Article Sidebar
Main Article Content
Abstract
Dalam lingkungan industri modern, paletisasi gudang memainkan peran penting dalam mengoptimalkan rantai pasokan untuk memenuhi permintaan konsumen yang terus meningkat. Namun, banyak perusahaan masih menggunakan proses manual untuk pengaturan palet, yang menyebabkan kesalahan manusia dalam identifikasi dan penempatan barang. Hal ini mengakibatkan inefisiensi operasional dan kerugian material. Di era digital, computer vision, terutama object detection, sangat penting dalam mengatasi berbagai tantangan industri. Memanfaatkan teknologi pendeteksian objek yang canggih seperti YOLOv8 dapat secara signifikan meminimalkan kesalahan manusia dengan mengaktifkan deteksi barang secara otomatis, sehingga mengurangi keterlibatan manusia. Mengingat data yang digunakan untuk deteksi palet memiliki ukuran yang seragam, efisiensi model YOLOv8 dapat ditingkatkan dengan memodifikasi arsitekturnya ke tingkat multiskala. Penerapan Feature Pyramid Network (FPN) yang dimodifikasi dalam arsitektur YOLOv8 meningkatkan efisiensi pelatihan model dengan berfokus pada fitur data yang penting. Penggunaan TensorRT dalamm proses inferensi YOLOv8 untuk meningkatkan kecepatan dan kinerja, sehingga cocok untuk aplikasi real-time. Penelitian ini menawarkan solusi komprehensif untuk meningkatkan efisiensi dan akurasi operasional dalam pembuatan palet gudang sekaligus mengurangi kesalahan manusia. Dengan penggunaan model modifikasi arsitektur FPN untuk objek berskala kecil dan implementasi TensorRT memberikan performa terbaik yaitu mAP 95,6% dan performa inference speed tercepat yaitu 12ms.