SISTEM DETEKSI OBJEK OTOMATIS BERBASIS DEEP LEARNING MENGGUNAKAN YOLOV8 UNTUK MANAJEMEN INVENTARIS RUANGAN

Abstract

Manajemen inventaris ruangan secara manual rentan terhadap ketidakakuratan data dan membutuhkan sumber daya manusia yang besar. Penelitian ini bertujuan mengembangkan sistem deteksi objek otomatis berbasis deep learning menggunakan algoritma YOLOv8 untuk mendukung pengelolaan inventaris ruangan secara efisien dan akurat. Metode yang diterapkan mencakup pengumpulan dataset sebanyak 2.500 citra dari 20 ruangan, anotasi menggunakan Roboflow, pelatihan model YOLOv8m dengan teknik transfer learning, serta evaluasi menggunakan metrik Precision, Recall, mAP50, dan Intersection over Union (IoU). Hasil menunjukkan bahwa model mencapai mAP50 sebesar 91,3%, Precision 89,7%, dan Recall 88,4% pada 15 kategori objek inventaris. Sistem berbasis web yang dikembangkan mampu mendeteksi objek secara real-time dengan latensi rata-rata 11,5 ms per frame. Hasil ini membuktikan bahwa YOLOv8 efektif diterapkan untuk otomasi manajemen inventaris ruangan dengan akurasi tinggi.