1. Pendahuluan
Keberadaan pandemi COVID-19 menjadi sebuah masalah baru yang mengubah kebiasaan manusia dalam melakukan aktivitas sehari-hari. Dengan dilakukannya pembukaan kembali aktivitas ekonomi, sosial, dan kegiatan publik secara terbatas maka terdapat protokol kesehatan yang harus dilakukan untuk tetap aman dalam keadaan new normal agar terhindar dari virus yang sedang menjadi pandemi ini [1]. Salah satunya adalah menggunakan masker, menjaga kebersihan tangan, menjaga jarak, dan menghindari keramaian. Menggunakan masker dapat memberi perlindungan dari sebaran virus apabila menggunakan masker secara disiplin [2]. Protokol kesehatan dilakukan untuk meminimalkan angka penularan COVID-19 yang semakin hari semakin bertambah.
Sedangkan ciri-ciri orang yang terkena COVID-19 adalah memiliki demam, batuk kering, dan kelelahan. Namun dengan diberlakukannya protokol kesehatan pada keadaan new normal, masih terdapat masyarakat yang belum menerapkan protokol kesehatan dengan baik [3].
Pada A Facemask Detector Using Machine Learning and Image Processing Techniques, untuk dapat mendeteksi masker wajah digunakan arsitektur MobileNetV2 classifier, melakukan training dengan model CNN, dan menggunakan OpenCV, Tensorflow, Keras, dan Python untuk melakukan pendeteksian penggunaan masker atau tidak [4]. Pada Rancang Bangun New Normal COVID-19 Masker Detektor dengan Notifikasi Telegram Berbasis Internet of Things, didapatkan informasi bahwa pendeteksian masker juga menggunakan Tensorflow, Keras, dan OpenCV, serta melakukan training menggunakan arsitektur MobileNetV2 yang menggunakan model CNN didalamnya, dan menggunakan sensor PIR (Passive Infra Red) untuk mendeteksi orang yang mendekat [5].
Dalam Prototipe Pendeteksi Masker pada Ruangan Wajib Masker untuk Kendali Pintu Otomatis Berbasis Deep Learning sebagai Pencegahan Penularan COVID-19 [6] dan Deteksi Wajah Bermasker Berbasis Tensorflow-Keras untuk Pengendalian Gerbang Akses Masuk Menggunakan Raspberry Pi 4 [7], didapatkan informasi bahwa stategi pencegahan penularan COVID-19 hanya berdasarkan deteksi masker. Dengan diketahuinya ciri-ciri orang yang terkena COVID-19, protokol kesehatan yang beredar, dan beberapa sumber penelitian yang sudah dilakukan, maka dapat dikembangkan sebuah gerbang yang akan melakukan pemindaian masker, pembacaan suhu tubuh manusia, dan pembatasan jumlah orang yang berada dalam suatu gedung atau ruangan. Hal ini dilakukan dengan menggunakan sebuah kamera, sensor suhu dan sensor ultrasonik yang dihubungkan ke Raspberry Pi. Pada pendeteksian masker akan digunakan OpenCV, Tensorflow, dan Keras.
Pendeteksian masker tersebut didapatkan dengan menggunakan model yang dilatih menggunakan arsitektur MobileNetV2 yang berbasis dari arsitektur CNN. Penggunaan sensor suhu dimaksudkan untuk mencegah masuknya orang yang sedang mengalami demam atau memiliki suhu tidak normal masuk ke dalam ruangan atau gedung. Sensor ultrasonik digunakan untuk mendeteksi objek yang mendekat sebagai pemicu pendeteksian masker dan pengukuran suhu. Komponen-komponen tersebut berada di dalam kotak gerbang yang akan diletakkan di pintu masuk sebuah gedung ataupun ruangan.
2. Metode
Pada bagian ini akan dijelaskan tentang perancangan perangkat keras dan perancangan perangkat lunak.
2.1. Perancangan Perangkat Lunak
Gaftar alir keseluruhan sistem ditunjukkan pada Gambar 1.
Gambar 1. Gaftar Alir.
