Deteksi Orang Bermasker untuk Akses Pintu berdasarkan Rasio Bounding Box Wajah dan Roundness menggunakan Naïve Bayes berbasis Raspberry Pi

(1)

Deteksi Orang Bermasker untuk Akses Pintu berdasarkan Rasio Bounding Box Wajah dan Roundness menggunakan Naïve Bayes berbasis Raspberry

Pi

Aditya Rafly Syahdana¹, Hurriyatul Fitriyah², Rizal Maulana³

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹raflysyahdana@student.ub.ac.id, ²hfitriyah@ub.ac.id, ³rizal_lana@ub.ac.id

Abstrak

COVID-19 merupakan penyakit yang disebabkan oleh virus corona dan telah menyebabkan global pandemic sejak desember 2019. Penggunaan masker sangat dianjurkan untuk menghentikan penyebaran virus corona, terutama pada ruangan tertutup seperti ruang kantor dan ruang kelas. Sistem deteksi orang bermasker untuk akses pintu berdasarkan rasio Bounding Box wajah dan Roundness mengunakan Naïve Bayes berbasis Raspberry Pi digunakan untuk memastikan orang yang ingin masuk ruang kelas dan ruang kantor menggunakan masker. Digunakan webcam untuk menangkap citra orang yang ingin masuk. Citra tersebut diolah dan diklasifikasikan pada Raspberry Pi 4. Pengolahan citra dimulai dengan konversi RGB ke YCbCr, melakukan morfologi dilate, opening dan closing. Pengolahan citra tersebut bertujuan untuk segmentasi wajah manusia dan menghilangkan background. Dilakukan ekstraksi fitur wajah manusia dengan fitur rasio Bounding Box dan Roundness yang bertujuan untuk menentukan wajah manusia yang dideteksi. Metode untuk mengklasifikasikan wajah yaitu metode Naïve Bayes. Solenoid lock terbuka ketika hasil klasifikasi bermasker dan akan terkunci ketika hasil klasifikasi tidak bermasker.

Pada proses pengujian model Naïve Bayes menggunakan 60 data uji didapatkan akurasi tertinggi yaitu 90%. Untuk membuktikan akurasi model Naïve Bayes tersebut dilakukan pengujian dengan memasukkan ke sistem secara langsung gambar pada 5 jarak berbeda yaitu pada jarak 0.5 meter, 1 meter, 1.5 meter, 2 meter, dan 2.5 meter. Pengujian setiap jarak tersebut mendapat akurasi rata-rata sebesar 86.6%. Waktu eksekusi rata-rata yang dibutuhkan sistem untuk melakukan deteksi adalah 8.82412 millisecond.

Kata kunci: deteksi masker, rasio Bounding Box, Golden Ratio, Roundness, Naïve Bayes, Gaussian Naïve Bayes Abstract

COVID-19 is a disease caused by the corona virus and it has caused a global pandemic since December 2019. The use of masks is highly recommended to stop the spread of the corona virus, especially in closed rooms with many people inside, such as the classrooms and the office spaces. Detection of people with mask to access door based on the ratio of face Bounding Box and Roundness using Naïve Bayes on Raspberry Pi is used to ensure people wearing masks who want to enter classrooms and office spaces.

Webcam is used to capture images of people who want to enter. The image is processed and classified on the Raspberry Pi 4. Image processing begins with converting RGB to YCbCr and performing the morphological dilation, the morphological opening, and the morphological closing of morphology.

Image processing aims to segment the human faces and remove their backgrounds. Human facial features were extracted using the ratio of Bounding Box and Roundness analysis which aims to determine the detected human face. The method for classifying faces is the Naïve Bayes method. The solenoid lock opens when the classification result uses a mask, and it will be locked when the classification result does not use a mask. In the process of testing the Naïve Bayes model using 60 data, the highest accuracy is 90%. To prove the accuracy of the Naïve Bayes model, a test was carried out by inputting images directly into the system at 5 different distances, namely at 0.5 meters, 1 meter, 1.5 meters, 2 meters, and 2.5 meters. The test at each distance got an average accuracy of 86.6%. The average execution time required for system to detect masker is 8.82412 milliseconds.

Keywords: mask detection, the ratio of Bounding Box, Golden Ratio, Roundness, Naïve Bayes, Gaussian Naïve Bayes

(2)

1. PENDAHULUAN

Coronavirus disease atau biasa disebut dengan COVID-19 merupakan penyakit yang disebabkan oleh virus corona yang berasal dari kota Wuhan, Tiongkok. Virus ini mulai mewabah pada akhir Desember tahun 2019.

COVID-19 telah menjadi pandemi yang menyerang masyarakat di seluruh dunia dan sangat merugikan bagi pengidap dan lingkungannya, pasalnya penyebaran dari virus ini sangatlah cepat dan susah untuk dihindari (Susilo et al., 2019).

Penyebaran COVID-19 terjadi ketika seseorang melakukan kontak fisik atau berada dalam jarak ±1 meter dengan orang yang terinfeksi lalu orang tersebut terkena tetesan pernapasan dari orang yang terinfeksi sehingga berpotensi terjadinya infektif. COVID-19 tersebar melalui batuk, bersin dan kontak fisik (WHO Global, 2020).

