LAPORAN PENELITIAN KoPSI
Perancangan Sistem Deteksi Penggunaan Masker serta Alat Pengukur Suhu dan Hand Sanitizer Otomatis sebagai Upaya Penerapan Protokol
Kesehatan Covid-19 Pada Masa New Normal
M. SYAHRUL IQBAL M. IRHAM IZZAN
Fisika Terapan dan Rekayasa (FTR)
SMA IT Plus Bazma Brilliant
Kota Dumai, Provinsi Riau
2021
PERNYATAAN PENELITI
ABSTRAK
Penelitian ini bertujuan untuk menerapkan sebuah alat untuk pengukur suhu, masker dan handsanitizer otomatis yang terintegrasi dengan sebuah pintu. Sistem dirancang untuk menggantikan pengukuran suhu dan pengecekan masker yang masih manual / konvensional yang dilakukan oleh security pada masa pandemi ini. Alat dirancang menggunakan sebuah sensor MLX90614 yang digunakan untuk membaca nilai suhu tubuh, menerapkan metoda machine learning yang digunakan untuk melakukan proses klasifikasi penggunaan masker, serta memanfaatkan input sensor jarak untuk sistem handsanitizer otomatis. Selain itu, data sensor suhu tubuh dan data deteksi masker akan mempengaruhi output berupa motor servo yang akan membuka / menutup sebuah pintu. Pengujian sensor suhu dilakukan dengan membandingkan hasil pembacaan dengan alat pembanding yaitu thermogun. Sedangkan untuk pengujian deteksi masker, sistem dihadapkan dengan objek dan bentuk masker yang berbeda-beda. Hasil pengujian menunjukan bahwa alat telah mampu membaca suhu tubuh dengan tingkat akurasi 99.32% serta telah mampu mengklasifikasikan objek secara akurat.
Kata Kunci: Machine learning, Mask detection, Pandemi, Sensor MLX90614
BAB 1. PENDAHULUAN
1.1 Latar Belakang
Pada Desember 2019, kasus pneumonia misterius pertama kali dilaporkan di Wuhan, Provinsi Hubei. Tanggal 18 Desember hingga 29 Desember 2019, terdapat lima pasien yang dirawat dengan penyakit Acute Respiratory Distress Syndrome (ARDS). Sejak 31 Desember 2019 hingga 3 Januari 2020 kasus ini meningkat pesat, ditandai dengan dilaporkannya sebanyak 44 kasus. Tidak sampai satu bulan, penyakit ini telah menyebar di berbagai provinsi lain di China, Thailand, Jepang dan Korea Selatan. Sampel yang diteliti menunjukkan etiologi corona virus baru. Awalnya, penyakit ini dinamakan sementara sebagai 2019 Novel Corona Virus (2019-nCoV), kemudian WHO mengumumkan nama baru pada 11 Februari 2020 yaitu Corona virus Disease-2019 (COVID-19) yang disebabkan oleh virus Severe Acute Respiratory Syndrome Corona Virus 2 (SARS CoV-2).
Virus ini dapat ditularkan dari manusia ke manusia dan telah menyebar secara luas di China dan lebih dari 190 negara dan wilayah lainnya. Pada 12 Maret 2020, WHO mengumumkan COVID-19 sebagai pandemik (Susilo dkk, 2020).
Data dari News Google (2021) menunjukkan bahwa total kasus COVID-19 di dunia terhitung sampai tanggal 06 Juni 2021 adalah 173.101.490 kasus dengan pasien meninggal sebanyak 3.724.017 orang. Indonesiaberada padaperingkat18dari217negara di dunia yang terjangkit COVID-19 dengan total kasussebanyak 1.850.206 kasusdengan rincian 1.705.971 sembuh dan51.449 meninggal dunia.
Berdasarkan bukti ilmiah, COVID-19 dapat menular dari manusia ke manusia lain melalui kontak erat dan droplet, tidak melalui udara. Orang yang paling berisiko tertular penyakit ini adalah orang yang kontak erat dengan pasien COVID-19 termasuk yang merawat pasien COVID-19.
Rekomendasi standar untuk mencegah penyebaran infeksi adalah melalui cuci tangan secara teratur, menerapkan etika batuk dan bersin, menghindari kontak secara langsung dengan ternak dan hewan liar, menghindari kontak dekat dengan siapa pun yang menunjukkan gejala penyakit pernapasan seperti batuk dan bersin, serta menggunakan masker sebagai bentuk penerapan protokol kesehatan.
