IMPLEMENTASI DEEP LEARNING MENGGUNAKAN METODE YOU ONLY LOOK ONCE UNTUK MENDETEKSI ROKOK

(1)

IMPLEMENTASI DEEP LEARNING MENGGUNAKAN METODE YOU ONLY LOOK ONCE UNTUK MENDETEKSI

ROKOK

TUGAS AKHIR

Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada

Program Studi Sistem Informasi

Oleh:

AHMAD HARUN 11850310375

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU PEKANBARU

2023

(2)

(3)

(4)

(5)

LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL

Tugas Akhir yang tidak diterbitkan ini terdaftar dan tersedia di Perpustakaan Universitas Islam Negeri Sultan Syarif Kasim Riau adalah terbuka untuk umum, de- ngan ketentuan bahwa hak cipta ada pada penulis. Referensi kepustakaan diperke- nankan dicatat, tetapi pengutipan atau ringkasan hanya dapat dilakukan atas izin penulis dan harus dilakukan mengikuti kaedah dan kebiasaan ilmiah serta menye- butkan sumbernya.

Penggandaan atau penerbitan sebagian atau seluruh Tugas Akhir ini harus memperoleh izin tertulis dari Dekan Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau. Perpustakaan dapat meminjamkan Tugas Akhir ini untuk anggotanya dengan mengisi nama, tanda peminjaman dan tanggal pinjam pada form peminjaman.

iv

(6)

LEMBAR PERNYATAAN

Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguru- an Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain kecuali yang secara tertulis di- acu dalam naskah ini dan disebutkan di dalam daftar pustaka.

Pekanbaru, 12 Januari 2023 Yang membuat pernyataan,

AHMAD HARUN NIM. 11850310375

v

(7)

LEMBAR PERSEMBAHAN

Allhamdulillahirobbil’alamin, segala puji bagi Allah SWT yang telah mem- berikan nikmat, karunia, kesehatan, dan kesempatan dalam penyelesaian Tugas Akhir ini. Tak lupa pula shalawat beserta salam penulis ucapkan kepada Baginda Nabi Muhammad Shalallahu Alaihi Wassalam dengan mengucapkan Allahumma Sholli’Ala Sayyidina Muhammad Wa’Ala Alihi Sayyidina Muhammad yang selalu menjadi teladan bagi umatnya.

Tugas Akhir ini penulis persembahkan untuk kedua orang tua tercinta penulis Ayahanda Iwan Ridwan dan Ibunda Jumiati yang telah mendukung pen- didikan penulis selama ini. Terima kasih atas segala pengorbanan yang dilakukan, motivasi yang diberikan, dan setiap lantunan doa yang engkau panjatkan setiap harinya. Semoga Allah SWT melimpahkan keberkahan, kesehatan, dan umur yang panjang.

Kepada Kakak, Abang, dan Adik-adik penulis, terima kasih atas segala ben- tuk dukungan yang diberikan kepada penulis. Terima kasih juga kepada teman- teman Kelas SIF A Angkatan 2018, terima kasih telah menjadi teman baik penulis yang selalu memberikan arahan, semangat, dan motivasi yang luar biasa. Semoga di masa mendatang kita bisa bertemu lagi dalam keadaan yang lebih baik.

Semoga Allah SWT membalas segala kebaikan Ayahanda, Ibunda, Kakak, Abang, Adik-adik, Teman-teman, dan seluruh pihak yang berkontribusi dalam penyelesaian Tugas Akhir ini. Aamiin ya rabbal ’alamin.

vi

(8)

KATA PENGANTAR

Assalamu’alaikum Warahmatullahi Wabarakatuh. Alhamdulillahi robbil

’Alamin, bersyukur kehadirat Allah SWT atas segala rahmat dan karunia-Nya se- hingga penulis dapat menyelesaikan Tugas Akhir ini dengan topik “Implemen- tasi Deep Learning menggunakan Metode You Only Look Once untuk Mendeteksi Rokok”. Shalawat beserta salam kita haturkan kepada junjungan kita Baginda Nabi Muhammad Shalallahu Alaihi Wassalam dengan mengucapkan Allahumma Shol- li’Ala Sayyidina Muhammad Wa’Ala Alihi Sayyidina Muhammad. Tugas Akhir ini dibuat sebagai salah satu syarat untuk mendapatkan gelar Sarjana Komputer di Pro- gram Studi Sistem Informasi Universitas Islam Negeri Sultan Syarif Kasim Riau.

Pada penulisan Tugas Akhir ini, tidak luput pula adanya bantuan dan bimbingan dari berbagai pihak, baik secara langsung maupun tidak langsung. Oleh karena itu, dalam kesempatan ini penulis mengucapkan terima kasih kepada:

1. Bapak Prof. Dr. Hairunas, M.Ag sebagai Rektor Universitas Islam Negeri Sultan Syarif Kasim Riau.

2. Bapak Dr. Drs. Hartono, BA., M.Pd sebagai Dekan Fakultas Sains dan Teknologi.

3. Bapak Eki Saputra, S.Kom., M.Kom sebagai Ketua Program Studi Sistem Informasi.

4. Ibu Siti Monalisa, ST., M.Kom sebagai Sekretaris Program Studi Sistem Informasi.

5. Ibu Medyantiwi Rahmawita Munzir, ST., M.Kom sebagai Dosen Penasihat Akademik yang selalu membimbing dalam akademik, memberi motivasi, dan nasihat untuk tetap semangat kuliah dari awal hingga akhir studi.

6. Bapak Arif Marsal, Lc., MA sebagai Ketua Sidang Tugas Akhir ini.

7. Bapak Mustakim, ST., M.Kom sebagai Pembimbing I yang selalu mem- berikan bimbingan dan masukan yang sangat berharga dalam menyelesaikan Tugas Akhir ini.

8. Bapak Oktaf Brillian Kharisma, ST., MT sebagai Pembimbing II yang selalu memberikan bimbingan dan masukan yang sangat berharga dalam menye- lesaikan Tugas Akhir ini.

9. Bapak Inggih Permana, ST., M.Kom sebagai Penguji I yang telah mem- berikan kritik dan saran mengenai Tugas Akhir ini.

10. Bapak Muhammad Jazman, S.Kom., M.InfoSys sebagai Penguji II yang telah memberikan kritik dan saran mengenai Tugas Akhir ini.

11. Bapak dan Ibu Dosen Program Studi Sistem Informasi yang telah mem-

vii

(9)

berikan ilmu yang sangat bermanfaat bagi penulis selama menempuh pen- didikan di Program Studi Sistem Informasi.

12. Kedua orang tua penulis, Ayahanda Iwan Ridwan dan Ibunda Jumiati yang tanpa lelah memberikan semangat, motivasi, dukungan, doa, dan didikan kepada penulis.

13. Teman-teman pada masa perkuliahan Syahrul Anaeni Hanas, Dasri Surya Hamdani, M. Alfaraby, Husein Yusuf Al-aziz, Triana Nurhidayah, dan Mufidah Herviani yang senantiasa bersama-sama membantu, memberikan masukan dan selalu mengingatkan saya agar segera menyelesaikan Tugas Akhir ini.

