English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Menunggu dalam suatu antrian di supermarket sering terjadi dalam kehidupan sehari-hari. Antrian tersebut terjadi karena pada kasir mengharuskan setiap barang diperiksa untuk dipindai menggunakan  barcode . Hal ini dapat diatasi dengan menggunakan aplikasi pengenalan atau deteksi barang berbasis pengolahan citra yang akan membantu mengurangi permasalahan pada kasir seperti scanner tidak mengenali  barcode  barang, label harga barang tidak dapat dikenali sehingga membuat proses pelayanan menjadi lama. Tujuan dari penelitian ini adalah membuat algoritma yang membantu kasir untuk mengenali barang pada kereta belanja dan menampilkan harga barang dengan hanya mengambil citra kereta belanja. Algoritma yang diusulkan untuk mendeteksi dan mengidentifikasi beberapa barang dengan pencocokan citra menggunakan  Scale Invariant Feature Transform  (SIFT) serta metode RANSAC digunakan untuk menghasilkan  homography  terbaik untuk memetakan kotak pembatas dari  database  citra ke citra kereta belanja. Citra akan tersegmentasi berdasarkan barang yang ada, dan masing-masing segmen akan dianalisis secara independen dengan asumsi gambar label depan yang diambil. Begitu barang dikenali, harga setiap barang ditambahkan untuk mendapatkan harga total. Citra hasil menunjukkan posisi barang pada citra dengan informasi harga barang dan total belanja. Sistem ini dapat mengenali barang dalam citra kereta belanja dengan tingkat akurasi 100% terhadap jumlah barang pada kereta belanja sebanyak 2 sampai 5 barang, tingkat akurasi 20%  dengan jumlah 6 dan 7 barang, tingkat akurasi 0% dengan jumlah 8 sampai 10 barang. Sistem ini juga dapat mengenali barang tumpang tindih dengan presentase fitur area barang bawah lebih besar dibandingkan barang atas, serta mayoritas sistem hanya bisa mengenali barang dengan bentuk objek datar.

Pengenalan Barang Pada Kereta Belanja Menggunakan Metode Scale Invariant Feature Transform (SIFT)