Sistem Pelabelan Otonom pada Kemasan Parfum Laundry dengan Dukungan Pemrosesan Citra menggunakan YOLO V11
DOI:
https://doi.org/10.21831/jraee.v3i2.1885Keywords:
YOLOv11, Object Detection, Automatic Labeling, Deep Learning, ConveyorAbstract
Gaya hidup masyarakat yang semakin praktis membuat layanan laundry kian
diminati, terutama di kota-kota besar. Hal ini turut mendorong permintaan
terhadap parfum laundry sebagai pelengkap. Sayangnya, proses pelabelan ke
masan masih banyak dilakukan secara manual, yang tidak hanya memakan
waktu, tetapi juga rawan kesalahan dan menghambat kelancaran produksi
terutama saat permintaan meningkat. Untuk menjawab tantangan tersebut,
penelitian ini mengembangkan sistem pelabelan otomatis berbasis deteksi
objek menggunakan YOLOv11. Sistem ini menggabungkan kamera, gate
otomatis, dan conveyor untuk mendeteksi kemasan secara real-time dan men
empelkan label secara presisi tanpa intervensi manusia. Tujuannya adalah
meningkatkan efisiensi dan menjaga konsistensi kualitas kemasan. Hasil eval
uasi menunjukkan performa sistem sangat baik, dengan mAP@0.5 sebesar 90
persen dan waktu inferensi rata-rata 21,5 milidetik per citra. Pada 10 kali
uji coba berturut-turut, akurasi deteksi mencapai 100 persen tanpa kegagalan.
Ini membuktikan bahwa sistem mampu bekerja andal dalam waktu nyata dan
berpotensi diterapkan lebih luas di industri lain yang memerlukan otomasi
pelabelan.
Downloads
References
[1] A. Sasongko, M. S. Maulana, and D. Risdiansyah, “Penerapan desain UI/UX pada aplikasi laundry menggunakan metode User Centered Design (UCD),” Jurnal Khatulistiwa Informatika, vol. 11, no. 2, pp. 149–155, 2023.
[2] Y. F. Desvia, R. Rosadi, F. Frieyadie, T. Haryanti, and W. Gata, “Penerapan Finite State Automata pada Vending Machine Parfum Laundry Pakaian,” BINA INSANI ICT JOURNAL, vol. 8, no. 2, p. 103, 2021.
[3] J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” arXiv:1804.02767 [cs], 2018.
[4] M. A. R. Alif, “YOLOv11 for Vehicle Detection: Advancements, Performance, and Applications in Intelligent Transportation Systems,” 2024.
[5] Nursantoso, “Pengepakan bawang dengan sistem conveyor pengirim dan pengumpul berbasis PIC16F877A,” 2022.
[6] “Automated Catalog Generation using Deep Learning,” International Research Journal of Modernization in Engineering Technology and Science, 2023.
[7] M. D. R. Pratama, B. Priyatna, S. S. Hilabi, and A. L. Hananto, “Deteksi objek kecelakaan pada kendaraan roda empat menggunakan algoritma YOLOv5,” 2023.
[8] W. Davis and D. Yen, “Prototyping,” in The Information System Consultant’s Handbook, W. Davis and D. Yen, Eds. CRC Press, 2018. https://doi.org/10.1201/9781420049107.ch31
