Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Received: 07 Januari 2026.
Accepted: 21 Maret 2026.
Published: Maret 2026.
DOI: 10.
36350/jskom.
Penerapan Algoritma You Only Look Once (YOLO) untuk Deteksi Kekosongan Rak pada Sistem Pemantauan Barang yaUyayayayaoyayaoyaya1O, yaAyayayaoyayayyao yanyayauyaoyayayaoyayao2 Program Studi Teknologi Informasi.
Fakultas Informatika dan Komputer.
Universitas Binaniaga Indonesia e-mail: mirnawati1833@gmail.
e-mail: binandawicaksana@gmail.
*Corresponding Author
ABSTRACT
The availability of goods on retail shelves is an important factor for customer satisfaction and smooth sales.
The monitoring process, which is still carried out manually, often causes delays in detecting empty shelves.
This study aims to develop an Internet of Things (IoT)-based goods monitoring system with the application of the You Only Look Once (YOLO) algorithm to detect empty shelves quickly and accurately.
The system uses an ESP32CAM device as an image capture device that is processed through the YOLO algorithm to identify product availability.
The type of research used is Research and Development (R&D) with stages of needs analysis, design, prototyping, testing, and evaluation.
The results show that the system is capable of detecting empty shelves with an accuracy of 81.
8% and received a feasibility rating of 100% from experts and 85% from users.
This proves that the application of IoT-based YOLO is effective in improving stock monitoring efficiency and reducing delays in restocking.
This system is suitable for implementation in retail environments and has the potential to be further developed into a smart inventory management solution based on computer Keywords: Vacancy detection.
ESP32-CAM.
Internet of Things, monitoring system.
YOLO.
ABSTRAK
Ketersediaan barang di rak ritel menjadi faktor penting bagi kepuasan pelanggan dan kelancaran penjualan.
Proses pemantauan yang masih dilakukan secara manual sering menyebabkan keterlambatan dalam mendeteksi kekosongan rak.
Penelitian ini bertujuan mengembangkan sistem pemantauan barang berbasis Internet of Things (IoT) dengan penerapan algoritma You Only Look Once (YOLO) untuk mendeteksi kekosongan rak secara cepat dan Sistem menggunakan perangkat ESP32-CAM sebagai pengambil gambar yang diolah melalui algoritma YOLO untuk mengidentifikasi ketersediaan barang.
Jenis penelitian yang digunakan adalah Research and Development (R&D) dengan tahapan analisis kebutuhan, perancangan, pembuatan prototipe, pengujian, dan evaluasi.
Hasil penelitian menunjukkan sistem mampu mendeteksi kekosongan rak dengan akurasi 81,8% dan memperoleh penilaian kelayakan 100% dari ahli serta 85% dari pengguna.
Hal ini membuktikan bahwa penerapan YOLO berbasis IoT efektif dalam meningkatkan efisiensi pemantauan stok dan mengurangi keterlambatan pengisian barang.
Sistem ini layak diterapkan di lingkungan ritel dan berpotensi dikembangkan lebih lanjut menjadi solusi manajemen inventaris cerdas berbasis visi komputer.
Kata Kunci: Deteksi kekosongan.
ESP32-CAM.
Internet of Things, sistem pemantauan.
YOLO.
PENDAHULUAN
Ketersediaan barang di rak ritel merupakan faktor penting yang memengaruhi kepuasan pelanggan dan kelancaran Namun, banyak swalayan masih mengandalkan sistem pemantauan manual yang bergantung pada karyawan toko, sehingga sering terjadi keterlambatan dalam mendeteksi kekosongan rak.
Kondisi tersebut dapat menyebabkan kehilangan pelanggan karena sebagian besar konsumen cenderung berpindah ke toko lain ketika produk yang diinginkan tidak tersedia.
Oleh karena itu, diperlukan sistem pemantauan berbasis teknologi yang mampu menyajikan informasi ketersediaan barang secara lebih cepat, akurat, dan efisien.
