Abstrak
Era digitalisasi menciptakan tantangan baru dalam pengelolaan persediaan industri manufaktur. Sistem penghitungan objek konvensional berbasis sensor infrared memiliki keterbatasan akurasi dan fleksibilitas dengan jarak deteksi maksimal 15 cm serta rentan gangguan pencahayaan. Penelitian ini mengusulkan prototype sistem otomatis berbasis computer vision untuk mendeteksi dan menghitung objek secara real-time menggunakan deep learning dengan algoritma YOLOv4. Sistem ini dirancang untuk mengotomatiskan tugas penghitungan jumlah produk di jalur produksi, mengurangi kesalahan manual, dan meningkatkan efisiensi produksi. Pengujian dilakukan menggunakan sistem conveyor dengan dua kecepatan berbeda untuk mendeteksi kaleng minuman dan kemasan snack. Data uji terdiri dari 5.706 citra yang diambil dari hasil deteksi real-time dalam 10 pengambilan data. Sistem monitoring visual menggunakan webcam beresolusi 1080P yang dipasang pada ketinggian 65 cm dari permukaan conveyor belt. Analisis data menggunakan metrik F-Measure, akurasi, precision, dan recall, berdasarkan confusion matrix. Hasil penelitian menunjukkan bahwa sistem mampu mendeteksi objek secara real-time dengan performa optimal pada kecepatan conveyor belt dengan kecepatan 43 RPM, menghasilkan F-Measure rata-rata 81% dan akurasi keseluruhan 70,6%. Pada kecepatan 43 RPM precision mencapai 95,7% untuk kaleng minuman dan 97,8% untuk kemasan snack, dengan recall masing-masing 66,6% dan 73,1%. Sedangkan dengan kecepatan 59 RPM menghasilkan F-Measure rata-rata 77,7% dan akurasi 65,8%. Pada kecepatan 59 RPM precision mencapai 100% untuk kaleng minuman dan 93,4% untuk kemasan snack, dengan recall masing-masing 67,3% dan 62,7%. Model YOLOv4 menunjukkan konsistensi precision tinggi di atas 93% untuk semua konfigurasi, mengindikasikan reliabilitas dalam menghindari false positive. Namun, variabilitas recall antara 62,7%-73,1% menunjukkan masih terdapat ruang perbaikan untuk meminimalkan false negative. Penelitian ini berkontribusi dalam pengembangan teknologi otomatisasi sektor manufaktur, khususnya penerapan computer vision dan deep learning untuk pengelolaan inventaris dengan sistem yang dapat diadaptasi sesuai karakteristik objek target dan persyaratan kecepatan operasional.