Hasil Pencarian: "Deteksi Objek" (Semua Bidang (Umum))
Penelusuran metadata karya ilmiah dan dokumen institusi Universitas Bina Insani.
Filter Otomatis
ResetHasil Pencarian: "Deteksi Objek" (Semua Bidang (Umum))
Menampilkan 2 karya ilmiah repository terverifikasi (Skripsi & Artikel Jurnal OJS)
| Detail Karya Ilmiah & Metadata | Tipe & Program Studi | Aksi Metadata |
|---|---|---|
Perancangan Sistem Monitoring Ketersediaan Meja Coffee Shop Berbasis Computer Vision Menggunakan YOLOv8
Penulis: Muhammad Ilham Syawal Sanusi, Jafar Shadiq, S.Kom. M.Kom |
2026
Perkembangan sektor Food and Beverages di Indonesia mendorong Coffee shop untuk memberikan pelayanan yang cepat dan efisien. Namun, di Naluri Kopi Bojong Gede, proses pemantauan ketersediaan meja masih dilakukan secara manual oleh petugas, sehingga membutuhkan waktu dan berpotensi menimbulkan keterlambatan dalam memberikan informasi kepada pelanggan, terutama pada jam sibuk. Penelitian ini bertujuan merancang sistem monitoring okupansi meja yang mampu memberikan informasi ketersediaan meja secara real-time, serta mengimplementasikan teknologi Deep Learning dan Computer Vision menggunakan algoritma YOLOv8n untuk mendeteksi status meja kosong dan terisi secara otomatis. Penelitian ini menggunakan model pengembangan Rapid Application Development (RAD) yang terdiri atas tahap Requirements Planning, User Design, Construction, dan Cutover. Model YOLOv8n pretrained berbasis dataset MS COCO digunakan untuk mendeteksi objek person pada area meja yang telah dikalibrasi (Region of Interest), kemudian dipadukan dengan mekanisme Temporal Filtering untuk menentukan status meja available atau occupied yang ditampilkan pada dashboard monitoring berbasis web. Kontribusi penelitian ini adalah tersedianya solusi otomatisasi pemantauan meja tanpa memerlukan pelatihan model tambahan. Hasil pengujian fungsional menggunakan Black Box Testing menunjukkan seluruh 12 skenario pengujian berjalan valid. Pengujian akurasi terhadap 300 data menghasilkan nilai Accuracy sebesar 89,00%, Precision sebesar 88,67%, Recall sebesar 90,38%, dan F1-Score sebesar 89,52%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa sistem monitoring okupansi meja berbasis YOLOv8n mampu mendeteksi status ketersediaan meja secara real-time dengan tingkat ketepatan yang baik, sehingga dapat membantu petugas mengurangi pengecekan manual dan meningkatkan efisiensi pelayanan pada Coffee shop.
#Computer Vision
#Deep Learning
#YOLOv8n
#Monitoring Okupansi Meja
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
PENGEMBANGAN TIMBANGAN DIGITAL UNTUK IDENTIFIKASI JENIS BUAH MENGGUNAKAN ALGORITMA YOLOv8 BERBASIS VIRTUAL PRIVATE SERVER
Penulis: Tiana Ramdani, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Tiana Ramdani (2022310058) Pengembangan Timbangan Digital untuk Identifikasi Jenis Buah Menggunakan Algoritma YOLOv8 Berbasis Virtual Private Server PT Interskala Mandiri Indonesia selama ini masih mengandalkan input kode Price Look Up (PLU) melalui keypad pada proses penimbangan digital, yang mana cara tersebut kerap memunculkan kesalahan manusia dan menurunkan efisiensi kerja secara keseluruhan. Berangkat dari permasalahan tersebut, penelitian ini bertujuan merancang timbangan digital berbasis AIoT yang mampu mendeteksi jenis buah secara otomatis dengan memanfaatkan algoritma YOLOv8, sekaligus memusatkan pengelolaan data melalui Virtual Private Server (VPS). Proses penelitian dan pengembangannya mengacu pada model ADDIE. Dari sisi perangkat keras, sistem ini dibangun menggunakan mikrokontroler ESP32 NodeMCU-32S, ESP32-S3 CAM sebagai modul pengambilan gambar, serta load cell yang dikombinasikan dengan modul HX711 untuk menghasilkan pengukuran berat yang presisi. Model YOLOv8 dilatih menggunakan lima kelas buah, yakni apel fuji, jeruk, lemon, pir century, dan buah naga, kemudian dideploy pada backend VPS melalui Flask API. Untuk pencetakan struk, sistem terhubung ke printer termal Bluetooth T3 menggunakan perangkat lunak RawBT, sementara pemantauan monitoring dilakukan lewat dasboard berbasis React.js. Pada tahap pengujian, model YOLOv8 mampu mencapai performa deteksi real-time yang sangat baik, dengan nilai mAP@50 sebesar 99,5%, presisi 99,97%, recall 100%, dan F1-score 100%. Di sisi lain, sensor load cell memberikan tingkat akurasi 99,74% dengan toleransi kesalahan 0,26%. Bila diimplementasikan secara penuh, inovasi AIoT ini diyakini dapat menghapus kebutuhan input PLU secara manual, mengelola penimbangan secara terpusat, dan sekaligus menjadi solusi modernisasi timbangan digital bagi industri ritel.
#AIoT
#Deteksi Objek
#Timbangan Digital
#Virtual Private Server
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|