Protokol kesehatan yang dapat dijumpai ditempat umum sekarang ini adalah memakai masker, mengukur suhu tubuh dan menggunakan hand sanitizer. Hal ini biasanya dilakukan oleh pihak pengelola tempat tersebut dimana akan ada orang yang siaga untuk mengecek pemakaian masker, mengukur suhu dengan termometer digital dan mengarahkan untuk memakai hand sanitizer secara manual. Namun, cara seperti ini masih kurang efisien karena tenaga manusia terbatas dan sistem pemakaian hand sanitizer dengan cara menekan botolnya oleh tangan yang berbeda juga masih
mampu memberi kesempatan penyebaran virus corona (Kementerian Kesehatan RI, 2020).
Mengatasi permasalahan tersebut perlu adanya teknologi yang mampu meminimalisir cluster COVID-19 di masa pandemik ini. Seiring dengan semakin pesatnya perkembangan teknologi saat ini, teknologi memiliki peranan yang sangat penting dalam kemajuan kehidupan manusia. Teknologi juga dapat diterapkan dibidang kesehatan khususnya pada alat deteksi penggunaan masker, pengukur suhu tubuh manusia dan kebersihan tangan. Perkembangan teknologi yang pesat ini bisa dimanfaatkan untuk membuat alat deteksi penggunaan masker, pengukur suhu dan hand sanitizer otomatis agar lebih efektif dan efisien pada penanganan virus corona dan dalam melaksanakan protokol kesehatan pada masa new normal. Alat ini dapat mengurangi kontak antar manusia pada proses pengecekan penggunaan masker, pengukuran suhu, mengurangi kontak tangan ke botol hand sanitizer yang sudah di sentuh oleh orang lain, dan juga mengurangi penggunaan tenaga manusia untuk melakukan prosedur pengukuran suhu dan penggunaan hand sanitizer (Kencana, 2020).
Penelitian Stevania (2019) menunjukkan bahwa alat pengukur suhu menggunakan Arduino Mega2560 dapat membantu tenaga medis untuk melakukan pemantauan suhu tubuh pasien dengan error sebesar +0,06oC. Hal ini dikarenakan pada saat pengujian suhu sistem masih dipengaruhi suhu ruangan. Selain itu, penelitian Desiyanto dan Djannah (2013) tentang efektivitas mencuci tangan menunjukkan hasil bahwa mencuci tangan menggunakan hand sanitizer menunjukkan kuman lebih sedikit dan lebih efektif dibandingkan mencuci tangan dengan air mengalir menggunakan sabun. Alat otomatis hand sanitizer dan ukur suhu tubuh mandiri berbasis IoT dengan NodeMCU yang dirancang Kencana (2020) belum mampu mengukur suhu secara efektif karena tidak dilengkapi sensor ultrasonik yang berfungsi untuk mengatur jarak minimal agar hasil yang muncul lebih akurat.
Selain itu, pendeteksian penggunaan masker pada umumnya masih dilakukan secara manual oleh petugas sehingga dapat menimbulkan masalah atau human error. Dengan menerapkan teknologi Teachable Machine, yang merupakan tools buatan Google yang dapat membuat Machine Learning model dengan mudah dan cepat. Dengan Teachable Machine, kita dapat membuat Model Image Classification untuk menentukan apakah seseorang menggunakan masker atau tidak (Tanoto, 2020).
Pada penelitian sebelumnya, Anarki dkk (2021), telah melakukan penelitian mengenai pendeteksian masker dengan proses klasifikasi objek dengan Open CV Phyton. Akan tetapi, metoda ini terbilang sulit dikarenakan harus melakukan pembuatan program/ coding. Selanjutnya alat yang ada di pasaran saat ini, belum ada yang memiliki tiga fungsi sekaligus. Seperti penelitian Anarki dkk (2021) yang telah disebut di atas, hanya melakukan pendeteksian masker saja, Ardiyansah dan Nurpulaela (2021) hanya membuat alat khusus pengukuran suhu tubuh saja, serta penelitian Budiana dkk (2020) hanya membuat alat khusus hand sanitizer otomatis saja. Sedangkan pada penelitian ini untuk pendeteksian penggunaan masker menggunakan model Machine Learning dari website Teachable Machine yang dijalankan pada Pictoblox dengan hasil yang lebih presisi dan akurat, serta pada alat ini memiliki 3 fungsi sekaligus yaitu untuk deteksi masker, mengecek suhu tubuh dan hand sanitizer otomatis
Berdasarkan latar belakang yang telah diuraikan, maka penelitian ini berjudul Perancangan Sistem Deteksi Penggunaan Masker serta Alat Pengukur Suhu dan Hand Sanitizer Otomatis sebagai Upaya Penerapan Protokol Kesehatan Covid-19 PAda Masa New Normal.