Beberapa penelitian sebelumnya menunjukkan penerapan teknologi Internet of Things (IoT) dan computer vision dalam meningkatkan efektivitas pemantauan stok barang.
Aplikasi berbasis web untuk pemantauan stok secara akurat dan efisien telah dikembangkan guna mendukung pengelolaan stok di CV Bina Anak Papua (Samanui & Prayitno, 2.
Sistem manajemen gudang berbasis Radio Frequency Identification (RFID) juga dirancang untuk memantau stok secara real-time dan mempercepat proses keluar-masuk barang (Moh Muthohir.
Sindhu Rakasiwi.
Selain itu, sistem IoT berbasis RFID terbukti dapat meningkatkan akurasi data stok di gudang bahan baku serta memperbaiki proses pemantauan inventaris (Butsianto et al.
, 2.
Penelitian-penelitian tersebut masih berfokus pada pelacakan stok dan belum mengintegrasikan teknologi visi komputer untuk mendeteksi kekosongan rak secara langsung.
Berdasarkan penelitian sebelumnya, penelitian ini mengembangkan sistem pemantauan barang berbasis IoT dengan algoritma You Only Look Once (YOLO) yang dikombinasikan dengan perangkat ESP32-CAM.
Sistem ini berfungsi menangkap citra kondisi rak secara berkala, kemudian melakukan deteksi objek guna mengidentifikasi keberadaan atau kekosongan produk.
Data hasil deteksi ditampilkan melalui antarmuka web agar pengelola toko dapat mengetahui kondisi rak dan melakukan pengisian ulang barang dengan lebih efisien.
Tujuan penelitian ini adalah merancang dan menguji sistem pemantauan barang berbasis IoT yang mampu mendeteksi kekosongan rak dengan menggunakan algoritma YOLO dan modul ESP32-CAM.
Melalui pengujian Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 sistem, penelitian ini juga bertujuan mengevaluasi tingkat akurasi serta efektivitasnya dalam membantu proses pengelolaan stok.
Berdasarkan landasan teori dan hasil penelitian terdahulu, hipotesis yang diajukan adalah bahwa penerapan teknologi IoT dengan algoritma YOLO dapat menghasilkan sistem pemantauan yang efektif dan akurat
dalam mendeteksi kekosongan rak, serta berpotensi diterapkan di lingkungan ritel untuk meningkatkan efisiensi
METODE
Tahap Penelitian Proses pengembangan sistem pemantauan barang dalam penelitian ini diawali dengan analisis kebutuhan untuk mengidentifikasi aspek-aspek yang harus dipenuhi oleh sistem, termasuk spesifikasi fungsional dan non- fungsional, jenis barang yang akan dipantau, serta perangkat yang digunakan, seperti ESP32-CAM dan server untuk pemrosesan data.
Berdasarkan hasil analisis tersebut, dilakukan tahap desain produk yang berfokus pada perancangan sistem secara menyeluruh, mulai dari arsitektur, alur kerja modul, antarmuka pengguna, hingga integrasi antara modul pengambilan gambar, algoritma deteksi YOLO, dan server.
Setelah desain selesai, sistem dikembangkan menjadi prototype sebagai bentuk awal implementasi, yang mencakup pengaturan kamera, implementasi awal algoritma YOLO, serta antarmuka dasar untuk menampilkan hasil Prototype kemudian diuji untuk memastikan sistem berfungsi sesuai rancangan, dengan fokus pada akurasi deteksi, kecepatan respons, dan kestabilan koneksi antara ESP32-CAM dan server.
Jika pengujian menemukan kekurangan, dilakukan revisi terhadap desain, model YOLO, atau antarmuka pengguna, kemudian diuji kembali hingga sistem memenuhi kriteria efektivitas yang ditentukan.
Setelah semua perbaikan selesai dan pengujian menunjukkan hasil yang memuaskan, sistem dikembangkan menjadi produk akhir yang siap digunakan untuk memantau kondisi rak secara berkala.
