16
BAB III
METODE PENELITIAN
Pada penelitian ini membahas tentang deteksi penggunaan masker dengan image processing yang memanfaatkan machine learning untuk mendetksi wajah baik yang menggunakan masker atau tidak menggunakan masker. Dengan menggunakan metode Convolutional Neural Networks (CNN) sebagai ekstraksi fitur dari sebuah citra. Dibawah ini merupakan diagram blok perancangan sistem dari penelitian Face Mask Detection yang telah diperlihatkan oleh gambar 3.1.
Gambar 3.1 Diagram Blok Perancangan Sistem
3.1 Perancangan Hardware Face Mask Detection
Pada penelitian ini menggunakan perancangan hardware untuk membantu sebuah sistem bekerja sesuai dengan rancangan yang telah dibuat. Penelitian ini menggunakan perangkat keras NVIDIA Jetson Nano. NVIDIA Jetson Nano adalah komputer mini yang terdapat Processor sehingga dapat menanamkan program Face Mask Detection dan menyimpan data-data dalam jangka panjang. Gambar 3.2 adalah wiring diagram dari perancangan hardware Face Mask Detection. Pada perancangan hardware terdapat beberapa hardware sebagai media pemrosesan dari Face Mask Detection. Dimana hardware yang digunakan selain NVIDIA Jetson Nano ialah kamera dan monitor. Kamera digunakan untuk menangkap video secara langsung dan monitor untuk menampilkan gambar dan hasil dari video.
Pada table 3.1 mendeskripsikan port pada NVIDIA Jetson Nano yang dihungkan pada hardware untuk penlitian pendeteksian masker.
17 Tabel 3.1 Deskripsi dari Port NVIDIA Jetson Nano
Port pada NVIDIA Jetson Nano Deskripsi
USB 3.0 Type A Untuk menghubukan pada camera external Kamera Logitech HD 1080p C615 HDMI Type A Sebagai display monitor LG
LED 20″ 20MK400H
Power Jack 5V Sebagai sumber tegangan pada NVIDIA Jetson Nano
Gambar 3.2 Perancangan Hardware Face Mask Detection
Pada tabel 3.2 memaparkan konfigurasi pada NVIDIA Jetson Nano yang akan dihubungkan pada beberapa hardware kamera dan monitor untuk mengolah sistem pendeteksian masker.
Tabel 3.2 Konfigurasi NVIDIA Jetson Nano dengan Hardware
Hardware NVIDIA Jetson Nano
Kamera USB 3.0 Type A
Monitor HDMI Type A
Tegangan 5V Power Jack
18 3.1.1 NVIDIA Jetson Nano
NVIDIA Jetson Nano adalah komputer mini yang terdapat Processor atau sering disebut dengan komputer papan tunggal. Sehingga dengan menggunakan NVIDIA Jetson Nano dapat memudahakan dalam menanamkan program pada Face Mask Detection. NVIDIA Jetson Nano menggunakan kartu SD memory card untuk booting dan menyimpan data-data dalam jangka panjang.
Tabel 3.3 Spesifikasi NVIDIA Jetson Nano
Catu Daya 5V 4A (via Jack DC) dan 5V 2A (via micro USB)
GPU 128-core Maxwell @ 1.43 GHz
CPU Quad-core ARM A57
RAM 4 GB 64-bit LPDDR4 | 25.6 GB/s Penyimpanan microSD (not included)
Video Encoder 4K @ 30, 4x 1080p @ 30, 9x 720p @ 30 (H.264/H.265)
Video Decoder 4K @ 60, 2x 4K @ 30, 8x 1080p @ 30, 18x 720 @ 30 (H.264/H.265)
Kamera Slot 1x MIPI CSI-2 DPHY lanes Konektifitas Gigabit Ethernet, M.2 Key E Output Display HDMI 2.0 dan eDP 1.4
USB 4x USB 3.0, USB 2.0 Micro-B
Pin I/O GPIO, 12C, 12S, SPI, UART
Dimensi 100mm x 80mm x 29mm
Gambar 3.3 merupakan tampilan tampak atas dan pin connector yang ada pada NVIDIA Jetson Nano. Dimana pada penelitian ini hanya menggunakan Power Jack, HDMI Type A dan USB 3.0 Type A.
