Deteksi Orang Bermasker Medis Menggunakan Metode Convolutional Neural Network Berbasis Raspberry Pi

(1)

Deteksi Orang Bermasker Medis Menggunakan Metode Convolutional Neural Network Berbasis Raspberry Pi

Bimo Dimas Nugraraga¹, Hurriyatul Fitriyah², Dahnial Syauqy³

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹[email protected], ²[email protected], ³[email protected]

Abstrak

Pada pandemi COVID – 19, masker adalah sebuah kebutuhan penting bagi masyarakat. Penggunaan masker sangat penting untuk mencegah penularan COVID – 19, terutama pada instansi penting seperti Rumas Sakit.

Tidak semua masker efektif untuk mencegah penularan COVID – 19. Masker yang baik untuk mencegah penularan COVID – 19 adalah masker medis yang memiliki 3 lapisan. Sistem Deteksi Orang Bermasker Medis Menggunakan Metode Convolutional Neural Network Berbasis Raspberry Pi bertujuan untuk mencegah penyebaran COVID – 19 di Rumah Sakit dengan cara mencegah orang yang tidak menggunakan masker medis untuk masuk ke Rumah Sakit dan ruangan di dalam rumah sakit. Sistem ini menggunakan webcam, Raspberry Pi 4, dan solenoid lock. Webcam digunakan untuk menangkap citra pengguna masker. Citra yang telah ditangkap akan diolah dan diklasifikasikan di Raspberry Pi 4. Pengolahan citra yang dilakukan adalah dengan melakukan konversi warna dari RGB ke YCbCr untuk mendeteksi masker medis dan menghilangkan background. Metode pengklasifikasian menggunakan metode Convolutional Neural Network. Solenoid lock akan terbuka bila hasil pengklasifikasian adalah masker medis dan akan terkunci bila hasil pengkalifikasian adalah masker non medis. Pada penelitian ini pengujian dilakukan pada 5 jarak berbeda, yaitu jarak 0.5 meter, 1.0 meter, 1.5 meter, 2.0 meter, dan 2.5 meter. Secara keseluruhan sistem Deteksi Orang Bermasker Medis Menggunakan Metode Convolutional Neural Network Berbasis Raspberry Pi memiliki akurasi rata - rata 97%.

Sistem Deteksi Orang Bermasker Medis Menggunakan Metode Convolutional Neural Network Berbasis Raspberry Pi memiliki waktu eksekusi rata – rata 0.563271 detik.

Kata kunci: Masker, Masker Medis, Deteksi Masker, CNN, TensorFlow, Olah Citra

Abstract

In the COVID – 19 pandemic, mask is an important commodities. The usage of masks is very important to prevent transmission of COVID – 19, especially in important institutions such as Hospital. Medical mask is very good to prevent transmission of COVID – 19 because medical mask has 3 protective layers. The Detection Of Medical Mask Using Raspberry Pi Based On Convolutional Neural Network aims to prevent the spread of COVID – 19 in hospitals by preventing people who do not use medical mask from entering hospitals. This system consist of a webcam, Raspberry Pi 4, and solenoid lock. Image processing is done by converting the color from RGB to YCbCr to detect medical masks and remove the background. This system use Convolutional Neural Network for classification method. The solenoid lock will open if the result of the classification is a medical mask and will be locked if the result of the classification is a non-medical. In this study, testing was carried out at 5 different distances, namely distances of 0.5 meters, 1.0 meters, 1.5 meters, 2.0 meters, 2.5 meters. Overall accuracy of this system is 97%. The average execution time of this system is 0.563271 seconds.

Keywords: Mask, Medical Mask, Mask Detection, CNN, TensorFlow, Image Processing

1. PENDAHULUAN

Virus Corona muncul pada Desember 2019 adalah virus yang menyerang organ pernapasan dan menyebabkan wabah COVID-19. COVID-19 memiliki berbagai bentuk dan tingkat kerusakan pada organ. Tingkat kerusakan dari tingkat

kerusakan rendah sampai tingkat kerusakan tinggi berupa kegagalan organ dan kematian.

Meningkatnya jumlah kasus dan bertambahnya pasien yang mengalami kegagalan organ pernapasan, maka hal ini menjadi alasan yang kuat untuk berhati – hati pada infeksi virus ini.

