Article Per Year (5 Year)
p-Index From 2020 - 2025
0.659
P-Index
This Author published in this journals
All Journal Jurnal Elkolind : Jurnal Elektronika dan Otomasi Industri Informatics and Digital Expert (INDEX) Jurnal Rekayasa Sistem Informasi dan Teknologi
Richo, Richo
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Keandalan YOLOv8m untuk Deteksi Varian Produk Kemasan Kotak pada Sistem Manajemen Kesediaan Stock Richo, Richo
Informatics and Digital Expert (INDEX) Vol. 6 No. 2 (2024): INDEX, November 2024
Publisher : LPPM Universitas Perjuangan Tasikmalaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36423/index.v6i2.1984

Abstract

Sistem manajemen kesediaan stock secara otomatis dapat meningkatkan efisiensi waktu ketika proses pendataan produk, mempercepat laju penjualan, efisiensi budget, hingga meminimalisir terjadinya tindakan kecurangan pendataan oleh petugas toko. Demi terciptanya tujuan tersebut sudah seharusnya sistem pendataan kesediaan stock dioptimalisasi dengan sistem otomatisasi. Sayangnya, sistem pendataan saat ini masih dilakukan secara manual dengan basis pengecekan produk pada display shelfing sehingga memicu terjadinya kesalahan pendataan oleh petugas, tentunya akar permasalahan ini harus segera diputuskan sehingga efisiensi manajemen persediaan stock dapat terorganisir. Sistem deteksi real-time menggunakan metode YOLO telah beberapa kali dilakukan dan terbukti telah berkontribusi positif pada keakuratan hasil deteksi, salah satunya yakni metode YOLOv8. Pada penelitian ini menggunakan komparasi 4 metode YOLOv8 diantaranya yakni YOLOv8n, YOLOv8s, YOLOv8m, dan YOLOv8l, sebagai langkah untuk menciptakan akurasi model terbaik. Produk deteksi yang digunakan pada penelitian ini menggunakan produk “Pocky 70gram Biscuit Sticks” dengan total varian produk sebanyak 8 class. Penelitian ini menggunakan 400 data training dan 400 data validation. Hasil temuan dari penelitian ini yakni metode YOLOv8m memberikan kontribusi akurasi training terbaik diantara model lainnya dengan persentase precision mencapai 95.45% dan mAP50 sebesar 96.32%. Adanya penyempurnaan pada model YOLOv8m yang telah dilakukan berhasil meningkatkan precision of accuracy model sebesar 97.85% dari sebelumnya yang hanya 95.45%. Hasil persentase average confidence score pada penelitian ini sebesar 86.08% atas kontribusi pengujian keseluruhan varian produk yang diujikan. Keandalan sistem deteksi kesediaan stock ini menunjukkan bahwa sistem application mampu mengenali setiap jenis produk secara tepat dan efektif sehingga output pada penelitian ini dapat bermanfaat untuk efisiensi manajemen kesediaan stock.
SISTEM IDENTIFIKASI INFORMASI EXPIRED DATE PRODUK KEMASAN MENGGUNAKAN KOLABORASI METODE YOLO-V11M DAN PADDLEOCR Richo, Richo
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 2 No. 3 (2025): Februari
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v2i3.1719

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan ekstraksi informasi tanggal kedaluwarsa pada kemasan produk menggunakan metode YOLOv11m dan PaddleOCR. Dataset penelitian terdiri dari 350 citra produk kemasan 'Nextar Box 8x14 gram All Varian,' yang dibagi menjadi data pelatihan (175 citra) dan validasi (175 citra). Resolusi citra bervariasi antara 550 x 600 piksel hingga 1000 x 2000 piksel untuk mengevaluasi fleksibilitas model. Tahapan penelitian mencakup pengumpulan data, anotasi citra, preprocessing, pelatihan model YOLOv11m, dan integrasi dengan PaddleOCR untuk ekstraksi teks. YOLOv11m, sebagai pengembangan generasi YOLO, menunjukkan peningkatan efisiensi dan akurasi deteksi melalui fitur-fitur seperti Enhanced Path Aggregation Network (PAN) dan depthwise separable convolutions. Hasil pelatihan model menunjukkan konfigurasi optimal pada epoch ke-100, dengan akurasi mAP50 mencapai 98,44% dan inferensi waktu 13,56 detik per iterasi. PaddleOCR berhasil mengekstraksi informasi teks tanggal kedaluwarsa dari area deteksi dengan tingkat keakuratan tinggi, didukung oleh arsitektur DBNet dan CRNN. Kombinasi kedua metode ini membentuk alur kerja yang efisien untuk mendeteksi dan mengidentifikasi tanggal kedaluwarsa pada kemasan produk secara akurat. Penelitian ini memberikan kontribusi signifikan terhadap pengembangan teknologi deteksi otomatis berbasis visi komputer dalam industri pengemasan produk. Kata Kunci: Expired Date, Deteksi, Kemasan, Paddleocr, YOLO-V11m
Eksplorasi Keandalan Sistem Sortir dan Klasifikasi Kecacatan Perekat Kemasan Menggunakan Arsitektur UNet-Inception Convolutional Neural Network Richo, Richo; Adhitya, Ryan Yudha; Hasin, Muhammad Khoirul; Syai’in, Mat; Setiawan, Edy
Jurnal Elektronika dan Otomasi Industri Vol. 10 No. 3 (2023): Jurnal Elkolind Vol. 10, No. 3, 2023 (September 2023)
Publisher : Program Studi Teknik Elektronika Politeknik Negeri Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/elkolind.v10i3.3835

Abstract

Kualitas standarisasi kelayakan kemasan menjadi parameter utama pada bidang industri untuk mencapai visi dan misi perusahaan dalam memastikan produk yang dihasilkan telah memenuhi standar yang diharapkan. Sistem pemilahan produk umumnya masih dilakukan dengan cara manual dengan pengamatan visual yang rentan terhadap ketidakakuratan dan interpretasi subjektif oleh operator yang menyebabkan kesalahan dalam mengenali produk. Penelitian ini melakukan perancangan sistem sortir produk dengan penambahan arsitektur UNet-Inception pada model CNN. Arsitektur UNet-Inception yang dikembangkan peneliti memiliki konstruksi layer konvolusi sebanyak 5 layer, pooling layer sebanyak 2 layer, up sampling 1 layer, serta pola concatenate sebanyak 1 layer, penambahan layer inception convolutional (Concv2D) dengan neuron hidden sebanyak 128 neuron. Model dengan penambahan arsitektur UNet-Inception berhasil mencapai tingkat akurasi training yang lebih tinggi daripada model tanpa arsitektur UNet-Inception dengan perbandingan yakni 98,39% berbanding 71,47%. Pada pengujian deteksi real-time didapatkan akurasi sebesar 93,34%. Sistem yang diciptakan mampu melakukan klasifikasi produk dengan sangat baik berdasarkan karakteristik bercak pada panjang bercak 3 cm, 5 cm, dan 7 cm, dengan akurasi keberhasilan mencapai 100%. Sistem integrasi dalam bentuk sortir yang telah diimplementasikan berhasil memberikan respons aksi reject yang sesuai dengan hasil deteksi produk cacat dengan akurasi keberhasilan mencapai 100%.
Co-Authors Adhitya, Ryan Yudha Edy Setiawan Hasin, Muhammad Khoirul Syai’in, Mat