COVID-19 telah mewabah di Indonesia mulai awal tahun 2020. Data mengenai COVID- 19 di Indonesia yang disediakan pada laman resmi milik Komite Penanganan COVID-19 dan Pemulihan Ekonomi Nasional (KPCPEN) pada tanggal 23 Juni 2021 menyatakan total kasus positif sebesar 2.033.421 kasus, kasus terkonfirmasi aktif sebesar 160.524 kasus, kasus meninggal sebesar 55.594 kasus dan kasus sembuh sebesar 1.817.303 kasus (KPCPEN, 2021).

Pencegahan penularan COVID-19 harus dilakukan dengan menerapkan protokol kesehatan dan menggunakan masker ketika ingin bepergian keluar rumah. Berkegiatan diluar rumah wajib menggunakan masker, terlebih untuk kegiatan pada ruangan tertutup seperti ruang kelas dan ruang kantor. Kegiatan pada ruangan tersebut melibatkan banyak orang dan terjadi pada ruangan yang tertutup. Kelalaian masyarakat yang tidak menggunakan masker ketika ingin memasuki ruangan tersebut sangat berbahaya untuk kesehatan masyarakat umum.

Permasalahan ini dapat diatasi dengan cara membuat sistem yang dapat mencegah orang tidak menggunakan masker masuk kedalam ruangan kelas atau ruangan kantor. Sistem akan mendeteksi orang yang ingin masuk ruang kelas atau kantor menggunakan masker atau tidak.

Sistem deteksi masker ini melakukan pendeteksian dan pengklasifikasian menggunakan metode Naïve Bayes dengan fitur rasio Bounding Box dan Roundness.

Rasio Bounding Box merupakan rasio dari

sebuah benda yang dilakukan deteksi dan dinyatakan dengan sebuah kotak imajiner pada output citra digitalnya. Rasio Bounding Box wajah adalah sebuah fitur yang dapat mendeteksi bentuk wajah manusia. Perhitungan rasio Bounding Box wajah manusia dapat dilakukan dengan menggunakan analisis perhitungan Golden Ratio. Terdapat banyak bagian fitur pada wajah yang diindikasikan sebagai parameter, yaitu terdiri dari panjang dan lebar sebuah wajah, lebar dari mata dan iris pada mata, serta jarak interokular dan lebar mulut yang digunakan untuk menemukan nilai dari Golden Ratio (Sundar et. al., 2020).

Roundness adalah sebuah pengukuran seberapa dekat sebuah benda menyerupai lingkaran dan yang berarti tingkat kebulatan dari sebuah benda. The American Society for Testing and Materials (ASTM) mengatakan bahwa terdapat 3 parameter penting yang digunakan untuk mencari karakteristik dari sebuah benda berbentuk oval, salah satunya adalah parameter bernama Roundness (Schroeder et. al., 2019).

Naïve Bayes adalah sebuah metode klasifikasi yang dikenalkan oleh Thomas Bayes.

Metode ini melakukan pembelajaran dari kumpulan data dan melakukan prediksi kelas yang dianggap memiliki probabilitas tertinggi (Putranto et al., 2016). Metode Naïve Bayes merupakan metode yang dapat mengolah data numerik, seperti data berupa nilai desimal. Data yang dihasilkan oleh fitur rasio Bounding Box dan Roundness adalah data dengan karakteristik berupa nilai desimal, dengan menggunakan metode Naïve Bayes yang bernama Gaussian Naïve Bayes data tersebut dapat diolah dengan mencari nilai rata-rata dan standart deviasi setiap fiturnya, sehingga sistem dapat melakukan klasifikasi dengan baik.

Sistem deteksi orang bermasker akan melakukan pengolahan citra dengan menerapkan analisis fitur rasio Bounding Box dan Roundness serta dilakukan klasifikasi orang menggunakan masker atau tidak dengan metode Naïve Bayes.

Sistem ini memberi kotak imajiner (Bounding box) kepada objek yang teridentifikasi sesuai dengan hasil analisis fitur rasio Bounding Box dan Roundness, sehingga terdapat nilai yang dapat digunakan oleh metode Naïve Bayes untuk melakukan klasifikasi wajah tersebut bermasker atau tidak bermasker. Sistem melakukan deteksi terhadap orang yang ingin masuk kedalam ruangan, Jika orang tersebut terdeteksi bermasker maka Solenoid Lock yang bertindak sebagai aktuator akan terbuka, namun jika orang

(3)

tersebut tidak bermasker Solenoid Lock akan terkunci sehingga orang tersebut tidak dapat mengakses ruangan kelas atau kantor.

2. METODE PENELITIAN 2.1. Citra YCbCr

Luminance Chrominance Blue Chrominance Red (YCbCr) adalah salah satu ruang warna yang banyak digunakan untuk membantu mendeteksi warna kulit manusia, hal ini dikarenakan Luminance Chrominance Blue Chrominance Red (YCbCr) memiliki ketahanan untuk memvariasikan Luminance dan memvariasikan overlap minimal yang ada antara warna kulit dengan warna background pada citra digital.

Konversi warna yang dilakukan yaitu RGB ke YCbCr. Persamaan untuk mencari nilai Y, nilai Cb dan nilai Cr dijelaskan pada persamaan (1) sebagai berikut.