(2)

Fakultas Ilmu Komputer, Universitas Brawijaya

Pencegahan virus corona di masyarakat dapat melalui penggunaan masker (Alsaeedy dan Edwin, 2020).

COVID – 19 adalah penyakit yang disebabkan oleh virus Corona. COVID – 19 menyerang organ pernapasan dan memiliki gejala demam tinggi, batuk, dan bersin. Penyakit menular melalui air liur dan kontak dengan penderita COVID – 19. Pada tanggal 22 Juni 2020 Kementerian Kesehatan Republik Indonesia mempublikasikan data total kasus 383.105 kasus, 45.891 kasus, Pasien Dalam Pemantauan (PDP) sebanyak 13.225 orang, sedangkan Orang Dalam Pengawasan (ODP) sebanyak 56.436 orang. Tingkat penyebaran COVID – 19 tiap harinya adalah 6.37% dari hari sebelumnya.

COVID – 19 menyebar dengan sangat cepat, karena penyakit ini sangat mudah menular.

Cepatnya penyebaran virus, tingginya angka kematian, dan belum adanya vaksin membuat COVID – 19 menjadi ancaman bagi masyarakat.

Pemerintah Pembatasan Sosial Berskala Besar (PSBB) dan karantina dalam rumah untuk mencegah penularan COVID – 19. Bagi masyarakat dan tenaga medis yang hendak berpergian keluar rumah wajib menggunakan masker dan menerapkan social distancing.

Pada tanggal 9 April 2020 Kementerian Kesehatan Republik Indonesia Mempublikasikan Surat Edaran Nomor HK.02.02/I/385/2020 mengenai Penggunaan Masker dan Penyediaan Sarana Cuci Tangan Pakai Sabun(CTPS) untuk mencegah penyebaran COVID – 19. Pada surat edaran tersebut masyaraka terutama petugas medis dihimbau menggunakan masker medis saat berpergian keluar rumah. Petugas medis diharuskan menggunakan masker berjenis bedah dan N95.

Masker sangat penting dalam pencegahan penyebaran COVID – 19, namun masih banyak masyarakat yang lalai menggunakan masker terutama masker medis saat berkegiatan di luar rumah. Salah satu tempat penting dalam mengguinakan masker adalah rumah sakit. Menurut surat edaran oleh Kementerian Kesehatan Republik Indonesia petugas medis diwajibkan menggunakan masker medis ketika berkegiatan di luar rumah.

Rumah sakit menjadi salah satu tempat penting penggunaan masker medis, karena termasuk tempat yang ramai dan tempat berkumpulnya orang sakit.

Tidak menggunakan masker di dalam rumah sakit sangat berbahaya dan dapat mempercepat penyebaran COVID – 19, karena orang – orang sakit di dalam rumah sakit bisa saja sudah terjangkit virus Corona. Kelalaian masyarakat dan petugas

medis yang tidak menggunakan masker sangat berbahaya bagi masyarakat luas.

Solusi untuk menangani masalah ini adalah dengan membuat sistem yang mencegah orang masuk ke dalam rumah sakit dan ruangan dalam rumah sakit bila tidak menggunakan masker medis.

Sistem ini akan mendeteksi orang yang akan masuk ke dalam rumah sakit dan ruangan dalam rumah sakit, bila orang tersebut menggunakan masker medis maka orang tersebut diizinkan untuk memasuki ruangan. Sistem ini melakukan pendeteksian dan pengklasifikasian masker medis menggunakan Convolutional Neural Network(CNN).

Convolutional Neural Network(CNN) sebuah multi layer neural network dengan kemampuan deep learning. Berbeda dengan neural network yang lain, CNN menggunakan sebuah daerah kecil, yaitu kernel untuk memproses gambar. CNN mampu mengurangi jumlah parameter dengan melakukan proses konvolusi dan maxpooling. CNN dapat digunakan untuk object detection, face recognition, dan natural language processing. CNN mampu melakukan pengolahan citra dan klasifikasi secara bersamaan (Mondal, 2017).

