AI product recognition retail adalah teknologi computer vision yang digunakan untuk mengenali produk berdasarkan karakteristik visualnya, seperti bentuk kemasan, warna, desain label, dan detail lainnya. Dalam pemeriksaan rak toko, teknologi ini membantu mengidentifikasi produk hingga tingkat SKU (Stock Keeping Unit), sehingga retailer dapat membedakan produk yang tampak serupa tetapi sebenarnya memiliki ukuran, varian, atau identitas inventori berbeda.
Kemampuan tersebut menjadi penting karena mengenali merek tidak sama dengan mengenali SKU yang benar. Dua botol sampo dapat memiliki desain kemasan hampir identik, tetapi berbeda ukuran atau formulasi. Sistem AI yang hanya mengenali mereknya mungkin menganggap keduanya sebagai produk yang sama, padahal masing-masing memiliki kode SKU dan posisi display berbeda. Karena itu, keberhasilan AI product recognition retail tidak hanya ditentukan oleh kemampuan menemukan objek, tetapi juga ketepatan mengidentifikasi produk individual dalam kondisi rak yang sebenarnya.
Baca juga
Cara Mendeteksi Stok Kosong di Rak Toko Secara Otomatis dengan AI
Planogram Compliance vs On-Shelf Availability: Mengapa Retailer Perlu Mengukur Keduanya
Mengapa Mengenali Produk Retail Lebih Sulit daripada Mendeteksi Objek Biasa?
Bagi manusia, mengenali bahwa suatu objek merupakan botol sampo relatif mudah. Namun, menentukan apakah botol tersebut merupakan varian 170 ml atau 340 ml memerlukan pengamatan yang lebih teliti, terutama ketika keduanya menggunakan warna dan desain kemasan serupa.
Tantangan ini menjadi semakin besar dalam lingkungan supermarket yang memiliki ribuan SKU. Produk disusun berdekatan, sebagian kemasan saling menutupi, dan perubahan sudut kamera dapat membuat perbedaan kecil pada label sulit terlihat. Bahkan produk dengan ukuran berbeda dapat tampak hampir sama dalam gambar apabila ditempatkan pada jarak yang tidak seragam dari kamera.
Penelitian Pietrini dan rekan-rekannya yang diterbitkan dalam Expert Systems with Applications pada 2024 menjelaskan bahwa pengenalan produk retail membutuhkan beberapa kemampuan yang saling berkaitan, mulai dari mendeteksi baris rak, menemukan objek produk, hingga mengidentifikasi produk dan menentukan posisinya. Penelitian tersebut juga menyoroti tantangan kemasan yang serupa, perubahan desain produk, serta keterbatasan dataset dengan anotasi pada tingkat SKU.
Dengan kata lain, tantangan utamanya bukan sekadar mengetahui bahwa terdapat produk di rak, melainkan menentukan produk apa, varian yang mana, dan di posisi mana produk tersebut berada.
Bagaimana AI Membedakan Produk pada Tingkat SKU?
Dalam retail audit berbasis computer vision, identifikasi SKU dapat dilakukan melalui kombinasi beberapa tahapan analisis gambar.
Pertama, sistem mendeteksi objek produk yang terlihat. AI menentukan bagian gambar yang merupakan kemasan produk dan memisahkannya dari elemen lain, seperti shelf label, price tag, atau material promosi.
Selanjutnya, sistem menganalisis karakteristik visual produk untuk mencari kecocokan dengan data referensi. Informasi tersebut dapat mencakup warna dominan, bentuk botol, pola desain kemasan, hingga karakteristik visual yang lebih detail. Bergantung pada pendekatan teknologinya, hasil pengenalan dapat dibandingkan dengan kumpulan gambar produk yang telah teridentifikasi.
Tahap berikutnya adalah menghubungkan produk yang dikenali dengan lokasi display.
Misalnya, retailer menetapkan bahwa baris kedua rak personal care harus berisi tiga facing sampo ukuran 170 ml dan dua facing ukuran 340 ml. Jika AI mengenali produk berukuran 340 ml pada area yang seharusnya ditempati ukuran 170 ml, sistem retail audit yang memiliki referensi planogram dapat mengidentifikasi potensi ketidaksesuaian.
Namun, tidak semua sistem menggunakan metode pengenalan yang sama. Sebagian menerapkan klasifikasi produk, sementara pendekatan lain menggunakan pencocokan fitur visual dengan katalog referensi. Pemilihan teknologi bergantung pada jumlah SKU, variasi kemasan, kualitas gambar, dan kebutuhan implementasi.