14. Teman-teman seperjuangan SIF A 2018 yang telah menjadi teman seper- juangan selama studi pada Program Studi Sistem Informasi. Terima kasih untuk waktu-waktu yang kita lalui bersama dalam suka maupun duka.

15. Puzzle Research Data Technolgy (PREDATECH). Terima kasih telah men- jadi tempat Penulis belajar, menerima banyak masukkan, serta menyerap ilmu pengetahuan terbaik.

16. Semua pihak yang namanya tidak dapat disebutkan satu persatu pada ke- sempatan ini, yang telah banyak membantu penyelesaian Tugas Akhir ini.

Semoga segala jenis bantuan dan bimbingan yang telah diberikan sela- ma ini akan menjadi amal kebajikan dan mendapatkan balasan yang layak dan lebih baik dari Allah SWT. Tentunya pada laporan Tugas Akhir ini, penulis menyadari masih banyak kekurangan dan jauh dari kesempurnaan. Penulis berhara- p ada masukan, kritik ataupun saran yang dapat disampaikan melalui email [email protected] atau [email protected] dan se- moga laporan ini dapat bermanfaat bagi kita semua atau siapapun yang memba- canya. Akhir kata penulis ucapkan terima kasih.

Wassalamu’alaikum warahmatullahi wabarakatuh.

Pekanbaru, 12 Januari 2023 Penulis,

AHMAD HARUN NIM. 11850310375

viii

(10)

JURNAL MEDIA INFORMATIKA BUDIDARMA

eISSN 2548-8368 / pISSN 2614-5278

Sekretariat : UNIVERSITAS BUDI DARMA | Jl. Sisingamangaraja No. 338, Medan, Sumatera Utara Website: https://ejurnal.stmik-budidarma.ac.id/index.php/mib

Email: [email protected]

Medan, 4 Januari 2023 No : 687/MIB/LOA/XII/2022

Lamp : -

Hal : Surat Penerimaan Naskah Publikasi Jurnal

KepadaYth,

Bapak/Ibu Ahmad Harun Di Tempat

Terimakasih telah mengirimkan artikel ilmiah untuk diterbitkan pada Jurnal Media Informatika Budidarma (eISSN 2548-8368 / pISSN 2614-5278), dengan judul:

Implementasi Deep Learning Menggunakan Metode You Only Look Once untuk Mendeteksi Rokok

**Penulis: Ahmad Harun(*), Mustakim, Oktaf Brilian Kharisma**

Berdasarkan hasil review dari reviewer, artikel tersebut dinyatakan DITERIMA untuk dipublikasikan pada Volume 7, Nomor 1, Januari 2023.

Sebagai informasi QR-Code digunakan untuk melihat link LOA Jurnal Media Informatika Budidarma, Volume 7, Nomor 1, Januari 2023 yang telah dikeluarkan. Mohon segera untuk mengirimkan Copyright Transfer Form ke Email Jurnal MIB.

Demikian informasi yang kami sampaikan, atas perhatiannya kami ucapkan terimakasih.

Hormat Kami,

Surya Darma Nasution, M.Kom Ketua Editor Jurnal MIB

Tembusan:

1. Author 2. Files

(11)

JURNAL MEDIA INFORMATIKA BUDIDARMA

Volume 7, Nomor X, Bulan 2023, Page 999-999

ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)

Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib DOI 10.30865/mib.v5i1.2293

Implementasi Deep Learning Menggunakan Metode You Only Look Once untuk Mendeteksi Rokok

Ahmad Harun^1*, Mustakim², Oktaf Brilian Kharisma³

1,2 Sains dan Teknologi, Sistem Informasi, Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia

3 Sains dan teknologi, Teknik Elektro, Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia Email: ^1,*[email protected], ²[email protected],³[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Rokok merupakan hasil olahan dari produk tembakau yang penggunaanya dengan cara dibakar kemudian dihisap.

Aktivitas merokok banyak ditemui dalam kehidupan sehari-hari diantaranya pada prasarana umum. Pendekatan yang dilakukan untuk mencegah aktivitas ini umumnya menggunakan informasi manual maupun campur tangan dari manusia. Dalam hal pendekatan ini sering ditemui banyak permasalahan dan kegagalan karena sedikit tenaga kerja dan aturan yang mendukung.

Maka dari itu, penelitian ini disusun dengan tujuan dapat mendeteksi objek rokok secara realtime menggunakan metode You Only Look Once (YOLO). YOLO yang berdasarkan deep learning sangat baik dalam mendeteksi objek, model ini menghadirkan jaringan saraf konvolusi tunggal dalam menetapkan lokasi dan klasifikasi. Sehingga dalam penerapannya, YOLO sangat cepat dalam mendeteksi dan mengenali objek. Penelitian ini melakukan percobaan pada training dataset dalam menguji model YOLOv3, YOLOv3-Tiny dan YOLOv4. Hasil training terbaik didapatkan pada model YOLOv4 dengan komposisi pembagian data 80% training dan 20% validation dengan presentase Mean Average Precision (mAP) sebesar 92,54% dan F1-Score sebesar 0,89. Penelitian ini juga melakukan percobaan pada pengujian dalam mendeteksi rokok secara realtime, dimana sistem dapat mendeteksi rokok sampai dengan jarak 4,5 meter, dan akurasi deteksi tertinggi didapatkan pada jarak 1 meter yaitu 99,03%.

Kata Kunci: CNN, deep learning, Deteksi Objek, rokok, YOLO

Abstract−Cigarettes are processed products from tobacco products which are used by burning and then smoked. Smoking activities are often found in everyday life, including in public infrastructure. The approach taken to prevent this activity generally uses manual information or human intervention. In terms of this approach, there are often many problems and failures due to the lack of manpower and supporting rules. Therefore, this study was structured with the aim of being able to detect smoking objects in real time using the You Only Look Once (YOLO) method. YOLO which is based on deep learning is very good at detecting objects, this model provides a single convolution neural network in assigning location and classification. So that in its application, YOLO is very fast in detecting and recognizing objects. This study conducted experiments on the training dataset in testing the YOLOv3, YOLOv3-Tiny and YOLOv4 models. The best training results were obtained in the YOLOv4 model with a composition of 80% training and 20% validation data sharing with a Mean Average Precision (mAP) of 92.54%

and an F1-Score of 0.89. This study also conducted experiments on testing to detect cigarettes in real time, where the sys tem can detect cigarettes up to a distance of 4.5 meters, and the highest detection accuracy is obtained at a distance of 1 meter, namely 99.03%.

Keywords: cigarette, CNN, deep learning, Object Detection, YOLO

1. PENDAHULUAN

Rokok merupa kan hasil ola ha n dari produk temba kau yang pengguna anya denga n cara diba kar kemudian dihisap, contohnya seperti rokok kretek, rokok putih, cerutu a ta u da la m bentuk la innya ya ng ma na a sapnya mengandung nikotin da n ta r [1]. Aktivita s merokok bia sa nya ditemui pa da berba gai tempa t, dia ntara nya pa da pra sara na umum ya ng terda pa t informa si la ra nga n merokok. Pendeka tan ya ng dila kuka n untuk mencega h a ktivitas merokok di pra sa ra na umum bia sa nya mengguna kan informa si ma nual ma upun ca mpur ta nga n da ri ma nusia . Da la m ha l pendeka tan ini sering ditemui ba nya k permasala han da n kega ga la n ka rena sedikit tena ga kerja da n a turan yang mendukung [2]. Pendeka ta n ini membutuhkan ba nya k bia ya da n tena ga kerja da la m penera pa nnya. Da ri perma sa la han tersebut, penelitia n ini a ka n mengimplementasika n sa la h sa tu metode denga n ba sis deep learning ya ng ma mpu mendeteksi rokok seca ra realtime.