Penelitian sistem Deteksi Orang Bermasker Medis Menggunakan Metode Convolutional Neural Network Berbasis Raspberry Pi bertujuan untuk merancang sebuah sistem untuk mendeteksi masker medis dengan menggunakan Convolutional Neural Network (CNN). Sistem deteksi orang bermasker medis akan melakukan pengolahan citra dan pengklasifikasian orang menggunakan masker medis atau tidak menggunakan metode CNN. Citra yang telah diambil oleh kamera akan dilakukan pengolahan citra oleh Raspberry Pi. Hasil pengolahan citra akan diklasifikasikan menggunakan metode CNN. Hasil pengklasifikasian berupa orang menggunakan masker medis atau tidak. Solenoid lock sebagai aktuator yang terpasang di pintu kelas akan terkunci bila hasil pengklasifikasian menunjukan orang tidak menggunakan masker medis. Solenoid lock sebagai aktuator yang terpasang di pintu kelas akan terkunci akan terbuka bila hasil pengklasifikasian menunjukan orang menggunakan masker medis.

Sistem akan dicari tingkat akurasi dan lama waktu eksekusi. Penelitian ini diharapkan dapat melakukan pencegahan penyebaran COVID – 19 dan menegakan penggunaan masker medis di daerah Rumah Sakit.

(3)

2. METODE PENELITIAN 2.1 YCbCr

Gambar citra digital yang ditangkap oleh kamera adalah gambar RGB. Citra RGB yang ditangkap akan dikonversi menjadi YCbCr.

Konversi warna menjadi YCbCr bertujuan untuk mendeteksi kulit, mendeteksi masker medis, dan menghilangkan background. Ruang warna YCbCr juga memiliki kelebihan, yaitu mudah untuk dimengerti dan diatur oleh manusia.

Konversi RGB ke YCbCr memiliki beberapa persamaan. Persamaan (1) adalah persamaan untuk mencari nilai Y. Persamaan (2) adalah persamaan untuk mencari nilai Cb.

Persamaan (3) adalah persamaan untuk mencari nilai Cr.

𝑌 = (0,299 x R) + (0,587 x 𝐺) + (0,114 x B) (1)

𝐶𝑏 = 𝐵 − 𝑌

(2)

𝐶𝑟 = 𝑅 − 𝑌

(3) Dengan :

Y = Tingkat Kecerahan.

Cb = Chroma Blue Cr = Chroma Red

R = Red

G = Green B = Blue

2.2 Convolutional Neural Network (CNN) Convolutional Neural Network (CNN) adalah sebuah multi neural network. CNN menggunakan sebuah daerah kecil yang disebut dengan kernel untuk membuat citra dengan ukuran lebih kecil, namun memiliki kriteria dari citra awal. CNN dapat digunakan untuk object detection dan face detection.

Gambar 1. Convolutional Neural Network Gambar 1 menunjukan cara kerja CNN secara umum, yaitu sebuah neural network yang menggunakan kernel untuk melakukan pengolahan citra.

Metode CNN memiliki beberapa tahap, yaitu :

 Data Preprocessing

Citra gambar yang telah dikumpulkan akan dinormalisasi terlebih dahulu. Dilakukan penyamaan ukuran gambar dan ruang warna gambar.

 Model Convolutional Neural Network

Citra gambar yang telah dinormalisasi akan dimasukan padada model neural network.

Susunan model neural network akan memengaruhi performa dari sistem. Layer – layer model neural network dapat disusun sesuai kebutuhan menggunakan TensorFlow dan Keras.

 Convolution

Proses konvolusi menggunakan kernel untuk membuat citra gambar yang lebih kecil, namun memiliki kriteria dari citra awal. Kernel pada proses konvolusi dapat diatur menggunakan Keras.

 Maxpooling

Maxpooling bertujuan untuk penyatuan nilai – nilai hasil konvolusi oleh kernel. Maxpooling juga bertujuan untuk mengurangi ukuran citra gambar. Pada Maxpooling terdapat fungsi aktivasi. Fungsi aktivasi yang digunakan pada penelitian sistem deteksi masker medis menggunakan Convolutional Neural Network berbasis Raspberry Pi adalah Rectifier Linear Unit (RELU). RELU merupakan fungsi aktivasi umum yang digunakan, karena ringan dan mudah dikomputasi. Persamaan RELU tertera pada persamaan (4).

