Deteksi Masker Pada Video CCTV Dengan Metode You Only Look Once
Dean Darmawan*1, Daniel Udjulawa2, Novan Wijaya3
1,2Universitas Multi Data Palembang; Jl. Rajawali No.14, +62(711)376400/373630
3Program Studi Teknik Informatika, Universitas Multi Data Palembang, Palembang e-mail: *1[email protected], 2[email protected], 3[email protected]
Abstrak
Pandemi COVID-19 adalah pandemi virus yang mengancam kesehatan manusia dengan menyerang sistem paru-paru dalam tubuh. Pada tanggal 11 Maret 2020, Organisasi Kesehatan Dunia (World Health Organisation) resmi menyatakan bahwa COVID-19 sudah menjadi pandemi virus berskala global. Kasus penyebaran virus COVID-19 pada saat penelitian dilakukan, menyentuh angka 181 juta kasus yang telah terjadi di seluruh dunia dengan angka kematian sebesar 3.92 juta. Negara Indonesia sendiri menjadi salah satu negara yang mengalami penyebaran virus COVID-19 dengan jumlah kasus 2.09 juta dan angka kematian menyentuh 56,729 jiwa. Untuk mengurangi angka penyebaran virus COVID-19, organisasi kesehatan dunia mengharuskan setiap individu untuk melakukan menjaga jarak antar sesama, menjaga kebersihan tubuh dan lingkungan, dan juga menggunakan masker sebagai pelindung dari penyebaran virus. Berdasarkan apa yang telah terjadi, diusulkan sebuah program yang dapat melakukan deteksi masker melalui video rekaman CCTV menggunakan metode deteksi objek You Only Look Once (YOLO). Hasil pengujian didapat berdasarkan nilai f-measure yaitu dengan nilai yang paling besar 0.59 dan yang paling kecil 0.19 pada video yang diambil dengan jarak 70 cm. Pada video dengan jarak lebih dari 90 cm didapat hasil akurasi sebesar 0.
Kata kunci—Masker, You Only Look Once, YOLO, Deteksi Objek
Abstract
The COVID-19 pandemic is a global pandemic of corona virus that are endanger the lifes of humanity by affecting the lungs and affecting our breathing system. In 11th March 2020, World Health Organisation (WHO) officially declared an ongoing global pandemic of COVID-19. COVID- 19 cases in the world itself is already reaching 181 million of cases with around 3.92 million deaths.
Indonesia itself is one of the country that are affected by COVID-19 spread with 2.09 million cases and 56,729 deaths. In order to decrease the amount of COVID-19 cases, WHO require each individuals to do social distancing, stay hygiene, and always wearing face mask to prevent even more spread of the virus. A method to do face mask detection is proposed using a object detection method, You Only Look Once (YOLO). The test results obtained by calculating f-measure with the highest accuracy of 0.59 and the lowest of 0.19 using CCTV video that are taken with 70 cm distance. In the second test using video that are recorded with more than 90 cm the program obtained it’s result of 0.
Keywords—Face Mask, You Only Look Once, YOLO, Object Detection
This is an open-access article under the CC-BY-CA license
1. PENDAHULUAN
Masker merupakan topeng yang digunakan untuk menutupi area hidung dan mulut pada wajah manusia. Penggunaan Topeng sendiri sudah dilakukan sejak awal oleh manusia purba yang menggunakan topeng sebagai alat perlindungan diri, alat berburu, dan upacara ritual. Pada saat ini, masker berfungsi untuk melindungi debu atau partikel yang masuk ke dalam pernapasan [1].