1.2 Rumusan Masalah
Berdasarkan permasalahan yang terdapat pada latar belakang, kami merumuskan masalah yang akan muncul seperti uraian dibawah ini:
1. Bagaimana hasil pendeteksian masker dengan metoda machine learning?
2. Bagaimana hasil pengujian pada sensor suhu tubuh?
3. Bagaimana hasil pengujian sistem secara keseluruhan?
1.3 Tujuan Penelitian
Adapun tujuan penelitian ini ialah untuk menghasilkan sebuah alat yang dapat melakukan pendeteksian penggunaan masker dan pengukuran suhu secara akurat serta sistem otomatisasi dalam pemakaian hand sanitizer yang efektif dan efisien. Secara rinci seperti uraian berikut:
1. Menjelaskan hasil pendeteksian masker dengan metoda machine learning.
2. Menjelaskan pengujian pada sensor suhu tubuh.
3. Menjelaskan hasil pengujian sistem secara keseluruhan.
1.4 Manfaat Penelitian
Melalui penelitian ini, diharapkan dapat memberikan manfaat yaitu:
1. Memberikan sumbangan pemikiran bagi pembaharuan teknologi kesehatan pada masa pandemi Covid-19.
2. Dapat menambah wawasan, pengetahuan dan pengalaman serta menjadi dasar dalam rangka menciptakan teknologi yang kreatif, efektif dan berkualitas.
BAB 2. TINJAUAN PUSTAKA
2.1 New NormalCorona Virus Disease-2019 (COVID-19) adalah penyakit jenis baru yang belum pernah diidentifikasi sebelumnya pada manusia yang disebabkan virus corona (Sars-CoV-2). Tatanan, kebiasaan dan perilaku yang baru berbasis pada adaptasi untuk membudayakan perilaku hidup bersih dan sehat disebut sebagai new normal. Untuk merealisasikan skenario new normal, saat ini pemerintah telah menggandeng seluruh pihak terkait termasuk tokoh masyarakat, para ahli dan para pakar untuk merumuskan protokol atau SOP untuk memastikan masyarakat dapat beraktivitas kembali namun tetap aman dari Covid-19. Berdasarkan bukti ilmiah, COVID-19 dapat menular dari manusia ke manusia lain melalui kontak erat dan droplet, tidak melalui udara. Orang yang paling berisiko tertular penyakit ini adalah orang yang kontak erat dengan pasien COVID-19 termasuk yang merawat pasien COVID-19. Rekomendasi standar untuk mencegah penyebaran infeksi adalah diberlakukannya penerapan protokol kesehatan seperti penggunaan masker, pengukuran suhu di tempat umum dan pemakaian hand sanitizer (Kementerian Kesehatan RI, 2020).
2.2 Diagram Blok Sistem
Gambar 1 : Diagram Blok Sistem
Pada Gambar 1, bagian input dari sistem terdiri dari kamera/webcam untuk mendeteksi penggunaan masker di wajah, sensor jarak 1 digunakan untuk mendeteksi jarak/posisi tangan yang akan dideteksi suhu tubuhnya oleh sensor suhu, dan sensor jarak 2 untuk mendeteksi jarak/posisi tangan yang akan menggunakan hand sanitizer. Selanjutnya, input atau masukan dari sensor akan diproses di Mini PC / PC dan juga mikrokontroler. Keluaran dari sistem adalah berupa suara melalui speaker, tampilan data melalui LCD, motor servo 1 yang akan bergerak untuk mengeluarkan cairan hand sanitizer, dan motor servo 2 yang akan menggerak pintu untuk membuka / menutup.
2.3 Website Teachable Machine
Teachable Machine merupakan tools buatan Google yang dapat membuat ML (Machine Learning) model dengan mudah dan cepat yang dibuat dengan menggunakan Tensorflow.js. Untuk memulai membuat proyek, dapat mengunjungi laman https://teachablemachine.withgoogle.com . Pada laman tersebut terdapat tiga pilihan new project seperti terlihat pada Gambar 2.2. Image project untuk mengklasifikasikan gambar menggunakan file atau webcam. Audio project untuk mengklasifikasikan audio atau suara dengan merekam sampel suara pendek. Pose project untuk mengklasifikasikan posisi tubuh menggunakan file atau langsung melakukan pose melalui kamera webcam.
Gambar 2 : Macam-macam Project pada Teachable Machine
Untuk membuat suatu proyek baru, yang pertama kita lakukan adalah Gather yaitu mengumpulkan dan mengelompokkan file model kita ke dalam kelas atau suatu kategori tertentu.
Yang kedua adalah Train yaitu menguji coba apakah model tersebut dapat mengklasifikasikan dengan benar. Selanjutnya yang ketiga adalah Export yaitu mengekspor model yang telah dibuat ke situs, aplikasi, dan lainnya (Anani, 2021)
Gambar 3 : Tahapan Membuat Proyek Baru pada Teachable Machine
2.4 Arduino Uno
Arduino Uno adalah salah satu varian dari produk board mikrokontroler keluaran Arduino.