Deep learning tela h ha dir seba ga i teknik ya ng sa nga t kua t untuk mempelajari objek seca ra otomatis da ri sua tu da ta mentah, ya ng ma na deep learning tela h mendapat kemajuan yang cukup besa r dala m mendeteksi objek [3]. Penelitia n ya ng dila kuka n oleh Stephen Humphries da n kawa n-kawa n da lam menerapkan deep learning untuk kla sifika si otoma tis pola emphysema di CT memberika n ha sil ya ng da pa t dita fsirka n untuk da pa t membantu mengidentifika si individu da ri resiko kema tia n ya ng besa r da n memberikan penila ia n ya ng lebih sensitif da lam mendeteksi jeja k tingka t emphysema [4]. You Only Look Once (YOLO) merupa ka n sua tu metode deep learning ya ng popula r diguna ka n da la m mendeteksi objek, ka rena model ini mengguna ka n ja ringa n sa ra f konvolusi ya ng dija dika n seba ga i pendeka tan deep learning untuk mendeteksi wa ja h pa da video [5]. Pendeka tan YOLO ya ng berda sa rka n deep learning sa nga t ba ik dala m mendeteksi objek, model ini mengha dirka n jaringa n sa ra f konvolusi tungga l da la m meneta pkan loka si da n kla sifika si [6].

Penelitia n ya ng dila kuka n oleh Lia o da n Zou pa da ta hun 2020 mengusulkan implementasi deep learning da la m mendeteksi ta rget merokok mengguna kan You Only Look Once v3 (Yolov3) ka rena memiliki ha sil ya ng ba ik. Ja ringa n Yolo V3 ya ng diguna ka n ma mpu mendeteksi ta rget denga n ukura n ya ng lebih kecil, ya itu puntung

(12)

JURNAL MEDIA INFORMATIKA BUDIDARMA

First Author, Copyright © 2023, MIB, Page 2 Submitted: dd/mm/yyyy; Accepted: dd/mm/yyyy; Published: dd/mm/yyyy rokok. Denga n mengguna ka n model DarkNet53 pa da yolov3 untuk mendeteksi rokok ma mpu mendapatkan mAP sebesa r 0.76 [7]. Pa da ta hun 2020, yolov4 tela h dikemba ngkan oleh Alexey da n ka wa n -kawa n dimana diba nding yolov3, yolov4 tela h ditingka tka n Average Precision (AP) sebesa r 10 % da n Frame Per Second (FPS) sebesa r 12

% [8] sehingga da pa t bekerja lebih cepa t da n lebih ba ik.

Pa da penelitia n sebelumnya tenta ng mendeteksi objek, bebera pa penelitia n ya ng memiliki keterka itan denga n penelitia n ya ng seda ng di la kuka n. Penelitia n ya ng dila kuka n oleh Zha o da n Ren ya itu mela kukan deteksi objek kecil, dima na objek ya ng di deteksi a da la h pesa wa t kecil da la m pengindera an ja uh. Pa da penelitia n tersebut memba ndingkan ra ta -ra ta presisi da n wa ktu deteksi dari YOLOv3, Faster R-CNN dan SSD, dima na YOLOv3 menda patkan ra ta-ra ta presisi tertinggi ya itu 0.925 da n wa ktu deteksi ya ng renda h ya itu 0.023 detik [9]. YOLO juga diguna ka n dala m mendeteksi objek kecil la innya , ya itu rokok. Penelitia n ya ng dila kukan Pundhir da n kawan- ka wa n ya itu untuk mela kukan kla sifika si pema kai rokok mengguna ka n deep learning denga n modul Yolo-V3, da ri penelitia n tersebut dida pa tkan a kura si kla sifika sinya mencapai 96.74% [10]. Kemudia n pa da Penelitia n ya ng dila kuka n oleh Shuo Wa ng ya itu denga n mengeva lua si YOLOv3, YOLOv3-tiny, YOLOv3-SPP3, YOLOv4, dan YOLOv4-tiny da la m mendeteksi objek kecil seca ra real time ya itu objek UAV. Pa da penelitia n tersebut Yolov4 menda patkan mAP sebesa r 87,48 % dima na lebih tinggi 14,2 % da ri Yolov3 [11].

Berda sa rka n ura ia n tersebut, penelitia n ini a ka n mengimplementa sika n metode You Only Look Once (YOLO) untuk mendeteksi objek kecil ya itu puntung rokok seca ra realtime. penentua n ja rak kamera denga n objek puntung rokok a ka n diperhitungka n da lam penelitia n ini.

2. METODOLOGI PENELITIAN

Ada pun metodelogi penelitia n da la m penelitia n ini seca ra ga ris besa r terdiri a ta s 7 ta ha pan ya ng dila kukan.

Berikut ini merupa kan ta hapan penelitia n ya ng da pa t diliha t pa da ga mbar 1.

Gambar 1. Metodologi Penelitia n

Ta ha pan Perta ma pa da penelitia n ini a da la h mela kukan pengumpula n da ta . Proses pengumpula n da taset diba gi menja di 2. Perta ma , ga mba r dia mbil da ri video ya ng dibua t oleh peneliti da n di ekstra k menja di ga mbar.

Kedua , ga mba r di a mbil da ri penca ria n Google denga n keyword penca ria nnya a dala h person drink water, people with pen, people cough, indonesian people, african people da n indian people. Da ri pengumpula n tersebut dida pa tkan da ta berjumla h 2001 ga mba r, dima na diba gi pa da 2 kela s ya itu, rokok da n buka n rokok. Berikut merupa ka n rincia n da taset ya ng terkumpul:

Tabel 1. Komposisi Da ta set

(13)

JURNAL MEDIA INFORMATIKA BUDIDARMA

Dataset Jumlah

Rokok 1169

Buka n Rokok 832

Sela njutnya dila kuka n preprocessing da ta , pa da ta hap ini dila kuka n a notasi citra dataset menggunakan a plika si yolo mark.

Da ta ya ng suda h mela lui ta ha pan preprocessing data sela njutnya dila kukan ta hap untuk konfigura si YOLO.

Pa da penelitia n ini terda pa t 3 model YOLO ya ng diguna ka n, ya itu YOLOv3, YOLOv3-Tiny da n YOLOv4.

Pengguna a n 3 model ini dima ksudkan untuk mencari versi metode YOLO terba ik da la m mendeteksi rokok. Berikut bebera pa konfigura si YOLO ya ng dibua t:

a . Batch = 64 b. Subdivisions = 16 c. Width = 416 d. Height = 416 e. Max_batches = 6000 f. Steps = 4800, 5400 g. Classes = 2 h. Filters = 21

Setela h ta ha p konfigura si selesa i, sela njutnya dila kukan pembagia n da ta untuk da ta training da n validation.