Gambar 1 menunjukkan alur prosedur pengembangan sistem yang diterapkan dalam penelitian ini.
Gambar 1 Prosedur Pengembangan Algoritma YOLO (You Only Look Onc.
YOLO (You Only Look Onc.
merupakan algoritma deteksi objek berbasis deep learning yang bekerja secara menyeluruh dalam satu tahap pemrosesan untuk menentukan letak dan jenis objek pada suatu citra (Eko Supriyanto et al.
, 2025, p.
Algoritma ini menggunakan jaringan deep convolutional neural network yang membagi citra menjadi sejumlah grid, di mana setiap sel memprediksi keberadaan objek dengan menetapkan bounding box dan kelas objek secara langsung (Eko Supriyanto et al.
, 2025, p.
Pengembangan model YOLO dari versi pertama hingga YOLOv5 menunjukkan peningkatan kinerja dalam hal kecepatan, efisiensi pemrosesan, dan kemampuan penerapan pada perangkat dengan spesifikasi rendah seperti edge device (Ir.
Eko Supriyanto et al.
, 2025, pp.
37Ae.
Dalam penelitian ini.
YOLOv5 digunakan karena memiliki keunggulan dalam kecepatan melakukan deteksi objek serta kemudahan penerapan pada sistem berbasis Internet of Things (IoT).
Model YOLOv5 dilatih Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 menggunakan dataset gambar berbagai jenis barang yang diambil melalui kamera ponsel.
Alur proses pelatihan model tersebut digambarkan pada Gambar 2, yang mencakup tahapan pengumpulan data, pelabelan data, persiapan pelatihan model, pelatihan YOLOv5, hingga menghasilkan hasil deteksi yang digunakan dalam sistem pemantauan barang.
Gambar 1 Alur Proses Model YOLOv5 Teknik Analisis Data Untuk mengevaluasi akurasi sistem dalam mendeteksi kekosongan rak, digunakan metode confusion matrix.
Metode ini digunakan untuk mengukur kinerja model deteksi dalam mengenali lima kelas produk yang diuji, sehingga berbentuk multi-class confusion matrix.
Melalui confusion matrix, diperoleh nilai True Positive (TP).
False Positive (FP), dan False Negative (FN) yang menjadi dasar dalam perhitungan metrik evaluasi.
Berikut ini tabel confusion matrix.
Tabel 1 Confusion Matrix
Prediksi
Ground Truth
TPA
EAB
EAC
EBA
TPB
EBC
ECA
ECB
TPC
Sumber: (Muflikhah et al.
, 2023, p.
HASIL DAN PEMBAHASAN
HASIL
Analisis Metode Internet of Things Penerapan metode Internet of Things (IoT) dalam penelitian ini diawali dengan perancangan sistem untuk memantau kondisi barang di rak secara berkala.
Berdasarkan hasil analisis kebutuhan, sistem dikembangkan agar mampu mengambil citra rak pada waktu tertentu dan menampilkannya melalui antarmuka web.
Pendekatan IoT digunakan untuk menghubungkan ESP32-CAM, server Laravel, server Flask Python, serta sistem deteksi objek YOLOv5 agar seluruh komponen dapat saling berkomunikasi dalam satu jaringan.
ESP32-CAM dikonfigurasi untuk mengambil gambar kondisi rak setiap satu menit dan mengirimkannya ke server Laravel menggunakan HTTP POST, kemudian diteruskan ke server Flask Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Python untuk diproses oleh model YOLOv5.
Hasil deteksi berupa jumlah dan jenis produk dikembalikan dalam format JSON dan ditampilkan pada dashboard web.
Jika stok barang kurang dari tiga, sistem mengirimkan notifikasi melalui Telegram.
Arsitektur komunikasi sistem ditunjukkan pada Gambar 3, yang memperlihatkan alur pertukaran data antar komponen melalui jaringan Wi-Fi menggunakan protokol HTTP.