Program pada Raspberry Pi berperan untuk melakukan pengukuran jarak dengan menggunakan sensor ultrasonik, mendeteksi apakah hasil rekaman langsung kamera mendapati orang yang menggunakan masker, melakukan pembacaan suhu, menghitung jumlah orang yang masuk dan keluar, dan memutar servo untuk kamera dan gerbang.
Pada saat dinyalakan, Raspberry Pi akan menghidupkan kamera dan kamera akan berada di posisi standby. Kemudian sensor ultrasonik yang mengarah ke arah masuk dan keluar
akan melakukan pembacaan jarak. Apabila terdapat objek yang mendekat ke salah satu sensor ultrasonik, maka akan dilakukan proses pendeteksian masker. Sebelum dilakukan pendeteksian masker, akan dilakukan pengecekan terlebih dahulu, apakah posisi kamera searah dengan sensor ultrasonik yang mendeteksi objek tersebut. Apabila kamera tidak searah dengan sensor ultrasonik yang mendeteksi objek, maka motor servo yang difungsikan untuk memutar kamera akan berputar ke arah sensor ultrasonik mendeteksi objek yang mendekat, dan apabila kamera sudah memiliki arah yang sama dengan datangnya objek maka proses akan berlanjut ke pendeteksian masker. Kamera akan menampilkan hasil rekaman langsung, dan akan diproses untuk menentukan apakah objek tersebut merupakan wajah orang yang menggunakan masker atau tidak. Apabila tidak, maka proses akan kembali ke awal, dan apabila iya, maka akan dilanjutkan ke proses pembacaan suhu. Pembacaan suhu dilakukan oleh sensor suhu MLX90614, sensor suhu ini diletakkan pada dinding box gerbang yang berada pada posisi tangan manusia sehingga sensor suhu diharapkan membaca suhu tangan tersebut. Apabila pembacaan suhu didapati tidak berada pada rentang suhu normal, maka proses akan kembali ke awal mula.
Apabila suhu yang terbaca berada pada rentang suhu normal manusia, maka Raspberry Pi akan melakukan perhitungan jumlah orang yang sudah masuk dan keluar. Apabila jumlah orang yang masuk sudah melebihi batas, maka proses akan kembali ke awal, dan apabila masih berada pada rentang yang sudah ditentukan, maka motor servo yang terhubung ke pintu gerbang akan berputar untuk membuka gerbang.
2.2. Perancangan Perangkat Keras
Diagram kotak keseluruhan sistem ditunjukkan oleh Gambar 2. Sementara konfigurasi PIN Raspberry Pi ditunjukkan oleh Tabel 1.
Gambar 2. Diagram Kotak.
Tabel 1. Konfigurasi Pin pada Raspberry Pi.
Nama Port Fungsi
Port 5V Terhubung dengan VIN sensor MLX90614 Terhubung dengan VCC sensor HC-SR04
Port GND
Terhubung dengan GND sensor MLX90614 Terhubung dengan GND sensor HC-SR04
Terhubung dengan GND motor servo GPIO 2 Terhubung dengan SDA sensor MLX90614 GPIO 3 Terhubung dengan SCL sensor MLX90614 GPIO 4 Terhubung dengan PIN Trigger sensor HC-SR04
GPIO 17 Terhubung dengan PIN Echo sensor HC-SR04 GPIO 27 Terhubung dengan PIN Trigger sensor HC-SR04 GPIO 22 Terhubung dengan PIN Echo sensor HC-SR04 GPIO 23 Terhubung dengan PIN Signal motor servo GPIO 24 Terhubung dengan PIN Signal motor servo Port USB Terhubung dengan kamera webcam
3. Hasil Pengujian dan Pembahasan
3.1. Hasil Pendeteksian Objek yang Mendekat
Sensor ultrasonik HC-SR04 yang diletakkan pada arah masuk dan keluar dapat mendeteksi objek yang mendekat. Apabila terdapat objek yang mendekat dari arah depan maka sensor ultrasonik akan mengirimkan sinyal ke Raspberry Pi, begitupun apabila objek mendekat dari arah belakang.