Stra tegi ya ng dila kuka n ya itu denga n mela kukan percoba an pembagia n da ta untuk training da n validation 50:50, 60:40, 70:30, 80:20 dan 90:10 [12]. Stra tegi ini dila kuka n ka rena pada saat mendeteksi objek rokok seca ra realtime dibutuhka n model training ya ng optima l, oleh ka rena itu diperluka n pengujia n terha da p model ya ng akan diguna ka n.

Ta ha pan sela njutnya ya itu dila kukan proses training dataset mengguna kan google colab pro. Pa da ta hap ini terda pa t 15 ka li percoba a n training, dima na ma sing-ma sing model ya ng diguna ka n ya itu, YOLOv3, YOLOv3-Tiny da n YOLOv4 mengguna ka n stra tegi pa da ta hap pembagia n da ta.

Da ta set ya ng suda h di training mengguna kan google colab pro, sela njutnya dila kukan ta hap untuk analisa da n ha sil da ri proses training. Ta ha p ini a da la h meliha t ha sil terba ik da ri ta ha p training. Acua n terba ik dinila i da ri Mean Average Precision (mAP) da n nila i F1-Score, sema kin tinggi presenta se mAP da n nila i F1-Score nya , maka model tersebut a ka n di pa ka i pa da proses sela njutnya. Jika suda h dida pa tkan model ya ng terba ik.

Ta ha p tera khir ya itu dila kuka n pengujia n dari ta ha p a nalisa da n ha sil ya ng di da pa t. Implementasi pengujian pa da penelitia n ini dila kuka n di da la m rua nga n. Stra tegi ya ng dila kuka n ya itu menga tur ja ra k a nta ra kamera denga n objek. Pengujia n dila kuka n seba nyak 9 ka li dimula i da ri ja ra k 1 meter, 1.5 meter, 2 meter, 2.5 meter, 3 meter, 3.5 meter, 4 meter, 4.5 meter da n 5 meter. Pa da ta hap ini juga dila kuka n penila ia n a kura si deteksi da ri pengujia n ya ng dila kuka n.

2.1. You Only Look Once (YOLO)

Metode YOLO perta ma ka li diperkena lka n oleh Joseph Redmon da n ka wan -kawa n pa da tahun 2016 pa da paper ya ng berjudul You Only Look Once: Unified, Real-Time Object Detection. You Only Look Once (YOLO) menjadi sa la h sa tu metode ya ng cukup populer da la m mempelajari da n mengena li obje k [13]. YOLO merupa kan sa la h satu pendeka tan deep lea rning untuk mendeteksi objek seca ra rea ltime denga n ba sis Convolutional Neural Network (CNN). CNN sendiri merupa ka n pengembanga n dari Multilayer Perceptron (MLP) ya ng ma mpu mengolah data dua dimensi berupa citra [14]. Da la m proses mendeteksi objek pa da sebuah citra , YOLO mengguna ka n pendekatan ja ringa n konvolusi tungga l pa da keseluruha n citra untuk memprediksi bounding box da n la bel kela s pa da setiap bounding box [15].

Gambar 2. Sistem Deteksi YOLO [15].

Pa da Ga mba r 2, proses ya ng terja di a da la h citra a kan di proses denga n menguba h ukura n menjadi 448 x 448, sela njutnya proses ya ng terja di a da la h non-max suppression ya itu untuk mengha silka n bounding-box dan menetuka n la bel da ri setia p objek ya ng terdeteksi [16].

2.2. You Only Look Once v3 (YOLOv3)

(14)

JURNAL MEDIA INFORMATIKA BUDIDARMA

First Author, Copyright © 2023, MIB, Page 4 Submitted: dd/mm/yyyy; Accepted: dd/mm/yyyy; Published: dd/mm/yyyy You Only Look Once v3 (YOLOv3) merupa ka n pengembanga n da ri versi sebelumnya ya itu YOLOv2. YOLOv3 mengguna ka n darknet53 seba ga i ekstra ksi fitur. Ini merupa kan model ja ringa n ba ru denga n mengguna kan 53 la pisa n da la m mela kuka n ekstra ksi fitur. Pa da ja ringa n ini mengguna ka n seca ra berturut -turut 3 × 3 da n 1×1 la pisa n konvolusi [17].

2.3. You Only Look Once v3-Tiny (YOLOv3-Tiny)

You Only Look Once v3-tiny merupa kan versi ja ringa n ya ng lebih ringa n da ri YOLOv3. Dima na terdiri a tas 13 la pisa n konvolusi, 6 max pooling layer 1 up sampling layer, 1 ca sca ding la yer da n 2 output [18]. YOLOv3-tiny da pa t diguna kan untuk identifika si da n kla sifika si objek. YOLOv3 -tiny memba gi citra menja di grid cell 13x13 da n 26x26, dima na pa da setia p grid cell memiliki 3 kota k ja ngka r da n setia p kota ja ngkar memiliki 20 skor kelas da n 4 titik koordina t pemba tas ya ng berbentuk kota k [19].

2.4. You Only Look Once v4 (YOLOv4)

You Only Look Once v4 (YOLOv4) merupa kan pengemba nga n da ri versi sebelumnya ya itu YOLOv3. YOLOv 4 memiliki keunggula n diba nding YOLOv3 ya itu tela h ditingka tka n Average Precision (AP) da n Frame Per Second (FPS) sebesa r 10 % da n 12 % [8]. YOLOv4 dida sa rka n a tas regresi ya ng memiliki ka ra kterisitik da ri YOLOv1 , YOLOv2 da n YOLOv3 [20]. Da la m pengemba nga nnya YOLOv4 ma sih mengguna ka n Darknet-53, lebih tepa t nya CSPDarknet-53 a ta u CSPNet yang merupakan Backbone baru dimana dapat meningka tkan learning capability dari CNN [15].

2.5. Perhitungan Performa parameter

Mean Average Precision (mAP) a da la h metrik ya ng diguna ka n untuk mengukur eva luasi da ri sebua h model untuk mendeteksi objek. Mean Average Precision bernila i a nta ra 0 sa mpa i 100, sema kin tinggi nila inya ma ka semakin ba gus. Nila i mAP a da la h nila i ra ta -ra ta dari Average Precision (AP) pa da setia p kela s ya ng a da pada setia p model ya ng di uji [21]. Untuk mengeta hui nila i AP da ri sua tu kela s, perlu diketa hui terlebih da hulu nila i precision dan recall ya ng da pa t dihitung pa da persa maan 1 da n persa maan 2.

