IMPLEMENTASI DEEP LEARNING MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK PADA
SISTEM PENDETEKSI PEMAKAIAN MASKER SECARA REALTIME
Muhammad Rafi Indriawan Evans Winanda Wirga
Teknik Informatika, Universitas Gunadarma rafiindriawan@student.gunadarma.ac.id
evansww@staff.gunadarma.ac.id
ABSTRAK
Deep Learning merupakan salah satu bagian dari artificial intelligence, sebuah model yang dapat mempelajari metode komputasinya sendiri menggunakan otaknya sendiri.Teknologi deep learning dapat dapat di manfaatkan pada Computer Vision untuk pendeteksian wajah secara realtime. Pada penelitian ini pendeteksi wajah dapat mengenali dan mengklasifikasi penggunaan masker pada wajah secara realtime menggunakan algoritma convolutional neural network. Sistem dibuat dengan menggunakan bahasa pemograman python dan di implementasikan melalui web cam secara realtime. Output yang dihasilkan mampu melakukan pengklasifikasian penggunaan masker secara optimal dengan akurasi pada tingkat maksimal dengan persentase 100%. Pada proses pengujian jarak dan kondisi cahaya ruangan sangat berpengaruh terhadap hasil klasifikasi
Kata Kunci : Artificial Intelligence, Computer Vision, Deep Learning, Convolutional Neural Network, Pendeteksi Pemakaian Masker.
1 PENDAHULUAN
Pada era industri 4.0 yang menerapkan konsep automatisasi yang dilakukan oleh mesin tanpa memerlukan tenaga manusia, salah satu yang berkembang dalam pengaplikasianya adalah teknologi deep learning. Berdasarkan MIT Technology Review, Deep Learning memiliki artian yaitu pembelajaran yang mendalam dan juga dikenal sebagai pembelajaran terstruktur dalam atau pembelajaran hierarkis. Dengan arti lain, Deep Learning merupakan sebuah model yang dapat mempelajari metode komputasinya sendiri menggunakan ‘otaknya’sendiri. Algoritma Deep Learning berusaha belajar dalam berbagai level sesuai dengan tingkat abstraksinya. Algoritma Deep Learning menggunakan metadata sebagai input dan mengolahnya menggunakan sejumlah lapisan tersembunyi (hidden layer) transformasi non linier dari data masukan untuk menghitung nilai output. Algoritma pada Deep Learning memiliki fitur yang unik yaitu sebuah fitur yang mampu mengekstraksi secara otomatis. Hal ini berarti algoritma yang dimilikinya secara otomatis dapat menangkap fitur yang relevan sebagaikeperluan dalam pemecah an suatu masalah.
Deep Learning di harapkan dapat membantu menerapkanprotokol Kesehata n ditengah pandemi covid-19, dimana berdasarkan data dari Komite Penanganan Covid-19 dan Penanggulangan Ekonomi Nasional (KPCPEN), sebanyak 1.686.373 (data April 2021), masyarakat Indonesia dinyatakan positif dan sebanyak 46.137 (data April 2021) masyarakat Indonesia di nyatakan meninggal akibat virus ini.
Menurut data Satgas Covid-19 pada November 2020, 59,32 persen masyarakat patuh terhadap penggunaan masker, sementara 40,68 persen yang tidak patuh, artinya masih banyak masyarakat yang tidak menerapkan protokol kesehatan di tempat umum.
Penulisan ini diharapkan dapat membantu masyarakat dalam meningkatk an protokol kesehatan agar selalu menggu nakan masker di tempat umum, dengan mengimplementasikan deep learning men ggunakan algoritma convolutional neural network pada sistem pendeteksi pemakaia n masker secara realtime, di harapkan masyarakat dapat sadar akan pentingnya penggunaan masker untuk terhindar dari bahaya virus Covid-19.
