SISTEM MONITORING DAN ESTIMASI LAMA WAKTU KUNJUNGAN PELANGGAN MENGGUNAKAN ALGORITMA YOLO BERBASIS DEEP LEARNING (STUDI KASUS: JARAK COFFEE & EATERY)

Melly Anggraini; Veronica Lusiana

doi:10.31539/1jt60018

Authors

Melly Anggraini Universitas Stikubank Semarang
Veronica Lusiana Universitas Stikubank Semarang

DOI:

https://doi.org/10.31539/1jt60018

Abstract

Perkembangan teknologi Artificial Intelligence (AI) dan Computer Vision telah memberikan dampak signifikan terhadap sistem monitoring. Penelitian ini mengembangkan sistem monitoring dan estimasi lama waktu kunjungan pelanggan menggunakan algoritma YOLO berbasis deep learning di Jarak Coffee & Eatery. Permasalahan utama adalah kurangnya efektivitas metode monitoring manual dalam mengelola data kunjungan pelanggan yang menyebabkan kesulitan mendapatkan informasi akurat mengenai durasi kunjungan. Tujuan penelitian ini adalah mengimplementasikan algoritma YOLO untuk mendeteksi dan melacak pelanggan secara real-time serta mengembangkan sistem yang mampu menghitung durasi kunjungan secara otomatis. Menggunakan metode Waterfall dengan tahapan analisis kebutuhan, perancangan sistem, implementasi menggunakan YOLOv11 dan BoT-SORT, serta pengujian. Hasil model YOLOv11 mencapai performa sangat baik dengan mAP@0.5 sebesar 96,5%, precision 93,4%, dan recall 93,4%, serta mampu menghitung durasi kunjungan dengan threshold minimal 30 detik untuk memfilter false positive. Sistem menghasilkan output visualisasi real-time dan log CSV yang dapat digunakan untuk analisis durasi kunjungan dan optimalisasi operasional.

Kata Kunci: Algoritma YOLO, Deep Learning, Computer Vision, Object Detection, Durasi Kunjungan Pelanggan

References

[1] I. N. Husna, M. Ulum, A. K. Saputro, Haryanto, D. T. Laksono, and D. N. Purnamasari, “Rancang Bangun Sistem Deteksi Dan Perhitungan Jumlah Orang Menggunakan Metode Convolutional Neural Network (CNN),” SinarFe7, vol. 5, no. 1, pp. 1–6, 2022.

[2] N. Wakhidah, P. T. Pungkasanti, and A. P. R. Pinem, “Deteksi Objek menggunakan Deep Learning untuk Mengetahui Tingkat Kerumunan Mahasiswa,” J. Edukasi dan Penelit. Inform., vol. 9, no. 3, p. 465, 2023, doi: 10.26418/jp.v9i3.70132.

[3] D. I. Mulyana, M. Rizki, S. Tinggi, I. Komputer, and C. Karya, “Deteksi Real-Time Durasi Kehadiran Pelanggan Di Meja Kafe Dengan Kamera Ip Dan Algoritma Deep Sort Real-Time Detection Of Customer Duration At Cafe Tables Using Ip Cameras And Deep Sort Algorithms,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 8, no. 5, pp. 1388–1393, 2025.

[4] P. Jiang, D. Ergu, F. Liu, Y. Cai, and B. Ma, “A Review of Yolo Algorithm Developments,” Procedia Comput. Sci., vol. 199, pp. 1066–1073, 2021, doi: 10.1016/j.procs.2022.01.135.

[5] W. Wu and J. Lai, “Multi Camera Localization Handover Based on YOLO Object Detection Algorithm in Complex Environments,” IEEE Access, vol. 12, no. November 2023, pp. 15236–15250, 2024, doi: 10.1109/ACCESS.2024.3357519.

[6] D. W. Permatasari and R. E. Putra, “Implementasi Algoritma YOLO11 dalam Mendeteksi Spesies Ikan Laut Komersial secara Real Time untuk Sistem Penyortiran Ikan,” J. Informatics Comput. Sci., vol. 6, no. 04, pp. 924–931, Feb. 2025, doi: 10.26740/jinacs.v6n04.p924-931.

[7] J. Jamil and S. Pulukadang, “Application of Deep Learning Method in Learning,” Formosa J. Sustain. Res., vol. 4, no. 6, pp. 1011–1028, Jun. 2025, doi: 10.55927/fjsr.v4i6.308.

[8] I. H. Sarker, “AI-Based Modeling: Techniques, Applications and Research Issues Towards Automation, Intelligent and Smart Systems,” SN Comput. Sci., vol. 3, no. 2, pp. 1–20, 2022, doi: 10.1007/s42979-022-01043-x.

[9] L. Alzubaidi et al., “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” J. Big Data, vol. 8, no. 1, p. 53, Mar. 2021, doi: 10.1186/s40537-021-00444-8.

[10] A. Raup, W. Ridwan, Y. Khoeriyah, S. Supiana, and Q. Y. Zaqiah, “Deep Learning dan Penerapannya dalam Pembelajaran,” JIIP - J. Ilm. Ilmu Pendidik., vol. 5, no. 9, pp. 3258–3267, Sep. 2022, doi: 10.54371/jiip.v5i9.805.

[11] M. Rizki, S. Basuki, and Y. Azhar, “Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory(LSTM) Untuk Prediksi Curah Hujan Kota Malang,” J. Repos., vol. 2, no. 3, Jan. 2024, doi: 10.22219/repositor.v2i3.30499.

[12] D. Pakiding, A. Selao, and W. Wahyuddin, “Implementasi Computer Vision dalam Mendeteksi Penyakit pada Tanaman Cabai dan Tomat Menggunakan Algoritma Convolutional Neural Networks,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, pp. 841–850, Jun. 2025, doi: 10.57152/malcom.v5i3.1989.

[13] F. Agustina and M. Sukron, “Deteksi Kematangan Buah Pepaya Menggunakan Algoritma YOLO Berbasis Android,” J. INFOKAM, vol. 18, no. 2, 2022.

[14] B. M. Basuki, “Deteksi klasifikasi dan menghitung kendaraan berbasis algoritma You Only Look Once (YOLO) menggunakan kamera CCTV,” Sci. Electro, vol. 16, no. 3, 2023.

[15] D. I. Mulyana et al., “Implementasi Deteksi Emosional Pada Wajah Menggunakan Deep Learning-Yolov5,” JUTECH J. Educ. Technol., vol. 4, no. 1, pp. 12–22, 2023.

[16] I. Andi, M. Muchtar, and J. Y. Sari, “Mask Detection Using the YOLO (You Only Look Once) Method,” J. Media Inf. Teknol., vol. 1, no. 1, 2024.

[17] Aharon, Nir, R. Orfaig, and B. Ben-Zion, “BoT-SORT: Robust associations multi-pedestrian tracking,” arXiv Prepr. arXiv2206.14651, 2022.