Ketika penulis sedang melakukan penelitian dan penulisan skripsi ini, dunia sedang dilanda pandemi virus bernama Coronavirus Disease 2019 (Covid-19). Covid-19 sendiri berasal dari virus Severe Acute Respiratory Snydrome Coronavirus 2 (SARS-Cov-2) yang dapat menginfeksi sistem paru-paru manusia. Pandemi Covid-19 berawal dari kota Wuhan di negara China dan kemudian menyebar ke negara lainnya dimana negara Thailand adalah negara pertama diluar China yang telah mendapatkan infeksi dari virus Covid-19. Pada saat penelitian ini dilakukan, jumlah kasus infeksi virus COVID-19 di Indonesia sudah mencapai angka lebih dari 1.233,959 kasus dengan total kematian penduduk mencapai jumlah sebanyak 33.596 jiwa. Sedangkan untuk jumlah pasian yang dinyatakan sembuh mencapai angka 1.039,674 jiwa. Untuk mencegah terjadinya penambahan jumlah pasien yang terpapar virus COVID-19 di Indonesia, badan kesehatan Indonesia memberikan peringatan terhadap masyarakat di seluruh Indonesia untuk selalu menggunakan masker Ketika berada di area terbuka dan melakukan jaga jarak antar sesama serta menjaga kebersihan diri sendiri maupun lingkungan sekitar untuk menghindari terjadinya infeksi virus COVID-19 semakin bertambah.
Dalam penelitian ini penulis menggunakan metode deteksi objek yaitu You Only Look Once (YOLO) yang mana adalah bagian dari algoritma Deep Learning. Deep learning adalah salah satu bagian dari Artificial Intelligence dan machine learning yang merupakan pengembangan dari neural network multiple layer. Proses cara kerja deep learning sendiri memiliki kesamaan dengan cara pembelajaran yang dimiliki oleh manusia sejak lahir yaitu dengan mempelajari sesuatu baik itu teks, suara, atau gambar dengan memberikan contoh kepada mesin. Oleh karena itu deep learning biasa digunakan untuk memberi tugas seperti deteksi objek, pengenalan suara, dan lain-lain. Metode deep learning sendiri biasa menggunakan arsitektur neural network, yang mana hal tersebut menjadi alasan kenapa model deep learning biasa disebut dengan deep neural network. Convolutional Neural Networks (CNN) adalah arsitektur dasar yang digunakan pada bidang deep learning yang digunakan untuk melakukan proses classification, image segmentation, dan object detection pada citra [5].
Secara garis besar penggunaan CNN tidak jauh berbeda dengan neural network biasanya [7].
Penggunaan CNN sendiri memiliki beberapa kelebihan diantaranya adalah ketiadaan proses ekstraksi fitur secara manual. Ekstraksi fitur adalah proses pengambilan ciri/fitur yang nantinya nilai yang didapat akan dianalisis dan digunakan untuk proses selanjutnya [10]. Sehingga dalam penggunaan metode CNN, user tidak perlu melakukan pengenalan fitur untuk melakukan proses klasifikasi citra.
Kelebihan lain dari metode CNN adalah tingginya tingkat pengenalan fitur, metode seperti You Only Look Once (YOLO) dan Faster R-CNN (Regions With Convolutional Neural Networks) sering digunakan oleh banyak user dalam melakukan proses deteksi objek. YOLO adalah sebuah metode yang dikembangkan dengan tujuan untuk melakukan proses pendeteksian objek yang dapat dilakukan secara real-time [2]. Dalam metode YOLO digunakan pendekatan jaringan saraf tiruan (JST) untuk mendeteksi objek pada sebuah citra. Metode YOLO sendiri sudah sering digunakan untuk melakukan pendeteksian suatu objek dalam citra dikarenakan tingkat akurasi yang didapatkan oleh metode YOLO memiliki nilai yang tinggi, membuat metode YOLO menjadi salah satu metode yang paling popular ketika melakukan pendeteksian objek.
Metode deteksi YOLO sudah banyak digunakan untuk melakukan pendeteksian objek seperti pendeteksian objek berupa mobil untuk mengerahui jumlah lahan parkir yang kosong menggunakan modified YOLO yang mendapatkan tingkat akurasi sebesar 100% [3], hingga melakukan
pendeteksian objek yang berukuran relatif kecil seperti pendeteksian senjata tajam berupa pisau melalui aplikasi android dengan menggunakan algoritma YOLOv3-tiny yang mendapatkan tingkat akurasi sebesar 63.6% dan cocok digunakan secara real-time karena waktu inferensi yang cepat [8].