Peran Training dan Data Tagging dalam AI Product Recognition
Agar sistem AI dapat mengenali produk secara akurat, pengembangan model image recognition umumnya melibatkan proses data tagging (image annotation) dan model training. Data tagging merupakan proses memberikan informasi atau label pada gambar, misalnya identitas SKU, kategori produk, serta posisi produk dalam gambar menggunakan bounding box. Gambar yang telah diberi anotasi kemudian dapat digunakan sebagai data pelatihan agar model AI mempelajari karakteristik visual yang membedakan satu produk dari produk lainnya.
Sebagai contoh, dua botol sampo dengan merek dan desain kemasan serupa, tetapi ukuran berbeda, perlu memiliki identitas SKU yang tepat dalam data referensi. Pada pendekatan supervised learning, contoh gambar yang sudah diberi label membantu model mempelajari perbedaan tersebut, termasuk ketika produk difoto dari berbagai sudut atau dalam kondisi pencahayaan yang berbeda. Kualitas dan keragaman data pelatihan menjadi penting karena model perlu menghadapi kondisi rak yang lebih kompleks daripada gambar produk katalog.
Namun, proses training tidak sama dengan pemeriksaan rak sehari-hari. Ketika staf melakukan pemindaian, sistem menggunakan model yang telah dipersiapkan untuk mengenali produk dan membandingkan hasilnya dengan data referensi serta planogram. Jika terdapat produk baru atau perubahan kemasan, pembaruan mungkin diperlukan pada katalog produk, data referensi, atau model AI, bergantung pada teknologi yang digunakan.
Dengan demikian, keberhasilan AI product recognition tidak hanya ditentukan oleh algoritma pengenalan gambar, tetapi juga oleh kualitas data produk, ketepatan proses tagging, dan pemeliharaan informasi SKU. Bagi retailer dengan ribuan SKU dan perubahan kemasan yang cukup sering, pengelolaan data tersebut merupakan bagian penting dalam menjaga konsistensi hasil retail audit.
Kemasan Mirip,
SKU Berbeda.
Bagaimana AI membedakan produk yang tampak hampir sama, mengenali identitas SKU, dan memeriksa kesesuaiannya dengan planogram?
Dua Produk yang Mirip Belum Tentu SKU yang Sama
Desain kemasan, warna, dan bentuk produk dapat terlihat hampir identik. Namun, perbedaan ukuran atau varian dapat menunjukkan identitas SKU yang berbeda dalam sistem inventori.
Sampo 170 ml
Kemasan kecil · Identitas SKU A
Sampo 340 ml
Kemasan besar · Identitas SKU B
Dari Mendeteksi Produk hingga Memverifikasi Planogram
Dalam retail audit, menemukan keberadaan produk merupakan langkah awal. Sistem juga perlu mengidentifikasi SKU dan memahami posisi produk berdasarkan standar display.
Product Detection
AI menemukan objek produk dalam gambar dan menentukan posisinya pada rak. Pada tahap ini, produk belum tentu teridentifikasi hingga tingkat SKU.
SKU Recognition
Sistem menganalisis karakteristik visual untuk menghubungkan produk dengan identitas SKU, termasuk ukuran, varian, atau desain kemasan tertentu.
Planogram Verification
Hasil identifikasi dibandingkan dengan referensi planogram untuk mengevaluasi apakah SKU berada pada posisi dan alokasi display yang benar.
Apa Peran Data Tagging dan Model Training?
Pada pendekatan AI berbasis supervised learning, pengenalan produk memerlukan data yang dipersiapkan sebelum model digunakan. Proses persiapan tersebut berbeda dari analisis yang dijalankan ketika staf memindai rak toko.
Persiapan Model AI
Menyediakan contoh kemasan, varian, dan kondisi visual yang relevan untuk kebutuhan pengenalan.
Memberikan label identitas SKU dan, bila diperlukan, anotasi posisi produk pada gambar.
Melatih dan mengevaluasi model menggunakan data yang telah dipersiapkan.
Saat Pemeriksaan Rak
Staf merekam kondisi display menggunakan perangkat yang sesuai.
Model yang telah dipersiapkan menganalisis gambar untuk mengenali produk.
Identitas produk dibandingkan dengan planogram untuk membantu menemukan ketidaksesuaian.
Apa yang Terjadi Jika SKU Berada di Posisi yang Salah?
Contoh berikut menunjukkan dua SKU dengan karakteristik visual serupa. Hasil pengenalan produk perlu dibandingkan dengan planogram untuk mengetahui apakah alokasi display sudah sesuai.
Planogram yang Disetujui
Susunan produk yang seharusnya.
Kondisi Aktual Rak
Satu facing SKU A digantikan SKU B.
Mengapa AI Tidak Selalu Bisa Mengenali Setiap SKU?