Precision=_{𝑇𝑃 +𝐹𝑃}^𝑇𝑃 (1)

Recall=_{𝑇𝑃+𝐹𝑁}^𝑇𝑃 (2)

Setela h menda patkan nila i precision da n recall, plot nila i precision terha da p recall untuk meliha t pola berbentuk zig-za g. Sebelum menghitung AP, ha sil plot berbentuk zig-za g a ka n diha luska n, dima na nila i precision (p) pada setia p recall (r) diga nti denga n nila i precision ma ksimum pa da recall sela njutnya (r’) [22]. Perhitunga n tersebut da pa t dihitung denga n persa ma an berikut:

𝑝𝑖𝑛𝑡𝑒 𝑟(𝑟𝑛 +1) = max 𝑝(𝑟 ′ ); 𝑟 ′ ≥ 𝑟𝑛 +1 (3)

Nila i AP diha silka n denga n menghitung a rea berbentuk kurva pa da nila i recalls, ya itu ketika nila i precision ma ksimum ja tuh. Perhitunga n nila i AP da pa t dihitung denga n persa ma an berikut:

AP= ∑(𝑟_𝑛+1− 𝑟_𝑛) 𝑝_{𝑖𝑛𝑡𝑒𝑟}(𝑟_𝑛+1) (4)

Kemudia n untuk menghitung nila i mAP da pa t dihitung mengguna ka n persa maan berikut:

𝑚𝐴𝑃 = ∑ ^{𝐴𝑃 (𝑖)}

𝑁 𝑁

𝑖=1 𝑥 100% (5)

Dima na AP a da la h Average Precision da n N a da la h ba nyak kela s ya ng dila tih.

Sela njutnya , da lam menghitung performa cukup sulit memba ndingka n model denga n nila i precision ya ng tinggi da n nila i recall ya ng renda h ma upun seba liknya. Ma ka dari itu dibutuhka n perhitunga n performa pa rameter yang la in untuk menda patkan nila i ha rmonik a nta ra n precision da n recall ya itu F1-Score [23]. F1-Score a dalah perba ndinga n da ri ra ta -ra ta nila i da ri precision da n recall [24]. Perhitunga n nila i F1-Score da pa t dihitung sesua i denga n persa ma an 6.

F1-Score = 2 𝑥 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 𝑥 𝑅𝑒𝑐𝑎𝑙𝑙

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 +𝑅𝑒𝑐𝑎𝑙𝑙 (6)

3. HASIL DAN PEMBAHASAN

(15)

JURNAL MEDIA INFORMATIKA BUDIDARMA

First Author, Copyright © 2023, MIB, Page 5 Submitted: dd/mm/yyyy; Accepted: dd/mm/yyyy; Published: dd/mm/yyyy Pa da penelitia n ini, ta ha p training dila kuka n mengguna kan google colab pro seda ngka n pengujia n dila kukan mengguna ka n la ptop denga n spesifika si pa da ta ble 2, spesifika si ka mera HP pa da tabel 3 da n spesifika si software pa da ta ble 4.

Tabel 2.Spesifika si La ptop

Fitur Spesifikasi

Processor Intel i3-6006U

RAM 4 GB

Penyimpa na n SSD 256 GB

VGA NVIDIA GeForce GT920MX

Sistem Opera si Windows 10

Tabel 3. Spesifika si Ka mera HP

Fitur Spesifikasi

Ka mera 19 Mega Pixel

Tabel 4. Spesifika si Softwa re

Aspek Spesifikasi

Ba ha sa

Pemrogra mma n Python versi 3.9.5

Software Training Google Colab Pro Text Editor Microsoft Visual Studio Code

Software Pengujian Command Prompt

3.1 Skenario Training Dataset

Ha sil da ri training dataset a kan sa nga t mempenga ruhi keberha sila n sistem da la m mendeteksi objek. Da ta la tih dan da ta va lida si seba gia n dibua t oleh peneliti da n Seba gia n la gi dia mbil da ri penca ria n google. Da ri percobaan training pemba gia n da ta ya ng mengguna ka n model YOLOv3, YOLOv3-Tiny da n YOLOv4, dida pa tkan ha sil training ya ng da pa t diliha t perbeda anya dari persenta se terba ik Mean Average Precision (mAP), precision, recall da n F1-Score da ri 15 ka li percoba a n tra ining. Ha sil Training tersebut da pa t diliha t pa da ta bel 5.

Tabel 5. Ha sil Training Model Pembagian

Data

Best mAP Precision Recall F1-Score

Yolov3 90:10 89.63% 0.85 0.88 0.87

80:20 89.97% 0.86 0.86 0.86

70:30 88.97% 0.87 0.86 0.86

60:40 86.69% 0.88 0.83 0.85

50:50 86.22% 0.86 0.84 0.85

Yolov3- tiny

90:10 82.08% 0.82 0.75 0.78

80:20 79.69% 0.79 0.75 0.77

70:30 80.17% 0.78 0.77 0.78

60:40 76.15% 0.80 0.72 0.75

50:50 75.42% 0.76 0.72 0.74

Yolov4 90:10 90.92% 0.85 0.90 0.87

80:20 92.54% 0.86 0.92 0.89

70:30 91.86% 0.88 0.89 0.88

60:40 89.32% 0.87 0.87 0.87

50:50 88.95% 0.86 0.86 0.86

Nila i presenta se mAP, precision, recall da n F1-Score dida pa t da ri perhitunga n ya ng sesua i pa da persamaan 1 sa mpa i denga n persa maa n 6. Perhitunga n ini dila kuka n oleh YOLO sa a t proses va lida si training dataset. Penelitian ini mengguna ka n konfigura si max_batches = 6000. Pa da sa a t mencapai 1000 batches training da n setia p 100 batches sela njutnya , YOLO a ka n menghitung nila i mAP da la m bentuk gra fik presenta se. Ketika proses training selesa i, YOLO a ka n mena mpilka n output berupa gra fik presenta se da ri seluruh perhitunga n nila i mAP. Nila i mAP tertinggi dija dika n seba ga i best mAP pa da setia p percoba an training ya ng dila kuka n. Setela h mendapat best mAP pa da ma sing-ma sing percoba a n training, sela njutnya dila kukan evalua si performa da ri nila i precision, recall dan F1-Score denga n tujua n untuk mendapatkan model ya ng pa ling optima l.

(16)

JURNAL MEDIA INFORMATIKA BUDIDARMA

First Author, Copyright © 2023, MIB, Page 6 Submitted: dd/mm/yyyy; Accepted: dd/mm/yyyy; Published: dd/mm/yyyy Da ri ha sil training da pat diketa hui ba hwa model YOLOv4 denga n pemba gia n da ta 80% training da n 20%

validation a dalah model terba ik ka rena mendapatkan nila i mAP da n F1-Score ya ng pa ling tinggi, ya itu 92.54%

da n 0,89.

3.2 Skenario Pengujian Jarak

Percoba a n dila kuka n pa da beberapa skena rio, ya itu denga n menga tur ja ra k a ntara posisi ka mera denga n objek penelitia n ya itu puntung rokok. Percoba a n dila kuka n di da la m rua nga n dan dila kukan seba nyak 9 ka li, dimula i da ri ja ra k 1 meter, 1.5 meter, 2 meter, 2.5 meter, 3 meter, 3.5 meter, 4 meter, 4.5 meter da n 5 meter. Ketinggia n ka mera di a tur pa da ketinggia n 1.5 meter. Ala sa n peneliti menga mbil pa da ja ra k tersebut a da la h dika renakan puntung rokok ya ng berukura n kecil, sehingga pengujia n dila kuka n setia p 50 cm dimula i pa da jarak 1 meter hingga 5 meter. Pengujia n ini diha ra pka n dapat menghasilka n ja rak ya ng cukup efektif da la m mendeteksi rokok.