Gambar 3 Alur Komunikasi IoT Hasil Analisis Metode Deteksi Objek Berbasis YOLOv5 Penerapan YOLOv5 dalam penelitian ini dilakukan melalui beberapa tahapan, meliputi pengumpulan data, pelabelan sata, persiapan pelatihan model, pelatihan model yolov5, dan hasil deteksi.
Setiap tahapan dijelaskan secara berurutan untuk menggambarkan proses penerapan metode deteksi objek pada sistem pemantauan barang.
Pengumpulan Data Dataset dikumpulkan dengan mengambil gambar produk menggunakan kamera ponsel, mencakup lima jenis produk, yaitu Indomie Mi Goreng.
Indomie Rasa Soto Mie.
Ichi Ocha Teh Melati.
Teh Botol Sosro, dan Mie Gaga Extra Pedas Kuah Jalapeno.
Pengambilan gambar memperhatikan variasi latar belakang serta jumlah produk dalam satu frame, mulai dari satu hingga lima barang, agar model dapat mengenali objek dalam berbagai kondisi.
Seluruh gambar kemudian dibagi menjadi data pelatihan dan data validasi dengan proporsi 70% untuk pelatihan dan 30% untuk validasi.
Data pelatihan digunakan untuk melatih model YOLOv5 mengenali objek sesuai kategori, sedangkan data validasi berfungsi mengevaluasi kinerja model dan mencegah overfitting.
Contoh dataset ditampilkan pada Gambar 4.
Gambar 4 Dataset .
Pelabelan Data Setelah proses pengumpulan dan pembagian dataset, tahap berikutnya adalah pelabelan setiap gambar.
Pelabelan dilakukan menggunakan aplikasi LabelImg, yang memungkinkan penentuan posisi objek melalui bounding box.
Sebelum pelabelan dilakukan, disiapkan file classes.
txt yang memuat daftar kategori produk sebagai acuan penetapan label, sehingga setiap objek dapat diberi label kelas secara Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Gambar 5 Isi dari file classes.
Selanjutnya, proses pelabelan dilakukan dengan cara memberikan bounding box pada objek di dalam gambar, kemudian menetapkan kelas sesuai kategori yang tercantum pada classes.
Gambar 6 Proses Pelabelan Gambar Hasil dari proses pelabelan menghasilkan file dengan ekstensi .
txt yang memuat informasi berupa nomor indeks kelas produk yang merujuk pada file classes.
txt, serta koordinat dan ukuran bounding Gambar 7 Isi dari file Au.
txtAy dari hasil pelabelan .
Persiapan Pelatihan Model Sebelum proses pelatihan dilakukan, diperlukan sejumlah file pendukung yang harus disiapkan terlebih dahulu.
File-file tersebut meliputi dataset, konfigurasi, dan daftar kelas yang akan digunakan pada YOLOv5.
Daftar lengkap file yang dipersiapkan dapat dilihat pada Tabel 2.
Tabel 2 Daftar folder/file persiapan dataset Nama File / Folder Keterangan Folder yang berisi kumpulan gambar dataset yang digunakan pada tahap pelatihan .
raining se.
Folder yang berisi kumpulan gambar dataset untuk tahap validasi .
alidation se.
File teks yang berisi daftar nama kategori produk yang digunakan sebagai label acuan.
File teks yang menyimpan hasil pelabelan gambar pada kelompok pelatihan.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Nama File / Folder Keterangan File teks yang menyimpan hasil pelabelan gambar pada kelompok validasi dengan format yang sama seperti train.
File konfigurasi utama YOLOv5 yang berisi informasi penting seperti lokasi dataset, jumlah kelas .
, serta daftar nama kelas .
File bobot awal .
re-trained weight.
yang digunakan sebagai dasar sebelum proses pelatihan dilakukan.