𝑅𝐸𝐿𝑈(𝑥) = 𝑀𝑎𝑥(0, 𝑥) (4) Dengan:

x = nilai masukan dari neuron.

 Fully Connected Layer

Fully Connected Layer bertujuan untuk menggabungkan layer – layer yang telah dibuat. Pada fully connected layer terjadi perubahan weight untuk meningkatkan akurasi.

2.3 TensorFlow

TensorFlow adalah sebuah platform end – to – end untuk melakukan machine learning.

TensorFlow memiliki library yang luas dan fleksibel. Salah satu fitur library pada TensorFlow adalah CNN. TensorFlow dapat dijalankan diberbagai macam platform termasuk Raspberry Pi tanpa mengorbankan banyak performa dan kecepatan.

(4)

2.4 Keras

Keras adalah Application Programming Interface (API) untuk machine learning yang berjalan pada platform TensorFlow. Keras memungkinkan untuk membuat sendiri layer – layer pada model neural network. Struktur utama pada Keras adalah layers dan models. Salah satu model paling sederhana pada Keras adalah sequential model. Sequential model adalah model yang berisi tumpukan layers. Models yang lebih rumit dapat diakses menggunakan Keras functional API. Keras juga mengizinkan pengguna untuk membuat model sendiri dari awal sampai akhir menggunakan subclassing.

3. PERANCANGAN DAN IMPLEMENTASI SISTEM

3.1 Gambaran Umum Sistem

Sistem deteksi orang bermasker medis menggunakan metode Convolutional Neural Network berbasis Raspberry Pi menggunakan pengolahan citra digital dan metode pengklasifikasian Convolutional Neural Network sebagai dasar penelitian ini. Satu buah pintu yang telah terpasang solenoid lock digunakan untuk menaruh Raspberry Pi, kamera, relay, dan LIPO baterai. Kamera akan terhubung ke Raspberry Pi dan berfungsi untuk mengambil citra. Raspberry Pi digunakan sebagai tempat pengolahan citra dan mengatur jalan kerja sistem. Raspberry Pi melakukan pengolahan citra menggunakan library OpenCV, sedangkan melakukan pengklasifikasian Convolutional Neural Network menggunakan library TensorFlow. Relay dan LIPO baterai terhubung dengan Raspberry Pi dan berfungsi sebagai sumber tenaga untuk menggerakan solenoid lock.

Gambar 2. Blok Diagram

Gambar 2 menjelaskan mengenai diagram blok dari sistem. Input dari sistem berupa citra masker akan ditangkap oleh kamera. Citra digital yang telah ditangkan akan diolah dan diklasifikasikan di dalam Raspberry Pi 4. Hasil pengklasifikasian masker akan memengaruhi kondisi dari relay dan solenoid lock. Bila hasil klasifikasi adalah masker non medis maka relay tidak akan aktif dan solenoid lock akan tetap terkunci. Bila hasil klasifikasi adalah masker medis maka relay akan aktif dan solenoid lock akan terbuka

.

3.2 Perancangan Sistem

Perancangan sistem deteksi masker medis menggunakan Convolutional Neural Network berbasis Raspberry Pi terbagi menjadi tiga, yaitu perancangan perangkat keras, perancangan pengambilan dataset, dan perancangan perangkat lunak.

3.2.1 Perancangan Perangkat Keras

Perancangan perangkat keras terdiri dari perancangan model sistem dan perancangan skematik sistem. Perancangan model sistem adalah bentuk model pintu dan perangkat keras yang terpasang. Perancangan skematik sistem adalah perancgan mengenai perangkat keras yang dipakai dan hubungan antar perangkat keras.

Gambar 3. Perancangan Model Sistem

Gambar 3 adalah gambar perancangan model pintu sistem. Model pintu memiliki tinggi sebesar 74.5 cm, Panjang 76 cm, dan lebar 27 cm. Dibagian depan model pintu terpasang perangkat keras yang akan digunakan, yaitu Raspberry Pi 4, webcam, solenoid lock, LIPO baterai, dan relay.

