Fakultas Ilmu Komputer
Universitas Brawijaya 3472
Deteksi Masker dan Suhu Tubuh untuk Kendali Portal Otomatis Menggunakan CNN sebagai Pencegahan Penularan SARS-CoV-2
Ichsan Ali Rachimi1, Fitri Utaminingrum2
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1alirohimi@student.ub.ac.id, 2f3_ningrum@ub.ac.id
Abstrak
COVID-19 dapat menyebar melalui percikan dari hidung atau mulut yang keluar dari pasien yang terinfeksi COVID-19. Jika orang menghirup percikan dengan orang yang terinfeksi virus ini, mereka mungkin terinfeksi COVID-19. Karena itu, sangat penting bagi kita untuk menjaga jarak minimal 1 meter dan selalu menggunakan masker untuk mencegah penyebaran coronavirus. Percikan-percikan ini dapat menempel pada benda dan permukaan lain, seperti meja, gagang pintu dan pegangan tangan.
Karena pentingnya penggunaan masker pada saat pandemik COVID-19 penelitian ini akan menerapkan metode Convolutional Neural Network untuk mendeteksi pengguna masker dan suhu tubuh, sehingga pada implementasinya sistem dapat mendeteksi ketika terdapat seseorang yang tidak menggunakan masker dan memiliki suhu tubuh di atas angka normal yaitu melebihi 37,5°C sistem akan menutup portal secara otomatis, hal ini ditujukan agar masyarakat selalu menggunakan masker pada saat pandemik COVID-19 dan peduli terhadap penyebaran virus. Dari hasil pengujian yang dilakukan sistem dapat mendeteksi objek bermasker dengan akurasi sebesar 94% dengan waktu komputasi sebesar 9,09 detik.
Nilai % rata-rata error didapatkan sebesar 1,48% pada sensor inframerah dan akurasi pada tahap pengujian hasil integrasi deteksi masker dan sensor suhu inframerah MLX90614 terhadap output micro servo 9G mendapatkan akurasi sebesar 100%.
Kata kunci: COVID-19, convolutional neural network, MLX90614, micro servo 9G Abstract
COVID-19 can be spread through droplets from the nose or mouth that come from a patient infected with COVID-19. If people breathe in the splash with a person who is infected with this virus, they may be infected with COVID-19. Therefore, it is very important for us to maintain a minimum distance of 1 meter and always use a mask to prevent the spread of coronavirus. These splashes can stick to other objects and surfaces, such as tables, door handles and handrails. Because of the importance of using masks during the Covid-19 pandemic, this study will apply the Convolutional Neural Network method to detect mask users, so that in its implementation the system can detect when someone is not wearing a mask and has a body temperature above the normal number, which is above 37.5 ° C. then the system will automatically close the latch, this is intended so that people always use masks during the COVID- 19 pandemic and care about the spread of the virus. The average error value is 1,48% on the infrared sensor and the accuracy at the integration testing stage of the mask detector and infrared temperature sensor MLX90614 at the 9G micro servo output gets an accuracy of 100%.
Keywords: COVID-19, convolutional neural network, MLX90614, micro servo 9G
1. PENDAHULUAN
Virus corona merupakan jenis kelompok virus yang berbahaya, virus ini dapat menyerang sistem pernapasan manusia (Kementrian Kesehatan, 2020). Jenis virus ini ditemukan di kota wuhan China, virus ini dapat menyebar dan menular dengan sangat
cepat. Terdapat beberapa jenis dari corona virus yang dapat menyebabkan terjadinya infeksi pada saluran pernafasan. Penyakit ini dapat berupa penyakit flu yang menyebabkan batuk dan pilek, virus ini merupakan jenis virus baru yang dapat ditularkan ke manusia (Kementerian Kesehatan, 2020). Virus ini bisa menyerang
siapa saja, baik balita, orang dewasa ataupun ibu hamil dan menyusui.
