Keywords
fine-tuning
koperasi
sistem kasir cerdas
How to Cite
Abstract
Penelitian ini bertujuan untuk mengembangkan sistem deteksi objek menggunakan model YOLOv8 guna mendukung sistem kasir cerdas tanpa barcode di koperasi. Model dilatih menggunakan dataset produk minuman kemasan yang dikumpulkan secara mandiri, kemudian dilakukan fine-tuning dengan data tambahan yang lebih bervariasi dari segi sudut, pencahayaan, dan kondisi objek. Hasil pengujian menunjukkan bahwa model fine-tuned lebih andal dalam mengenali objek di kondisi nyata meskipun terdapat penurunan pada beberapa metrik seperti precision dan mAP-50. Pendekatan augmentasi data dan pengaturan ulang pelatihan (freeze layer) terbukti meningkatkan kemampuan generalisasi model. Penelitian ini menunjukkan bahwa YOLOv8 dapat menjadi solusi efektif untuk otomatisasi kasir di lingkungan koperasi dan usaha kecil, serta mendukung upaya digitalisasi di sektor tersebut.
References
A. Vats and D. C. Anastasiu, “Enhancing Retail Checkout through Video Inpainting, YOLOv8 Detection, and DeepSort Tracking,” IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. Work., vol. 2023-June, pp. 5530–5537, 2023, doi: 10.1109/CVPRW59228.2023.00585.
W. Yulita, U. A. Ramadhani, Z. Mufidah, G. K. M. Atmajaya, and R. Bagaskara, “Improved human image density detection with comparison of YOLOv8 depth level architecture and drop-out implementation,” pp. 33–39, 2025.
V. Gandhi and S. Gandhi, “Fine-Tuning Without Forgetting: Adaptation of YOLOv8 Preserves COCO Performance,” 2025, [Online]. Available: http://arxiv.org/abs/2505.01016
Z. R. Utomo, P. W. Adi, P. S. Sasongko, and G. Rahman, “Development and Optimization of a Construction Personal Protective Equipment ( PPE ) Detection Model on YOLOv8 Architecture,” vol. 16, no. March, pp. 1–14, 2025, doi: 10.14710/jmasif.16.1.71622.
R. Ye, Q. Gao, Y. Qian, J. Sun, and T. Li, “Improved YOLOv8 and SAHI Model for the Collaborative Detection of Small Targets at the Micro Scale: A Case Study of Pest Detection in Tea,” Agronomy, vol. 14, no. 5, 2024, doi: 10.3390/agronomy14051034.
O. Selsa, I. Anggraeni, and P. T. Informatika, “Studi Komparatif Performa Framework Javascript Modern dalam Pengembangan Aplikasi Web,” vol. 2, no. 4, pp. 162–177, 2024.
E. U. Armin, A. Purnama Edra, F. I. Alifin, I. Sadidan, I. P. Sary, and U. Latifa, “Performa Model YOLOv8 untuk Deteksi Kondisi Mengantuk pada pengendara mobil,” BRAHMANA J. Penerapan Kecerdasan Buatan, vol. 5, no. 1, pp. 67–76, 2023, [Online]. Available: https://doi.org/10.30645/brahmana.v5i1.279
D. Reis, J. Hong, J. Kupec, and A. Daoudi, “Real-Time Flying Object Detection with YOLOv8”.
J. Lee, R. Tang, and J. Lin, “What Would Elsa Do? Freezing Layers During Transformer Fine-Tuning,” 2018.
Z. F. Khan, M. Ramzan, M. Raza, S. Member, and M. A. Khan, “Real-Time Polyp Detection From Endoscopic Images Using YOLOv8 With YOLO-Score Metrics for Enhanced Suitability Assessment,” IEEE Access, vol. 12, no. December, pp. 176346–176362, 2024, doi: 10.1109/ACCESS.2024.3505619.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Rafi Achmad Fachrudi, Daniel Swanjaya, M.Kom, Danar Putra Pamungkas, M.Kom