(5)

Gambar 4. Desain Skematik Sistem

Gambar 4 adalah perancangan desain 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 Pengambilan Dataset Dataset pada penelitian system deteksi masker medis menggunakan Convolutional Neural Network berbasis Raspberry Pi dibagi menjadi 2 kelas, yaitu kelas masker medis dan masker non medis. Total dataset yang diambil adalah sebanyak 330 data, dengan 66 data diambil pada jarak 0.5 meter dari webcam, 66 data diambil pada jarak 1.0 meter dari webcam, 66 data diambil pada jarak 1.5 meter dari webcam, 66 data diambil pada jarak 2.0 meter dari webcam, dan 66 data diambil pada jarak 2.5 meter dari webcam Subjek akan diambil gambarnya sebanyak 3 kali pada setiap jarak yang ditentukan dengan postur menghadap lurus ke webcam, meghadap kiri, dan menghadap kanan. Total minimum pengambilan data pada satu subjek adalah 30 data, dimana 15 data menggunakan masker medis dan 15 data menggunakan masker non medis.

Gambar 5. Ilustrasi Pengambilan Dataset Gambar 5 menunjukan cara melakukan pengambilan dataset. Pengambilan dataset dilakukan melalui webcam. Webcam diletakan di

gambar. Subjek partisipan sebagai objek gambar yang akan diambil, berdiri di depan webcam dan membelakangi green screen. Green screen digunakan untuk mengurangi noise saat melakukan segmentasi warna. Subjek partisipan akan menggunakan masker non medis dan masker medis dalam proses pengambilan gambar. Jarak antara subjek dengan webcam telah ditentukan, yaitu 0.5 meter, 1 meter, 1.5 meter, 2 meter, dan 2.5 meter.

Pada setiap jarak yang telah ditentukan subjek partisipan akan diambil gambarnya dengan postur tertentu, yaitu subjek menghadap lurus ke arah webcam, subjek menghadap kiri, dan subjek menghadap kanan. Postur tersebut akan diulangi pada setiap jarak yang telah ditentukan dan jenis masker yang digunakan.

3.2.3 Perancangan Perangkat Lunak

Perancangan perangkat lunak terdiri dari 4 buah program. Program pada penelitian system deteksi masker medis menggunakan Convolutional Neural Network berbasis Raspberry Pi terdiri dari program preprocessing, program training, program testing, dan program aktuator.

3.2.3.1 Program Preprocessing

Program preprocessing bertujuan untuk melakukan normalisasi dataset dan pemberian label.

Normalisasi data yang dilakukan berupa penyamaan ukuran citra dan penyamaan ruang warna yang digunakan.

Gambar 6. Diagram Alur Preprocessing

(6)

Gambar 6 menjelaskan mengenai alur kerja program preprocessing. Citra gambar yang telah dikumpulkan dalam dataset akan diakses oleh program dan diberi label. Setiap citra akan disamakan ukurannya menjadi 512 X 512. Citra gambar yang telah disamakan ukurannya akan dikonversi ruang warnanya dari RGB ke YCbCr.

Data yang telah diproses akan diberi label dan disimpan.

3.2.3.2 Program Training

Program training bertujuan untuk membuat dan melatih model neural network. Model neural network dibuat menggunakan TensorFlow dan Keras. Model neural network akan dilatih menggunakan dataset hingga mencapai akurasi yang diinginkan.

Gambar 7. Diagram Alur Training

Gambar 7 menjelaskan mengenai cara kerja programm training. Data hasil preprocessing yang telah disimpan akan diakses oleh program training.

Data tersebut akan digunakan untuk melatih model neural network yang telah dibuat. Model neural network yang dibuat untuk melakukan

pengklasifikasian data. Pada Gambar di atas menunjukan bahwa lapisan – lapisan yang digunakan adalah 2 buah Convolutional Layer, 2 buah Fully Connected Layer, dan 1 buah Output Layer.

3.2.3.3 Program Testing

Program testing bertujuan untuk mengetahui akurasi dari model neural network yang telah dibuat. Pengujian model neural network akan menggunakan data uji yang telah disiapkan.

Gambar 8. Diagram Alur Testing

Gambar 8 menjelaskan mengenai program testing. Program testing akan mengakses data uji yang telah dikumpulkan.Program testing akan mengakses model neural network yang telah dilatih.