Arduino Uno adalah board kecil yang menggunakan mikrokontroler AVR Atmega 328. Dengan berbagai kelebihan yang dimiliki, maka mikrokontroler AVR sangat cocok untuk diterapkan pada sistem kendali otomatis (Dewi dan Rozandi, 2020).
Gambar 4 : Arduino Uno
2.5 Kamera Logitech C930e
Kamera yang digunakan dalam sistem ini adalah webcam C930e. Webcam C930e secara cerdas menyesuaikan dirinya untuk meningkatkan kualitas visual dalam cahaya redup pada berbagai macam jarak dan di dalamnya ditanamkan prosesor 2,4 GHz Intel Core 2 Duo.
Gambar 5 : Kamera Logitech C930e
2.6 Sensor Suhu GY-906 MLX90614 ESF
Sensor MLX90614 merupakan sensor yang digunakan untuk mengukur suhu dengan memanfaatkan radiasi gelombang inframerah . Sensor MLX90614 didesain khusus untuk mendeteksi energi radiasi inframerah dan secara otomotis telah didesain sehingga dapat mengkalibrasikan energi radiasi inframerah menjadi skala temperatur. MLX90614 terdiri dari detektor thermopile inframerah MLX81101 dan signal conditioning ASSP MLX90302 yang digunakan untuk memproses keluaran dari sensor inframerah. Pada bagian thermopile terdiri dari layer-layer atau membran yang terbuat dari silikon dan mengandung banyak sekali termokopel sehingga radiasi inframerah yang berasal dari objek yang akan ditangkap oleh membran tersebut (Putu dan Pebralia, 2015).
Gambar 6 : Sensor Suhu GY-906 MLX90614 ESF
2.7 LCD Karakter 16×2
LCD merupakan sebuah alat yang berfungsi untuk menampilkan suatu ukuran besaran atau angka, sehingga dapat dilihat dan ketahui melalui tampilan layar kristalnya. Dimana penggunaan LCD dalam logger suhu ini menggunakan LCD dengan 16x2 karakter (2 baris 16 karakter). LCD 16x2 memiliki 16 nomor pin, dimana masing-masing pin memiliki tanda simbol dan juga fungsi-fungsi yang berbeda (Budiyanto, 2012).
Gambar 7 : LCD Karakter 16×2
2.8 Motor Servo
Motor servo (Dinamo Servo) adalah sebuah motor DC yang dilengkapi rangkaian kendali dengan sistem closed feedback yang terintegrasi dalam motor tersebut. Pada motor servo posisi putaran sumbu (axis) dari motor akan diinformasikan kembali ke rangkaian kontrol yang ada di dalam motor servo. Motor servo disusun dari sebuah motor DC, gearbox, Variabel Resistor (VR) atau potensiometer dan rangkaian kontrol. Potensiometer berfungsi untuk menentukan batas maksimum putaran sumbu (axis) motor servo. Sedangkan sudut dari sumbu motor servo diatur berdasarkan lebar pulsa yang pada pin kontrol motor servo.
Gambar 8 : Dinamo Servo
2.9 Sensor Ultrasonik HC-SR04
Sensor HCSR04 adalah sensor pengukur jarak berbasis gelombang ultrasonik. Keunggulan sensor ini adalah jangkauan deteksi sekitar 2 cm sampai kisaran 400-500 cm dengan resolusi 1 cm.
Sensor HCSR04 adalah versi low cost dari sensor ultrasonic PING buatan parallax. Perbedaaannya terletak pada pin yang digunakan. HCSR04 menggunakan 4 pin sedangkan PING buatan Parallax menggunakan 3 pin (Satya dkk, 2019).
Gambar 9 : Sensor Ultrasonik HC-SR04
BAB 3. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian
Waktu penelitian berlangsung pada bulan Juni sampai bulan Oktober tahun 2021. Penelitian ini dilaksanakan di SMA IT PLUS BAZMA BRILLIANT.
3.2 Sumber Data, Alat, dan Bahan
Sumber data pada penelitian ini berupa kumpulan fakta yang diperoleh dari suatu pengukuran pada alat saat pengujian serta instrumen penelitian berupa kuisioner validasi dengan setiap komponen dapat diberi skor oleh validator sesuai skala likert pada rubrik yang telah ditentukan (Sugiyono,
2015). Peralatan yang digunakan dalam penelitian ini terdiri dari Personal Computer (PC) dan komponen pembuatan pendeteksi masker, alat pengukur suhu dan hand sanitizer otomatis. Piranti yang digunakan adalah mikrokontroler, kamera Logitech C930e, sensor suhu GY-906 MLX90614 ESF, sensor ultrasonic HC-SR04, mini PC/raspberry, power supply, DF mini player, LCD/display 16x2, motor servo, lampu indikator, speaker, tools kit untuk merakit alat, serta bahan akrilik dan stiker sebagai badan alat.
