahmatulah, ST., MT., “Analisa dan Perancangan Warehouse Management System (WMS) Pada UKM Online,” Jurnal Logistik Bisnis, vol. 9, no. 02, pp. 81—89, Nov. 2019, doi: 10.46369/LOGISTIK.V9I02.569.
M. L. Syam and Erdisna, “Sistem Informasi Stok Barang Menggunakan QR-Code Berbasis Android,” Jurnal Informatika Ekonomi Bisnis, vol. 4, no. 1, pp. 17—22, Feb. 2022, doi: 10.37034/infeb.v4i1.108.
A. L. Tungadi and E. A. Lisangan, “Simulasi Penerapan Active RFID pada Fungsi Bisnis Penjualan sebagai Komponen ERP pada Peruahaan Ritel,” in Seminar Nasional Komunikasi dan Informatika, 2021.
Martinus, M. S. Wahab, Yudi, and H. Ham, “Data Transmission Using RFID System on Smart Shopping Carts for Checkout Process Efficiency in Supermarket at Indonesia,” Procedia Comput Sci, vol. 179, pp. 902—912, Jan. 2021, doi: 10.1016/J.PROCS.2021.01.080.
B. Saputra, R. E. Indrajit, and E. Dazki, “Perancangan Warehouse Management System Berbasis IOT Pada PT. Agility Internasional,” SMARTICS Journal, vol. 7, no. 2, pp. 72—77, 2022.
J. Zhao, F. Xue, and D. A. Li, “Intelligent Management of Chemical Warehouses with RFID Systems,” Sensors 2020, Vol. 20, Page 123, vol. 20, no. 1, p. 123, Dec. 2019, doi: 10.3390/S20010123.
M. N. Ardiansyah, P. S. Muttaqin, M. D. Prasetio, and N. Novitasari, “Identifikasi Objek/Produk untuk Proses Stock Taking Barang menggunakan Konsep Object Recognition,” Jurnal Rekayasa Sistem & Industri (JRSI), vol. 8, no. 01, pp. 28—34, Jun. 2021, doi: 10.25124/jrsi.v8i1.455.
R. Yamashita, M. Nishio, R. K. G. Do, and K. Togashi, “Convolutional neural networks: an overview and application in radiology,” Insights Imaging, vol. 9, no. 4, pp. 611—629, 2018, doi: 10.1007/s13244-018-0639-9.
L. Lina, M. Augustine, O. Oktaviana, and A. Chris, “Pendeteksian Leukosit Secara Otomatis Melalui Citra Preparat Berbasis Region Proposal Network,” Jurnal Teknika, vol. 11, no. 03, pp. 190-196, Nov. 2022, doi: 10.34148/teknika.v11i3.541.
H. Yoo, S. Han, and K. Chung, “Diagnosis Support Model of Cardiomegaly Based on CNN Using ResNet and Explainable Feature Map,” IEEE Access, vol. 9, pp. 55802—55813, Apr. 2021, doi: 10.1109/ACCESS.2021.3068597
L. Lina, A.A. Marunduh, W.Wasino, and D. Ajienegoro, “Identifikasi Emosi Wajah Pengguna Konferensi Video Menggunakan Convolutional Neural Network dengan Arsitektur VGG-16”, Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 9, no. 05, pp. 1047-1054, Okt. 2022, doi: 10.25126/jtiik.202295269.
Z. Fouad, M. Alfonse, M. Roushdy, and A.-B. M. Salem, “Hyper-parameter optimization of convolutional neural network based on particle swarm optimization algorithm,” Bulletin of Electrical Engineering and Informatics, vol. 10, no. 6, pp. 3377—3384, Dec. 2021, doi: 10.11591/eei.v10i6.3257.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Jun. 2016, pp. 770—778. doi: 10.1109/CVPR.2016.90.
V. Verdhan, Computer Vision Using Deep Learning. Berkeley, CA: Apress, 2021. doi: 10.1007/978-1-4842-6616-8.
X.-S. Wei, Q. Cui, L. Yang, P. Wang, and L. Liu, “RPC: A Large-Scale Retail Product Checkout Dataset,” Jan. 2019, doi: https://doi.org/10.48550/arXiv.1901.07249.