2. LANDASAN TEORI 2.1 Artificial Inteligance
Sementara sejumlah definisi kecerdasan buatan (AI) telah muncul selama beberapa dekade terakhir, John McCarthy menawarkan definisi berikut dalam makalah tahun 2004, dia berkata bahwa Ini adalah ilmu dan teknik dari membuat mesin cerdas, terutama program komputer cerdas. Ini terkait dengan tugas serupa menggunakan komputer untuk memahami kecerdasan manusia, tetapi AI tidak harus membatasi dirinya pada metode yang dapat diamati secara biologis. [1]
2.1.1 Sejarah Artificial Intelligence Istilah AI pertama kali dikemukakan pada tahun 1956 di konferensi Darthmouth.
Berikut adalah rangkuman singkat terkait
tahapan sejarah perkembangan AI: [2] Era komputer elektronik (1941) [2]
2.1.2 Artificial Intelligence Saat Ini Berbagai produk AI berhasil dibangun dan digunakan dalam kehidupan sehari-hari.
Produk-produk tersebut dikelompokkan ke dalam empat teknik yang ada di AI, yaitu: [2]
• Searching
• Reasoning
• Planning
• Robotic
• Learning 2.2 Deep Learning
Deep Learning (DL) / Pembelajaran Mendalam/ Belajar Secara Mendalam transformasi non-linear yang ditata berlapis-lapis dan mendalam. [2]
Sumber : MTI Binus University Gambar Error! No text of specified style
in document..1 Ilustrasi Jaringan Saraf Tiruan
Melalui ilustrasi pada gambar 2.1, secara umum sebuah ilustrasi jaringan saraf tiruan terbagi menjadi tiga bagian yaitu input, hidden layer (neuron) dan output.
2.2.1 Algoritma Deep Learning Convolutional Neural Network (CNN) CNN merupakan pengembangan dari Multi Layer Perceptron (MLP) dan merupakan salah satu algoritma dari Deep Learning. Metode CNN memiliki hasil paling signifikan dalam pengenalan citra.[3]
2.2.2 Pemanfaatan Deep Learning Deep Learning dapat dimanfaatkan dari beberapa tipe yaitu :
• Pengenalan Suara
• Teknologi ini dapat mengenali suara manusia dan mengeluarkan dalam bentuk teks. Contohnya adalah input suara google assistant
• Pengenalan Gambar 2.3 Computer Vision
Computer vision menggabungkan kamera, komputasi berbasis edge atau cloud, perangkat lunak, dan kecerdasan buatan (AI) sehingga sistem dapat “melihat” dan mengidentifikasi objek. [4]
Sumber : BukuAjarAI- MachineLearningDeepLearning Gambar Error! No text of specified style
in document..2 Hal yang mencakup dalam computer vision 2.3.1 Lingkup Computer Vision
Lingkup Computer Vision adalah sebagai berikut :
Object Detection adalah klasifikasi dan lokalisasi untuk beberapa objek dalam suatu gambar
Sumber : Sharon Excelli Lauder Gambar Error! No text of specified style
in document..3 Penggunaan Computer Vision untuk Deteksi Wajah (Image
Detection)
2.4 Algoritma Convolutional Neural Network
Convolutional Neural Network (Convnets/
CNN) sangat mirip dengan jaringan saraf tiruan yang standar yang dapat divisualisasikan sebagai kumpulan neuron atau node atau unit yang disusun sebagai graf asiklik (graf yang tanpa adanya loop di dalamnya). [2]
Sumber : Krizhevsky et al
Gambar Error! No text of specified style in document..4 Arsitektur Pada CNN 2.5 Bahasa Pemograman Python
Python adalah bahasa pemrograman model skrip (scripting language) yang berorientasi obyek. [6]
2.6 Library Python 2.6.1 Library OpenCV
OpenCV (Open Source Computer Vision Library), adalah sebuah library open source yang dikembangkan oleh intel yang fokus untuk menyederhanakan programing terkait citra digital. Di dalam OpenCV sudah mempunyai banyak fitur.[7]
2.6.2 Library Keras
Keras merupakan library jaringan syaraf tiruan tingkat tinggi yang ditulis dengan bahasa python dan mampu berjalan di atas TensorFlow.[8]
2.6.3 Library Tensor Flow
TensorFlow adalah framework machine learning yang bekerja dalam skala besar dan dalam environment yang heterogeneous. [9]
2.6.4 Library Numpy
Numpy adalah sebuah library python dalam pengolahan data pada array dan matriks multidimensi yang besar. [10]
2.6.5 Library Pandas
Pandas adalah pustaka open source berlisensi BSD yang menyediakan struktur data denganalat analisa data berkinerja tinggi dan mudah digunakan dalam bahasa pemograman python.[11]
2.6.6 Library SciPy
SciPy adalah kumpulan algoritma matematika dan fungsi kenyamanan yang dibangun di atas ekstensi NumPy dari Python. [12]
2.6.7 Library Matplotlib
Matplotlib merupakan library pada Python yang digunakan untuk melakukan visualisasi data menjadi lebih rapi dan menarik..