{

𝑌 = 0.257𝑅 + 0.504𝐺 + 16 𝐶𝑏 = −0.148𝑅 − 0.291𝐺 + 0.439𝐵 + 128

𝐶𝑟 = 0.439𝑅 − 0.368𝐺 − 0.071𝐵 + 128 (1)

Keterangan:

Y = tingkat Keterangan (Luminance) Cb = chrominance Blue

Cr = chrominance Red R = red

G = green B = blue

2.2. Citra Dilation (Morfologi Dilate)

Morfologi Dilate adalah teknik pengolahan citra digital dengan melakukan penebalan.

Morfologi Dilate dapat ditujukan untuk citra binary, citra grayscale, citra YCbCr dan lain- lain. Penggunaan Morfologi Dilate bertujuan untuk meningkatkan kualitas pembacaan gambar. Metode Morfologi Dilate memerlukan 2 buah input, yaitu citra digital dan matriks kernel.

Persamaan Morfologi Dilate dapat dilihat pada persamaan 2 sebagai berikut.

{𝐴 ⊕ 𝐵 = {𝑧| [(𝐵̂)

𝑧 ∩ 𝐴] ⊆ A} (2) 2.3. Morphology Opening dan Closing

Morfologi Dilate adalah teknik pengolahan citra digital dengan melakukan penebalan.

Morfologi Dilate dapat ditujukan untuk citra binary, citra grayscale, citra YCbCr dan lain- lain. Penggunaan Morfologi Dilate bertujuan

untuk meningkatkan kualitas pembacaan gambar. Metode Morfologi Dilate memerlukan 2 buah input, yaitu citra digital dan matriks kernel.

Persamaan Morfologi Dilate dapat dilihat pada persamaan 3 dan 4 sebagai berikut.

𝑜𝑝𝑒𝑛𝑖𝑛𝑔 = 𝐼𝑀 ⊖ SE ⊕ S𝐸 (3) 𝑐𝑙𝑜𝑠𝑖𝑛𝑔 = 𝐼𝑀 ⊕ SE ⊖ S𝐸 (4) Keterangan:

⊖ = proses erosi

⊕ = proses morfologi dilate IM = citra input

SE = struktur elemen

2.4. Golden Ratio

Golden Ratio merupakan sebuah rasio atau pecahan dari bagian wajah manusia yang didefinisikan sebagai phi yaitu ϕ=1.618.

Terdapat banyak fitur wajah yang dapat digunakan sebagai parameter perhitungan Golden Ratio yaitu tinggi dan lebar dari wajah, lebar dari mata dan iris, jarak interokular serta lebar dari mulut.

Gambar 1. Golden Ratio wajah manusia

Gambar 1 merupakan bagian wajah manusia yang dapat digunakan untuk menghitung Golden Ratio. Golden Ratio dapat dihitung dengan membandingkan tinggi wajah dan lebar wajah serta membandingkan jarak antar mata dengan lebar mulut. Perbandingan Golden Ratio setiap wajah memiliki nilai yang berbeda namun standart rasio wajah pada manusia adalah 1.618.

Persamaan Golden Ratio dapat dilihat pada persamaan 5 dan 6 sebagai berikut.

H/W = 1.618 (5) Distance eye/M = 1.618 (6) Keterangan:

H = tinggi wajah

W = lebar wajah

(4)

Distance eye = jarak interokular (jarak antar mata)

M = lebar mulut

2.5. Roundness

Roundness adalah sebuah pengukuran seberapa dekat sebuah benda menyerupai lingkaran dan yang berarti tingkat kebulatan dari sebuah benda. The American Society for Testing and Materials (ASTM) menyatakan untuk mencari karakteristik dari sebuah benda yang berbentuk oval dibutuhkan perhitungan Roundness benda oval tersebut. Wajah manusia cenderung memiliki bentuk yang oval sehingga fitur ini dapat diimplementasikan untuk menganalisis bentuk wajah manusia. Persamaan perhitungan Roundness dapat dilihat pada persamaan 7 sebagai berikut.

Roundness (R) = ^4.𝐴

𝜋.𝑑𝑚𝑎𝑥² (7)

Keterangan:

A = area wajah

𝜋 = phi (konstanta bernilai 3.14) dmax = lebar wajah

2.6. Naïve Bayes

Naïve Bayes merupakan Klasifier perobabilistic simple yang didasarkan pada teorema Bayes. Proses pada teorema Bayes mengasumsikan bahwa ada atau tidak adanya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidak adanya fitur lain di kelas yang sama. Pada saat klasifikasi, Naïve Bayes akan menghasilkan label kategori yang paling tinggi probabilitasnya. Perhitungan metode Naïve Bayes dapat dilakukan dengan menggunakan langkah-langkah sebagai berikut.

1. Mencari nilai Prior

Dilakukan perhitungan Nilai Prior untuk seluruh kelas dengan cara melakukan perhitungan rata-rata untuk setiap kelasnya.

Perhitungan dilakukan menggunakan persamaan 8 berikut.

𝑃 = ^𝑥

𝐴 (8)

Keterangan:

P = nilai prior

X = jumlah data tiap kelas A = jumlah data seluruh kelas

2. Mencari nilai likelihood

Dilakukan perhitungan nilai likelihood dari setiap kelas dengan cara membagi nilai data fitur dengan jumlah seluruh data tiap kelas.