Tabel 2. Jarak pendeteksian objek mendekat.
Jarak Objek dengan Sensor Ultrasonik Objek Mendekat
> 5 cm dan < 55 cm Ya
> 55 cm Tidak
Seperti pada Tabel 2, objek akan didefinisikan mendekat apabila objek mendekat sekitar 5 sampai 55 cm dari sensor ultrasonik, dan apabila objek memiliki jarak dari sensor ultrasonik melebihi 55 cm maka objek tidak dianggap mendekat. Pada Gambar 3 dan 4 menunjukkan posisi kamera sebelum dan sesudah objek mendekat apabila objek datang dari arah depan, sedangkan pada Gambar 5 dan 6 menunjukkan posisi kamera sebelum dan sesudah objek mendekat apabila objek yang datang dari arah belakang.
Gambar 3. Posisi Kamera sebelum Mendeteksi Objek Mendekat dari Depan.
Gambar 4. Posisi Kamera sesudah Mendeteksi Objek Mendekat dari Depan.
Gambar 5. Posisi Kamera sebelum Mendeteksi Objek Mendekat dari Belakang.
Gambar 6. Posisi Kamera sesudah Mendeteksi Objek Mendekat dari Belakang.
3.2. Hasil Penggeseran Arah Kamera
Sinyal yang diberikan oleh sensor ultrasonik akan digunakan untuk menentukan apakah kamera akan bergerak ke posisi sebaliknya atau tidak. Posisi kamera akan mengarah ke arah depan atau belakang dan penggeseran kamera dilakukan oleh motor servo yang dipasang di bawah kamera. Tabel 3 menunjukkan penggeseran arah kamera dengan penjelasan apabila sinyal datang dari sensor ultrasonik yang mengarah ke depan dan kamera sudah menghadap ke depan maka kamera tidak berputar ke arah sebaliknya, begitupun apabila sinyal datang dari sensor ultrasonik yang mengarah ke belakang dan kamera sudah menghadap ke belakang. Namun apabila sinyal datang dari sensor ultrasonik yang mengarah ke belakang dan posisi kamera menghadap ke arah depan, maka kamera akan berputar ke arah belakang, begitupun apabila sinyal datang dari sensor ultrasonik yang mengarah ke depan dan posisi kamera menghadap ke arah belakang.
Tabel 3. Penggeseran Arah Kamera.
Sinyal dari Sensor Ultrasonik Arah Kamera Motor Servo Berputar
Depan Depan Tidak
Depan Belakang Ya
Belakang Depan Ya
belakang Belakang Tidak
3.3. Hasil Pendeteksian Masker
Pengujian deteksi masker dilakukan untuk memastikan bahwa deep learning dapat membedakan orang yang menggunakan masker dan tidak menggunakan masker. Untuk mendeteksi wajah yang menggunakan masker, hardware yang digunakan adalah webcam, dan software yang digunakan adalah deep learning yang menggunakan convolutional neural network (CNN). MobileNet V2 merupakan sebuah library jadi yang digunakan, MobileNet V2 berbasis arsitektur CNN. Program yang digunakan untuk menguji deteksi masker adalah sebagai berikut:
1. Dataset orang yang menggunakan masker dan tidak menggunakan masker.
Contoh Dataset yang digunakan ditunjukkan pada Gambar 7 – 10.
Gambar 7. Contoh Dataset Masker Warna Putih. Gambar 8. Contoh Dataset Masker Warna Hitam.
Gambar 9. Contoh Dataset tanpa Masker. Gambar 10. Contoh Dataset tanpa Masker.
2. Hasil Pelatihan Deep Learning
Dengan menggunakan dataset yang dimiliki yaitu dataset orang yang menggunakan masker dan tidak menggunakan masker, akan dilakukan pelatihan deep learning dengan parameter initial learning rate = 0,0001, jumlah epoch = 20, dan batch size = 32. Gambar 11 menunjukkan grafik hasil dari pelatihan deep learning tersebut, dan hasil pelatihan mendapatkan nilai akurasi yang mendekati 1 atau hampir 100%.