2.6.8 Library Imutils
Imultis adalah paket python open source.
Ini mendukung gambar dasar operasi pemrosesan seperti translasi, rotasi, pengubahan ukuran, skeletonization, dan menampilkan gambar. [14]
2.6.9 Library Argparse
Modul argparse memudahkan penulisan antarmuka baris perintah yang mudah digunakan.[15]
2.6.10 Library Pygame
Pygame adalah satu set modul Python yang dirancang untuk menulis video game.
Pygame menambahkan fungsionalitas di atas perpustakaan SDL yang sangat baik.
[16]
2.7 Model MobileNetV2
MobileNetV2 merupakan model pengembangan dari MobileNetV1, pada percobaan klasifikasi gambar menggunakan ImageNet, MobileNetV2 menunjukan hasil akurasi yang lebih baik dibandingkan MobileNetV1 dengan jumlah parameter yang lebih sedikit [17]
Sumber : Sandler et al.2018 Gambar Error! No text of specified style
in document..5 Blok Residual pada MobileNetV2
Berdasarkan pustaka keras MobileNetV2 terdiri dari 155 layer yang terbagi ke dalam 16 blok.
2.7 Anaconda
Anaconda.org adalah layanan manajemen paket yang memudahkan untuk menemukan, mengakses, menyimpan, dan berbagi buku catatan publik, lingkungan, serta paket conda dan PyPI. [18]
2.7.1 Fungsi Anaconda
Fungsi Anaconda yaitu digunakan untuk pemrosesan data skala besar, predictive analytics, dan scientific computing yang
mampu menyederhanakan manajemen packages dan deployment. [18]
2.8 Visual Studio Code
Visual Studio Code (VS Code) ini adalah sebuah teks editor ringan dan handal yang dibuat oleh Microsoft untuk sistem operasi multiplatform
3 PEMBAHASAN 3.1 Gambaran Umum
Sistem pendeteksi pemakaian masker secara realtime dibuat dengan salah satu metode deep learning yaitu Convolutional Neural Network (CNN) yang menggunakan Bahasa pemograman python versi 3.8.8 dengan memanfaatkan webcam. Pada penelitian kali ini di lakukan untuk mengetahui seberapa akurat output yang dihasilkan. Proses ini membutuhkan pengujian akurasi dan pengujian pendeteksian.
3.2 Perencanaan Program
Pada penelitian ini dirancang dan dibuat menggunakan Bahasa pemograman Python dengan library OpenCV, Keras, Matplotlib, Numpy, SciPy, Argparse.
Adapun komponen yang dibutuhkan untuk membangun system ini Adapun kompon en yang diperlukan dari segi perangkat lunak antara lain sebagai berikut:
Anaconda Navigator Versi 2.0.3 Visual Studio Code Versi 1.58.0 Figma Adapun jenis Bahasa pemrograman yang digunakan untuk membangun website ini antara lain sebagai berikut yaitu Python Versi 3.8.8
3.3 Tahapan Penelitian
Dalam tahap penelitian terdapat tiga tahapan utama yaitu tahap perancangan, implementasi, dan pengujian. Pada tahap perancangan di lakukan perancangan pemodelan CNN, proses sistem pendeteksi wajah, klasifikasi pemakaian masker, rancangan wireframe.