Pada penelitian deteksi makanan cepat saji melalui web-cam menggunakan YOLO didapatkan tingkat akurasi mulai dari 63% sampai dengan 100% secara real-time [4]. Dalam penelitian ini, penulis mencoba melakukan implementasi metode YOLO untuk melakukan pendeteksian objek berupa masker dalam video CCTV untuk memudahkan pemantauan penggunaan masker di tempat publik agar dapat membantu pengurangan terjadinya penyebaran virus COVID-19 yang sudah menyebar dengan luas.
2. METODE PENELITIAN 2.1 Studi Literatur
Pada tahap awal penelitian penulis akan melakukan pengumpulan data atau informasi dari jurnal atau buku penelitian terdahulu untuk membantu penulis dalam melakukan penelitian ini.
2. 1.1 Image Labeling
Image labeling adalah sebuah tool yang digunakan untuk memberikan label terhadap suatu objek yang ingin dilakukan proses deteksi objek. Image labeling membantu pengguna program untuk memberikan sorotan terhadap objek yang ingin dikenali. Image labeling memberikan kemudahan terhadap pengguna untuk melihat objek dalam sebuah gambar. Objek yang telah diberikan label nantinya akan dapat dibaca oleh mesin dan mesin akan menggunakan data tersebut untuk melakukan proses pendeteksian suatu objek sesuai dengan label yang diberikan oleh pengguna.
2.1.2 YOLO (You Only Look Once)
You Only Look Once (YOLO) adalah sebuah algoritma yang dikembangkan dengan tujuan untuk melakukan pendeteksian objek melalui video atau secara real-time. Proses pembelajaran YOLO sendiri memiliki kesamaan dengan proses pembelajaran yang dilakukan oleh manusia, yaitu melakukan pembelajaran melalui contoh yang diberikan. YOLO dapat melakukan suatu deteksi objek dengan cara pengguna memberikan data yang dapat digunakan oleh sistem dan kemudian melatih sistem tersebut agar sistem dapat melakukan pendeteksian objek sesuai dengan kebutuhan [2]. YOLO menggunakan pendekatan yang berbeda dengan dari algoritma lain, yaitu menerapkan sebuah syaraf jaringan tunggal pada keseluruha citra [9].
Algoritma YOLO sendiri bekerja dengan cara menerima sebuah input citra yang dibagi menjadi sebuah grid SxS yang dikirim ke dalam sebuah neural network untuk membuat bounding box dan class prediction. Setiap grid memprediksi nilai B bounding box dan nilai confidence dari tiap kotak. Nilai confidence menggambarkan tingkat akurasi model yang menandakan bahwa benar adanya sebuah objek di dalam bounding box tersebut. Setiap bounding box memiliki 5 parameter prediksi yaitu x,y,w,h. Parameter x,y merepresentasikan koordinat (x,y) yang mana merupakan pusat dari kotak relatif ke citra dan parameter w,h merepresentasikan lebar (width) dan tinggi (height) prediksi relatif dari suatu citra. Setiap cell grid memprediksi probabilitas kelas C. Setiap cell memiliki grid yang memprediksi nilai probabilitas pada kelas C. Probabilitas ini di kondisikan terhadap cell grid yang memuat objek sehingga hanya terdapat satu kelas probabilitas yang terdeteksi disetiap cell grid tanpa memperhitungkan jumlah B bounding box [6]. Dari sekian banyak bounding box yang
dihasilkan, untuk mendapatkan bounding box beserta kelas objek dengan probabilitas yang tinggi, maka dari seluruh hasil prediksi tersebut, hanya yang melampaui threshold yang akan digunakan. Jika terdapat duplikasi bounding box, maka Non-Max Suppresion (NMS) berperan untuk menghilangkan duplikasi tersebut [5].