Proses pencegahan penularan virus corona pada tempat umum seperti tempat perbelanjaan masih dilakukan secara manual di mana, proses pengecekan suhu tubuh dan masker masih banyak dilakukan oleh petugas keamanan. Metode pencegahan penularan virus corona yang dilakukan secara konvensional dapat meningkatkan resiko menyebarnya virus corona. Dengan sistem deteksi masker dan suhu tubuh yang dibangun ini dapat melakukan pendeteksian masker dan suhu tubuh secara otomatis sehingga proses pencegahan penularan virus corona dapat dilakukan secara otomatis tanpa melibatkan petugas keamanan. Hal ini dapat meningkatkan efisiensi dalam proses pendeteksian suhu dan masker untuk pencegahan penularan virus. Sistem ini menggunakan metode convolutional neural network untuk mendeteksi pengguna masker, metode ini memiliki akurasi deteksi yang lebih baik dibandingkan metode sebelumnya.
Peneliti menggunakan arsitektur CNN Mobilenet yang dirancang untuk komputasi pada perangkat mobile sehingga dengan menggunakan model ini peneliti dapat mengimplementasikan metode CNN dengan waktu komputasi yang lebih cepat. Sistem ini memiliki deteksi suhu menggunakan sensor inframerah yang merupakan parameter penting dalam melakukan pencegahan penularan virus corona. Sistem akan melatih 1500 data berupa gambar dari berbagai jenis masker yang layak digunakan untuk masyarakat dan 1500 gambar dari objek tanpa masker sehingga pada implementasinya sistem dapat mendeteksi ketika terdapat seseorang yang tidak menggunakan masker dan memiliki suhu tubuh di atas angka normal yaitu melebihi 37,5°C maka sistem akan otomatis menutup palang pintu, hal ini ditujukan agar masyarakat selalu menggunakan masker pada saat pandemik COVID-19 dan peduli terhadap penyebaran virus.
2. LANDASAN KEPUSTAKAAN 2.1 Penelitian Tekait
Dalam penelitian yang telah dilakukan oleh Mussakarul M, Ferdiansyah dengan menggunakan metode Convolutional Neural
Network dengan menggunakan arsitektur MobilenetV2 untuk mengklasifikasikan data yang sudah di label dengan menggunakan metode supervised learning. Di mana cara kerjanya adalah dengan melatih data yang memiliki variabel sendiri untuk ditargetkan dan kemudian nantinya akan dikelompokkan berdasarkan variabel data tersebut. Metode ini sering digunakan untuk mengenali benda, pemandangan dan melakukan deteksi juga segmentasi objek. Pada penelitian ini data yang digunakan adalah data dari orang yang menggunakan masker dan tidak menggunakan masker. Model yang sudah dilatih kemudian akan dijalankan oleh Raspberry Pi, untuk kemudian akan mendeteksi apakah orang menggunakan masker atau tidak. Jika orang tersebut menggunakan masker, maka akan dikirimkan notifikasi melalui telegram ke keamanan setempat agar orang tersebut dapat diberikan akses masuk ke dalam kantor.
Kekurangan Utama dari sistem ini adalah streaming video yang lambat karena Raspberry Pi memiliki memory yang terbatas, di mana hanya dapat menjalankan streaming video 20-32 fps. Pada penelitian ini presisi dari deteksi masker adalah sebesar 82% dan recall adalah sebesar 89 %.
2.2 Jaringan Syaraf Tiruan
Konsep dari Jaringan Syaraf Tiruan adalah dengan mengambil gambaran dari susunan otak manusia seperti yang ditampilkan pada Gambar 2.1, pada otak manusia terdapat banyak neuron yang saling terhubung. Menurut Suzuna Herculano Houzel (2016) seorang ahli saraf dalam artikel yang dimuat pada ted.com menjelaskan bahwa rata-rata manusia memiliki 86 miliar neuron. Fungsi dari unit kerja sistem saraf pusat ini sebagai penghantar informasi yang dapat memproses setiap informasi yang masuk pada neuron. Pada neuron terdapat beberapa bagian yang penting dan memiliki fungsinya masing-masing yaitu : terdapat inti sel (nukleus) yang memiliki fungsi semua kegiatan sel saraf pada neuron. Dendrit yang merupakan percabangan akan menerima dan mengirimkan informasi ke sel lainnya. Informasi yang diterima oleh dendrit akan dikeluarkan oleh akson sebagai keluaran dari pemrosesan informasi.