Gambar Error! No text of specified style in document..6 Alur Tahap Implementasi 3.4 Tahap Perancangan
Pada tahap ini dilakukan sebuah rancangan untuk membangun sistem pendeteksian pemakaian masker, dimana pada tahap ini meliputi Perancangan pemodelan CNN, proses sistem pendeteksi wajah, klasifikasi pemakaian masker, rancangan wireframe
3.4.1 Pemodelan Convolutional Neural Network (CNN)
Gambar Error! No text of specified style in document..7 Rancangan Model CNN Pada gambar 3.2., input yang masuk akan di proses kedalam lapisan konvolusi dimana ada lima lapisan yaitu Conv1, Conv2, Conv3, Conv4, Conv5. Pada bagian konvolusi objek di ekstrak dari citra input, di dalam konvolusi terdapat filter yang dapat di gunakan untuk mendeteksi karakter dari objek seperti tepi kurva atau warna. Setelah masuk ke bagian konvolusi, selanjutnya akan masuk ke dalam bagian Fully Connected (Klasifikasi), bagian ini akan mengklasifikasi input yang masuk dari konvolusi dan akan menyatukan semua node menjadi satu dimensi, setelah itu keluar lah output.
3.4.2 Proses Sistem Pendeteksi Wajah Pada penelitian proses untuk mendeteksi wajah menggunakan library OpenCV yang menyediakan model pendeteksian wajah Haar Cascade Classifier. Alur yang akan dilakukan dimulai dari objek yang bergerak kemudian ditangkap, dan dijadikan input image, pada gambar 3.3
Gambar Error! No text of specified style in document..8 Alur pendeteksian objek
dengan Haar Cascade Classifier 3.4.3 Klasifikasi Pemakaian Masker Klasifikasi masker menggunakan model yang sudah terlatih. Input image akan di proses oleh setiap model sehingga di dapatkan label yang kemudia dijadikan sebagai hasil klasifikasi masker. Alur klasifikasi pemakaian masker pada gambar 3.4.
Gambar Error! No text of specified style in document..9 Alur dari klasifikasi
pemakaian masker 3.4.4 Rancangan Wireframe
Pada tahap ini pendeteksian objek atau wajah memanfaatkan webcam serta library dari OpenCV. Hasil dari pendeteksian ini di presentasikan atau ditampilkan dalam bentuk bounding box dan di kombinasikan dengan teks label beserta presentase persen akurasi. Rancangan wireframe pada gambar 3.5.
Gambar Error! No text of specified style in document..10 Wireframe Sistem
Pendeteksi Wajah 3.5 Tahap Implementasi
Pada tahap ini dilakukan akuisisi dataset, data preprocessing, training , dan pembuatan sistem untuk pendeteksi.
3.5.1 Akuisisi Dataset
Dataset yang digunakan pada penelitian ini berasal dari situs Kaggel yang mana berbasis open source, dengan pemilik dataset Muhammad ahsan. Dataset terdiri dari WithMask 5000dan WithoutMask 5000, sehingga total gambar berjumlah 10.000, setelah itu akan kita kurangi data tersebut sehingga berjumlah 3.833, 1.915 untuk gambar dengan masker dan 1.918 untuk gambar yang tidak menggunakan masker, hal ini dikarenakan sistem komputer yang digunakan dengan spesifikasi yang kurang baik tidak mampu melakukan data training dengan jumlah banyak. Sehingga total dataset berukuran
130 MB Mengakuisisi dataset yang berasal dari situs Kaggle
https://www.kaggle.com/muhammadahsa n21/facemaskdataset/ . setelah data set di download dan di letakan di dalam folder bernama dataset lalu digunakan ke dalam visual studio code
3.5.2 Data Preprocessing 3.5.2.1 Library Import
Pada tahap ini dilakukan pemasukan library python yang dibutuhkan dalam pembuatan sistem,
3.5.2.2 Preprocessing Dataset
Pada tahap ini dilakukan pengambilan dataset dengan memberikan sebuat list yaitu data dan labels lalu dibuatnya kategori dengan target size dari gambar adalah 224 dan 224. Lalu data gambar dibuat label dengan menambahkan kategori di dalamnya.
3.5.2.3 Preprocessing Dataset Pendeteksi Wajah
Pada tahap ini dilakukan penyandian pada label dengan menambahkan library numpy.array untuk nilai data dan nilai labels. Pada perintah ini juga dilakukan pendefinisian num sample dan fungsi split.
