Pengembangan Aristektur Metode YOLOv8 untuk Meningkatkan Performa Deteksi Objek Satu Skala pada Varian Boks Warehouse Palletizing (Studi Kasus: PT.XYZ)

Muzammil, Muhammad Alif Amri (2024) Pengembangan Aristektur Metode YOLOv8 untuk Meningkatkan Performa Deteksi Objek Satu Skala pada Varian Boks Warehouse Palletizing (Studi Kasus: PT.XYZ). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6026231025-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (9MB) | Request a copy

Abstract

Dalam lingkungan industri modern, paletisasi gudang memainkan peran penting dalam mengoptimalkan rantai pasok untuk memenuhi permintaan konsumen yang semakin tinggi. Namun, masih terdapat perusahaan yang menggunakan proses manual dalam penyusunan palet gudang. Salah satu permasalahan dalam paletisasi gudang adalah human error yang terjadi saat identifikasi dan penempatan barang. Hal ini dapat mengakibatkan penurunan efisiensi operasional dan kerugian materiil. Pada era digital ini computer vision, khususnya deteksi objek, menjadi perbincangan utama dalam mengatasi berbagai masalah dalam bidang industri. Dengan memanfaatkan teknologi deteksi objek terbaru seperti YOLOv8, kemungkinan human error dapat diminimalkan secara signifikan. Metode ini memungkinkan deteksi barang secara otomatis, mengurangi keterlibatan manusia dalam proses tersebut. Karena data yang digunakan pada deteksi palet ini ukurannya sama, sehingga dapat dilakukan efisiensi model YOLO untuk meningkatkan kecepatan dengan cara memodifikasi arsitektur yang tingkatannya multiscale. Implementasi modifikasi Feature Pyramid Network (FPN) dalam Arsitektur Model YOLOv8 membantu meningkatkan efisiensi pelatihan model deteksi objek dengan fokus pada fitur penting dalam data. Penggunaan TensorRT dalam proses inferensi model YOLOv8 memberikan dampak positif dalam meningkatkan kecepatan dan kinerja model, menjadikannya lebih sesuai untuk aplikasi real-time. Dengan demikian, penelitian ini menawarkan solusi yang komprehensif dan efektif dalam meningkatkan efisiensi operasional dan akurasi dalam paletisasi gudang, serta mengurangi risiko human error yang seringkali terjadi dalam proses penyusunan palet secara manual. Model Small-TensorRT yang diajukan memiliki performa terbaik dengan skor mAP 95,6% dan perolehan waktu inference speed ketika melakukan prediksi dengan kecepatan 12,3ms.
========================================================================================================================
In a modern industrial environment, warehouse palletization plays an important role in optimizing the supply chain to meet increasing consumer demand. However, there are still companies that use manual processes in palletizing the warehouse. One of the main problems in warehouse palletization is the human error that occurs in the identification and placement of goods. This can result in a decrease in operational efficiency and material losses. In this digital era, computer vision , especially object detection, has become a major topic of discussion in overcoming various problems in the industrial field. By utilizing object detection technology such as YOLOv8, the possibility of human error can be significantly minimized. This method enables automatic detection and identification of items, reducing human involvement in the process. In addition, the implementation of Feature Pyramid Network alterations in the YOLOv8 Model Architecture also helps to improve the accuracy and efficiency of object detection model training by focusing on important features in the data. The use of FPN is proven to be effective in improving object detection capability, even in the case of object identification in remote sensing images. The use of TensorRT in the inference process of the YOLOv8 model has a positive impact in improving the speed and performance of the model, making it more suitable for real-time applications such as warehouse palletisation. Thus, this research offers a comprehensive and effective solution in improving operational efficiency and accuracy in warehouse palletisation, as well as reducing the risk of human error that often occurs in the manual palletising process. The proposed Small-TensorRT model has the best performance with an mAP score of 95.6% and an inference speed of 12.3ms.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Object Detection, Identifikasi Varian, Efektivitas Perusahaan, YOLOv8, Feature Pyramid Network, TensorRT, Object Detection, Variant Identification, Company Effectiveness, YOLOv8, Feature Pyramid Network, TensorRT
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 59101-(S2) Master Thesis
Depositing User:	Muhammad Alif Amri Muzammil
Date Deposited:	02 Aug 2024 03:43
Last Modified:	02 Aug 2024 03:43
URI:	http://repository.its.ac.id/id/eprint/111665

Actions (login required)

View Item