Perhitungan dilakukan menggunakan persamaan 9 sebagai berikut.

𝐿 = ^𝐹_𝐵 (9)

Keterangan:

L = nilai likelihood

F = jumlah data fitur tiap kelas B = jumlah seluruh data tiap kelas 3. Mencari nilai posterior

Nilai posterior dihitung dengan cara melakukan perkalian nilai prior dan nilai likelihood. Nilai posterior akan menentukan hasil klasifikasi pada metode Naïve Bayes.

Data input akan diklasifikasikan pada kelas dengan nilai probabilitas tertinggi.

Perhitungan dilakukan menggunakan persamaan 10 berikut.

𝑃(𝑎|𝑐) = 𝑃(𝑐) 𝑥 ℿP(a|c) (10)

Keterangan:

P(A|X) = nilai posterior P(c) = nilai prior tiap kelas P(a|c) = nilai likelihood 2.7. Gaussian Naïve Bayes

Gaussian Naïve Bayes klasifier adalah sebuah metode klasifikasi dari Naïve Bayes yang memiliki input berupa distribusi Gaussian pada nilai atribut yang diberi label kelas.

Sistem Deteksi Orang Bermasker Untuk Akses Pintu Berdasarkan Rasio Bounding Box Wajah dan Roundness Mengunakan Naïve Bayes Berbasis Raspberry Pi memiliki input nilai fitur rasio Bounding Box dan Roundness dengan karakteristik data berupa nilai desimal.

Karakteristik dengan nilai desimal dapat dihitung dengan menggunakan rumus likelihood dari Gaussian Naïve Bayes. Persamaan likelihood Gaussian Naïve Bayes dapat dilihat pada persamaan 11 sebagai berikut.

𝑃(𝑥𝑖|𝑐) = ¹

√2𝜋𝜎²𝑒𝑥𝑝⁽⁻

(𝑥𝑖−𝜇𝑐,𝑖)2 2𝜎2 )

(11)

Keterangan :

(5)

xi = nilai yang diobservasi

c = probabilitas data pada kelas tertentu 𝜎 = standart deviasi

exp = konstanta bernilai 2.71183 𝜇 = rata-rata

𝜋 = phi, konstata bernilai 3.15 3. PERANCANGAN DAN

IMPLEMENTASI

3.1. Gambaran Umum Sistem

Sistem deteksi orang bermasker untuk akses pintu berdasarkan rasio Bounding Box wajah dan Roundness mengunakan Naïve Bayes berbasis Raspberry Pi menggunakan metode Naïve Bayes untuk melakukan klasifikasi dan prediksi pada penelitian ini. Moke up pintu kayu dibuat untuk melekatkan perangkat keras seperti webcam, Raspberry Pi 4, relay, baterai LIPO dan solenoid lock.

Gambar 2. Blok Diagram Sistem

Gambar 2 merupakan diagram blok penjelasan alur proses sistem. Webcam dihubungkan dengan Raspberry Pi 4 dan berfungsi untuk mengambil citra wajah sebagai input. Input citra wajah diterima oleh Raspberry Pi 4 dan dilakukan pengolahan citra dan pengklasifikasian. Raspberry Pi 4 melakukan pengolahan citra menggunakan library OpenCV, dan melakukan klasifikasi Naïve Bayes menggunakan library Sckit-Learn. Hasil Klasifikasi wajah mempengaruhi perintah yang diberikan kepada relay dan solenid lock. Hasil klasifikasi wajah bermasker akan mengaktifkan relay dan solenoid lock terbuka, sedangkan hasil klasifikasi wajah tidak bermasker relay tidak aktif dan solenoid lock akan tetap terkunci.

Dataset yang digunakan pada sistem ini yaitu foto orang bermasker dan tidak bermasker berjumlah 200 data. Jumlah seluruh partisipan yang digunakan sebagai subjek penelitian adalah 9 orang. Pengambilan dataset dengan partisipan bergender pria adalah sebanyak 172 data dan gender perempuan adalah sebanyak 28 data.

Dataset partisipan bermasker medis adalah sebanyak 67 data, bermasker non medis adalah sebanyak 33 data dan tidak bermasker adalah 100 data.

3.2. Perancangan Sistem

Perancangan sistem deteksi orang bermasker untuk akses pintu berdasarkan rasio Bounding Box wajah dan Roundness mengunakan Naïve Bayes berbasis Raspberry Pi dibagi menjadi 2 yaitu perancangan perangkat keras dan perancangan perangkat lunak.

3.2.1 Perancangan Perangkat Keras Perancangan perangkat keras membahas desain Moke up pintu kayu dan rangkaian skematik sistem. Desain Moke up pintu kayu dibuat dengan merancang model 3D dari pintu kayu dan perangkat keras yang melekat pada pintu kayu.

Gambar 3. Model 3D Pintu Kayu

Gambar 4. Perangkat keras

Gambar 3 dan gambar 4 merupakan perancangan model 3D dari pintu kayu dan perangkat keras yang melekat pada pintu kayu.

Pada bagian depan model pintu kayu diletakkan perangkat keras yaitu webcam, solenoid lock, relay, Baterai LIPO dan Raspberry Pi 4. Ukuran Moke up pintu kayu didesain dengan ukuran yang dijelaskan pada gambar 3 diatas.