19 Gambar 3.3 Pin connector NVIDIA Jetson Nano
3.1.2 Kamera Logitech HD 1080p C615
Kamera digunakan untuk menangkap gambar atau video sebagai data masukan pada program pendeteksian masker. Sehingga hasil dari pengambilan gambar atau video akan langsung disimpan pada NVIDIA Jetson Nano dan akan ditampilkan secara real-time oleh monitor. Pada penelitian ini menggunakan kamera Logitech HD 1080p C615 dengan spesifikasi pada tabel 3.4.
Tabel 3.4 Spesifikasi Kamera Logitech HD 1080p C615
Support NVIDIA Jetson Nano Developer Kit, macOS 10.10, Chrome OS dan Windows (10,8,7)
Port USB
Resolusi 1080p/30fps 720p/30fps
Fov 78
Mikrofon Internal Mono Teknologi Lensa Kaca
Gambar 3.4 merupakan tampilan tampak atas dan pin connector yang ada pada kamera Logitech HD 1080p C615. Kamera ini nantinya akan dihubungkan dengan NVIDIA Jetson Nano di USB 3.0 Type A.
20 Gambar 3.4 Pin connector kamera Logitech HD 1080p C615
3.1.3 Monitor LG LED 20″ 20MK400H
Monitor digunakan untuk menampilkan hasil pemrosesan data yang berupa gambar atau video dari pendeteksian masker. Dimana monitor pada penelitian ini memiliki peranan sangat penting untuk menampilkan hasil pemrosesan dari sebuah program. Monitor yang terhubung dengan HDMI port pada NVIDIA Jetson Nano dan kamera ini secara real-time akan menampilkan hasil keluaran dari program pendeteksian masker. Sehingga memudahkan dalam hal monitoring pada pendeteksian masker. Gambar 3.5 merupakan tampilan tampak belakang dan pin connector yang ada pada monitor LG LED 20″ 20MK400H.
Gambar 3.5 Pin connector monitor LG LED 20″ 20MK400H
Pada penelitian ini menggunakan monitor LG LED 20″ 20MK400H dengan spesifikasi yang ditunjukkan pada tabel 3.5.
Tabel 3.5 Spesifikasi dan fitur Monitor LG LED 20″ 20MK400H
Catu Daya 100 ~ 240Vac, 50/60Hz Screen Size 20 inch (49.53 cm)
Resolution 1366 X 768
21 Connectivity Port 1 VGA Port, 1 HDMI Port
Aspect Ratio 16:9 Brightness (Typical) 200 cd/m² Refresh Rate 60 Hz Response Time 2 ms
Viewing Angle 90 Degree Horizontal dan 65 Degree Vertical
Dimensi 468.8 x 366.5 x 181.9 mm
3.2 Perancangan Software Face Mask Detection
Pada pendeteksian ini menggunakan deep learning Convolutional Neural Networks (CNN) untuk mengekstrasi fitur dari sebuah citra yang nantinya dipelajari dengan beberapa hidden layer. Pada sistem ini menggunakan beberapa kombinasi dari pendeteksian objek, pelacakan pada sebuah objek dan gambar sehingga mengembangkan sebuah sistem yang dapat mendeteksi wajah bermasker dan tidak menggunakan masker dengan bentuk video atau gambar. Pada penelitian ini ada beberapa tahapan disaat perancangan software yaitu pengumpulan data, pre- pocessing dan klasifikasi Face Mask Detection. Dibawah ini merupakan gambar flowchart dari alur sistem Face Mask Detection bekerja seperti diperlihatkan oleh Gambar 3.6 berikut.
22 Gambar 3.6 Flowchart Face Mask Detection
3.2.1 Pengumpulan Data
Pada tahap ini yang dilakukan ialah pengumpulan data yang berupa gambar wajah bermasker baik menggunkan masker medis atau non-medis dan juga gambar wajah tanpa masker. Dimana wajah bermasker dikumpulkan dalam satu dataset dengan folder penyimpanan with_mask dan pengumpulan dataset wajah tanpa masker dengan folder penyimpanan without_mask. Dataset yang telah dikumpulkan bervariasi baik dari gambar wajah menggunakan hijab, topi dan tidak menggunakan atribut. Selanjutnya dataset gambar diambil dari berbagai negara baik dari negara asia, eropa dan amerika. Dengan dilakukan pengumpulan dataset
23 yang bervariasi ini dapat membantu sistem mendeteksi dengan baik. Pada tabel 3.6 menampilkan jumlah gambar dataset yang telah dikumpulkan untuk digunakan penelitian.