2.3 Convolutional Neural Network
Konsep dari jaringan syaraf tiruan (JST) yang diambil dari sistem jaringan pada jaringan syaraf manusia kemudian dikembangkan menjadi Convolutional Neural Network (CNN) yang digunakan pada data citra digital (Putri, 2019).
Convolutional Neural Network terinspirasi dari bagaimana cara manusia bagaimana memproses dan menghasilkan suatu persepsi secara visual sehingga CNN ini dapat digunakan untuk mengenali atau mendeteksi suatu objek yang terdapat pada citra digital. Convolutional Neural Network (CNN) didesain untuk mengolah data dua dimensi, Lapisan konvolusi terdiri dari neuron yang tersusun dan membentuk suatu filter dengan panjang dan tinggi tertentu .Pada Gambar 2.4 merupakan gambar jaringan pada CNN, bekerja secara umum dengan memanfaatkan proses konvolusi dengan cara menggeser sebuah kernel dengan ukuran tertentu pada sebuah citra (Putra, Wijaya & Soelaiman, 2016).
2.4 Confussion Matrix
Confussion matrix adalah metode yang digunakan untuk membantu menghitung akurasi hasil klasifikasi untuk deteksi objek serta untuk mengetahui evaluasi kinerja dari suatu sistem.
Confussion matrix biasanya juga disebut matriks kesalahan. Penggunaan confusion matrix dimaksudkan untuk mendapatkan informasi hasil perbandingan hasil klasifikasi sistem dengan hasil pada kelas sebenarnya. Confusion matrix dijabarkan menggunakan tabel matriks sebagai representasi performa dari model klasifikasi pada rangkaian data uji dengan nilai nilai aktual yang diketahui.
Berdasarkan pada Tabel 1 nilai dari masing-masing kelas dapat disimpulkan sebagai berikut :
Tabel 1 Confussion matrix Kelas Prediksi
Matriks Bermasker Tanpa
Masker Kelas
Sebenarnya
Bermasker TP FN
Tanpa Masker
FP TN
2.8 Masker
Masker sangat penting untuk digunakan sebagai alat pelindung diri selama wabah virus corona (COVID-19). Untuk mencegah penyebaran virus ini, masyarakat di Indonesia sudah mulai memakai masker saat bepergian atau bepergian dengan sarana transportasi, seperti angkutan umum, sepeda motor atau mobil pribadi. Tujuan pemakaian masker pada saat wabah COVID-19 adalah untuk mencegah penyebaran virus melalui berbagai partikel yang dapat membahayakan tubuh manusia. Wabah virus corona semakin menarik perhatian masyarakat global termasuk Indonesia.
3. METODOLOGI PENELITIAN
Gambar 1. Alur Metode Penelitian
Berdasarkan pada Gambar 1 penelitian diawali dengan mempelajari literatur terkait dengan topik penelitian yang diteliti, Tujuan studi pustaka adalah untuk mencari data pendukung dan sebagai acuan dan pembanding dalam melakukan penelitian. Proses berikutnya adalah menganalisis rekayasa kebutuhan untuk melakukan perancangan dan implementasi sistem. Apabila hasil sudah sesuai Kemudian kesimpulan dapat diambil dari penelitian yang dilakukan.
3.1 Perancangan Sistem
Gambar 2. Rangkaian Komponen Penyusun Perancangan sistem proses training dijelaskan pada Gambar 2. Tahapan awal dari perancangan ini adalah program akan mengambil data citra sebagai masukan dari program, masukan ini merupakan data citra yang diambil dari dataset sistem deteksi masker inisialisasi library yang diperlukan untuk menunjang kebutuhan sistem dalam melakukan pemrosesan gambar dan melakukan proses pelatihan data pada dataset. Kemudian, program akan mengambil data citra pada dataset yang digunakan yaitu pada sistem deteksi masker ini menggunakan 3050 gambar dataset yang akan digunakan dalam proses training dan testing.
3.2 Implementasi Sistem
Gambar 3. Rangkaian komponen penyusun sistem Pada Gambar 3 sistem perancangan perangkat keras pada sistem deteksi masker memiliki satu sumber tegangan 5V yaitu yang
dibutuhkan oleh Raspberry Pi 3 melalui adaptor.