3.3 Hasil Pengujian Jarak

Pengujia n ja ra k dia mbil seca ra la ngsung oleh peneliti. Sistem a ka n menampilka n la bel rokok da n score secara rea ltime a pa bila memenuhi nila i sta nda r da ri confidence threshold ya itu 0.25. Berikut merupa ka n ha sil da ri pengujia n pa da sistem deteksi rokok ya ng dila kuka n:

a . Ja ra k 1 Meter

Ha sil pengujia n ya ng dila kuka n pa da ga mbar 3, mengha silka n ba hwa pada ja rak 1 meter, sistem da pa t mendeteksi rokok denga n tingka t a kura si deteksi tertinggi ya itu 99.03%. Nila i a kura si ini dida pa t pa da objek Rokok yang terdeteksi di Ora ng 4 denga n score ya ng dida pa t ya itu 99,03. Akura si pengujia n deteksi pa da ga mbar 3 dapat diliha t pa da ga mbar 4.

Gambar 3. Pengujia n Ja ra k 1 Meter

Gambar 4. Akura si Ja ra k 1 Meter

Da ri gra fik pengujia n pa da ga mbar 4, sistem da pa t mendeteksi rokok pa da Ora ng 1 denga n a kura si deteksi 89,12%, Ora ng 2 79,13%, Ora ng 3 97,08% da n Ora ng 4 99,03%.

89,12%

79,13%

97,08% 99,03%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Orang 1 Orang 2 Orang 3 Orang 4

Percobaan Pada Jarak 1 Meter

Orang 1 Orang 2 Orang 3 Orang 4 Ora ng 1

Ora ng 2 Ora ng 3 Ora ng 4

(17)

JURNAL MEDIA INFORMATIKA BUDIDARMA

Ha sil pengujia n ya ng dila kuka n pa da ga mba r 5, mengha silka n ba hwa pa da ja ra k 1 .5 meter, sistem dapat mendeteksi rokok denga n tingka t a kura si deteksi tertinggi ya itu 91.69%. Nila i a kura si ini dida pa t pa da objek Rokok ya ng terdeteksi di Ora ng 1 denga n score ya ng dida pa t ya itu 91,69.

Gambar 5. Akura si Ja ra k 1.5 Meter

c. Ja ra k 2 Meter

Ha sil pengujia n ya ng dila kuka n pada ga mbar 6, mengha silka n ba hwa pa da ja rak 2 meter, sistem da pa t mendeteksi rokok denga n tingka t a kura si deteksi tertinggi ya itu 91.38% . Nila i a kura si ini dida pa t pa da objek Rokok yang terdeteksi di Ora ng 3 denga n score ya ng dida pa t ya itu 91,38.

Gambar 6. Ja ra k 2 Meter

d. Ja ra k 2.5 Meter

Ha sil pengujia n ya ng dila kuka n pa da ga mbar 7, mengha silka n ba hwa pa da ja ra k 2.5 meter, sistem dapat mendeteksi rokok denga n tingka t a kura si deteksi tertinggi ya itu 78.93%. Nila i a kura si ini dida pa t pa da objek Rokok ya ng terdeteksi di Ora ng 3 denga n score ya ng dida pa t ya itu 78,93.

91,69%

75,57%

57,06%

89,98%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Percobaan Pada Jarak 1.5 Meter

54,83%

65,52%

91,38%

72,94%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Percobaan Pada Jarak 2 Meter

(18)

JURNAL MEDIA INFORMATIKA BUDIDARMA

e. Ja ra k 3 Meter

Ha sil pengujia n ya ng dila kuka n pa da ga mbar 8, mengha silka n ba hwa pada ja rak 3 meter, sistem da pa t mendeteksi rokok denga n tingka t a kura si deteksi tertinggi ya itu 73.38%. Nila i a kura si ini dida pa t pa da objek Rokok yang terdeteksi di Ora ng 4 denga n score ya ng dida pa t ya itu 73,38.

Da ri gra fik pengujia n pa da ga mbar 8, sistem da pa t mendeteksi rokok pa da Ora ng 1 denga n a kura si deteksi 72,39%, Ora ng 2 28,03%, Ora ng 3 tida k terdeteksi da n Ora ng 4 73,38%.

f. Ja ra k 3.5 Meter

Ha sil pengujia n ya ng dila kuka n pa da ga mba r 9, mengha silka n ba hwa pa da ja ra k 3.5 meter, sistem dapat mendeteksi rokok denga n tingka t a kura si deteksi tertinggi ya itu 59.50%. Nila i a kura si ini dida pa t pa da objek Rokok ya ng terdeteksi di Ora ng 1 denga n score ya ng dida pa t ya itu 59,50.

69,69%

40,38%

78,93%

40,95%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Percobaan Pada Jarak 2.5 Meter

72,39%

28,03%

0,00%

73,38%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Percobaan Pada Jarak 3 Meter

(19)

JURNAL MEDIA INFORMATIKA BUDIDARMA

Da ri gra fik pengujia n pa da ga mbar 9, sistem da pa t mendeteksi rokok pa da Ora ng 1 denga n a kura si deteksi 59,50%, Ora ng 2 tida k terdeteksi, Ora ng 3 47,27% da n Ora ng 4 tida k terdeteksi.

g. Ja ra k 4 Meter

Ha sil pengujia n ya ng dila kuka n pa da ga mba r 10, mengha silka n ba hwa pa da ja ra k 4 meter, sistem dapat mendeteksi rokok denga n tingka t a kura si deteksi tertinggi ya itu 59.47%. Nila i a kura si ini dida pa t pa da objek Rokok ya ng terdeteksi di Ora ng 3 denga n score ya ng dida pa t ya itu 59,47.

Da ri gra fik pengujia n pa da ga mba r 10, sistem da pa t mendeteksi rokok pa da Ora ng 1 denga n a kura si deteksi 44,73%, Ora ng 2 tida k terdeteksi, Ora ng 3 59,47% da n Ora ng 4 tida k terdeteksi.

h. Ja ra k 4.5 Meter

Ha sil pengujia n ya ng dila kuka n pa da ga mba r 11. Mengha silka n ba hwa pa da ja ra k 4.5 meter, sistem dapat mendeteksi rokok denga n tingka t a kura si deteksi tertinggi ya itu 59.41%. Nila i a kura si ini dida pa t pa da objek Rokok ya ng terdeteksi di Ora ng 1 denga n score ya ng dida pa t ya itu 59,41.

59,50%

0,00%

47,27%

0,00%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Percobaan Pada Jarak 3.5 Meter

44,73%

0,00%

59,47%

0,00%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Percobaan Pada Jarak 4 Meter

(20)

JURNAL MEDIA INFORMATIKA BUDIDARMA

Da ri gra fik pengujia n pa da ga mba r 11, sistem da pa t mendeteksi rokok pa da Ora ng 1 denga n a kura si deteksi 59,41%, Ora ng 2 tida k terdeteksi, Ora ng 3 tida k terdeteksi da n Ora ng 4 tida k terdeteksi.

i. Ja ra k 5 Meter

Ha sil pengujia n ya ng dila kuka n pa da ga mbar 12. Mengha silka n ba hwa pa da ja rak 5 meter, sistem sa ma seka li tida k da pa t mendeteksi rokok. Akura si pa da ga mbar 12 da pat diliha t pa da ga mbar 13.

