<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Analisis Efisiensi Pelabelan Data Deteksi Produk Ritel Menggunakan Pendekatan Semi-Supervised Learning Berbasis Computer Vision dengan YOLOv12

Loading...
Thumbnail Image

Date

Journal Title

Journal ISSN

Volume Title

Publisher

Universitas Islam Indonesia

DOI

Abstract

Pengembangan sistem Computer Vision pada ruang lingkup ritel, khususnya untuk deteksi produk Fast-Moving Consumer Goods (FMCG), masih terhambat oleh tingginya biaya dan waktu yang dibutuhkan untuk anotasi data secara manual. Selain itu, karakteristik produk yang dinamis, tersusun rapat di rak, dan sering mengalami oklusi menuntut model untuk terus diperbarui agar tetap mampu mempertahankan performanya. Kondisi tersebut menyebabkan pendekatan fully supervised learning yang sepenuhnya bergantung pada data berlabel menjadi kurang efisien dan sulit diterapkan secara berkelanjutan pada skala yang lebih besar. Sebagai solusi untuk mengurangi kebutuhan data berlabel dalam jumlah besar, penelitian ini menerapkan pendekatan Semi nSupervised Learning (SSL) menggunakan algoritma Noisy Student dengan arsitektur YOLOv12. Evaluasi difokuskan untuk mengidentifikasi rasio efisiensi optimal (sweet spot) antara jumlah data berlabel dan tidak berlabel melalui pengujian 408 citra produk dalam dua varian standar anotasi, yakni Dataset Parsial (47 kelas) dan Dataset Menyeluruh (49 kelas). Eksperimen dilakukan dengan berbagai variasi skenario rasio data berlabel mulai dari 10% hingga 100%. Pada setiap skenario, model Teacher menghasilkan pseudo-label untuk data tidak berlabel, kemudian pseudo-label tersebut digabungkan dengan data berlabel untuk melatih model Student. Selama proses pelatihan, model Student diberikan augmentasi noise yang lebih agresif untuk meningkatkan ketahanan dan kemampuan generalisasinya. Hasil evaluasi menunjukkan bahwa penggunaan 50% data berlabel (L50) merupakan rasio pelabelan yang paling efisien dalam penelitian ini. Pada skenario tersebut, model Student mencapai nilai mAP@50 sebesar 0,861 pada Dataset Menyeluruh dan 0,854 pada Dataset Parsial. Nilai tersebut setara dengan 97,2% dan 89,9% dari performa model fully supervised yang dilatih menggunakan seluruh data berlabel (L100). Hasil ini menunjukkan bahwa pendekatan Semi-Supervised Learning dengan algoritma Noisy Student mampu mengurangi kebutuhan pelabelan manual hingga 50% tanpa menyebabkan penurunan performa deteksi yang signifikan. Temuan ini memberikan alternatif yang lebih efisien dalam pengembangan sistem deteksi produk berbasis Computer Vision, khususnya untuk aplikasi di lingkungan ritel.

Description

Citation

Endorsement

Review

Supplemented By

Referenced By