Kemudian untuk mengoperasikan motor servo SG90 diperlukan tegangan sebesar 5V, pada motor servo terdapat tiga pin yang perlu dihubungkan pada Raspberry Pi.
4. PENGUJIAN DAN ANALISIS HASIL 4.1 Pengujian Deteksi Masker Pada
Raspberry Pi 3 Menggunakan Model Arsitektur
Tabel 2 menunjukan hasil pengujian pada sistem deteksi masker menggunakan Raspberry Pi 3 dengan menggunakan webcam microsoft sebagai masukan pada sistem deteksi masker.
Pengambilan citra dilakukan secara realtime.
Tujuan dari pengujian deteksi masker pada Raspberry Pi 3 adalah untuk mengetahui keakuratan sistem saat mendeteksi masker.
Tabel 2 Confussion matrix Kelas Prediksi
Matriks Bermasker Tanpa
Masker Kelas
Sebenarnya
Bermasker 23 2
Tanpa Masker
1 24
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 23 + 24
23 + 24 + 1 + 2= 0,94 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 23
23 + 1 = 0,95 𝑅𝑒𝑐𝑎𝑙𝑙 = 23
23 + 3 = 0,88 4.2 Pengujian Waktu Komputasi
Tujuan dari pengujian deteksi masker pada Tabel 3 adalah untuk mengetahui rata-rata waktu komputasi sistem deteksi masker.
Tabel 3 Pengujian waktu komputasi Pengujian Waktu Komputasi (s)
Percobaan 1 9,94
Percobaan 2 9,74
Percobaan 3 9,32
Percobaan 4 8,48
Percobaan 5 9,61
Percobaan 6 8,71
Percobaan 7 9,21
Percobaan 8 8,84
Percobaan 9 9,36
Percobaan 10 9,40
Percobaan 11 8,46
Percobaan 12 8,21
Percobaan 13 8,93
Percobaan 14 9,12
Percobaan 15 9,13
𝑊𝑎𝑘𝑡𝑢 𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 = 136,46
15 = 9,09 𝑑𝑒𝑡𝑖𝑘 4.3 Pengujian Akurasi Pembacaan Sensor
Suhu Inframerah
Tujuan dari pengujian ini adalah untuk mengetahui persentase error rata-rata yang dicapai oleh sistem deteksi masker dan suhu tubuh.
Tabel 4 Hasil pengujian sensor suhu No Termometer
Gun (°C)
Termometer Inframerah
(°C)
Error (°C)
Error (%)
1 36,9 36,3 0,6 1,6 %
2 36,6 35,5 1,1 3 %
3 37,0 36,4 0,6 1,6%
4 37,1 36,6 0,5 1,3%
5 36,8 35,9 0,9 2,4%
6 38,3 37,7 0,6 1,5%
7 38,5 38 0,5 1,2%
8 37,7 37,5 0,2 0,5%
9 37,5 37,1 0,4 1%
10 37,9 37,6 0,3 0,7%
Hasil pengujian sensor suhu inframerah mlx90614 pada Tabel 4 terdapat rata-rata persentase error adalah sebesar 1.48%
% 𝑒𝑟𝑟𝑜𝑟 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 = 14,8
10 = 1,48%
4.3 Pengujian Integrasi Sistem Pada Deteksi Masker dan Sensor Inframerah
Terhadap Motor Servo
Pada pengujian deteksi masker dan sensor mlx60614 terhadap motor servo. Deteksi masker dan sensor suhu inframerah MLX606014 merupakan komponen input yang akan diujikan terhadap motor servo sebagai komponen output
dari sistem. Pengujian ini bertujuan untuk mengetahui besar kecilnya tingkat akurasi dan hasil integrasi sistem antara hasil deteksi masker dan sensor suhu yang didapatkan terhadap output servo.