Perancangan rangkaian skematik sistem dirancang menggunakan aplikasi Fritzing.

Rangkaian skematik sistem menjelaskan

(6)

perangkat keras yang digunakan sistem dan cara menghubungkan antar perangkat sistem.

Gambar 5. Skematik sistem

Gambar 5 merupakan perancangan skematik sistem. Webcam terhubung dengan Raspberry Pi melalui USB. Solenoid lock dan LIPO baterai terhubung dengan relay pada pintu Normally Open. Relay digunakan untuk mengatur kondisi solenoid lock oleh Raspberry Pi 4. Relay terhubung dengan Raspberry Pi pada pin 5 volt, pin ground, dan pin input output.

3.2.2 Perancangan Perangkat Lunak Perancangan perangkat lunak membahas perancangan software sistem. Sistem deteksi orang bermasker untuk akses pintu berdasarkan rasio Bounding Box wajah dan Roundness mengunakan Naïve Bayes berbasis Raspberry Pi terdiri dari 4 program yaitu program preprocessing, program proses Naïve Bayes, program testing, dan program deteksi masker pada Raspberry Pi.

3.2.2.1 Program Preprocessing

Program preprocessing adalah program yang bertujuan untuk melakukan segmentasi kulit wajah dan ektraksi fitur menggunakan rasio Bounding Box Ratio dan Roundness.

Gambar 6. Flowchart Proses Preprocessing

Gambar 6 merupakan penjelasan dari proses preprocessing. Citra digital berupa foto diakses oleh program dan diberikan label. Citra diubah ukurannya menjadi 128 x 128. Citra gambar dilakukan segmentasi warna kulit dengan cara konversi warna RGB ke YCbCr.

Citra digital yang telah dikonversi dilakukan penebalan dengan morfologi dilate dan dilakukan morfologi opening dan closing yang bertujuan untuk menghilangkan noise yang tidak diinginkan pada citra. Citra digital dilakukan ekstraksi fitur menggunakan fitur rasio Bounding Box dan Roundness. Rasio Bounding Box dihitung menggunakan persamaan Golden Ratio yang telah dijelaskan pada persamaan 5, sedangkan untuk Roundness yaitu persamaan 7.

Data tersebut disimpan dan dijadikan dalam bentuk tabel.

3.2.2.2 Program proses Naïve Bayes

Program proses Naïve Bayes adalah program yang bertujuan untuk melakukan klasifikasi dan membuat model Naïve Bayes

(7)

sehingga sistem dapat melakukan deteksi masker. Sistem akan dilakukan dilatih dan diuji dengan beberapa data sehingga dapat diketahui hasil akurasi sistem.

Gambar 7. Flowchart Proses Naïve Bayes

Gambar 7 merupakan penjelasan dari proses Naïve Bayes. Tabel Preprocessing sebelumnya diakses pada program Naïve Bayes.

Selanjutnya dilakukan pembagian data latih dan data uji dengan pembagian 70% data latih dan 30% data uji. Proses training model Naïve Bayes dilakukan dengan cara melakukan perhitungan nilai prior pada setiap kelas dengan menggunakan persamaan 8. Perhitungan likelihood pada sistem ini membutuhkan nilai standart deviasi dan nilai rata-rata pada setiap kelas karena input dari nilai fitur rasio Bounding Box dan Roundness adalah nilai desimal. Nilai prior dan likelihood digunakan untuk melakukan klasifikasi data input yang didapat dari preprocessing.

Pengujian model Naïve Bayes dilakukan menggunakan data uji yang telah dibagi sebelumnya. Data uji akan dilakukan prediksi kelas oleh model Naïve Bayes. Nilai Posterior dari data uji dihitung menggunakan persamaan 10 namun persamaan likelihood yang digunakan

adalah persamaan 11. Persamaan 12 berikut ini adalah persamaan untuk menghitung nilai posterior data uji.

𝑃(𝑥𝑖|𝑐) = 𝑃(𝑐) 𝑥 ℿ𝑃(𝑥𝑖|𝑐)

𝑃(𝑥𝑖|𝑐) = 𝑃(𝑐) 𝑥 ¹

√2𝜋𝜎²𝑒𝑥𝑝⁽⁻^{(𝑥𝑖−𝜇𝑐,𝑖)2}^2𝜎2 ⁾ 𝑥 ¹

√2𝜋𝜎²𝑒𝑥𝑝⁽⁻^{(𝑥𝑖−𝜇𝑐,𝑖)2}^2𝜎2 ⁾ (12)

Perhitungan nilai posterior pada setiap kelas dilakukan. Nilai posterior pada setiap kelas dibandingkan dan nilai posterior kelas terbesar akan menjadi output dari prediksi model Naïve Bayes. Hasil prediksi model Naïve Bayes akan dibandingkan dengan kelas aktual data dan dengan menggunakan confusion matrix akurasi dari prediksi dihitung. Persamaan 13 adalah persamaan untuk menghitung akurasi model Naïve Bayes menggunakan confusion matrix.