Tabel 3.6 Face Mask Detection Dataset
Nama Klasifikasi Deskripsi Jumlah Gambar with_mask Wajah dengan
menggunakan masker
1005
without_mask Wajah dengan tidak menggunakan masker
957
Tabel 3.6 menunjukkan bahwa dataset untuk Face Mask Detection sebesar 1962 sampel gambar dimana 1005 gambar wajah yang menggunakan masker dan 957 gambar tidak menggunakan masker. Pada source code dibawah ini tedapat pemanggilan dataset pada direktori dataset, memberikan inisialisasi pada data dan memberikan class images. Berikut source code untuk proses pemanggilan dataset:
3.2.2 Pre-Pocessing
Dimana tahap pre-pocessing adalah tahapan yang dilakukan sebelum proses training. Sehingga sistem pendeteksian masker dapat bekerja dengan baik maka dilakukan pre-pocessing pada sebuah data. Tahapan pada pre-pocessing yaitu melakukan cropping gambar dengan menggunakan algoritma Haar Cascade untuk pendeteksi wajahnya dan pengondisian gambar seperti pengubahan ukuran pada gambar menjadi 224x224 piksel, mengkonversi ke format array, dan penskalaan pada intensitas piksel gambar dengan kisaran [1,1] (preprocess_input).
Pengondisian gambar ini dilakukan untuk mengurangi adanya noise pada suatu gambar. Berikut source code untuk proses dari pre-processing:
24 Pada sistem ini menggunakan split validation dengan hyperparameter pada testing sebesar 0.2 atau 20% dan hyperparameter untuk training sebesar 0.8 atau 80%. Hyperparameter yang digunakan untuk random_state adalah 42. Berikut source code untuk proses dari split validation:
Selain itu, pada sistem menggunakan learning rate sebesar 10-4, dimana nilai learning rate tidak boleh melebihi 10-4 karena akan terjadi overfitting. Dalam proses pelatihan, penyetelan hyperparameter epoch (iterasi) digunakan sebanyak 20 kali dan batch size adalah 32 sampel. Batch size adalah jumlah sampel data yang akan didistribusikan ke jaringan saraf. Berikut source code untuk proses dari learning rate, epoch dan batch size :
25 3.2.3 Klasifikasi Face Mask Detection
Pada tahap ini dilakukan proses klasifikasi Face Mask Detection. Dimana klasifikasi pada Face Mask Detection terbagi menjadi dua yaitu mask dan no mask.
Pada klasifikasi Face Mask Detection terbagi menjadi 2 tahap yaitu tahap training dan tahap testing. Tahap training adalah tahap pelatihan dari sebuah model agar sistem dapat mendeteksi dengan baik. Pada tahap training ini menggunakan 1962 sampel data gambar. Dimana 1005 sampel gambar menggunkan masker dan 957 sampel gambar tidak menggunakan masker. Tahap testing dilakukan untuk pengujian pada sistem Face Mask Detection apakah dapat bekerja dengan baik dari program yang dibutuhkan sesuai.
Pada tahap training yaitu memfokuskan mengumpulan dataset Face Mask Detection dengan pengumpulan gambar wajah bermasker dan gambar wajah tidak bermasker dalam satu file penyimpanan dataset. Selanjutnya penyimpanan dari dataset akan melatih model dengan menggunakan machine learning Keras dan TensorFlow. Setelah itu, membuat serial wajah bermasker dan wajah tidak bermasker pada detektor Face Mask Detection pada penyimpanan.
Sedangkan pada tahap testing terdapat 5 tahap yaitu pada tahap pertama memuat pengklasifikasi Face Mask Detection dari penyimpanan. Selanjutnya melakukan pendeteksi wajah baik dengan menggunakan gambar atau video stream.
Setalah mendeteksi wajah akan dilakukan mengkstrak ROI pada setiap wajah agar dapat memudahkan dalam pendeteksian objek. Berikut source code untuk proses ROI:
Selanjutnya dilakukan pengklasifikasian dengan 2 klasifikasi yaitu menggunakan masker “mask” atau tidak menggunakan masker “no mask” dengan disertai bounding box pada area wajah. Pengklasifikasian ini disebabkan saat pendeteksian wajah saat terdeteksi sehingga memanggil frame, faceNet, dan maskNet. Setelah pendeteksian wajah terdeteksi maka akan menampilkan bounding
26 box wajah bermasker akan berwarna hijau dan akan muncul tulisan “Mask” dengan akurasi pada pendeteksian. Wajah tidak bermasker bounding box akan berwarna merah dan akan muncul tulisan “No Mask” dengan akurasi pada pendeteksian.
Berikut source code untuk proses pelabelan dan pemberian bounding box:
