Article Per Year (5 Year)
p-Index From 2020 - 2025
1.203
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Jurnal Elkolind : Jurnal Elektronika dan Otomasi Industri Informatics and Digital Expert (INDEX) Jurnal Kewarganegaraan Jurnal Rekayasa Sistem Informasi dan Teknologi
Richo, Richo
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Social Sciences Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 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%.
ANALISIS KOMPARATIF KINERJA MINICPM-V2.6 SEBAGAI LLM MULTIMODAL DALAM VISUAL QUESTION ANSWERING PADA STRUK PEMBELIAN DIGITAL Richo, Richo
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3S1 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3S1.7987

Abstract

Meningkatnya volume transaksi digital dan kebutuhan otomatisasi pemrosesan dokumen, terutama dokumen semi-struktural seperti struk pembelian, maka diperlukan sistem cerdas yang mampu mengekstraksi informasi penting secara otomatis dan efisien. Namun, dokumen semacam ini umumnya memiliki format visual yang tidak konsisten, informasi numerik yang kompleks, dan tata letak tidak terstruktur, sehingga menimbulkan tantangan besar dalam proses ekstraksi informasi berbasis Optical Character Recognition (OCR) konvensional. Untuk menjawab tantangan tersebut, penelitian ini mengembangkan dan mengevaluasi sistem Visual Question Answering (VQA) berbasis Large Language Model (LLM) multimodal untuk mendeteksi dan memahami isi struk pembelian secara menyeluruh. Beberapa model VQA mutakhir seperti MiniCPM-v2.6, LLaMA-3, DeepSeek-VL2, LLaVA, dan BLIP-2 diuji menggunakan prompt engine multifungsi yang dirancang secara sistematis. Evaluasi dilakukan menggunakan metrik BERT Cosine Accuracy (BCA) untuk mengukur kesesuaian semantik antara jawaban model dan jawaban aktual, serta waktu inferensi sebagai indikator efisiensi eksekusi. Hasil menunjukkan bahwa MiniCPM-v2.6 unggul dengan rata-rata BCA sebesar 97,68% dan waktu eksekusi tercepat sekitar 5,51 menit. Dengan keunggulan ini, MiniCPM-v2.6 direkomendasikan sebagai model yang paling efisien dan akurat untuk sistem VQA berbasis dokumen semi-struktural, khususnya untuk implementasi dalam perangkat edge atau sistem kasir cerdas.
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.
Efektivitas Perencanaan Ketepatan Koordinat Kapal Melalui Smart Display Data Comunication dan GPS System di PT. PAL Indonesia Putri, Anggie Oktavia; Richo, Richo; Prabowo, Dimas Aditya; Aldianto, Viky; Sutrisno, Imam; Setiawan, Edy; Anindita, Galih; Arfianto, Alif Zuhri; Hartanto, Tri Mulyatno Budhi
Jurnal Kewarganegaraan Vol 6 No 2 (2022): Desember 2022
Publisher : UNIVERSITAS PGRI YOGYAKARTA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31316/jk.v6i2.3703

Abstract

AbstrakRadar adalah singkatan dari deteksi dan jangkauan radio dan memberikan petunjuk yang cukup besar tentang apa yang dilakukannya dan bagaimana cara kerjanya. Bayangkan sebuah kapal di malam hari di lautan luas. Kru tidak dapat melihat ke mana mereka pergi, jadi mereka menggunakan radar untuk membantu mereka mencapai tujuan mereka. Dengan kata lain, salah satu radar di kapal digunakan untuk mengetahui dan membandingkan keakuratan posisi koordinat kapal dengan sesuatu di sekitarnya. Dalam penelitian ini, tujuannya adalah untuk mengetahui dan membandingkan ketepatan posisi koordinat kapal dari smart display data communication dengan ketepatan koordinat pada GPS System. Penelitian ini mengambil kasus melalui pemantauan data antara Smart Display Data Communication dan GPS System. Tahap selanjutnya adalah analisis dan pengumpulan data serta pengolahan data menggunakan metode Vessel Traffic Services. Setelah analisis, dapat disimpulkan bahwa berdasarkan kriteria distribusi data koordinat kapal, data posisi dapat digunakan untuk memilih atau menentukan distribusi koordinat di sekitar kapal ke ketepatan waktu kapal berdasarkan waktu dan jarak kapal yang dibaca oleh sistem.Kata Kunci: Smart Display, Data Comunication, GPS System AbstractRadar stands for radio detection and ranging and it gives pretty big clues about what it does and how it works. Imagine a ship at night in the vast ocean. The Crew couldn't see where they were going, so they used radar to help them reach their destination. In other words, one of the radars on ships is used to find out and compare the accuracy of the ship's coordinate position with something around it. In this study, the aim is to determine and compare the accuracy of the position of the ship's coordinates from the smart display data communication with the accuracy of the coordinates on the GPS System. This study takes a case through monitoring data between Smart Display Data Communication and GPS System. The next stage will be the analysis and data collection and data processing using the Vessel Traffic Services method. After the analysis, it can be concluded that based on the criteria for the distribution of the ship's coordinate data, the position data can be used to select or determine the distribution of coordinates around the ship to the timeliness of the ship based on the time and distance of the ship that is read by the system.Keyword: Smart Display, Data Comunication, GPS System
Co-Authors Adhitya, Ryan Yudha Aldianto, Viky Arfianto, Alif Zuhri C. I. Sutrisno Edy Setiawan Galih Anindita Hartanto, Tri Mulyatno Budhi Hasin, Muhammad Khoirul Prabowo, Dimas Aditya Putri, Anggie Oktavia Syai’in, Mat