Tabel 1. Tabel Confusion Matrix Kelas Prediksi

Kelas Sebenarnya Bermasker Tidak Bermasker

Bermasker TP FP

Tidak

Bermasker FN TN

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = ^{𝑇𝑃 +𝑇𝑁}

𝑇𝑃+ 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 𝑥 100% ⁽¹³⁾

Hasil perhitungan dari akurasi model Naïve Bayes ditampilkan. Gambar 8 dibawah ini menunjukkan hasil akurasi model Naïve Bayes dapat menyentuh angka 90%. Model Naïve Bayes akan disimpan menjadi sebuah file.

Gambar 8. Output Program Naïve Bayes

3.2.2.3 Program Testing

Program testing adalah program yang bertujuan untuk membuktikan apakah program dapat berjalan dengan baik dan benar ketika

(8)

memprediksi suatu gambar dengan menginputkan langsung data gambar pada program. Gambar yang diinputkan adalah gambar pada setiap jarak yaitu jarak 0.5 meter, 1 meter, 1.5 meter dan 2 meter. Pada setiap jarak terdapat masing-masing 12 foto sehingga total data adalah 60 foto.

Gambar 8. Flowchart Proses Testing

Gambar 8 merupakan penjelasan dari proses testing. Citra digital berupa foto pada setiap jarak diakses oleh program. citra diubah ukurannya menjadi 128 x 128. Model Naïve Bayes diakses pada program testing. Citra gambar dilakukan segmentasi warna kulit dengan cara konversi warna RGB ke YCbCr.

Citra digital yang telah dikonversi dilakukan morfologi dilate, morfologi opening dan closing.

Citra digital dilakukan ekstraksi fitur menggunakan fitur rasio Bounding Box dan Roundness. Model Naïve Bayes diuji dengan memprediksi gambar pada setiap jarak. Hasil prediksi oleh model Naïve Bayes ditampilkan pada terminal. Hasil Akurasi dihitung secara manual dengan persamaan 14 sebagai berikut.

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐷𝑎𝑡𝑎 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝐵𝑒𝑛𝑎𝑟

𝑇𝑜𝑡𝑎𝑙 𝑆𝑒𝑚𝑢𝑎 𝐷𝑎𝑡𝑎 𝑥 100% (14)

Hasil akurasi dihitung secara manual dan dihitung rata-rata akurasinya. Persamaan 15 adalah persamaan untuk menghitung nilai rata- rata akurasi.

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝐵𝑒𝑛𝑎𝑟 𝑇𝑜𝑡𝑎𝑙 𝑆𝑒𝑚𝑢𝑎 𝐷𝑎𝑡𝑎 𝑥100%

(15)

3.2.2.4 Program Deteksi Masker Pada Raspberry Pi 4

Program Deteksi masker pada Raspberry Pi 4 adalah program bertujuan agar fungsional sistem dapat berjalan dengan baik ketika melakukan deteksi masker. Model Naïve Bayes yang telah dirancang akan diimplementasikan kepada sistem untuk menjalankan perangkat keras sistem deteksi masker.

Gambar 9. Flowchart Program Deteksi Masker Pada Raspberry Pi 4

(9)

Gambar 9 merupakan penjelasan dari Program Deteksi Masker Pada Raspberry Pi 4.

Model Naïve Bayes diakes pada program deteksi masker. Kamera webcam diaktifkan untuk mulai mengabil citra video. Citra diinputkan kepada Raspberry Pi 4 untuk dilakukan normalisasi menjadi ukuran 128 x 128 dan dilakukan segmentasi warna YCbCr. Citra dilakukan morfologi dilate, morfologi opening dan closing.

Citra digital di ekstraksi fitur menggunakan rasio Bounding Box dan Roundness. Data hasil ekstraksi fitur dimasukkan ke dalam model Naïve Bayes untuk dilakukan prediksi kelas.

Hasil prediksi kelas bermasker akan membuka solenoid lock selama 3 detik dan menguncinya kembali, sedangkan hasil prediksi kelas tidak bermasker akan tetap mengunci solenoid lock.

Program akan berlanjut jika tidak menerima input untuk dimatikan.

3.3. Implementasi Sistem

Implementasi sistem deteksi orang bermasker untuk akses pintu berdasarkan rasio Bounding Box wajah dan Roundness mengunakan Naïve Bayes berbasis Raspberry Pi dibagi menjadi 2 yaitu implementasi perangkat keras dan implementasi perangkat lunak.

3.3.1 Implementasi Perangkat Keras Implementasi perangkat keras merupakan implementasi hasil perancangan desain 3D model pintu kayu yang telah dibuat pada perancangan perangkat keras. Model pintu kayu dibuat dengan ukuran detailnya dijelaskan pada gambar 3.

Gambar 10. Moke Up Pintu Kayu

Gambar 10 merupakan bentuk Moke up pintu kayu yang dibuat sesuai dengan desain 3D model pintu. Moke up pintu kayu terlah

terpasang solenoid lock dan daun pintu untuk membuka Moke up pintu kayu. Komponen perangkat keras akan lekatkan pada bagian tengah dari Moke up pintu kayu.

Gambar 11. Komponen Perangkat Keras

Gambar 11 merupakan gambar komponen perangkat keras yang melekat pada Moke up pintu kayu. Implementasi komponen perangkat keras sesuai dengan desain skematik yang telah dibahas pada perancangan perangkat keras.