Keandalan identifikasi produk dipengaruhi oleh kualitas gambar, karakteristik kemasan, dan kelengkapan data referensi. Beberapa kondisi memerlukan pemeriksaan tambahan sebelum hasil audit dapat dipastikan.
Kemasan Hampir Identik
Varian produk yang hanya berbeda ukuran atau detail label dapat membutuhkan kualitas gambar lebih tinggi untuk dibedakan.
Sudut & Kualitas Gambar
Produk yang saling menutupi, pantulan cahaya, serta kamera yang terlalu jauh dapat mengurangi detail visual.
Kemasan atau SKU Baru
Produk baru atau perubahan desain kemasan mungkin belum tersedia dalam data referensi sehingga perlu diperiksa dan diperbarui.
Mengenali SKU adalah Langkah Awal, Bukan Hasil Akhir
AI product recognition membantu mengidentifikasi produk yang terlihat pada rak. Namun, untuk menghasilkan informasi audit yang berguna, identitas SKU perlu dihubungkan dengan posisi produk, alokasi facing, dan planogram yang berlaku. Proses inilah yang membantu retailer membedakan rak yang sekadar terisi dari rak yang memiliki susunan produk sesuai standar.
Pelajari bagaimana solusi On-Shelf Availability & Planogram Compliance dari Digitalplace.ai membantu pemeriksaan ketersediaan produk dan kepatuhan display melalui pemindaian rak berbasis AI.
Pelajari Solusi Digitalplace.aiTantangan Produk dengan Kemasan Hampir Identik
Salah satu masalah terbesar dalam AI product recognition adalah fine-grained recognition, yaitu kemampuan membedakan objek yang sangat mirip secara visual.
Dalam industri FMCG Indonesia, situasi ini dapat ditemukan pada berbagai kategori produk.
- Ukuran berbeda, desain sama. Botol sampo 170 ml dan 340 ml menggunakan warna serta desain kemasan yang hampir identik.
- Varian berbeda, warna serupa. Dua minuman dari merek yang sama memiliki perbedaan kecil pada nama rasa atau ilustrasi kemasan.
- Kemasan promosi. Produk menggunakan desain edisi khusus yang berbeda dari gambar referensi sebelumnya.
- Produk yang saling menutupi. Kemasan sachet atau pouch hanya memperlihatkan sebagian permukaan depan sehingga informasi visual tidak lengkap.
Masalah kemiripan produk juga menjadi perhatian penelitian di Indonesia. Studi yang diterbitkan dalam jurnal EDUSAINTEK pada Juli 2026 membandingkan pendekatan YOLOv12 dan Faster R-CNN untuk mendeteksi produk retail dengan variasi ukuran yang mirip secara visual. Penelitian tersebut menunjukkan bahwa pendeteksian produk dengan kemiripan kemasan tinggi memerlukan evaluasi khusus, bukan sekadar mengandalkan kemampuan deteksi objek umum.
Bagi retailer, implikasinya cukup jelas: software yang berhasil mengenali kategori produk belum tentu memiliki performa yang sama ketika harus membedakan seluruh varian SKU dalam kategori tersebut.
Bagaimana Perubahan Kemasan Memengaruhi Pengenalan Produk?
Data referensi merupakan bagian penting dalam implementasi image recognition.
Sebuah produk dapat mengalami perubahan desain kemasan tanpa perubahan besar pada fungsi atau isi produknya. Jika sistem AI masih menggunakan gambar lama, kemasan terbaru mungkin tidak dikenali dengan tingkat keyakinan yang memadai.
Sebaliknya, kemasan yang mirip dengan produk lain juga berpotensi menghasilkan identifikasi yang tidak tepat.
Pada sistem retail audit, kondisi tersebut sebaiknya tidak langsung dianggap sebagai pelanggaran planogram. Produk yang belum dapat dikenali perlu diperiksa untuk memastikan apakah merupakan SKU baru, kemasan yang diperbarui, atau produk yang memang berada di lokasi salah.
Digitalplace.ai memiliki kemampuan untuk menandai unknown product, termasuk kemasan baru atau SKU yang belum tersedia dalam data referensi. Temuan tersebut membantu staf mengetahui bagian rak yang membutuhkan pemeriksaan tambahan, alih-alih menganggap seluruh produk yang tidak dikenali sebagai out-of-stock.
Karena itu, pengelolaan katalog produk perlu menjadi bagian dari proses implementasi. Pembaruan assortment, peluncuran varian, dan perubahan kemasan sebaiknya diikuti pembaruan data yang digunakan untuk pemeriksaan.
Mengapa Sudut Kamera dan Pencahayaan Memengaruhi Hasil?
