Teknologi Radio Frequency Identification (RFID) telah menjadi tulang punggung dalam manajemen rantai pasok modern. Namun, teknologi ini memiliki keterbatasan mendasar: ia mampu mendeteksi keberadaan barang, tetapi sulit menentukan arah pergerakannya secara otomatis. Menjawab tantangan industri ini, tim peneliti lintas benua yang dipimpin oleh Dosen Program Studi Teknologi Rekayasa Perangkat Lunak (TRPL), Sekolah Vokasi UGM, Dr. Eng. Ganjar Alfian, S.T., M.Eng., mengembangkan solusi cerdas berbasis Machine Learning.
Penelitian yang bertajuk “Utilizing Random Forest with iForest-Based Outlier Detection and SMOTE to Detect Movement and Direction of RFID Tags” ini merupakan hasil kolaborasi internasional yang melibatkan peneliti dari Sejong University (Korea Selatan), VSB–Technical University of Ostrava (Republik Ceko), dan Telkom University.
Dari internal DTEDI SV UGM, penelitian ini juga didukung oleh tim dosen yang terdiri dari Sahirul Alam, Dinar Nugroho Pratomo, Lukman Subekti, dan Ninis Dyah Yulianingsih, serta melibatkan mahasiswa Muhammad Qois Huzyan Octava.
Masalah: Barang Masuk atau Keluar?
Dalam skenario gudang logistik, mengetahui apakah sebuah produk sedang “masuk” (diterima) atau “keluar” (dikirim) sangatlah krusial. Pembaca RFID standar sering kali hanya mencatat bahwa barang tersebut “ada” di dekat gerbang, tanpa mengetahui arah geraknya, atau apakah barang tersebut hanya sekadar lewat atau berputar balik.
Untuk memecahkan masalah ini, tim peneliti memanfaatkan fitur statistik dari kekuatan sinyal (Received Signal Strength atau RSS) dan penanda waktu (timestamp) dari tag RFID. Dataset penelitian dibuat dengan mensimulasikan berbagai skenario nyata di gudang, seperti barang masuk/keluar gerbang, bergerak mendekati gerbang, berputar balik, hingga barang statis.
Akurasi Tinggi dengan Kombinasi Algoritma
Terobosan utama dalam penelitian ini terletak pada penggabungan tiga metode algoritma cerdas:
-
Isolation Forest (iForest): Untuk mendeteksi dan membuang data outlier (pencilan) atau noise yang mengganggu.
-
SMOTE (Synthetic Minority Over-sampling Technique): Untuk menyeimbangkan data agar proses pelatihan model adil dan akurat.
-
Random Forest (RF): Sebagai algoritma utama untuk mengklasifikasikan arah pergerakan.
Hasil pengujian menunjukkan bahwa model gabungan ini menghasilkan performa yang luar biasa. Sistem mampu mendeteksi pergerakan dan arah tag RFID dengan akurasi mencapai 94,251%. Angka ini terbukti lebih tinggi dibandingkan model-model machine learning lainnya yang diuji dalam studi yang sama.
Tidak hanya berhenti pada model matematis, tim peneliti juga mendemonstrasikan penerapan model klasifikasi ini ke dalam sistem pemantauan berbasis web. Dengan sistem ini, status produk—apakah sedang diterima (received) atau dikirim (delivered)—dapat diidentifikasi secara otomatis dan tepat saat melewati gerbang RFID.
Terobosan dalam otomatisasi rantai pasok ini merupakan langkah strategis mendukung SDG 9 (Industry, Innovation, and Infrastructure), memastikan operasional industri yang lebih efisien, akurat, dan berdaya saing. Di sisi lain, sinergi riset yang melibatkan mitra dari Asia dan Eropa ini menjadi bukti nyata implementasi SDG 17 (Partnerships for the Goals), mempercepat transfer teknologi canggih antarnegara. Selain itu, pelibatan aktif mahasiswa dalam pengembangan algoritma cerdas ini menegaskan komitmen pada SDG 4 (Quality Education), mencetak talenta vokasi yang siap menjawab tantangan industri global.
