AZMI, MUHAMMAD (2025) PENERAPAN ALGORITMA YOLO UNTUK MENDETEKSI BERAT DAN HARGA BUAH SECARA OTOMATIS. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 Cover.pdf Download (872kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (139kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (244kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (177kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (382kB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (79kB) |
|
|
Text (DAFTAR PUSTAKA)
07 Daftar Pustaka.pdf Restricted to Registered users only Download (126kB) |
|
|
Text (LAMPIRAN)
08 Lampiran.pdf Restricted to Registered users only Download (108kB) |
Abstract
Manual transaction processes in small-scale retail businesses, such as fruit stalls, are prone to inefficiencies and inconsistencies caused by human error. This research aims to design and implement a low-cost intelligent cashier system prototype to address these issues. This system is built on a distributed computing architecture with a computation offloading paradigm, where a Raspberry Pi Zero 2W equipped with a CSI camera serves as a sensory node at the edge of the network, while a standard laptop acts as the central computing node. This architecture is specifically designed to address resource limitations on edge devices by offloading heavy AI inference workloads to more capable machines. The system's methodology involves several steps. A Raspberry Pi captures and broadcasts real-time video over a local network using a Flask-based HTTP server. On the laptop, a Python script receives the video stream and performs object detection on each frame using the YOLOv8n deep learning model. Once a fruit object is detected, the system estimates its size based on the pixel area of the bounding box, assuming a constant camera distance. Based on the size classification (small, medium, large), the system then aggregates the total price and weight of all detected objects in a single frame. This total summary is then sent back to the Raspberry Pi in JSON format using the lightweight MQTT protocol. Implementation and testing results show that this architecture successfully delivers very high accuracy values, with an average accuracy (mAP50) reaching 99% and a tighter accuracy (mAP50-95) of 89.5%. This system is capable of detecting objects with a precision of 87.6% and an outstanding detection completeness (Recall) of 96.2%. Each image can be processed in an average time of 248.2 ms on the CPU, proving the technical feasibility of an effective, responsive, and functional intelligent object detection system for cashier applications. Keyword: Smart Cashier System, Object Detection, YOLOv8n, Computation Offloading, Edge Computing, Raspberry Pi, MQTT. Proses transaksi manual pada unit usaha ritel skala kecil, seperti kios buah, memiliki kerentanan terhadap inefisiensi dan inkonsistensi yang disebabkan oleh human error. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sebuah prototipe sistem kasir cerdas berbiaya rendah untuk mengatasi masalah tersebut. Sistem ini dibangun di atas arsitektur komputasi terdistribusi dengan paradigma computation offloading, di mana Raspberry Pi Zero 2 W yang dilengkapi kamera CSI berfungsi sebagai node sensorik di tepi jaringan (edge), sementara laptop standar berperan sebagai node komputasi pusat. Arsitektur ini dirancang secara spesifik untuk mengatasi keterbatasan sumber daya pada perangkat edge dengan memindahkan beban kerja inferensi AI yang berat ke mesin yang lebih kapabel. Metodologi sistem ini mencakup beberapa tahapan. Raspberry Pi bertugas menangkap dan menyiarkan video secara real-time melalui jaringan lokal menggunakan server HTTP berbasis Flask. Di sisi laptop, sebuah skrip Python menerima siaran video tersebut dan melakukan deteksi objek pada setiap frame menggunakan model deep learning YOLOv8n. Setelah objek buah terdeteksi, sistem mengestimasi ukurannya berdasarkan luas area piksel dari bounding box dengan asumsi jarak kamera yang konstan. Berdasarkan klasifikasi ukuran (kecil, sedang, besar), sistem kemudian mengakumulasi total harga dan berat dari semua objek yang terdeteksi dalam satu frame. Ringkasan total ini kemudian dikirim kembali ke Raspberry Pi dalam format JSON menggunakan protokol MQTT yang ringan. Hasil implementasi dan pengujian menunjukkan bahwa arsitektur ini berhasil memberikan nilai akurasi yang sangat tinggi, dengan akurasi rata-rata (mAP50) mencapai 99% dan akurasi yang lebih ketat (mAP50-95) sebesar 89.5%. Sistem ini mampu mendeteksi objek dengan presisi 87.6% serta kelengkapan deteksi (Recall) yang luar biasa sebesar 96.2%. Setiap gambar dapat diolah dalam waktu rata-rata 248.2 ms pada CPU, membuktikan kelayakan teknis sebuah sistem deteksi objek cerdas yang efektif, responsif, dan fungsional untuk aplikasi kasir. Kata Kunci: Sistem Kasir Cerdas, Deteksi Objek, YOLOv8n, Computation Offloading, Edge Computing, Raspberry Pi, MQT.
Actions (login required)
 |
View Item |