Total data yang akan diuji adalah 100 data, dimana 20 data diambil pada jarak 0.5 meter, dimana 20 data diambil pada jarak 1.0 meter, 20 data diambil pada jarak 1.5 meter, 20 data diambil pada jarak 2.0 meter, dan 20 data diambil pada jarak 2.5 meter.

Data uji yang telah diakses akan dinormalisasi menjadi ukuran 512 x 512 dan ruang warna YCbCr.

Data yang telah dinormalisasi akan diprediksi kelasnya menggunakan model neural network yang telah dibuat, kemudian hasil prediksi kelas akan ditampilkan. Hasil prediksi akan ditampilkan di

(7)

terminal system operasi dan bertuliskan “Medis”

dan “Non Medis”.

3.2.3.4 Program Aktuator

Program aktuator bertujuan untuk mengimplementasikan model neural network yang dibuat pada system yang telah dirancang. Program aktuator akan menggabungkan perangkat lunak dan perangkat keras.

Gambar 9. Diagram Alur Aktuator

Gambar 9 menjelaskan mengenai program aktuator yang diimplementasikan pada Raspberry Pi 4. Program diawali dengan mengakses model neural network yang telah dibuat. Kemudian Raspberry Pi 4 akan mengakses dan menangkap citra gambar menggunakan webcam. Citra digital akan dinormalisasi menjadi ukuran 512 x 512 dan ruang warna YCbCr. Data yang te;ah dinormalisasi akan dimasukan ke dalam model neural network untuk diprediksi kelasnya. Bila hasil prediksi kelas adalah masker non medis, maka solenoid lock akan terkunci. Bila hasil prediksi kelas adalah masker medis maka solenoid lock akan terbuka.

3.3 Implementasi Sistem

Implementasi system deteksi masker medis

berbasis Raspberry Pi terbagi menjadi 3, yaitu implementasi perangkat keras, implementasi pengambilan dataset, dan implementasi perangkat lunak.

3.3.1 Implementasi Perangkat Keras

Implementasi perangkat keras diawali dengan menyiapkan model pintu yang telah dirancang.

Gambar 10 menunjukan bentuk implementasi model pintu. Pada model pintu engsel, gagang pintu, dan solenoid lock sudah terpasang pada model pintu. Pada bingka pintu diberikan lubang kecil agar solenoid lock dapat mengunci pintu.

Gambar 10. Implementasi Model Pintu

Komponen perangkat keras yang telah disiapkan akan dihubungkan sesuai dengan desain skematik. Gambar 11 menunjukan webcam telah 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 40 untuk GPIO21.

Gambar 11. Implementasi Desain Skematik Desain skematik system yang telah diimplementasikan akan dipasang pada model pintu. Pemasangan desain skematik system pada model pintu sesuai dengan gambar 12.

(8)

Fakultas Ilmu Komputer, Universitas Brawijaya Gambar 12. Implementasi Perangkat Keras 3.3.2 Implementasi Pengambilan Dataset

Pengambilan gambar untuk dataset diawali dengan perisapan webcam, laptop, model pintu, green screen, subjek partisipan, masker medis, dan masker non medis. Pasang webcam pada model pintu dan tempelkan green screen pada tembok.

Ukur jarak pengambilan data menggunakan penggaris dan tandai dengan double tape dan spidol.

Jarak pengambilan data yang digunakan adalah 0.5 meter, 1.0 meter, 1.5 meter, 2.0 meter, dan 2.5 meter. Hubungkan webcam dengan laptop dan siapkan subjek yang telah menggunakan masker.

Subjek partisipan yang menjadi objek penelitian pengambilan gambar berjumlah 11 orang dengan total gambar 330 gambar. Setiap subjek akan diambil foto sebanyak 30 foto dengan kondisi 15 foto untuk kelas masker medis dan 15 foto untuk kelas masker non medis. Pengambilan dataset berdasarkan jenis masker dapat dilihat pada gambar 13.

Gambar 13. Jenis Masker Pada Dataset

Setiap subjek partisipan akan diambil gambarnya pada kondisi hadap kiri, hadap depan, dan hadap kanan. Pengambilan gambar dengan kondisi tersebut akan dilakukan pada setiap jarak yang telah ditentukan. Pengambilan dataset berdasarkan kondisi wajah dapat dilihat pada gambar 14.