3.3 Metode Pemerolehan Data
Terdapat dua metode pemerolehan data yang digunakan dalam penelitian ini, yakni hasil analisis pengukuran kinerja dari sub sistem maupun kinerja dari sistem secara keseluruhan serta observasi dengan menggunakan instrumen lembar validasi yang dilakukan oleh pengguna yaitu beberapa warga sekolah SMA IT Plus Bazma Brilliant.
3.4 Metode Pengolahan dan Analisis Data
Penelitian ini digolongkan pada jenis penelitian dan pengembangan (Research and Development) dengan model pengembangan yang diadaptasi dari model desain instruksional ADDIE yang meliputi tahap analisis (Analysis), desain (Design), pengembangan (Develop), implementasi (Implement), dan Evaluasi (Evaluate) (Branch dan Kopcha, 2014).
Prosedur perancangan alat deteksi penggunaan masker, pengukur suhu tubuh, dan hand sanitizer otomatis menurut Branch dan Kopcha (2014) ini disesuaikan dengan model pengembangan ADDIE dan dibuat melalui tahapan berikut:
1. Analisis (Analysis)
Pada tahap analisis berfokus pada target audiens. Pada tahap ini dilakukan analisis masalah, tujuan, sasaran, serta identifikasi lingkungan sekitar.
2. Desain (Design)
Tahap desain terkait dengan perancangan model alat deteksi penggunaan masker, pengukur suhu tubuh, dan hand sanitizer otomatis. Tahap ini dimulai dengan pembuatan flowchart, diagram blok sistem, dan model machine learning .bentuk data train model untuk sistem deteksi masker dan diagram flowchart terlihat pada gambar berikut.
(a) (b)
Gambar 10 : Bentuk rancangan data train model untuk deteksi masker: (a) Mask, (b) No Mask
Gambar 11 : Flowchart Diagram 3. Pengembangan (Develop)
Pada tahap pengembangan produk ini dilakukan pembuatan dan perakitan alat deteksi penggunaan masker, pengukur suhu tubuh, dan hand sanitizer otomatis.
4. Implementasi (Implement)
Tahap implementasi yaitu menerapkan dan menggunakan alat deteksi penggunaan masker, pengukur suhu tubuh, dan hand sanitizer otomatis di sekolah. Untuk mengetahui efektivitas penggunaan alat tersebut, maka dilakukan uji coba alat untuk mengetahui ketepatan dan ketelitian alat dengan perhitungan secara matematis. Teknik analisis data yang akan dilakukan adalah dengan memplot data penelitian pada grafik.
Ketepatan merupakan tingkat kesesuaian atau dekatnya suatu hasil pengukuran terhadap harga sebenarnya (Cooper, 1999). Dari pengertian ini dapat ditentukan persentase kesalahan dari sistem pengukuran pada Persamaan 1:
( % ) Kesalahan=| ( Aktual −Terbaca )
Aktual |x 100 %
(1)
Pada Persamaan 1 persen kesalahan merupakan persentase simpangan antara harga besaran yang diukur dengan nilai yang sebenarnya. Aktual dapat diinterpretasikan sebagai nilai sebenarnya yang terukur oleh alat standar atau perhitungan secara teoritis, sedangkan terbaca adalah nilai yang terukur oleh alat yang dibuat. Berdasarkan Persamaan 1 dihasilkan persamaan untuk ketepatan dari sistem seperti pada Persamaan 2.
(%) Ketepatan (A) =
1−| Aktual−Terbaca Aktual |
x 100% (2)
Ketelitian dari pengukuran merupakan kesamaan harga dari sekelompok pengukuran. Nilai yang paling mungkin dari suatu pengukuran variabel adalah nilai rata-rata dari total pengukuran yang dilakukan. Dari nilai rata-rata dapat dicari ketelitian suatu alat berdasarkan Persamaan 4.
Ketelitian =
1−| Xn− Xn Xn |
(4)
Disini Xn adalah nilai pengukuran ke-n dan n adalah jumlah total pengukuran. Untuk menghitung tingkat ketelitian dapat digunakan standar deviasi pada Persamaan 5.
ΔX=1
n
√
n∑
Xi2n−1−(∑
Xi)2 (5)Untuk melaporkan hasil pengukuran terhadap suatu besaran dapat dinyatakan dalam bentuk Persamaan 6.