Gambar 12. Pengujia n Ja ra k 5 Meter 59,41%

0,00% 0,00% 0,00%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Percobaan Pada Jarak 4.5 Meter

0,00% 0,00% 0,00% 0,00%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Percobaan Pada Jarak 5 Meter

Oran g 2 Oran g 1

Oran g 3 Oran g 4

(21)

JURNAL MEDIA INFORMATIKA BUDIDARMA

Da ri gra fik pengujia n pa da ga mbar 13, sistem tida k da pa t mendeteksi objek rokok pa da Ora ng 1, Ora ng 2, Ora ng 3 da n Ora ng 4. Sehingga a kura si ya ng di da pa t a dala h 0,00%.

3.4 Perbandingan Akurasi

Percoba a n pengujia n untuk mendeteksi rokok ya ng dila kuka n denga n skena rio pemba gia n ja ra k ya ng di mulai pa da ja ra k 1 meter sa mpa i denga n ja ra k 5 meter. Dida pa tka n hasil perba ndinga n a kura si tertinggi da ri ma sing- ma sing pengujia n ja ra k ya ng dila kuka n. Perba ndinga n a kura si pa da ja ra k pengujia n ya ng dila kuka n da pat dilihat pa da ga mbar 14.

Gambar 14. Perba ndinga n Akura si

Da ri gra fik perba ndinga n a kurasi pa da ga mbar 14, sistem da pa t mendeteksi objek rokok denga n tingka t a kurasi deteksi tertinggi ya ng dimula i pa da ja ra k 1 meter ya itu 99,03%, ja ra k 1,5 meter ya itu 91,69%, ja ra k 2 meter ya itu 91,38%, ja ra k 2,5 meter ya itu 78,93%, ja ra k 3 meter ya itu 73,38%, ja ra k 3,5 meter ya itu 59,50%, ja ra k 4 met er ya itu 59,47%, ja ra k 4,5 meter ya itu 59,41% da n pa da ja rak 5 meter sistem tida k da pa t mendeteksi objek rokok.

Da ri perba ndinga n tersebut, dida patkan ha sil ba hwa sistem da pat mendeteksi rokok denga n tingka t a kurasi deteksi tertinggi pa da ja ra k 1 meter denga n persenta se 99,03% da n pa da ja rak 5 meter sistem sa ma seka li tida k dapat mendeteksi objek rokok.

KESIMPULAN

Berda sa rka n penelitia n ya ng dila kuka n, da pat dita rik kesimpula n ba hwa model terba ik da ri ta ha p training dataset a da la h YOLOv4 denga n pemba gia n da ta 80% training da n 20% validation dima na mengha silka n presentase tertingi Mean Average Precision (mAP) ya itu 92.54% da n F1-Score 0.89. Da ri pengujia n sistem pendeteksi rokok ya ng dila kuka n, sistem da pa t mendeteksi rokok sa mpa i pa da ja ra k 4.5 meter, da n a kura si deteksi tertinggi dida pa tkan pada ja rak 1 meter ya itu 99.03%, serta tida k da pa t mendeteksi rokok sa ma seka li pa da ja ra k 5 meter.

UCAPAN TERIMAKASIH

Terima ka sih kepa da seluruh stakeholder Universita s Abdurra b ya ng tela h memberika n izin da n memberikan a ra ha n dala m penelitia n ini

REFERENCES

[1] E. Nuraeni, I. Yoyoh, E. Wibisana, and D. Mardiana, “Hubungan Tingkat Pengetahuan Dengan Peilaku Merokok Di SMK Sasmita Jaya I Pamulung,” J. Kesehat. Masy., vol. 6, no. 2, pp. 2–7, 2021.

[2] L. Arief, A. Z. Tantowi, N. P. Novani, and T. A. Sundara, “Implem entation of YOLO and smoke sensor for automating public service announcement of cigarette’s hazard in public facilities,” 2020 Int. Conf.

Inf. Technol. Syst. Innov. ICITSI 2020 - Proc., pp. 101–107, 2020, doi:

99,03%

91,69% 91,38%

78,93%

73,38%

59,50% 59,47% 59,41%

0,00%

10,00%

20,00%

30,00%

40,00%

50,00%

60,00%

70,00%

80,00%

90,00%

100,00%

1 Meter 1.5 Meter 2 Meter 2.5 Meter 3 Meter 3.5 Meter 4 Meter 4.5 Meter 5 Meter

Perbandingan Akurasi

(22)

JURNAL MEDIA INFORMATIKA BUDIDARMA

[3] C. B. Murthy, M. F. Ha shmi, N. D. Bokde, a nd Z. W. Geem, “Investiga tions of object detection in ima ges/videos using va rious deep lea rning techniques a nd embedded pla tforms-A comprehensive review,” Appl. Sci., vol. 10, no. 9, 2020, doi: 10.3390/app10093280.

[4] S. M. Humphries et al., “Deep lea rning ena bles a utoma tic cla ssifica tion of emphysema pa ttern a t CT,”

Radiology, vol. 294, no. 2, pp. 434–444, 2020, doi: 10.1148/ra diol.2019191022.

[5] D. Garg, P. Goel, S. Pandya, A. Ganatra, and K. Kotecha, “A Deep Learning Approach for Face Detection using YOLO,” Proc. 5th Int. Conf. Trends Electron. Informatics, ICOEI 2021, pp. 760–764, 2018, doi: 10.1109/ICOEI51242.2021.9452896.

[6] J. Tao, H. Wang, X. Zhang, X. Li, and H. Yang, “An object detection system based on YOLO in traffic scene,” Proc. 2017 6th Int. Conf. Comput. Sci. Netw. Technol. ICCSNT 2017 , vol. 2018-Janua, pp. 315–

319, 2018, doi: 10.1109/ICCSNT.2017.8343709.

[7] J. Liao and J. Zou, “Smoking target detection based on Yolo V3,” in Proceedings - 2020 5th International Conference on Mechanical, Control and Computer Engineering, ICMCCE 2020 , Dec.

2020, pp. 2241–2244, doi: 10.1109/ICMCCE51767.2020.00486.

[8] A. Bochkovskiy, C.-Y. Wa ng, a nd H.-Y. M. Lia o, “YOLOv4: Optima l Speed a nd Accura cy of Object Detection,” 2020, [Online]. Available: http://arxiv.org/abs/2004.10934.

[9] K. Zhao and X. Ren, “Small Aircraft Detection in Remote Sensing Images Based on YOLOv3,” IOP Conf. Ser. Mater. Sci. Eng., vol. 533, no. 1, 2019, doi: 10.1088/1757 -899X/533/1/012056.

[10] A. Pundhir, D. Verma , P. Kuma r, a nd B. Ra ma n, “Region extra ction ba sed a pproach for ciga rette usa ge classification using deep learning,” 2021, [Online]. Available: http://arxiv.org/abs/2103.12523.

[11] S. Wang, “Research towards Yolo-Series Algorithms: Comparison and Analysis of Object Detection Models for Rea l-Time UAV Applica tions,” J. Phys. Conf. Ser., vol. 1948, no. 1, 2021, doi:

10.1088/1742-6596/1948/1/012021.

