Submission Details

Component inventory management in engineering laboratories and workshops can be hindered by inefficient manual record-keeping, human error, and the risk of misplacing or misidentifying items. This study presents a smart inventory and electrical power monitoring system implemented on a Raspberry Pi 3B+ with 1 GB of RAM. The image-processing pipeline combines YOLOv5n object detection, executed through the OpenCV DNN C++ engine, with an ensemble TensorFlow Lite classifier and HSV-based color feature extraction to recognize components such as Arduino UNO boards, ESP32 WROOM-32 modules, 16 × 2 LCDs, breadboards, and smartphones. A local Flask-based dashboard supports item storage, retrieval, and borrowing records through a pushbutton-triggered vision mechanism with a 2.5-second hysteresis interval. Electrical monitoring uses a PZCT-02 current sensor and an ADS1115 16-bit I²C analog-to-digital converter to measure AC current, active power, and cumulative energy consumption. The system stores data locally in an SQLite database configured with Write-Ahead Logging (WAL). Initial performance testing showed an operating rate of 15–30 frames per second and RAM usage below 100 MB. These results indicate that the prototype can perform inventory recognition and power monitoring locally without relying on cloud services. Further testing is needed to evaluate recognition accuracy, inventory-record reliability, and measurement accuracy under varied operating conditions.

Manajemen inventaris komponen di laboratorium teknik dan bengkel dapat terhambat oleh pencatatan manual yang tidak efisien, kesalahan manusia, dan risiko salah menempatkan atau mengidentifikasi barang. Penelitian ini menyajikan sistem inventaris cerdas dan pemantauan daya listrik yang diimplementasikan pada Raspberry Pi 3B+ dengan RAM 1 GB. Jalur pemrosesan gambar menggabungkan deteksi objek YOLOv5n, yang dijalankan melalui mesin OpenCV DNN C++, dengan pengklasifikasi TensorFlow Lite ensemble dan ekstraksi fitur warna berbasis HSV untuk mengenali komponen seperti papan Arduino UNO, modul ESP32 WROOM-32, LCD 16 × 2, breadboard, dan smartphone. Dasbor berbasis Flask lokal mendukung penyimpanan, pengambilan, dan catatan peminjaman barang melalui mekanisme penglihatan yang dipicu tombol tekan dengan interval histeresis 2,5 detik. Pemantauan listrik menggunakan sensor arus PZCT-02 dan konverter analog-ke-digital I²C ADS1115 16-bit untuk mengukur arus AC, daya aktif, dan konsumsi energi kumulatif. Sistem menyimpan data secara lokal dalam basis data SQLite yang dikonfigurasi dengan Write-Ahead Logging (WAL). Pengujian kinerja awal menunjukkan laju operasi 15–30 frame per detik dan penggunaan RAM di bawah 100 MB. Hasil ini menunjukkan bahwa prototipe dapat melakukan pengenalan inventaris dan pemantauan daya secara lokal tanpa bergantung pada layanan cloud. Pengujian lebih lanjut diperlukan untuk mengevaluasi akurasi pengenalan, keandalan catatan inventaris, dan akurasi pengukuran di bawah berbagai kondisi operasi.