X=X−±ΔX (6)
5. Evaluasi (Evaluate)
Tahap evaluasi di sini meliputi internal evaluation (istilah lain dari evaluasi formatif) yang dilaksanakan untuk mengetahui kualitas produk. Hasil evaluasi formatif digunakan sebagai umpan balik untuk mengadakan perbaikan. Evaluasi formatif dalam penelitian ini adalah validasi dari ahli materi, ahli media, validasi dari perangkat sekolah, serta data hasil pengukuran diolah baik secara grafik maupun secara statistik
BAB 4. HASIL DAN PEMBAHASAN
Setelah selesai tahap perancangan dan pembuatan alat, maka tahap selanjutnya adalah proses pengujian. Suatu alat atau sistem dapat dikatakan bekerja dengan baik jika telah dilengkapi dengan pengujian sesuai fungsi kerja peralatan tersebut, baik pengujian masing-masing sub-sistem maupun pengujian secara keseluruhan.
Tujuan pengujian ini untuk melihat sejauh mana alat yang dibuat penulis apakah bekerja secara baik atau tidak, begitu juga dengan software yang dibuat. Dengan demikian akan didapatkan hasil dan perbandingan dari yang direncanakan sebelumnya. Pengujian yang akan dibahas adalah pengujian terhadap rancangan sistem yang telah dilakukan disertai dengan analisa. Gambar 12 merupakan bentuk tampilan alat keseluruhan.
Gambar 12 : Tampilan Alat Keseluruhan.
Secara umum sistem ini terdiri dari:
1. Bagian Deteksi Masker
Bagian deteksi masker berupa kamera webcam sebagai input untuk penangkap gambar yang di proses dengan konsep machine learning menggunakan Technable Machine pada PC dan data tersebut yang akan dikirimkan pada mikrokontroler untuk diproses. Bentuk bagian deteksi masker dapat dilihat pada Gambar 13 berikut.
Gambar 13 : Merupakan bentuk tampilan alat keseluruhan.
2. Bagian Deteksi Suhu
Bagian deteksi suhu berupa Sensor MLX90614 yang dipasang pada bagian atas alat dengan disertai sensor jarak untuk memulai melakukan pengukuran suhu. Data sensor suhu akan diproses oleh mikrokontroler untuk memberikan kondisi output sesuai dengan yang diinginkan. Bentuk bagian deteksi suhu dapat dilihat pada Gambar 14.
Gambar 14 : Bentuk Tampilan Sensor Suhu 3. Bagian Handsanitizer otomatis
Bagian handsanitizer otomatis terdiri dari servo yang dipasang secara mekanik agar dapat menekan botol ketika sensor jarak mendeteksi adanya tangan. Bentuk tampilan handsanitizer otomatis dapat dilihat dari Gambar 15.
Gambar 15 : Bentuk Tampilan Tampak Belakang Mekanik pada Handsantizer
4.1 Pengujian Sensor Suhu
Pada pengujian pembacaan nilai suhu ini dilakukan dengan beberapa kali percobaan dengan variasi objek yang berbeda. Pengujian ini dilakukan untuk melihat akurasi dari pembacaan sensor.
Alat ukur pembanding yang digunakan adalah thermogun, dan hasil pengukuran seperti yang terlihat pada Tabel 1.
Tabel 1: Hasil data pengujian sensor suhu Pengujian Hasil Pembacaan Sensor
(oC)
Hasil Pembacaan Alat pembanding (oC)
Akurasi (%)
1 36.1 36.3 99.5
2 36.2 36.1 99.8
3 36.8 36.4 99.0
4 35.5 35.3 99.2
5 35.7 36.0 99.2
6 34.5 34.4 99.8
7 35.6 35.2 98.9
8 36.1 35.8 99.2
9 36.7 36.7 100
10 34.6 35.1 98.6
Nilai akurasi pembacaan sensor dapat dihitung dengan rumus :
(%) Ketepatan (A) =
1−| Aktual−Terbaca Aktual |
x 100% (2)
Dimana : Ketepatan (A) = Akurasi
Aktual = Nilai pembacaan alat ukur Terbaca = Nilai pembacaan sensor
Berdasarkan Tabel 1 di atas menunjukan bahwa sensor Suhu MLX90614 dalam keadaan baik dengan nilai akurasi pengukuran rata-rata dengan 10 kali pengujian adalah 99.32%. Grafik perbandingan hasil pembacaan sensor dan alat pengukur suhu (thermogun) terlihat pada Gambar 17 berikut.
Gambar 16 : Hasil Pembacaan Suhu pada Sensor dan Alat Pembanding
Gambar 17 : Grafik Hasil Pembacaan oleh Sensor dan Alat Pembanding
4.2 Pengujian Deteksi Penggunaan Masker
Pengujian ini dilakukan untuk melihat keberhasilan metoda Machine Learning dalam melakukan pemindaian dalam proses pendeteksian masker, pengujian dilakukan dengan 4 kali dengan pengujian pertama tidak menggunakan masker, pengujian kedua dengan menggunakan masker berwarna putih, pengujian ketiga dengan masker berwarna biru dan pengujian terahir dengan masker berwarna hitam. Hasil pengujian dapat dilihat pada Tabel 2 berikut.