Gambar 14. Kondisi Wajah Pada Dataset 3.3.3 Implementasi Perangkat Lunak

Perangkat lunak atau program yang telah dirancang akan diimplementasikan. Dataset yang

telah dikumpulkan akan diolah oleh program preprocessing untuk melakukan konversi warna YCbCr serta menyamakan ukuran gambar. Hasil preprocessing akan disimpan dalam file . File tersebut akan dipanggil oleh program training untuk melatih model pengklasifikasian kelas Convolutinal Neural Network. File hasil training akan digunakan pada program testing untuk memprediksi kelas pada data uji yang telah disediakan. Jika akurasi system sudah bagus maka model neural network yang dibuat sudah bisa diimplementasikan pada Raspberry Pi dengan program aktuator.

3.3.3.1 Program Preprocessing

Pada program preprocessing dataset akan dinormalisasi ukuran dan ruang warnanya. Ukuran tiap data menjadi 512 x 512 pixel dan ruang warna yang digunakan adalah YCbCr. Nilai ruang warna YCbCr adalah Y pada 0 sampai 255, Cb pada 118 sampai 255, dan Cr pada 0 sampai 255.

Gambar 15. Citra RGB

Gambar 16. Citra YCbCr

Gambar 15 menunjukan citra asli RGB yang diambil oleh webcam. Citra tersebut akan dikonversi menjadi ruang warna YCbCr dan terlihat seperti yang ditunjukan oleh gambar 16. . Setelah dilakukan konversi warna dapat dilihat masker medis memiliki keunikan, yaitu masker medis terlihat berwarna pink yang sangat tajam. Masker medis umumnya berwarna cyan, hijau, atau kebiru – biruan sehingga fitur yang diutamakan pada YCbCr adalah fitur Cb.

3.3.3.2 Program Training

Program training berisikan susunan model neural network yang telah dibuat. Hasil dari program preprocessing akan dipanggil oleh program training. Data tersebut akan digunakan untuk melatih model neural network sampai memiliki akurasi yang .

(9)

Gambar 17. Model Neural Network

Gambar 13 menunjukan mengenai input, susunan layer, dan output dari model training yang telah dibuat. Input dari model training adalah citra hasil preprocessing, yaitu citra yang telah diubah ukurannya menjadi 512 pixel x 512 pixel dan telah dilakukan konversi warna YCbCr. Citra input akan digunakan masukan ke model training. Model training terdiri dari 2 buah Convolutional Layer, 2 buah Fully Connected Layer, dan 1 buah Output Layer. Convolutional Layer memiliki ukuran 64 x 64 dengan kernel sebesar 3 x 3. Fully Connected Layer memiliki 128 nodes dan fungsi aktifasi ReLu.

Pada Fully Connected Layer terdapat fungsi Dropout yang digunakan untuk menghindari overfitting. Output Layer memiliki 2 buah nodes dengan fungsi aktifasi Sigmoid.

3.3.3.3 Program Testing

Program testing berutujuan untuk mengetahui akurasi sesungguhnya dari model neural network yang telah dibuat. Model neural network akan diuji menggunakan data uji yang telah dikumpulkan sebelumnya. Data uji yang akan diuji pada program testing berjumlah 100 data, dimana 20 data diambil pada jarak 0.5 meter, dimana 20 data diambil pada jarak 1.0 meter, 20 data diambil pada jarak 1.5 meter, 20 data diambil pada jarak 2.0 meter, dan 20 data diambil pada jarak 2.5 meter.

Gambar 18. Hasil Testing

Gambar 14 menunjukan hasil bila program

hasil kelas prediksi, yaitu “Medis” dan “Non Medis” pada terminal.

3.3.3.4 Program Aktuator

Program aktuator adalah program yang akan dijalankan pada Raspberry Pi. Program ini menghubungkan komponen perangkat keras dengan perangkat lunak yang telah dibuat. Program ini terdiri dari aktivasi webcam, pengaksesan model neural network yang telah diuji, normalisasi dan pengolahan citra, pengklasifikasian berdasarkan model neural network, dan aktivasi solenoid lock.