Pendefinisian trainX, train, nilaiX, nilaiY adalah untuk menampung nilai dari array dataset, nilai dari variable dan train test yang sudah di simpan. Sebelum melakukan image augmentation, di deklarasikan terlebih dahulu hyperparameter dengan beberapa perintah yaitu epochs sebanyak 20, batch size dengan ukuran standar yaitu 32, dan menginisialisasi pembelajaran dengan ukuran 1e-4. Berikut adalah perintahnya
Pada gambar 3.12. mengubah data sebesar 20 derajat dengan perintah rotation_range, lalu dengan perintah zoom_range mengubah kedekatan objek menjadi 0.15, dengan perintah fill_mode mengubah pendeteksian objek dengan jarak nearest atau terdekat.
3.5.3 Model Convolutional Neural Network
Pada tahap ini digunakan model MobileNetV2, untuk membuat jaringan mobilenetv2. Membangun jaringan MobileNetV2 dengan include_top bernilai false, dan melakukan input_tensor dengan ukuran 224, 224 sesuai dengan ukuran kategori pada preprocessing dataset.
Masuk pada proses penempatan model kepala di atas model dasar, dan ini adalah model sebenarnya yang akan kita latih, berikut adalah perintah yang akan digunakan.
3.5.4 Training
Pada tahap ini, hyperparameter dan data yang telah di proses dalam tahap data preprocessing akan di compile (kompilasi model).
3.5.4.1 Training Model
Model yang sudah di proses akan kita compile. Pada tahap ini dilakukan print untuk membuat loading compiling nantinya, dan dilakukan pemasukan komponen yaitu optimizer. Optimizer yang digunakan adalah adam, karena optimizer jenis ini paling mudah dan paling stabil untuk digunakan.
Setelah melakukan kompilasi pada model, dilakukan pelatihan kepada kepala jaringan, dengan melakukan training model yaitu malakukan perintah model.fit dengan memanggil konfigurasi yang telah dibuat sebelumnya, seperti image augmentation, dan model train.
Perhitungan pada steps_per_epochs di dapatkan dari nilai len trainX atau batch size (BS), perhitungan validation_data diambil dari variable val. Setelah itu membuat prediksi di set pengujian dengan memasukan parameter model.predict dengan nilai yang di dapat dari train test dan batch size (BS) dan untuk setiap gambar dalam set pengujian diperlukan penemuan indeks dengan parameter predidxs dari label dengan probabilitas prediksi terbesar yang sesuai
Setelah itu membuat laporan klasifikasi dengan perintah print classification_report dari train test dan prediksi indeks terbesar yang dikemas dengan baik dan membuat serial model ke dalam disk dengan perintah model.save yang akan di simpan dengan nama mask_detector.model.
Setelah itu membuat laporan plot kerugian dan akurasi pelatihan, yaitu laporan dari epochs yang berisi pada bagian horizontal epochs dan bagian Y atau vertical berisi loss/accuracy, laporan dari plot yang berisi loss dengan label train_loss, val_loss dengan label val_loss, accuracy dengan label train_acc, val_accuracy dengan label val_acc, laporan plot iniakan di save dalam format png.
3.5.4.2 Plot dan akurasi pelatihan Pada tahap ini di jalankan file python untuk melihat akurasi pelatihan dan laporan plot yang berbentuk png.
Gambar Error! No text of specified style in document..6 akurasi pelatihan epochs
Gambar Error! No text of specified style in document..7 akurasi pelatihan epochs Pada gambar 3.7. terlihat bahwa precission WithMask mendapat score 0.99 dan WithoutMask 0.99, recall WithMask
mendapat score 0.99 dan WithoutMask mendapat 0.99 juga, fi-score WithMask mendapat score 0.99 dan WithoutMask mendapat 0.99, support WithMask mendapat score 383 dan WithoutMask mendapat 384, lalu accuracy pada fi-score dan support mendapat score 0.99 dan 767, macro avg mendapat score 0.99 di precission, recall, fi-score
dan untuk support mendapat 767 dan weight avg mendapat score 0.99 di precission, recall, fi-score, dan support mendapat 767.
Setelah itu melihat training loss dan akurasi pada plot yang diberikan pada gambar 3.8.