Gambar 11. Grafik Hasil Pelatihan.
3. Percobaan Pendeteksian Masker Menggunakan Video
Hasil percobaan pendeteksian masker menggunakan video ditunjukkan pada Gambar 12 – 21.
Gambar 12. Pendeteksian saat Tidak Menggunakan Masker.
Gambar 13. Pendeteksian saat Menggunakan Masker Medis.
Gambar 14. Pendeteksian saat Menggunakan Masker Warna Biru Tua.
Gambar 15. Pendeteksian saat Menggunakan Masker Warna Biru Muda.
Gambar 16. Pendeteksian saat Menggunakan Masker Warna Krim.
Gambar 17. Pendeteksian saat Menggunakan Masker Warna Abu-Abu Muda.
Gambar 18. Pendeteksian saat Menggunakan Masker Warna Abu-Abu Tua.
Gambar 19. Pendeteksian saat Menggunakan Masker Harna Hitam.
Gambar 20. Pendeteksian saat Menggunakan Masker Medis Dilapisi Masker Warna Hitam.
Gambar 21. Pendeteksian saat Menggunakan Masker Medis Dilapisi Masker Motif Batik.
3.4. Hasil Pembacaan Suhu
Sensor suhu MLX90614 dapat melakukan pembacaan suhu objek yang didekatkan.
Pada bagian pembacaan suhu dilakukan kalibrasi yaitu dengan menambahkan nilai suhu pembacaan sebesar 3 °C dikarenakan terdapatnya perbedaan suhu antara suhu tubuh inti dan suhu permukaan tubuh [8]. Untuk melakukan kalibrasi dilakukan pengujian menggunakan termometer air raksa, pengujian dilakukan dengan mengukur suhu tubuh inti pada mulut dan suhu permukaan tubuh pada kulit tangan, dan didapatkan hasil pembacaan pada suhu tubuh inti 35 °C dan pada permukaan kulit 32 °C, dan saat dicoba untuk diukur menggunakan sensor suhu MLX90614 yang telah dikalibrasi didapatkan nilai 35 °C. Setelah dilakukan kalibrasi, dilakukan percobaan dengan menggunakan thermo gun dan didapatkan hasil seperti yang ditunjukkan pada Tabel 4.
Tabel 4. Pengukuran Suhu.
Pengukuran Suhu dengan Thermo Gun (°C)
Pengukuran Suhu dengan MLX90614 (°C)
Nilai Ralat MLX90614 Terhadap Thermo Gun (°C)
36 35,47 0,53
36,2 35,45 0,75
36 35,89 0,11
36,1 35,81 0,29
36,1 35,89 0,21
Percobaan dilakukan dengan mengukur suhu bagian punggung tangan, dan didapatkan pembacaan rata-rata thermo gun 36,08 °C, pembacaan rata-rata sensor suhu MLX90614 35,702 °C, dan nilai ralat rata-rata MLX90614 terhadap thermo gun 0,378 °C. Nilai yang diatur untuk mendefinisikan suhu tubuh normal berada di angka 35 °C sampai dengan 38 °C.
3.5. Hasil Pembukaan Gerbang
Pembukaan gerbang yang objeknya datang dari arah depan hanya dapat dilakukan apabila semua kondisi terpenuhi seperti yang ditunjukkan pada Tabel 5. Kondisi tersebut meliputi penggunaan masker, suhu yang normal, dan tingkat okupansi masih di bawah batas. Sedangkan apabila pembukaan gerbang yang objeknya datang dari arah belakang maka kondisi yang harus terpenuhi adalah penggunaan masker saja.
Tabel 5. Pembukaan Gerbang Apabila Objek Datang dari Arah Depan.
Penggunaan
Masker Suhu Normal Tingkat Okupansi di
bawah Batas Gerbang Terbuka
Tidak Tidak Tidak Tidak
Tidak Tidak Ya Tidak
Tidak Ya Tidak Tidak
Tidak Ya Ya Tidak
Ya Tidak Tidak Tidak
Ya Tidak Ya Tidak
Ya Ya Tidak Tidak
Ya Ya Ya Ya
Kemudian dilakukan pengujian sebanyak 30 kali dan didapatkan waktu rata-rata yang dibutuhkan untuk membuka gerbang yaitu 2,696 detik, seperti yang ditunjukkan pada Tabel 6.