Pelatihan Model YOLOv5 Proses pelatihan model YOLOv5 dilakukan setelah seluruh dataset, file label, serta file konfigurasi Model dasar YOLOv5s dengan bobot awal .
re-trained weight.
dari dataset COCO digunakan untuk mempercepat pelatihan dan meningkatkan akurasi.
Selanjutnya, dilakukan finetuning menggunakan dataset penelitian agar model mampu mengenali kategori produk secara spesifik.
Proses pelatihan dijalankan dengan perintah sebagai berikut:
Gambar 8 Syntax untuk training data Pelatihan awal dilakukan menggunakan 200 gambar latih untuk memastikan konfigurasi dan parameter berjalan dengan baik.
Setiap gambar berukuran 640 piksel, dengan batch sebanyak 4 dan 50 epoch, memanfaatkan bobot awal yolov5s.
File data.
yaml berisi pengaturan lokasi dataset dan kategori objek, sedangkan parameter name menandai hasil pelatihan.
Dokumentasi pelatihan awal ditunjukkan pada Gambar 9.
Gambar 9 Proses Pelatihan Setelah uji coba awal, pelatihan utama dilakukan secara bertahap menggunakan total 1.
319 gambar.
Tahap pertama melibatkan 550 gambar latih selama 50 epoch, kemudian dilanjutkan fine- tuning dengan 769 gambar latih selama 20 epoch.
Metode bertahap ini memungkinkan model menyesuaikan bobot awal dan belajar dari variasi data yang lebih beragam, sehingga meningkatkan kemampuan deteksi produk secara optimal.
Hasil Deteksi Setelah pelatihan selesai, model YOLOv5 diuji pada citra uji untuk menilai kemampuan deteksi objek Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 di rak.
Model menggunakan bobot hasil pelatihan dan menghasilkan deteksi berupa bounding box, kelas objek, serta tingkat kepercayaan .
onfidence scor.
Ambang batas kepercayaan ditetapkan sebesar 0,25 untuk menyaring prediksi dengan keyakinan rendah, sedangkan ambang batas IoU sebesar 0,45 digunakan dalam Non-Maximum Suppression (NMS) untuk menggabungkan bounding box yang saling bertumpuk.
Pengujian dilakukan menggunakan citra hasil tangkapan kamera ESP32-CAM.
Model menghasilkan keluaran berupa bounding box berwarna yang menunjukkan posisi dan jenis objek yang dikenali, disertai confidence score.
Gambar 10 menunjukkan contoh hasil deteksi pada citra mi_goreng_35.
jpg, di mana model berhasil mengenali produk Indomie Mi Goreng dengan confidence score 0,95.
Bounding box berwarna putih menandai area objek dengan label kelas Auindomie_mi_gorengAy, menunjukkan bahwa model mampu mendeteksi objek dengan akurasi tinggi pada kondisi pencahayaan normal.
Gambar 10 Hasil Model YOLO
PEMBAHASAN
Untuk mengevaluasi kinerja sistem secara teknis, langkah pertama dilakukan perbandingan antara data training dengan hasil prediksi sistem.
Perbandingan ini bertujuan untuk melihat konsistensi sistem dalam mengenali produk sesuai dengan label yang telah dilatih.
Hasil perbandingan ditunjukkan pada Tabel 3.
Tabel 3 Perbandingan data training dan data hasil prediksi Gambar Training Label Gambar Prediksi Produk Label Prediksi Indomie Mi Goreng indomie_mi_goreng .
indomie_mi_goreng .
Indomie Mi Goreng indomie_mi_goreng .
indomie_mi_goreng .
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Gambar Training Produk Indomie Mi Goreng indomie_mi_goreng .
indomie_mi_goreng .
Indomie Mi Goreng indomie_mi_goreng .
indomie_mi_goreng .
Indomie Mi Goreng indomie_mi_goreng .
indomie_mi_goreng .
Indomie Rasa Soto Mie indomie_rasa_soto _mie .
indomie_rasa_soto _mie .
Indomie Rasa Soto Mie indomie_rasa_soto indomie_rasa_soto _mie .