Gambar Error! No text of specified style in document..8 Plot training loss dan
akurasi
3.5.5 Penerapan Model Pada Kamera Pada tahap ini perlu membuat file python baru dengan nama detect_mask_video.py.
File tersebut di gunakan untuk menerapkan model yang akan gunakan pada kamera nanti, hal yang pertama
dilakukan adalah dengan mengimpor beberapa packages / library pada python 3.5.6 Sistem Pendeteksi
Tahap ini dilakukan dengan pendefinisian model pengenalan wajah dengan memanfaatkan library OpenCV yaitu Haar cascade Clasifier yang akan di panggil.
Sebelumnya dibuat model detector wajah dan memasukan path nya dengan fungsi r”
dan memasukan path untuk sound alarm yang berjenis file WAV
3.6 Tahap Pengujian
File python yang telah dibuat pada tahap penerapan model di kamera akan di jalankan dan mendapatkan output berupa pendeteksian pemakaian masker. Pada tahap ini dilakukan beberapa pengujian, yaitu pengujian memakai masker dan tidak memakai masker, lalu pengujian dengan jarak dan kondisi cahaya yang berbeda, pengujian dengan model masker berbeda, pengujian dengan motif masker berbeda, pengujian dengan warna masker berbeda, dan pengujian dengan lebih dari satu objek.
3.6.1 Pengujian Memakai Masker dan Tidak Memakai Masker
Pengujian memakai masker pada gambar 3.9 dan pengujian tidak memakai masker ada pada gambar 3.10, pada kedua gambar tersebut dapat dilihat bahwa objek terdeteksi dengan baik dengan insensitas cahaya redup.
Gambar Error! No text of specified style in document..9 Pengujian saat memakai
masker
Gambar Error! No text of specified style in document..10 Pengujian saat tidak
menggunakan masker 3.6.2 Pengujian Dengan Jarak dan Komdisi Cahaya yang Berbeda
Pengujian ini dilakukan dalam empat keadaan berbeda dan melakukan lima jarak berbeda untuk setiap pengujianya dengan kondisi pengujian pada gambar 3.11.
Gambar Error! No text of specified style in document..11 kondisi pengujian
dengan jarak dan kondisi cahaya
Tabel 3.1 Pengujian Jarak dan Kondisi Cahaya
Tabel 3.2 Pengujian Jarak dan Kondisi Cahaya
Pada tabel 3.1 dan 3.2 didapatkan kondisi cahaya terbaik yaitu pada kondisi normal dengan Lux sebesar 80 sampai 100, dan jarak terbaik di dapatkan pada jarak 30 cm 3.6.3 Pengujian dengan model masker berbeda
Pada pengujian kali ini dilakukan dengan menggunakan model masker yang berbeda, dilakukan dengan lima model masker berbeda, pengujian ini dilakukan dengan kondisi cahaya terbaik yaitu pada kondisi cahaya normal dengan lux 80 sampai 100, dan jarak uji terbaik yaitu 30 cm. kondisi pengujian pada gambar 3.40.
Gambar Error! No text of specified style in document..12 Kondisi pengujian
Model Masker Berbeda
Pada gambar 3.12 kondisi pengujian menggunakan cahaya normal dengan jarak 30 cm.
No Model
Masker Hasil Uji
1 Masker Medis
Dalam uji kali ini dihasilkan akurasi deteksi yang baik dan mendapat persentase
sebanyak 100 %
2 Masker Duckbill
Dalam uji kali ini dihasilkan akurasi deteksi yang baik dan mendapat persentase
sebanyak 100 %
3 Masker Kain
Dalam uji kali ini dihasilkan akurasi deteksi yang baik dan mendapat persentase
sebanyak 100 %
4 Masker Scuba
Dalam uji kali ini dihasilkan akurasi deteksi yang baik dan mendapat persentase
sebanyak 100 %
5 Masker KF 94
Dalam uji kali ini dihasilkan akurasi deteksi yang baik dan mendapat persentase
sebanyak 100 %
Tabel 3.3 pengujian model masker berbeda
Pada pengujian tabel 3.3 terdapat hasil uji yang sama rata dengan marker pendeteksi wajah yang dapat mendeteksi dengan baik dengan tingkat akurasi maksimum.