Kamera webcam terhubung dengan Raspberry Pi melalui USB port dan LIPO baterai telah terhubung degan solenoid lock melalui relay pintu Normally Open. Relay telah terhubung dengan Raspberry Pi melalui pin 2 untuk VCC, pin 6 untuk GND, dan pin 39 untuk GPIO20.

3.3.2 Implementasi Perangkat Lunak Implementasi perangkat lunak merupakan implementasi dari perancangan program.

Implementasi dibagi menjadi 4 yaitu implementasi preprocessing, implementasi proses Naïve Bayes, implementasi testing dan implementasi program deteksi masker pada Raspberry Pi 4.

3.3.2.1 Implementasi preprocessing

Program preprocessing melakukan pengubahan ukuran citra digital menjadi ukuran 128 x 128. Citra yang telah diubah ukurannya dilakukan segmentasi warna kulit dengan cara konversi warna RGB ke YCbCr dan dilakukan morfologi dilate, morfologi opening dan morfologi closing. Citra digital yang telah dilakukan segmentasi dan morfologi akan di ekstraksi fitur menggunakan rasio Bounding Box dan Roundness.

(10)

Gambar 12. Citra Digital Asli (RGB)

Gambar 13. Citra Digital Hasil Segmentasi (YCbCr)

Gambar 14. Citra Digital Morfologi Dilate

Gambar 15. Citra Digital Morfologi Opening

Gambar 16. Citra Digital Morfologi closing

Gambar 17. Hasil Bounding Box Ekstraksi Fitur

Gambar 12 menunjukkan citra asli berbentuk RGB yang diambil oleh webcam.

Gambar 13 adalah citra hasil konversi RGB ke YCbCr. Gambar 14 adalah penebalan citra digital menggunakan morfologi dilate. Gambar 15 dan Gambar 16 adalah proses reduksi noise pada bagian yang tidak diinginkan menggunakan morfologi opening dan closing. Gambar 17 adalah hasil ekstraksi fitur rasio Bounding Box dan Roundness yang dinyatakan dengan Bounding Box.

3.3.2.2 Implementasi Proses Naïve Bayes Implementasi proses Naïve Bayes dimulai dengan mengakses tabel preprocessing yang berisikan nilai fitur rasio Bounding Box, fitur Roundness, dan label diakses pada program Training. Program melakukan pembagian data latih dan data uji dengan pembagian data latih adalah 70% dari dataset dan data uji adalah 30%

dari dataset. Data latih sebanyak 140 data diakses dan dilakukan training menggunakan metode Naïve Bayes dengan fungsi yang disediakan oleh sckit-learn yaitu GaussianNB, sehingga mendapatkan nilai prior untuk setiap kelas dan likelihood pada masing-masing fitur disetiap kelas. Data uji yang dibagi sebelumnya akan digunakan untuk menguji model Naive Bayes apakah telah layak digunakan untuk merancang sistem deteksi masker dengan cara mencari akurasi model Naive Bayes. Proses pengujian model Naive Bayes akan dilakukan sebanyak 5 kali perulangan, setiap perulangan input data yang digunakan berbeda-beda namun dengan jumlah pembagian data uji yang sama yaitu 60 data uji.

Gambar 18. Hasil Program Model Naïve Bayes Perulangan Ke-1

Gambar 19 Hasil Program Model Naïve Bayes Perulangan Ke-2

(11)

Gambar 18, Gambar 19, Gambar 20, Gambar 21 dan Gambar 22 memperlihatkan hasil pengujian model Naive Bayes pada program proses Naïve Bayes. Terlihat pada kelima gambar tersebut terdapat hasil prediksi yang berbeda-beda yang berarti input data uji pada program proses Naïve Bayes diambil secara acak dari dataset dengan jumlah tetap 60 data.

Hasil akurasi model Naïve Bayes berada pada angka 85% hingga 90% yang berarti model ini sudah sangat baik digunakan untuk merancang sistem deteksi makser.

3.3.2.3 Implementasi Testing

Implementasi program testing bertujuan untuk membuktikan akurasi model Naïve Bayes yang diuji pada program proses Naïve Bayes.

Data yang akan digunakan untuk testing berjumlah 60 data. Dilakukan pembagian dengan jumlah yang sama pada gambar setiap

jarak, gambar jarak 0.5 meter berjumlah 12 data, gambar jarak 1 meter berjumlah 12 data, gambar jarak 1.5 meter berjumlah 12 data, gambar jarak 2 meter berjumlah 12 data dan gambar jarak 2.5 meter berjumlah 12 data.

Gambar 23. Hasil Program Testing

Gambar 23 menjelaskan hasil output dari program testing. Program menampikan hasil prediksi dari 12 foto pada setiap jarak dengan hasil prediksi kelas bermasker atau tidak bermasker.

3.3.2.4 Implementasi Program Deteksi Masker Pada Raspberry Pi 4

Program deteksi masker pada Raspberry Pi 4 adalah program secara keseluruhan yang diimplementasikan pada komponen perangkat keras. Program ini terdiri dari aktivasi webcam, akses model Naïve Bayes, normalisasi citra, pengolahan citra dan aktivasi solenoid lock.

Fungsionalitas solenoid lock ditentukan oleh perintah yang diberikan oleh Raspberry Pi 4.

4. PENGUJIAN DAN ANALISIS

4.1 Pengujian Akurasi Pada Setiap Jarak Pengujian akurasi bertujuan untuk membuktika akurasi model Naïve Bayes yang telah didapat pada proses Naïve Bayes.

