Ferbian, Ferbian (2023) Sistem manajemen inventori dengan pengenalan barang secara otomatis menggunakan metode convolutional neural network. Skripsi thesis, Universitas Tarumanagara.
Text
825190005_FERBIAN_Cover.pdf Download (140kB) |
|
Text
825190005_FERBIAN_Pengesahan.pdf Download (114kB) |
|
Text
825190005_FERBIAN_Abstrak.pdf Download (6kB) |
|
Text
825190005_FERBIAN_Daftar Isi.pdf Download (152kB) |
|
Text
825190005_FERBIAN_Bab 1.pdf Restricted to Repository staff only Download (249kB) |
|
Text
825190005_FERBIAN_Bab 2.pdf Restricted to Repository staff only Download (1MB) |
|
Text
825190005_FERBIAN_Bab 3.pdf Restricted to Repository staff only Download (3MB) |
|
Text
825190005_FERBIAN_bab 4.pdf Restricted to Repository staff only Download (2MB) |
|
Text
825190005_FERBIAN_Bab 5.pdf Restricted to Repository staff only Download (208kB) |
|
Text
825190005_FERBIAN_Daftar Pustaka.pdf Download (195kB) |
Abstract
Saat ini teknologi barcode masih luas penggunaannya untuk mendata stok barang. Namun pada faktanya barcode juga memiliki kelemahan. Misal, barcode rentan mengalami kerusakan sehingga data di dalamnya sulit terbaca oleh scanner. Selain itu, barcode juga hanya bisa di-scan pada jarak tertentu, serta letaknya yang berbeda-beda di setiap produk juga membuat user harus mencari letak barcode terlebih dahulu sebelum di-scan. Teknologi RFID yang ditawarkan untuk menjadi jalan keluar dari permasalahan pada teknologi barcode juga memiliki beberapa hambatan untuk penerapannya, salah satu contohnya adalah biaya yang mahal. Pada skripsi ini dibuat sebuah sistem manajemen inventori berbasis website menggunakan HTML, CSS, dan PHP. Hasil black box testing fungsionalitas web juga sudah sangat baik, tingkat keberhasilannya mencapai 93,94%. Teknologi computer vision khususnya object recognition yang menggunakan arsitektur ResNet dalam CNN juga diterapkan untuk mengenali barang melalui input-an citra objek secara otomatis. Setelah melakukan training data terhadap 10 kelas yang sudah ditentukan, didapatkan sebuah model dengan validation loss sebesar 1.0834e-04 dan validation accuracy mencapai 100%. Berdasarkan testing yang dilakukan, model sudah mampu mengenali satu objek dalam satu frame foto dengan tingkat akurasi mencapai 90%. Namun akurasi menurun untuk dua dan lima objek dalam satu foto, sehingga mendapatkan hasil tingkat akurasi 56% dan 54%. Kata Kunci: Sistem Manajemen Inventori, berbasis website, Object Recognition, CNN, ResNet Architecture
Item Type: | Thesis (Skripsi) |
---|---|
Subjects: | Skripsi/Tugas Akhir Skripsi/Tugas Akhir > Fakultas Teknologi Informasi |
Divisions: | Fakultas Teknologi Informasi > Sistem Informasi |
Depositing User: | TDI Family perpus |
Date Deposited: | 05 Jan 2024 09:44 |
Last Modified: | 05 Jan 2024 09:44 |
URI: | http://repository.untar.ac.id/id/eprint/42596 |
Actions (login required)
View Item |