3.6.4 Pengujian Dengan Motif Masker Berbeda
Pada pengujian ini dilakukan dengan menggunakan kondisi cahaya terbaik yaitu kondisi cahaya normal dengan Lux sebesar 80 sampai 100, dan menggunakan jarak terbaik yaitu 30 cm. kondisi pengujian pada gambar 3.13.
Gambar Error! No text of specified style in document..13 Kondisi Pengujian
Motif Masker
mendapatkan hasil uji yang sama rata yaitu pengujian berjalan dengan baik, marker pendeteksi wajah dapat mendeteksi dengan baik dan mendapat akurasi maksimum.
3.6.5 Pengujian Dengan Warna Masker Berbeda
Pada pengujian ini dilakukan dengan menggunakan kondisi cahaya terbaik yaitu kondisi cahaya normal dengan Lux sebesar 80 sampai 100, dan menggunakan
jarak terbaik yaitu 30 cm. kondisi pengujian pada gambar 3.14
Gambar Error! No text of specified style in document..14 Kondisi Pengujian
dengan Warna Masker Berbeda marker pendeteksi wajah mendapat hasil terbaik dengan akurasi maksimum pada setiap pengujian .
3.6.6 Pengujian Dengan Banyak Objek Pada pengujian ini di lakukan dengan menguji pendeteksi dengan menampilkan lebih dari satu objek, pengujian di lakukan dengan kondisi cahaya terbaik yaitu kondisi cahaya normal dengan Lux sebesar 80 sampai 100, dan menggunakan jarak terbaik pada pengujian ini yaitu 70 cm. kondisi pengujian ada pada gambar 3.15
Gambar Error! No text of specified style in document..15 Pengujian dengan
lebihdari satu objek
penujian dilakukan dengan jarak terbaik yaitu 70 cm karena sistem pendeteksi dengan jarak 70 cm dapat mendeteksi dengan lebih dari satu objek, dan dengan kondisi cahaya terbaik yaitu cahaya normal, mendapatkan hasil terbaik yaitu mendeteksi dua objek atau tiga objek.
4 PENUTUP Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan dengan metode Convolutional Neural Network dengan model MobileNetV2 dapat dihasilkan pendeteksian pemakaian masker secara realtime dan mendapat pengklasifikasian dengan optimal, dimana sistem dapat mengenali dengan baik wajah yang menggunakan masker dan tidak menggunakan masker.
Pada proses pengujian didapatkan hasil bahwa sistem hanya dapat mendeteksi dengan maksimum jarak 240 cm dimana melebihi itu marker pendeteksi tidak dapat mendeteksi wajah lagi, dan pada pengujian kondisi cahaya dapat di simpulkan bahwa kondisi sangat mempengaruhi hasil deteksi, cahaya terbaik adalah pada kondisi normal dengan insensitas cahaya 80 – 100 Lux, pada proses pengujian model, motif, warna di dapatkan hasil yang sama rata dengan mendapat hasil akurasi yang maksimum yaitu persentase 100%. Dan pada pengujian lebih dari satu objek didapatkan
hasil terbaik yaitu sistem pendeteksi lebih optimal dengan mendeteksi satu objek, dua objek dan tiga objek.
Saran
Penelitian ini dapat dikembangkan dengan menambahkan jumlah dataset yang lebih banyak sehingga di dapatkan hasil akurasi pelatihan dan akurasi pengujian yang lebih baik lagi.dan penelitian ini belum 100%
mendeteksi pemakaian masker karena hanya mendeteksi pemakaian menutup mulut dan hidung.
5 DAFTAR PUSTAKA
[1] IBM Cloud Education, “What is Artificial Intelligence (AI)? | IBM,” IBM Cloud Education. 2020, [Online].
Available:
https://www.ibm.com/cloud/learn/ what- is-artificial-intelligence#toc- what-is-ar- DhYPPT4m%0Ahttps://www.ibm.
com/cloud/learn/what-is-artificial- intelligence. [ Tanggal Akses 21 Juni 2021 ].
[2] I. Cholissodin and A. A. Soebroto, “AI , MACHINE LEARNING & DEEP LEARNING ( Teori & Implementasi ),”
no. July 2019, 2021.
[3] A. Peryanto, A. Yudhana, and R. Umar,
“Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 45–51, 2020, doi: 10.30871/jaic.v4i1.2017.