Pengujian dilakukan pada perangkat komputer dan diawali dengan menyiapkan data uji. Data uji terdiri 60 buah data dengan 12 data pada jarak 0.5 meter, 12 data pada jarak 1.0 meter, 12 data pada jarak 1.5 meter, 12 data pada jarak 2.0 meter, 12 data pada jarak 2.5 meter.

Tabel 2. Tabel Pengujian Akurasi Setiap Jarak No Jarak Pengujian Akurasi

1 Jarak 0.5 meter 100%

2 Jarak 1.0 meter 83.8%

5 Jarak 2.5 meter 75%

Rata – rata akurasi 86.6%

(12)

Tabel 1 menyajikan hasil akurasi pada setiap jarak dan rata-rata akurasi. Perhitungan akurasi setiap jarak dihitung menggunakan persamaan 14 dan rata-rata akurasi dihiutng menggunakan persamaan 15. Rata-rata akurasi pengujian akurasi adalah 86.6%. Program Naïve Bayes ketika dijalankan sebanyak 5 kali mendapat akurasi 85-90%, sehingga akurasi program Naïve Bayes terbukti benar karena karena 86.6% berada diantara 85-90%.

4.2 Pengujian Waktu Eksekusi

Pengujian waktu eksekusi bertujuan untuk mengetahui waktu yang diperlukan sistem untuk mendeteksi wajah bermasker atau tidak bermasker dan melakukan tindakan. Perhitungan waktu eksekusi tidak termasuk dengan lama waktu solenoid lock terbuka. Waktu lama solenoid lock terbuka tidak dimasukan ke dalam perhitungan, karena waktu lama solenoid lock terbuka sudah ditentukan selama 3 detik.

Tabel 3. Tabel Waktu Eksekusi

No Jenis Masker Waktu Eksekusi (millisecond)

1 Bermasker 5.6269

2 Bermasker 9.0925

3 Bermasker 8.5332

4 Bermasker 12.5246

5 Bermasker 7.7407

6 Tidak Bermasker 10.236

Rata – rata waktu

eksekusi 8.82412 millisecond

Tabel 3 menjelaskan waktu eksekusi sistem. Pengujian dilakukan dengan 10 kali prediksi sistem, waktu eksekusi terlama adalah 12.5246 ms dan waktu eksekusi tercepat adalah 5.6269 ms. Rata-rata waktu eksekusi sistem yaitu 8.82412 ms.

5. PENUTUP

Kesimpulan yang didapat dari pengujian dan analisis adalah bahwa metode Naïve Bayes dapat digunakan dengan baik untuk melakukan deteksi masker. Metode Naïve Bayes dapat melukan prediksi dengan baik, terbukti dengan melakukan pengujian prediksi data uji sebanyak 60 data Naïve Bayes memiliki rata-rata akurasi

sebesar 86,6%. Pengujian waktu eksekusi sistem dengan menggunakan 10 data hanya memerlukan rata-rata waktu eksekusi sebesar 8.82412 ms yang berarti kecepatan eksekusi sistem sangat cepat dan jauh dibawah angka 500 ms atau 0.5 detik.

Saran yang diajukan oleh penulis untuk perkembangan sistem lebih lanjut adalah membuat sistem dapat bekerja pada pencahayaan dan background yang berbeda- beda, sistem dapat menggunakan sumber daya listrik terus menerus sehingga sistem tidak bergantung pada baterai LIPO, mengembangkan sistem agar dapat mendeteksi masker dengan jenis yang lebih bervariasi dan sistem menggunakan kamera yang lebih baik sehingga dapat digunakan pada kondisi pencahayaan dan keadaan yang bermacam-macam.

6. DAFTAR PUSTAKA

Komite Penanganan COVID-19 dan Pemulihan Ekonomi Nasional (KPCPEN). 2021.

Infeksi Emerging Media Informasi Resmi Terkini Penyakit Infeksi Emerging.

https://covid19.go.id/peta-sebaran- covid19 . [Diakses pada tanggal 23 Jun1 2021 pukul 20.12 WIB]

Schroeder, S., Braun, S., Mueller, U., Sonntag, R., Jaeger, S., & Kretzer, J. P. (2020).

Particle analysis of shape factors according to American Society for Testing and Materials. Journal of Biomedical Materials Research Part B:

Applied Biomaterials, 108(1), 225-233.

Sundar, G., Anand, V., & Anita, J. P. (2020, July). Interocular Distance based Facial Recognition. In 2020 International Conference on Communication and Signal Processing (ICCSP) (pp. 1478- 1481). IEEE.

Susilo, A., Rumende, C. M., Pitoyo, C. W., Santoso, W. D., Yulianti, M., Herikurniawan, H., ... & Yunihastuti, E.

(2020). Coronavirus disease 2019:

Tinjauan literatur terkini. Jurnal Penyakit Dalam Indonesia, 7(1), 45-67.

WHO Global. 2020. Pertanyaan dan jawaban:

Bagaimana COVID-19 ditularkan.

https://www.who.int/indonesia/news/nove l-coronavirus/qa-how-is-covid-19-

transmitted. [Diakses pada tanggal 13 Agustus 2020 pukul 13:19 WIB]