[12] D. S. Aulia, C. Setianingsih, and M. Kallista, “Deteksi Tanda Kehidupan Pada Korban Bencana Alam Denga n Algoritma Yolo Da n Open Pose Life Sign Detector Using You Only Look Once ( Yolo ) a nd Open Pose,” e-Proceeding Eng., vol. 8, no. 5, pp. 6162–6174, 2021.

[13] M. Muhaimin and T. W. Sen, “Real-Time Detection of Face Masked and Face Shield Using YOLO Algorithm with Pre-Tra ined Model a nd Da rknet,” Indones. J. Artif. Intell. Data Min., vol. 4, no. 2, pp.

97–107, 2021.

[14] Y. N. Fua da h, S. Sa ida h, N. K. Sy, R. Ma gda lena , a nd I. Da ’wa n Uba idulla h, “Gla ucoma Cla ssifica tion Based on Fundus Images Processing With Convolutional Neural Network,” J. Tek. Inform., vol. 3, no. 3, pp. 717–722, 2022, [Online]. Ava ila ble: https://doi.org/10.20884/1.jutif.2022.3.3.276.

[15] T. A. A. H. Kusuma , K. Usma n, a nd S. Sa ida h, “PEOPLE COUNTING FOR PUBLIC

TRANSPORTATIONS USING YOU ONLY LOOK ONCE METHOD,” J. Tek. Inform., vol. 2, no. 1, pp. 57–66, 2021, doi: 10.20884/1.jutif.2021.2.2.77.

[16] M. D. Anggraini and H. Al Fatta, “SOCIAL DISTANCING DETECTION FINDING OPTIMAL ANGLE WITH YOLO V3 DETEKSI SOCIAL DISTANCING MENCARI SUDUT OPTIMAL DENGAN METODE DEEP LEARNING YOLO V3,” J. Tek. Inform., vol. 3, no. 5, pp. 1449–1454, 2022.

[17] J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” 2018, [Online]. Available:

http://a rxiv.org/a bs/1804.02767.

[18] H. Gong, H. Li, K. Xu, and Y. Zhang, “Object Detection Based on Improved YOLOv3 -tiny,” Proc. - 2019 Chinese Autom. Congr. CAC 2019, no. 61421070104, pp. 3240–3245, 2019, doi:

10.1109/CAC48633.2019.8996750.

[19] A. S. Riyadi, I. P. Wardhani, M. S. Wulandari, and S. Widayati, “Perbandingan Metode ResNet, YoloV3, dan TinyYoloV3 pada Deteksi Citra dengan Pemrograman Python,” Petir, vol. 15, no. 1, pp.

135–144, 2022, doi: 10.33322/petir.v15i1.1302.

[20] J. Yu and W. Zhang, “Face Mask Wearing Detection Algorithm Based on,” Sensors, vol. 21, p. 3263, 2021.

[21] H. R. Yudistira and Lina, “HUMAN ACTIVITY RECOGNATION DARI REKAMAN VIDEO PENGAWAS DENGAN METODE YOLO,” J. Ilmu Komput. dan Sist. Inf., vol. 10, pp. 1–5, 2022.

(23)

JURNAL MEDIA INFORMATIKA BUDIDARMA

First Author, Copyright © 2023, MIB, Page 13 Submitted: dd/mm/yyyy; Accepted: dd/mm/yyyy; Published: dd/mm/yyyy [22] H. Hammam, A. Asyhar1, S. A. Wibowo2, and G. Budiman3, “Implementasi Dan Analisis Performansi

Metode You Only Look Once (Yolo) Seba ga i Sensor Pornogra fi Pa da Video Implementa tion a nd Performa nce Ana lysis of You Only Look Once (Yolo) M ethod As Porn Censorship in Video,” e- Proceeding Eng., vol. 7, no. 2, pp. 3631–3638, 2020.

[23] N. K. C. PRATIWI, N. IBRAHIM, Y. N. FU’ADAH, and S. RIZAL, “Deteksi Parasit Plasmodium pada Citra Mikroskopis Hapusan Darah dengan Metode Deep Learning,” ELKOMIKA J. Tek. Energi Elektr.

Tek. Telekomun. Tek. Elektron., vol. 9, no. 2, p. 306, 2021, doi: 10.26760/elkomika.v9i2.306.

[24] B. Oxy, E. Andriyansyah, and I. Hariyanti, “IMPLEMENTASI RECURRENT NEURAL NETWORK UNTUK DETEKSI DETAK Keywords : Heartbeat , Application , Facial Digital Image Processing , Recurrent neural network,” vol. 17, pp. 11–18, 2022.

(24)

LAMPIRAN A

PROSES SUBMIT HINGGA ACCEPTED

A.1 Proses Pengajuan Submit

Gambar A.1. Proses Pengajuan Submit

(25)

A.2 Proses Review dari Reviewer

A - 2

(26)

A - 3

(27)

A - 4

(28)

Gambar A.2. Proses Review dari Reviewer

A - 5

(29)

A.3 Proses Accepted

Gambar A.3. Proses Accepted

A - 6

(30)

LAMPIRAN B BUKTI OBSERVASI

B.1 Surat Keterangan Izin Penelitian

Gambar B.1. Surat Keterangan Izin Penelitian Dari Fakultas Sains dan Teknologi

(31)

Gambar B.2. Surat Keterangan Izin Penelitian Dari Universitas Abdurrab

B - 2

(32)

LAMPIRAN C DATASET

C.1 DATASET Bukan Rokok

Gambar C.1. Dataset Bukan Rokok

(33)

C.2 DATASET Rokok

Gambar C.2. Dataset Rokok

C - 2

(34)

DAFTAR RIWAYAT HIDUP

Ahmad Harun lahir di Provinsi Jambi tepatnya di Kabu- paten Batanghari pada tanggal 11 Agustus 2000. Anak ketiga dari 5 bersaudara dari pasangan Bapak Iwan Ridwan dan Ibu Jumiati. Penulis menyelesaikan pendidikan Sekolah Dasar di SDN 150/1 Terentang Baru, Kecamatan Batin XXIV Kabupat- en Batanghari pada tahun 2012, kemudian menyelesaikan pen- didikan Sekolah Menengah Pertama di SMPN 12 Batanghari pada tahun 2015, kemudian menyelesaikan pendidikan sekolah menengah atas di SMAN 09 Batanghari pada tahun 2018. Pada tahun yang sama, melanjutkan studi pendidikan pada Perguruan Tinggi Negeri (PTN) di Pekanbaru tepatnya di Universitas Islam Negeri Sultan Syarif Kasim, Program Studi Sistem Informasi, Fakultas Sains dan Teknologi.

Pada masa perkuliahan penulis pernah mengikuti organisasi Puzzle Re- search Data Technology (PREDATECH). Penulis menyelesaikan Kerja Praktek (KP) pada tahun 2021 di Yayasan Rumah Sahabat Madani Pekanbaru. Pada tahun yang sama penulis juga menyelesaikan Kuliah Kerja Nyata (KKN) yang dilakukan pada Kelurahan Sialang Munggu, Kecamatan Tuah Madani, Pekanbaru, Riau.

Gelar Sarjana Komputer (S.Kom) di peroleh pada tahun 2023 setelah berhasil menyelesaikan penelitian Tugas Akhir (TA) dengan topik ”Implementasi Deep Learning menggunakan Metode You Only Look Once untuk Mendeteksi Rokok”.