Tabel 6. Percobaan Pembukaan Gerbang.
Percobaan ke- 1 2 3 4 5 6 7 8 9 10
Waktu (detik) 1,29 2,45 2,78 2,63 2,77 2,45 2,79 2,62 3,13 2,74
Percobaan ke- 11 12 13 14 15 16 17 18 19 20
Waktu (detik) 3,22 2,59 2,86 2,5 2,9 2,59 3 2,68 2,83 2,51
Percobaan ke- 21 22 23 24 25 26 27 28 29 30
Waktu (detik) 3,02 2,47 2,86 2,49 3,07 2,67 2,85 2,32 2,99 2,51
Rata-rata (detik) 2,686
4. Kesimpulan
Perancangan gerbang otomatis berdasarkan deteksi masker wajah, suhu tubuh dan tingkat okupansi ruang dapat direalisasikan. Berdasarkan pengujian yang sudah dilakukan didapatkan alat dapat berfungsi dengan baik, baik berfungsi untuk mendeteksi objek yang mendekat dari arah depan maupun belakanng, menggeser kamera sesuai dengan arah datangnya objek, mendeteksi penggunaan masker, membaca suhu tubuh, dan membuka gerbang apabila syarat menggunakan masker, memiliki rentang suhu yang normal, dan okupansi ruang masih berada dalam batas yang ditentukan terpenuhi.
Dengan melakukan 30 kali percobaan untuk membuka gerbang, didapatkaan hasil rata- rata 2,686 detik untuk membuka gerbang, dan nilai persentase keberhasilan membuka gerbang pada 100%.
Daftar Pustaka
[1] D. S. Bahri, (3 Juni 2020), “What is New Normal?” | Ministry of Social Affairs Republic of Indonesia [Online]. Tersedia: https://kemensos.go.id/en/what-is-new-normal [Diakses: 31 Agustus 2021]
[2] J. T. Atmojo, et al., “Penggunaan Masker dalam Pencegahan dan Penanganan COVID- 19: Rasionalitas, Efektivitas, dan Isu Terkini,” Avicenna : Journal of Health Research, vol 3, no. 2, 2020.
[3] F. D. A. Pinasti, “Analisis Dampak Pandemi Corona Virus terhadap Tingkat Kesadaran Masyarakat dalam Penerapan Protokol Kesehatan,” Wellness and Healthy Magazine, vol 2, Issue 2, Agustus 2020.
[4] A. K. Bhadani dan A. Sinha, “A Facemask Detector Using Machine Learning and Image Processing Techniques,” International Journal of Computer Engineering and Applications, vol XIV, Issue X, Oktober 2020.
[5] M. M. Lambacing dan Ferdiansyah, “Rancang Bangun New Normal COVID-19 Makser Detektor dengan Notifikasi Telegram Berbasis Internet of Things,” DINAMIK vol 25, no.
2, Juli 2020.
[6] M. A. R. I Harfi dan D. A Prasetya , “Prototipe Pendeteksi Masker pada Ruangan Wajib Masker untuk Kendali Pintu Otomatis Berbasis Deep Learning sebagai Pencegahan Penularan COVID-19,” Simposium Nasional RAPI vol. XIX, 2020.
[7] Friendly, Z. Sembiring, H. R. Safitri, “Deteksi Wajah Bermasker Berbasis Tensorflow- Keras untuk Pengedalian Gerbang Akses Masuk Menggunakan Raspberry Pi 4,”
JIKSTRA, vol 2, no. 2, Oktober 2020.
[8] M. Coleman, (19 September 2020), “How to Check Accuracy of Infrared Thermometer”|
Fluke [Online]. Tersedia: https://us.flukecal.com/blog/accurate-fever-scanning- infrared-forehead-thermometers-issues-solutions-and-how-calibrate [Diakses: 2 Juli 2021]
