Pengembangan Aplikasi Web Camera Opname Untuk Otomatisasi Perhitungan Segel Pelastik Menggunakan Metode Yolo Dan K-NN Pada Perusahaan Prisma Plast

Muhammad Fahry; Agus Wiranto

doi:10.69693/ijim.v4i3.1834

Authors

Muhammad Fahry Universitas Pamulang
Agus Wiranto Universitas Pamulang

DOI:

https://doi.org/10.69693/ijim.v4i3.1834

Keywords:

Otomatisasi, Segel Plastik, YOLOv8, K-Nearest Neighbor (K-NN), Laravel

Abstract

Abstrak. Proses perhitungan dan pencatatan stok segel plastik pada Perusahaan Prisma Plast saat ini masih dilakukan secara manual, sehingga menyebabkan ketidakefisienan waktu, risiko kesalahan pencatatan (human error), serta ketidakakuratan data inventaris. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis web yang mengintegrasikan kamera sebagai media otomatisasi perhitungan segel plastik guna mengurangi kendala tersebut. Sistem yang dikembangkan menerapkan kombinasi metode YOLOv8 (You Only Look Once) sebagai pendeteksi objek dan algoritma K-Nearest Neighbor (K-NN) sebagai metode klasifikasi citra, dengan arsitektur sistem yang menghubungkan framework Laravel sebagai antarmuka pengguna dan FastAPI sebagai layanan pemrosesan computer vision. Metode pengembangan sistem yang digunakan adalah model Waterfall yang terdiri dari tahap analisis kebutuhan, perancangan sistem, implementasi, pengujian, dan deployment. Hasil pengujian menunjukkan bahwa sistem mampu melakukan proses deteksi dan perhitungan segel plastik secara otomatis serta menyimpan hasil deteksi ke dalam riwayat sistem. Berdasarkan pengujian perbandingan waktu proses, sistem mampu meningkatkan efisiensi dibandingkan metode manual. Pada perangkat komputer, metode kamera live menghasilkan efisiensi waktu sebesar 42,85%, sedangkan metode upload gambar menghasilkan efisiensi tertinggi sebesar 53,06%. Pada perangkat handphone, metode kamera live menghasilkan efisiensi sebesar 38,77% dan metode upload gambar sebesar 10,20%. Berdasarkan hasil tersebut, sistem yang dikembangkan mampu mempercepat proses perhitungan stok segel plastik dan memberikan solusi digital yang lebih efektif dalam mendukung proses opname pada Perusahaan Prisma Plast.

Downloads

Download data is not yet available.

References

Bishop, C. M. (2006). Pattern Recognition And Machine Learning. Springer.

Cover, T. M., & Hart, P. E. (1967). Nearest Neighbor Pattern Classification. IEEE Transactions On Information Theory, 13(1), 21–27. Https://Doi.Org/10.1109/TIT.1967.1053964

Desmon Hutahaean, H., Dwi Waluyo, B., & Rais, M. A. (2019). Teknologi Identifikasi Objek Berbasis Drone Menggunakan Algoritma SIFT Citra Digital.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Https://Www.Deeplearningbook.Org/

Jocher, G., Chaurasia, A., & Qiu, J. (2023). YOLO By Ultralytics. Github Repository. Https://Github.Com/Ultralytics/Ultralytics

Joseph Redmon, Santosh Divvala, R. G. (2016). You Only Look Once: Unified, Real-Time Object Detection. ACM International Conference Proceeding Series. Https://Doi.Org/10.1145/3243394.3243692

Khambali, A., Siswanto, A., Informasi, -Sistem, Alat, I., Berbasis, D. B., Pada, W., & Kandangserang, S. (2018). Sistem Informasi Inventaris Alat Dan Barang Berbasis Web Pada SMA Kandangserang. SURYA INFORMATIKA, 5(1). Http://Ejournal.Politeknikmuhpkl.Ac.Id/Index.Php/Surya_Informatika

Maulidiansyah, I. A. (2023). Klasifikasi Jenis Jagung Berdasarkan Bentuk Biji Menggunakan Metode You Only Look Once (YOLO). Journal Of Electrical Engineering And Computer (JEECOM), 5(2). Https://Doi.Org/10.33650/Jeecom.V4i2

Rosebrock, A. (2023). Deep Learning For Computer Vision With Python. Pyimagesearch.

Shafiee, M. J., Chywl, B., Li, F., & Wong, A. (2017). Fast YOLO: A Fast You Only Look Once System For Real-Time Embedded Object Detection In Video. Http://Arxiv.Org/Abs/1709.05943

Sobron, M., Lubis Bidang, Y., Manufaktur, T., Teknik, P., Jurusan, M., Industri, T., & Kunci, K.-K. (2021). Implementasi Artificial Intelligence Pada System Manufaktur Terpadu. SEMNASTEK UISU.

Szeliski, R. (2022). Computer Vision: Algorithms And Applications (2nd Ed.). Springer. Https://Doi.Org/10.1007/978-3-030-34372-9

Terven, J., & Cordova-Esparza, D. (2023). A Comprehensive Review Of YOLO Architectures In Computer Vision. Machine Learning And Knowledge Extraction, 5(4), 1680–1716. Https://Doi.Org/10.3390/Make5040083

Ultralytics. (2024). Ultralytics YOLO Documentation. Https://Docs.Ultralytics.Com/

Wang, C. Y., Bochkovskiy, A., & Liao, H. Y. M. (2023). Yolov7: Trainable Bag-Of-Freebies Sets New State-Of-The-Art For Real-Time Object Detectors. Proceedings Of The IEEE/CVF Conference On Computer Vision And Pattern Recognition (CVPR).

Zhang, Z., Liu, Q., & Wang, Y. (2022). Road Object Detection Using YOLO Deep Learning Algorithms: A Review. Electronics, 11(12). Https://Doi.Org/10.3390/Electronics11121835