Identifikasi Barang Secara Otomatis Pada E-Thrift Warshop Menggunakan Deep Learning
Main Article Content
Abstract
Penelitian ini bertujuan untuk mengimplementasikan teknologi deep learning dalam pengenalan barang pada aplikasi e-thrift Warshop, yang merupakan platform jual beli barang bekas. Masalah utama yang dihadapi adalah identifikasi barang yang sering kali subjektif dan tidak akurat dalam proses manual. Dengan menggunakan teknologi machine learning berbasis Convolutional Neural Networks (CNN) dan MobileNet V1, penelitian ini mencoba mengatasi tantangan tersebut. Metode yang digunakan meliputi pengunggahan gambar oleh pengguna, pemrosesan gambar oleh model MobileNet yang di-host di jsDelivr, dan penyimpanan hasil klasifikasi di Airtable untuk ditampilkan di situs web Warshop. Hasil penelitian menunjukkan bahwa model yang diterapkan berhasil mencapai akurasi sebesar 75.5%, presisi 100%, dan recall 77.5%.Kesimpulan dari penelitian ini adalah bahwa teknologi deep learning dapat meningkatkan keakuratan dalam pengenalan barang, meskipun ada kebutuhan untukmemperluas dataset dan memperbarui model secara berkala. Fitur feedback dari pengguna juga disarankan untuk meningkatkan akurasi dan kepuasan pengguna.
Article Details
References
[2] Y. A. Hasma and W. Silfianti, “Implementasi Deep Learning Menggunakan Framework Tensorflow Dengan Metode Faster Regional Convolutional Neural Network Untuk Pendeteksian Jerawat,” Jurnal Ilmiah Teknologi dan Rekayasa, vol. 23, no. 2, pp. 89–102, 2018, doi: 10.35760/tr.2018.v23i2.2459.
[3] N. Hikmatia A.E and M. Ihsan Zul, “Aplikasi Penerjemah Bahasa Isyarat Indonesia menjadi Suara berbasis Android menggunakan Tensorflow,” Jurnal Komputer Terapan, no. Vol. 7 No. 1 (2021), pp. 74–83, Jun. 2021, doi: 10.35143/jkt.v7i1.4629.
[4] T. Patrícia, P. Padilha, and L. E. Alves De Lucena, “A Systematic Review About Use of TensorFlow for Image Classification and Word Embedding in the Brazilian Context.” [Online]. Available: https://scholar.google.com/
[5] Chairil Anwar, “Deteksi Objek Berbasis Web Menggunakan Tensorflow Js dan Coco Dataset pada Framework React Js,” JurnalNasionalKomputasi dan Teknologi Informasi, vol. 5, pp. 1088–1015, Dec. 2022.
[6] E. Rasywir, R. Sinaga, Y. Pratama, U. Dinamika, and B. Jambi, “Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN),” vol. 22, no. 2, 2020, doi: 10.31294/p.v21i2.
[7] N. Nufus et al., “Sistem Pendeteksi Pejalan Kaki Di Lingkungan Terbatas Berbasis SSD MobileNet V2 Dengan Menggunakan Gambar 360° Ternormalisasi,” Prosiding Seminar Nasional Sains Teknologi dan Inovasi Indonesia (SENASTINDO), vol. 3, pp. 123–134, Dec. 2021, doi: 10.54706/senastindo.v3.2021.123.
[8] A. Hayyu Gustsa and G. Setyo Permadi, “Sistem Deteksi Bahasa Isyarat Secara Realtime Dengan Tensorflow Object Detection dan Python Menggunakan Metode Convolutional Neural Network.”
[9] Z. Syahputra, “Penerapan SSD-Mobilenet Dalam Identifikasi Jenis Buah Apel,” Indonesian Journal of Education And Computer Science, vol. 1, no. 1, 2023.
[10] A. G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications.”
[11] Febriyanto Muhammad, “Legalitas Jual Beli Pakaian Bekas Impor (Thrift) Secara Online Di Aplikasi Tiktok,” Universitas Islam Negeri, Jakarta, 2023