Implementasi Sistem Kasir Digital Berbasis Teknologi Deteksi Tangan Computer Vision dan OpenCV

Ari Surya Jaya; Dadang Iskandar Mulyana

doi:10.30591/smartcomp.v12i4.5709

Implementasi Sistem Kasir Digital Berbasis Teknologi Deteksi Tangan Computer Vision dan OpenCV

Ari Surya Jaya, Dadang Iskandar Mulyana

Abstract

Pengembangan teknologi kecerdasan buatan untuk aplikasi mesin kasir digital berbasis teknologi deteksi tangan dengan computer vision, kami rancang untuk pemesanan menu secara digital dan metode pembayaran menggunkanakn QR code, yang akan menjadi system kasir otomatis pada Cafe Lentera Coffee & Eatery. Penelitian ini bertujuan untuk melakukan optimasi proses pemesanan menu yang sebelumnya masih menggunakan perangkat fisik seperti kertas dan mesin kasir tradisional, untuk mencegah kesalahan pesanan dan waktu tunggu yang kurang ifisien. Perancangan system ini melibatkan penggunaan CNN dan OpenCV untuk meningkatkan akurasi deteksi yang memungkinkan konsumen untuk melakukan pemesanan secara interaktif melalui gerakan jari tangan untuk pemesanan menu. Melalui studi literatur dan penelitian eksperimental, dari hasi pengembangan ini adalah untuk memberikan hasil yang efisiensi dan kepuasan konsumen. Peroses pemesanan yang menarik serta pembayaran secara digital yang lebih cepat dan akurat dari sistem tradisional sebelumnya, dapat mengurangi biaya pembelian matrial fisik, serta meningkatkan waktu pesanan salah satu kontribusi dari pengembangan.

Full Text:

References

R. F. N. Alshammari, H. Arshad, A. H. A. Rahman, and O. S. Albahri, “Robotics Utilization in Automatic Vision-Based Assessment Systems From Artificial Intelligence Perspective: A Systematic Review,” IEEE Access, vol. 10, pp. 77537–77570, 2022, doi: 10.1109/ACCESS.2022.3188264.

T. Wang, F. Yang, J. Song, and Z. Han, “Deep convolutional neural network-based detector for index modulation,” IEEE Wirel. Commun. Lett., vol. 9, no. 10, pp. 1705–1709, 2020, doi: 10.1109/LWC.2020.3001731.

A. Verma et al., “Blockchain for Industry 5.0: Vision, Opportunities, Key Enablers, and Future Directions,” IEEE Access, vol. 10, pp. 69160–69199, 2022, doi: 10.1109/ACCESS.2022.3186892.

S. R. Raysyah, Veri Arinal, and Dadang Iskandar Mulyana, “Klasifikasi Tingkat Kematangan Buah Kopi Berdasarkan Deteksi Warna Menggunakan Metode Knn Dan Pca,” JSiI (Jurnal Sist. Informasi), vol. 8, no. 2, pp. 88–95, 2021, doi: 10.30656/jsii.v8i2.3638.

U. Dampage, D. A. Egodagamage, A. U. Waidyaratne, D. A. W. DIssanayaka, and A. G. N. M. Senarathne, “Spatial Augmented Reality Based Customer Satisfaction Enhancement and Monitoring System,” IEEE Access, vol. 9, pp. 97990–98004, 2021, doi: 10.1109/ACCESS.2021.3093829.

H. J. Sung and H. M. Jeon, “Untact: Customer’s acceptance intention toward robot barista in coffee shop,” Sustain., vol. 12, no. 20, pp. 1–16, 2020, doi: 10.3390/su12208598.

P. Azagra, J. Civera, and A. C. Murillo, “Pembelajaran Inkremental Model Objek Dari Interaksi Alami Manusia-Robot,” pp. 1–18, 2020.

E. Aguilar, B. Remeseiro, M. Bolaños, and P. Radeva, “Grab, Pay, and Eat: Semantic Food Detection for Smart Restaurants,” IEEE Trans. Multimed., vol. 20, no. 12, pp. 3266–3275, 2018, doi: 10.1109/TMM.2018.2831627.

J. E. Sihaloho, A. Ramadani, and S. Rahmayanti, “Implementasi Sistem Pembayaran Quick Response Indonesia Standard Universitas Sumatera Utara (1)(2)(3),” J. Manaj. Bisnis, vol. 17, no. 2, pp. 287–297, 2020, [Online]. Available: http://journal.undiknas.ac.id/index.php/magister-manajemen/.

L. Chen, “Power intelligent customer service robot based on artificial intelligence,” J. Phys. Conf. Ser., vol. 2066, no. 1, 2021, doi: 10.1088/1742-6596/2066/1/012048.

B. S. Kim and S. Seo, “Intelligent Digital Human Agent Service with Deep Learning Based-Face Recognition,” IEEE Access, vol. 10, pp. 72794–72805, 2022, doi: 10.1109/ACCESS.2022.3188852.

S. Chen and S. Sc, “keberlanjutan Mempertahankan Pengalaman Pengguna dalam Sistem Cerdas di Industri Ritel,” 2021.

M. E. L. Ibrary, O. P. Dan, and M. E. P. Ipe, “P g g j m v k m l o m p,” vol. 16, no. 2, pp. 223–232, 2022.

A. Wong, M. J. Shafiee, F. Li, and B. Chwyl, “Tiny SSD: A tiny single-shot detection deep convolutional neural network for real-time embedded object detection,” Proc. - 2018 15th Conf. Comput. Robot Vision, CRV 2018, pp. 95–101, 2018, doi: 10.1109/CRV.2018.00023.

DOI: https://doi.org/10.30591/smartcomp.v12i4.5709