Tabel 5 Hasil pengujian integrasi sistem
No Input Status
Palang Pintu Deteksi Ket
Masker
Nilai Sensor Suhu(°C) 1
Terdeteksi
36,4 Terbuka Berhasil
2
Terdeteksi
37,3 Terbuka Berhasil
3
Terdeteksi
36,6 Terbuka Berhasil
4
Terdeteksi
36,6 Terbuka Berhasil
5
Terdeteksi
37,3 Terbuka Berhasil
6 Tidak
Terdeteksi
36 Tertutup Berhasil
7 Tidak
Terdeteksi
35,7 Tertutup Berhasil
8 Tidak
Terdeteksi
36,9 Tertutup Berhasil
9 Tidak
Terdeteksi
36 Tertutup Berhasil
10 Tidak
Terdeteksi
35,8 Tertutup Berhasil
11
Terdeteksi
37,8 Tertutup Berhasil
12 Tidak
Terdeteksi
36,5 Tertutup Berhasil
13 Tidak
Terdeteksi
38,5 Tertutup Berhasil
14
Terdeteksi
36,8 Terbuka Berhasil
15
Terdeteksi
38,4 Tertutup Berhasil
Persentase Keberhasilan 100%
Berdasarkan Tabel 5 hasil integrasi sistem antara hasil deteksi masker dan sensor suhu yang didapatkan terhadap output servo, hasil dari lima belas pengujian menunjukkan tidak adanya kesalahan atau kegagalan dalam proses pengujian. Persentase keberhasilan dari sistem deteksi pintu didapatkan hasil sebesar 100%
% 𝐾𝑒𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙𝑎𝑛 = 𝐾𝑒𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙𝑎𝑛
𝑇𝑜𝑡𝑎𝑙 × 100
% 𝐾𝑒𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙𝑎𝑛 = 15
15× 100% = 100%
5. KESIMPULAN DAN SARAN
Kesimpulan pada penelitian ini yaitu implementasi metode convolutional neural network mendapatkan hasil akurasi sebesar 94%
dengan rata-rata waktu komputasi sebesar 9,09 detik. Nilai rata-rata error sensor suhu tubuh sebesar 1,48% dan hasil pengujian integrasi sistem mendapatkan keberhasilan 100%.
Adapun beberapa saran penelitian selanjutnya diharapkan dapat menggunakan data set masker yang lebih beragam sehingga memungkinkan untuk meningkatkan akurasi pada sistem pada waktu pengujian serta penelitian selanjutnya diharap menggunakan mini komputer lebih baik, penggunaan jatson nano atau intel nuc untuk meningkatkan waktu komputasi.
6. DAFTAR REFERENSI
Binus University. 2012. Dasar Pemahaman Neural Network. Diakses pada tanggal 03 Desember 2020 pukul 09.34 WIB dari https://socs.binus.ac.id/
Evan, Farid .(2020); Penerapan Image Classification dengan Pre-Trained Model MOBILENET dalam Client-side Machine Learning. Skripsi Sarjana Fakultas Sains Dan Teknologi Universitas Islam Negeri Syarif Hidayatullah.
Gugus Tugas Percepatan Penanganan COVID- 19, 2019. Peta Sebaran. [Online]
Available at: https://covid19.go.id/peta- sebaran [di akses 1 Agustus 2020].
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T.
Adam, H. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications.
https://doi.org/10.1016/S1507- 1367(10)60022-3
Mu’minim M.(2020); Rancang Bangun New Normal Covid-19 Masker Detektor Dengan Notifikasi Telegram Berbasis Internet Of Things. Jurnal Dinamik Fakultas
Teknologi Informasi Universitas Budi Luhur
Rena, Putri .(2019); Penerapan Metode Cnvolutional Neural Network Pada Pendeteksi Gambar Notasi Balok. Skripsi Sarjana Fakultas Sains Dan Teknologi Universitas Islam Negeri Syarif Hidayatullah.
Suartika, E., Wijaya, Y. & Soelaiman, R., 2016.
Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN)
pada Caltech 101. URNAL TEKNIK ITS Vol. 5, No. 1
World Health Organizatin, 2019. Pertanyaan dan jawaban terkait Coronavirus. [Online]
Available at:
https://medium.com/@samuelsena/penge nalan-deep-learningpart-7-convolutional- neural-network-cnn-b003b477dc94 [di akses 1 November 2020].