Draft Proposal Store Activity Berbasis Respebery Pi-1
Draft Proposal Store Activity Berbasis Respebery Pi-1
INTRODUCTION
Dalam tugas ini kami akan berfokus pada project bernama “Store Activity Recognition
berbasis Raspberry pi”. Project ini bertujuan untuk mengetahui banyaknya pengunjung sebuah
swalayan dan mendeteksi minat pelanggan dalam pembelian barang belanjaan. Salah satu
strategi manajemen logistik barang perbelanjaan dan tata letak komoditi untuk meningkatkan
permintaan dari pelanggan.
PROJECT DESCRIPTION
Project ini dimulai dengan perancangan back-end system dengan metode pembelajaran
deep learning untuk mindeteksi banyaknya pengunjung dan minat pembelian barang belanjaan
dalam cakupan 1 hari atau selama operasional. Dalam kasus ini mampu menganalisis tingkatan
pelanggan dalam perbelanjaan barang apa yang sering dibeli dan yang paling banyak diminati
dalam pusat perbelanjaan swalayan dengan menggunakan metode object tracking dan deteksi
berbasis deep learning. Sistem deteksi menggunakan pre-trained model untuk melakukan
deteksi pelanggan. Selanjutnya sistem akan memberikan informasi daya minat beli pelanggan
terhadap suatu barang.
Project ini juga mencakup rancangan front-end system bagi pengelola swalayan untuk
memantau jumlah minat pelanggan pada swalayan tersebut. Tampilan front-end system akan
mengacu pada aplikasi–aplikasi swalayan yang pada umumnya. Rancangan back-end dan front-
end ini diharapkan dapat diterapkan pada Raspberry Pi 4 model B.
SSD MobileNet V2 menggabungkan teknik MobileNet dengan teknik SSD untuk membuat
sebuah arsitektur deteksi objek yang ringan dan efisien. MobileNet menggunakan teknik
depthwise separable convolution untuk mengurangi jumlah parameter dan operasi yang
diperlukan, sehingga membuat model lebih ringan dan efisiensi resource yang tinggi. SSD
menggunakan teknik single shot detection untuk melakukan deteksi objek dalam satu langkah,
sehingga membuat proses deteksi lebih cepat dan efisien.
1. Efisiensi resource : SSD Mobile Net V2 menggabungkan teknik Mobile Net dan SSD,
sehingga membuat model ringan dan efisiensi resource yang tinggi. Ini membuat SSD Mobile
Net V2 cocok untuk digunakan pada perangkat mobile dan IoT dengan spesifikasi hardware
yang terbatas.
2. Performa deteksi objek yang baik: SSD Mobile Net V2 memiliki performa deteksi objek yang
baik, terutama pada perangkat mobile dan IoT. Ini karena arsitektur yang diterapkan pada
SSD Mobile Net V2 membuat deteksi objek menjadi lebih cepat dan efisien.
3. Latensi rendah : SSD Mobile Net V2 memiliki latensi rendah, sehingga dapat bekerja dengan
cepat dan memberikan hasil deteksi objek dalam waktu yang singkat. Ini sangat penting untuk
aplikasi-aplikasi real-time seperti pemantauan lingkungan dan pengenalan wajah.
4. Skalabilitas : SSD Mobile Net V2 memiliki skalabilitas yang baik, sehingga dapat diterapkan
pada berbagai aplikasi dengan ukuran dan jenis objek yang berbeda.
5. Ekonomis : SSD Mobile Net V2 membutuhkan biaya hardware dan resource yang lebih
rendah dibandingkan dengan arsitektur deep learning lain yang digunakan untuk deteksi
objek. Ini membuat SSD Mobile Net V2 menjadi pilihan yang ekonomis untuk aplikasi-
aplikasi deteksi objek pada perangkat mobile dan IoT.
Dengan demikian, SSD Mobile Net V2 merupakan arsitektur deep learning yang efisien
dan handal untuk deteksi objek pada perangkat mobile dan IoT, dan merupakan pilihan yang baik
untuk optimasi pengenalan banyaknya pengunjung.
EVALUASI
Project di akhiri dengan evaluasi sistem terhadap pendeteksian jumlah pengunjung dan
informasi daya minat pelanggan yang terdeteksi pada sistem dan jumlah pelanggan sebenarnya
secara real time. Untuk mengetahui tingkat akurasi sistem dapat dihitung dengan persaman
dibawah ini :