4. PENGUJIAN DAN ANALISIS 4.1 Pengujian Akurasi

Pengujian akurasi bertujuan untuk mengetahui akurasi model neural network yang telah dibuat.

Pengujian dilakukan di laptop dan diawali dengan menyiapkan data uji. Data uji terdiri 100 buah data dengan 20 data pada jarak 0.5 meter, 20 data pada jarak 1.0 meter, 20 data pada jarak 1.5 meter, 20 data pada jarak 2.0 meter, 20 data pada jarak 2.5 meter.

Tabel 1. Pengujian Akurasi No Jarak Pengujian Akurasi (%)

1 Jarak 0.5 meter 100 2 Jarak 1.0 meter 100 3 Jarak 1.5 meter 100 4 Jarak 2.0 meter 85 5 Jarak 2.5 meter 100

Rata – rata error 97%

Pada Tabel 1 dapat dilihat akurasi pada jarak 0.5 meter adalah 100%, akurasi pada jarak 1.0 meter adalah 100%, akurasi pada jarak 1.5 meter adalah 100%, akurasi pada jarak 2.0 meter adalah 85%, dan akurasi pada jarak 2.5 meter adalah 100%. Rata – rata dari akurasi model neural network adalah 97%.

4.2 Pengujian Waktu Eksekusi

Pengujian waktu eksekusi bertujuan untuk mengetahui waktu yang diperlukan system untuk mendeteksi jenis masker 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.

(10)

Fakultas Ilmu Komputer, Universitas Brawijaya Tabel 2. Pengujian Waktu Eksekusi No Jenis Masker Waktu Eksekusi

(detik)

1 Non Medis 0.533031

6 Medis 0.541931

7 Medis 0.545240

8 Medis 0.564903

9 Medis 0.545486

10 Medis 0.564822

Rata – rata waktu

eksekusi 0.563271 detik

Tabel 2 menjelaskan mengenai waktu eksekusi system. Dari 10 buah data yang diambil dapat dilihat waktu terlama adalah 0.689101 detik dan waktu tercepat adalah 0.533031. Rata – rata waktu eksekusi yang pada system adalah 0.563271 detik.

5. KESIMPULAN DAN SARAN

Kesimpulan yang dapat ditarik dari pengujian yang telah dilakukan dapat disimpulkan bahwa metode Convolutional Neural Network baik digunakan untuk mendeteksi masker medis. Dari 100 data yang diuj, model Convolutional Neural Network yang dibuat memiliki rata – rata akurasi sebesar 97%. Dari 10 data yang digunakan untuk menguji waktu eksekusi, didapat rata – rata waktu eksekusi sebesar 0.563271 detik.

Saran yang diajukan untuk penelitian selanjutnya adalah menambahkan variasi masker medis dan non medis yang dideteksi, system dapat bekerja diberbagai macam background dan pencahayaan, dan system dapat menggunakan sumber daya listrik yang terus menerus, sehingga kinerja solenoid lock tidak bergantung pada LIPO baterai untuk sumber tenaga.

6. DAFTAR PUSTAKA

Alsaeedy, Alaa A.R. & Edwin K.P Chong. 2020.

Detecting Regions At Risk For Spreading COVID - 19 Using Existing Cellular Wireless Network Functionalities. IEEE Journal.

Kementerian Kesehatan Republik Indonesia (Kemkes). 2020. Infeksi Emerging Media Informasi Resmi Terkini Penyakit Infeksi

Emerging. [Online] Available at:

https://infeksiemerging.kemkes.go.id/

[Accessed 22 Juni 2020]

Kementerian Kesehatan Republik Indonesia (Kemkes). 2020. Penggunaan Masker Dan Penyediaan Sarana Cuci Tangan Pakai Sabun (CTPS) Untuk Mencegah Penularan Coronavirus Desease 19 (COVID - 19).

[Online] Available at:

https://kesmas.kemkes.go.id/assets/upload/

dir_519d41d8cd98f00/files/SE- PENGGUNAAN-MASKER-2020-

(2)_1562.pdf. [Accessed 14 Desember 2020]

Mondal, Madhusree, Parmita Mondal, Nilendu Saha, & Paramita Chattopadhyay. 2017.

Automatic Number Plate Recognition Usinh CNN Based Self Synthesized Feature Learning. IEEE Journal.