[4] Intel, “Apa yang dimaksud dengan Computer Vision?” [Online].
Available:
https://www.intel.co.id/content/ww w/id/id/internet-of- things/computer- vision/overview.html.[ Tanggal Akses 21 Juni 2021 ].
[5] E. N. Arrofiqoh and H. Harintaka,
“Implementasi Metode
Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi,” Geomatika, vol. 24, no. 2, p. 61, 2018, doi: 10.24895/jig.2018.24-2.810.
[6] T. Richard Perkasa, H. Widyantara, P. Susanto, P. Studi, and J. Sistem Komputer STIMIK STIKOM Surabaya Jl Raya Kedung Baruk, “Rancang Bangun Pendeteksi Gerak Menggunakan Metode Image Subtraction Pada Single Board Computer (Sbc),” Pauladie Susanto JCONES, vol. 3, no. 2, p. 90, 2014,
[Online]. Available:
http://jurnal.stikom.edu/index.php/j cone.
[7] H. A. Sidharta, “Introduction to Open CV
| BINUS UNIVERSITY MALANG | Pilihan Universitas Terbaik di Malang,”
Binus.Ac.Id. 2017, [Online]. Available:
https://binus.ac.id/malang/2017/10/
introduction-to-open-cv/. [ Tanggal Akses 21 Juni 2021 ].
[8] A. Santoso and G. Ariyanto,
“Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah,” Emit. J.
Tek. Elektro, vol.
18, no. 01, pp. 15–21, 2018, doi:
10.23917/emitor.v18i01.6235.
[9] M. A. Pangestu and H. Bunyamin,
“Analisis Performa dan
Pengembangan Sistem Deteksi Ras Anjing pada Gambar dengan Menggunakan Pre- Trained CNN Model,” J. Tek. Inform. dan Sist. Inf., vol. 4, pp. 337–344, 2018.
[10] Admin, “Python Library untuk Data Scientist,” Uc.Ac.Id. 2019,
[Online]. Available:
https://www.uc.ac.id/ict/python- library- untuk-data-scientist/.
[11] И. В. Томилова, Д. С. Красавин, and Т.
В. Бордовицына, “Динамическая Структура Околоземного Орбитального Пространства В Области Резонанса 1 : 2 Со Скоростью Вращения Земли,”
Астрономический Вестник, vol. 54, no.
4, pp. 337–348, 2020, doi:
10.31857/s0320930x20040088.
[12] “Introduction — SciPy v1.” [Online].
Available:
https://docs.scipy.org/doc/scipy/tut orial/general.html. [ Tanggal Akses 19 Juni 2021 ].
[13] dqLab, “Belajar Python_ Mengenal Library Yang Disediakan Python Untu.”
[Online]. Available:
https://www.dqlab.id/mengenal- library- yang-disediakan-python- untuk-data- science.[ Tanggal Akses 21 Juni 2021 ].
[14] P. Ahire and B. Rajiv, “Implement Image
Processing Library for
Visual Inspection Head,” Int. J. Eng. Sci.
Comput., vol. 7, no. 6, pp. 12923–12925, 2017.
[15] The Python Software Foundation,
“argparse — Parser for command- line options, arguments and sub- commands — Python 3.7.3 documentation,” 9 June 2019. p. 1, 2019, [Online]. Available:
https://docs.python.org/3/library/ar gparse.html.[ Tanggal Akses 21 Juni 2021 ].
[16] Pygame community, “About - pygame wiki.” 2018, [Online].
Available:
https://www.pygame.org/wiki/abou t.[
Tanggal Akses 21 Juni 2021 ].
[17] M. Sandler, A. Howard, M. Zhu, A.
Zhmoginov, and L. C. Chen,
“MobileNetV2: Inverted Residuals and Linear Bottlenecks,” Proc. IEEE Comput.
Soc. Conf. Comput. Vis. Pattern Recognit., pp. 4510– 4520,
2018, doi:
10.1109/CVPR.2018.00474.
[18] Anaconda, “User guide — Anaconda documentation.”
[Online]. Available:
https://docs.anaconda.com/anacond a/user- guide/?utm_source=anaconda.com
&utm_medium=individual-get- started.[
Tanggal Akses 22 Juni 2021 ].