Walaupun AI menggunakan model pengenalan gambar yang canggih, kualitas informasi visual tetap menentukan apa yang dapat dianalisis.
Kemasan yang difoto dari depan umumnya memberikan informasi produk lebih lengkap dibandingkan gambar dari sudut yang terlalu miring. Refleksi pada botol plastik, pencahayaan tidak merata, serta produk yang berada di belakang kemasan lain juga dapat mengurangi keterbacaan detail.
Hal ini sangat relevan pada rak dengan produk berukuran kecil atau susunan yang padat.
Sebagai contoh, sebuah rak minuman mungkin terlihat jelas dalam foto secara keseluruhan. Namun, ketika gambar diperbesar untuk membedakan dua varian rasa, tulisan pada kemasan ternyata tidak cukup tajam. AI mungkin masih dapat menemukan botol tersebut, tetapi identifikasi SKU menjadi kurang dapat diandalkan.
Pada solusi On-Shelf Availability & Planogram Compliance dari Digitalplace.ai, pemeriksaan dilakukan melalui pemindaian rak menggunakan perangkat mobile. Pendekatan ini memungkinkan staf mengambil gambar dari posisi yang sesuai dengan kebutuhan pemeriksaan tanpa harus bergantung pada sudut kamera keamanan yang sudah terpasang. Namun, pemindaian tetap perlu mengikuti prosedur yang konsisten agar hasilnya dapat dibandingkan antarwaktu dan antartoko.
Bagaimana Retailer Mengevaluasi Kemampuan AI Product Recognition?
Sebelum menerapkan software image recognition ke seluruh jaringan toko, retailer sebaiknya menguji kemampuan pengenalan produk menggunakan SKU dan kondisi display yang benar-benar ditemukan dalam operasional sehari-hari.
Pengujian tidak cukup hanya menggunakan produk dengan kemasan yang sangat berbeda. Justru produk yang paling sulit dibedakan perlu dimasukkan karena kesalahan identifikasi dapat memengaruhi hasil audit.
Beberapa aspek yang perlu diperhatikan adalah ketepatan pengenalan SKU, kemampuan menemukan seluruh produk yang terlihat, konsistensi hasil pada variasi pencahayaan, dan penanganan produk yang tidak dikenali.
Dalam evaluasi teknis, dua metrik yang sering digunakan adalah precision dan recall. Precision menunjukkan seberapa banyak identifikasi yang dihasilkan sistem benar-benar tepat, sedangkan recall menunjukkan seberapa banyak produk atau kondisi yang relevan berhasil ditemukan.
Keduanya perlu dipertimbangkan bersama.
Sistem yang sering salah mengidentifikasi SKU dapat menghasilkan temuan audit yang keliru. Sebaliknya, sistem yang terlalu sering melewatkan produk juga dapat mengurangi kelengkapan pemeriksaan rak.
Untuk retailer Indonesia, pengujian idealnya mencakup beberapa format toko, kategori FMCG, variasi kemasan, serta kondisi rak yang berbeda. Hasilnya kemudian dapat digunakan untuk menentukan kesiapan implementasi dan kebutuhan penyesuaian data produk.
Dari Pengenalan SKU Menuju Retail Audit yang Lebih Akurat
Pengenalan SKU merupakan fondasi penting bagi retail audit berbasis AI, tetapi bukan tujuan akhirnya.
Setelah produk dikenali, informasi tersebut perlu dihubungkan dengan lokasi rak, jumlah facing, dan planogram agar dapat digunakan untuk mengevaluasi pelaksanaan merchandising.
Misalnya, produk mungkin sudah dikenali dengan benar, tetapi ditempatkan pada posisi SKU lain. Dalam situasi tersebut, pengenalan produk tidak menunjukkan masalah, sedangkan pemeriksaan planogram dapat menemukan ketidaksesuaian.
Solusi Digitalplace.ai menghubungkan pengenalan produk dengan pemeriksaan on-shelf availability dan planogram compliance melalui pemindaian terjadwal. Dengan demikian, hasil analisis tidak berhenti pada identitas produk, tetapi dapat membantu staf menemukan salah penempatan, kekosongan rak, dan ketidaksesuaian display yang perlu diperbaiki.
Kesimpulannya, kemampuan AI mengenali SKU yang mirip menjadi salah satu faktor penting dalam kualitas retail audit otomatis. Namun, hasil yang dapat diandalkan membutuhkan kombinasi model pengenalan yang sesuai, data produk yang diperbarui, kualitas gambar yang memadai, dan informasi planogram yang akurat. Ketika seluruh komponen tersebut bekerja bersama, retailer dapat memperoleh gambaran kondisi rak yang lebih berguna untuk mendukung keputusan operasional.