Tabel 2 : Hasil data pengujian sensor suhu
Pengujian Kondisi Hasil Keterangan
1 Tidak menggunakan
Masker
Terdeteksi tidak menggunakan masker (No Mask)
Sukses
2 Menggunakan masker
putih
Terdeteksi menggunakan masker (Mask)
Sukses
3 Menggunakan Masker
biru
Terdeteksi menggunakan masker (Mask)
Sukses
4 Menggunakan masker
Hitam
Terdeteksi menggunakan masker (Mask)
Sukses
Berdasarkan tabel diatas, terlihat sistem deteksi masker telah mampu membedakan objek yang tidak menggunakan masker dan objek yang menggunakan masker walaupun dengan warna masker yang berbeda beda, Dengan demikian sistem mask detection yang digunakan sudah berjalan dengan baik. Untuk lebih jelasnya seperti yang terlihat pada Gambar 18 berikut.
(a) (b)
(c) (d)
Gambar 18 : Tampilan Hasil Deteksi Masker (a) Pengujian 1, (b) Pengujian 2, (c) Pengujian 3, (d) Pengujian 4 4.3 Pengujian Sistem Secara Keseluruhan
Pada pengujian ini bertujuan untuk melihat apakah sistem yang dibuat telah mampu bekerja dalam membuka dan menutup sebuah pintu berdasarkan data dari sensor suhu tubuh dan data deteksi masker . Pengujian dan hasil pengujian terlihat pada Tabel 3 berikut.
Tabel 3 : Hasil Data Pengujian Secara Keseluruhan
Pengujian Servo/Pintu Hasil Suara Keterangan
Kondisi tidak menggunakan masker dan suhu > 37°C
Mati / tertutup Maaf, dilarang masuk
Sukses Kondisi tidak menggunakan masker
dan Suhu < 37°C
Mati / Tertutup Maaf dilarang masuk
Sukses Kondisi menggunakan masker dan
suhu > 37°C
Mati / tertutup Maaf, dilarang masuk
Sukses Kondisi menggunakan masker dan
suhu < 37°C
Hidup /Terbuka Silahkan Masuk Sukses
Dari tabel diatas, dapat dilihat bahwa sistem secara keseluruhan telah bekerja dan berfungsi dengan baik sesuai dengan algoritma yang dirancang. Pada pengujian pertama ketika tidak menggunakan masker dan suhu tubuh besar dari 37°C pintu tidak akan terbuka dan alat akan menghasilkan suara dilarang masuk. Pada pengujian kedua objek tidak menggunakan masker akan
tetapi suhu kecil dari 37°C namun pintu tetap tidak akan terbuka dan begitu juga sebaliknya pada pengujian ketiga. Sedangkan pada pengujian keempat objek menggunakan masker dan suhu tubuh kecil dari 37°C maka sistem berhasil untuk mengaktifkan servo untuk melakukan proses membuka pintu serta menghasilkan suara “Silahkan Masuk”. Dengan demikian, sistem sudah berjalan dengan baik sesuai dengan algoritma dan flowchart yang dirancang.
Gambar 19 : Pengujian Sistem secara keseluruhan (a) Pintu terbuka, (b) pintu tertutup
BAB 5. KESIMPULAN DAN SARAN 5.1 Kesimpulan
Kesimpulan yang didapatkan dari penelitian ini adalah:
1. Berdasarkan pengujian yang telah dilakukan, deteksi masker dengan penerapan metoda machine learning sudah berjalan dengan baik walaupun sistem dihadapkan dengan bentuk dan warna masker yang berbeda-beda.
2. Sensor MLX9014 yang digunakan sudah mampu mengukur suhu tubuh secara otomatis dengan tingkat akurasi 99,32%.
3. Berdasarkan pengujian yang telah dilakukan, dengan bekerjanya seluruh sistem dengan baik akan dapat menjadi sumbangan teknologi pada masa pandemi ini untuk membantu Indonesia pulih dari Covid-19.
5.2 Saran
Pada penelitian kedepannya, diharapkan penerapan sistem otomasi dan machine learning dapat dikembangkan dan diimplementasikan pada bidang lainnya.