_mie .
Indomie Rasa Soto Mie indomie_rasa_soto indomie_rasa_soto _mie .
_mie .
Indomie Rasa Soto Mie indomie_rasa_soto indomie_rasa_soto _mie .
_mie .
Indomie Rasa Soto Mie indomie_rasa_soto indomie_rasa_soto _mie .
_mie .
gaga_kuah_jalapen o .
gaga_kuah_jalapen o Mi Gaga Extra Pedas Kuah Jalapeno Label Gambar Prediksi Label Prediksi Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Produk Gambar Training Label Gambar Prediksi Label Prediksi Mi Gaga Extra Pedas Kuah Jalapeno gaga_kuah_jalapen o .
gaga_kuah_jalapen o Teh Botol Sosro teh_botol_sosro_ori ginal .
teh_botol_sosro_ori ginal .
Teh Botol Sosro teh_botol_sosro_ori ginal .
teh_botol_sosro_ori ginal .
Ichi Ocha Teh Melati ichi_ocha_teh_mel ati ichi_ocha_teh_mel ati Indomie Mi Goreng.
Indomie Rasa Soto Mie Indomie Mi Goreng.
Indomie Rasa Soto Mie Indomie Mi Goreng.
Indomie Rasa Soto Mie Indomie Mi Goreng.
Indomie Rasa Soto Mie Indomie Mi Goreng.
Indomie Rasa Soto Mie Mi Gaga Extra Pedas Kuah Jalapeno indomie_mi_goreng .
, indomie_rasa_soto_mi e .
indomie_mi_goreng .
, indomie_rasa_soto _mie .
indomie_rasa_soto _mie .
, indomie_mi_goreng .
indomie_rasa_soto _mie .
, indomie_mi_goreng .
indomie_mi_goreng .
, indomie_rasa_soto _mie .
gaga_kuah_jalapen o Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Gambar Training Label Gambar Prediksi Produk Label Prediksi Mi Gaga Extra Pedas Kuah Jalapeno gaga_kuah_jalapen o Ichi Ocha Teh Melati ichi_ocha_teh_mel ati indomie_rasa_soto Ichi Ocha Teh Melati _mie .
indomie_rasa_soto Teh Botol Sosro Teh Botol Sosro teh_botol_sosro_ori ginal .
Teh Botol Sosro teh_botol_sosro_ori ginal .
Teh Botol Sosro.
Indomie Rasa Soto Mie ichi_ocha_teh_mel ati , indomie_rasa_soto _mie .
Mi Gaga Extra Pedas Kuah Jalapeno gaga_kuah_jalapen o Indomie Mi Goreng indomie_mi_goreng .
_mie .
Untuk memperoleh gambaran kinerja sistem secara menyeluruh, dilakukan analisis perbandingan antara label aktual dan hasil prediksi pada seluruh kelas produk.
Hasil pengujian ini disajikan dalam bentuk confusion matrix, seperti ditunjukkan pada Tabel 4.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN
e-ISSN: 3109 Ae 1350
Tabel 4 Hasil Pengujian Confusion Matrix
kelas awal indomie mi
indomie rasa soto mie
indomie mi
1 2 3 4
Prediksi YOLO
indomie rasa gaga kuah
soto mie
1 2 3 4 5
gaga kuah teh sosro ichi ocha Berdasarkan hasil pengujian confusion matrix pada Tabel 4, analisis dilanjutkan untuk mengetahui jumlah objek yang terdeteksi dengan benar (True Positiv.
, jumlah prediksi yang salah (False Positiv.
, serta jumlah objek yang tidak terdeteksi (False Negativ.
per kelas.
Hasil perhitungan disajikan pada Tabel 5.
Tabel 5 Tabel Hasil Perhitungan TP.
FP, dan FN Kelas Indomie Mi Goreng Indomie Rasa Soto Mie Mi Gaga Extra Pedas Kuah Jalapeno Teh Botol Sosro Ichi Ocha Teh Melati Total Berdasarkan Tabel 5, metrik Precision.