UCAPAN TERIMAKASIH
Dalam penyelesaian laporan penelitian ini, kami menyadari bahwa dalam proses penyelesaiannya tidak terlepas dari bantuan berbagai pihak. Untuk itu, kami menyampaikan ucapan terima kasih kepada:
1. Pihak sekolah SMA IT Plus Bazma Brilliant yang telah membantu kami untuk dapat mewujudkan alat ini.
2. Guru pembimbing yang telah membimbing dalam pembuatan alat serta penyelesaian laporan penelitian.
REFERENSI
Anani-Manyo, N. K. 2021. Computer Vision and Building Envelopes. Doctoral dissertation, Kent State University.
Anarki, G. A., Auliasari, K., dan Orisa, M. 2021. Penerapan Metode Haar Cascade Pada Aplikasi Deteksi Masker. JATI (Jurnal Mahasiswa Teknik Informatika), 5(1), 179-186.
Ardiyansah, I., dan Nurpulaela, L. 2021. Sistem Pengukuran Suhu Tubuh Otomatis Berbasis Arduino Sebagai Alat Deteksi Awal COVID-19. Power Elektronik: Jurnal Orang Elektro, 10(2), 60-64.
Branch, R. M., dan Kopcha, T. J. 2014. Instructional Design Models in Handbook of Research on Educational Communications and Technology, Springer, New York.
Budiana, B., Sani, A., Pamungkas, D. S., Wahyudi, M. P. E., Siregar, L., Risandriya, S. K., ... dan Lumbantoruan, D. R. 2020. Pembuatan Alat Otomatis Hand Sanitizer sebagai Salah Satu Antisipasi Penyebaran COVID-19 di Politeknik Negeri Batam. Journal of Applied Electrical Engineering, 4(2), 40-43.
Budiyanto, S. 2012. Sistem Logger Suhu dengan Menggunakan Komunikasi Gelombang Radio.Teknologi Elektro, 3(1), 142033.
Cooper, W, D. 1999. Instrumentasi Elektronik dan Teknik Pengukuran. Jakarta: Erlangga.
Desiyanto, F. A., dan Djannah, S. N. 2013. Efektivitas mencuci tangan menggunakan cairan pembersih tangan antiseptik (hand sanitizer) terhadap jumlah angka kuman. Kes Mas: Jurnal Fakultas Kesehatan Masyarakat Universitas Ahmad Daulan, 7(2), 24934.
Dewi, R., dan Rozandi, D. A. 2020. Tampilan Nama Hari Berbasis Mikrokontroler Arduino Uno Menggunakan Saklar Tekan pada Project Board. Journal of Electrical Power Control and Automation (JEPCA), 2(1), 21-24.
Kementerian Kesehatan RI. 2020. Pedoman Pencegahan dan Pengendalian Coronavirus Disease (COVID-19). Direktorat Jenderal Pencegah dan Pengendali Penyakit.
Kencana, A. W. 2020. Rancang Bangun Alat Otomatis Hand sanitizer dan Ukur Suhu Tubuh Mandiri Untuk Pencegahan COVID-19 Berbasis IOT. TRANSIT, 2.
News Google 2021. Total Kasus Covid-19 di Dunia. https://news.google.com/covid19/map?
hl=id&gl=ID&ceid=ID%3Aid&mid=%2Fm%2F03ryn&state=1 [03Juni 2021].
Nurtado, A. 2020. Simulasi Bel Sekolah Otomatis Berbasis Arduino Uno. Jurnal Manajemen dan Teknik Informatika (JUMANTAKA), 3(1).
Putu, Y. N. N., dan Pebralia, J. 2015. Studi Penerapan Sensor MLX90614 Sebagai Pengukur Suhu Tinggi secara Non-kontak Berbasis Arduino dan Labview. Prosiding Simposium Nasional Inovasi dan Pembelajaran Sains.
Satya, T. P., Al Fauzan, M. R., dan Admoko, E. M. D. 2019. Sensor ultrasonik HCSR04 berbasis arduino due untuk sistem monitoring ketinggian. JFA (Jurnal Fisika dan Aplikasinya), 15(2), 36- 39.
Stevania, A. S. 2019. Alat Pengukur Dan Pencatat Suhu Tubuh Manusia Berbasis Arduino Mega 2560 Dengan Sms Gateway. Skripsi, UNNES.
Sugiyono. 2015. Metodologi Penelitian Pendidikan. Bandung: Alfabet.
Susilo, A., Rumende, C. M., Pitoyo, C. W., Santoso, W. D., Yulianti, M., Herikurniawan, H., ... dan Yunihastuti, E. 2020. Coronavirus disease 2019: Tinjauan literatur terkini. Jurnal Penyakit Dalam Indonesia, 7(1), 45-67.
Tanoto, E. 2020. Cara membuat Machine Learning Image Classification Model tanpa perlu Coding Sama Sekali!. https://kotakode.com/blogs/3179/Cara-membuat-Machine-Learning-Image- Classification-Model-tanpa-perlu-Coding-Sama-Sekali! [03Juni 2021].