Recall, dan F1 Score dihitung untuk masing-masing kelas produk menggunakan nilai True Positive (TP).
False Positive (FP), dan False Negative (FN).
Perhitungan per kelas adalah sebagai berikut:
Indomie Mi Goreng Untuk kelas Indomie Mi Goreng, diperoleh TP = 37.
FP = 0, dan FN = 2.
Dengan menggunakan rumus:
Pr ecision = Re call = = 1,0 37 0 37
= 0,949
37 2 39
F1Score = 2 x 1,0 x0,949 = 0,974 1,0 0,949 .
Indomie Rasa Soto Mie Untuk kelas Indomie Rasa Soto Mie, diperoleh TP = 31.
FP = 0, dan FN = 9.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Dengan menggunakan rumus:
Pr ecision = Re call = = 1,0 31 0 31
= 0,775
31 9 40
F1Score = 2 x 1,0 x0,775 = 0,873 1,0 0,775 .
Mi Gaga Extra Pedas Kuah Jalapeno Untuk kelas Mi gaga Extra Pedas Kuah Jalapeno, diperolah TP = 6.
FP = 1.
FN = 1.
Dengan menggunakan rumus:
Pr ecision = Re call = = = 1,0 6 0 6
= = 0,857
6 1 7
F1Score = 2 x 1,0 x0,857 = 0,857 1,0 0,857 .
The Botol Sosro Untuk kelas Teh Botol Sosro, diperoleh TP = 5.
FP = 0.
FN = 3.
Dengan menggunakan rumus:
Pr ecision = Re call = = = 1,0 5 0 5
= = 0,625
5 3 8
F1Score = 2 x 1,0 x0,625 = 0,769 1,0 0,625 .
Ichi Ocha The Melati Untuk kelas Ichi Ocha Teh Melati, diperoleh TP = 2.
FP = 1.
FN = 1.
Dengan menggunakan rumus:
Pr ecision = Re call = = = 0,667 2 1 3
= = 0,667
2 1 3
F1Score = 2 x 0,667 x0,667 = 0,667 0,667 0,667 Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Maret, 2026 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 Ae 1350 Berdasarkan perhitungan diatas, akurasi keseluruhan sistem dapat dihitung dengan rumus:
Akurasi = TPTotal
= 0,818%
TPTotal FPTotal FNTotal 81 2 16 99 Berdasarkan perhitungan Precision.
Recall, dan F1 Score untuk masing-masing kelas produk serta akurasi keseluruhan sistem, dapat disimpulkan bahwa sistem pemantauan barang yang dikembangkan memiliki kinerja yang baik.
Nilai akurasi sebesar 81.
8% menunjukkan bahwa sistem mampu mendeteksi dan mengklasifikasikan sebagian besar produk dengan benar, meskipun masih terdapat beberapa kesalahan prediksi dan objek yang tidak terdeteksi.
Hasil ini memberikan gambaran bahwa sistem telah bekerja secara efektif untuk mendukung pemantauan ketersediaan barang.
KESIMPULAN
Berdasarkan penelitian yang telah dilakukan, maka dapat ditarik kesimpulan sebagai berikut:
Sistem pemantauan barang berbasis Internet of Things (IoT) yang dikembangkan menggunakan algoritma You Only Look Once (YOLO) dan perangkat ESP32-CAM mampu mendeteksi kekosongan rak serta menampilkan hasilnya melalui antarmuka web.
Hasil pengujian menunjukkan sistem memiliki tingkat akurasi sebesar 81,8%, sehingga sistem dinilai efektif dan layak diterapkan untuk pemantauan stok barang di lingkungan ritel.
Penerapan algoritma YOLO terbukti meningkatkan efektivitas proses deteksi kekosongan rak, sehingga membantu pengelola toko dalam memantau ketersediaan barang dengan lebih cepat dan akurat.
DAFTAR PUSTAKA