2. 2 Pengumpulan Data
Untuk melakukan penelitian deteksi masker penulis perlu melakukan pengambilan data latih dan data uji yang mana masing-masing di ambil di lokasi yang berbeda. Pengambilan data latih sendiri dapat dilakukan di berbagai lokasi yang berbeda selama objek yang ingin di deteksi terlihat jelas di dalam gambar. Proses pengambilan data latih sendiri dilakukan di dalam ruangan dan di luar ruangan.
Pada dalam ruangan sumber pencahayaan berasal dari sinar matahari yang masuk melalui pintu dan jendela. Selain sinar matahari penulis juga menggunakan sumber pencahayaan dari lampu yang berada di tengah ruangan. Jenis masker yang digunakan untuk pengambian data menggunakan tiga jenis masker yaitu masker medis, masker kain, dan masker N95.
Pengambilan data uji dilakukan di toko manisan Abang Jaya yang berlokasi di Gang Jaya, 16 Ulu, Kecamatan Seberang Ulu, Kota Palembang. Alat yang digunakan dalam proses pengambilan data uji menggunakan kamera CCTV V380 yang di ambil dari jarak 370 cm dari arah jalan masuk toko Abang Jaya.
2. 3 Perancangan
Untuk melakukan deteksi objek masker penulis menggunakan tools Image Labeler yang terdapat didalam aplikasi MATLAB R2020a untuk memberikan kotak label terhadap objek masker yang nantinya akan digunakan sebagai data training. Setelah itu penulis akan melakukan proses pelatihan deteksi masker menggunakan metode deteksi objek You Only Look Once (YOLO) yang mana data yang telah didapatkan akan digunakan sebagai data latih dan data uji metode deteksi YOLO. Dalam metode YOLO sendiri terdapat beberapa proses yang perlu dilalui sebelum dilakukannya proses training di antaranya adalah proses pemisahan data latih dan data uji, proses validasi data, tahap preprocessing, tahap pendefinisian deteksi YOLO yang nantinya akan digunakan dalam proses training YOLO.
Gambar 1. Perancangan Sistem 2.4 Metode Pengujian
Berikut adalah beberapa metode pengujian yang diterapkan untuk mendapatkan nilai akurasi program yang telah dibuat :
2.4.1 Confusion Matrix
Confusion Matrix adalah salah satu metode yang biasa digunakan untuk melakukan deskripsi kinerja model dari sebuah klasifikasi objek pada beberapa data uji yang sudah diketahui nilainya, sehingga memberikan suatu visualisasi bagaimana kinerja suatu algoritma dan melakukan identifikasi confusion antar kelas seperti kesalahan pemberian label terhadap suatu objek. Confusion Matrix memberikan sebuah ringkasan hasil prediksi pada klasifikasi objek. Terdapat empat representasi hasil dari klasifikasi objek pada metode confusion matrix di antaranya adalah :
1. True Positive 2. True Negative 3. False Positive 4. False Negative
2.4.2 Intersection over Union
Intersection over Union (IoU) adalah metrik evaluasi yang digunakan untuk mengukur tingkat akurasi detektor objek pada dataset tertentu. IoU dapat digunakan dengan ketentuan sebagai berikut :
1. Memiliki ground-truth bounding box pada dataset objek 2. Prediksi bounding box pada dataset objek
Berikut adalah persamaan dari IoU : 𝐼𝑜𝑈 = 𝐴 ∩ 𝐵
𝐴 ∪ 𝐵 2.4.2 Recall
Recall adalah rasio dari jumlah total contoh positif yang dapat diklasifikasikan secara benar dan dibagi dengan jumlah contoh total positif. Recall dapat dihitung dengan persamaan berikut : 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃
𝑇𝑃 + 𝐹𝑁 TP = Nilai true positive FN = Nilai false negative 2.4.3 Precision
Precision adalah nilai yang didapatkan dari membagi jumlah total contoh positif yang dapat diklasifikasi secara benar dengan jumlah total contoh positif yang dapat diprediksi. Precision dapat dihitung dengan menggunakan persamaan berikut :
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 FP = Nilai false positive 2.4.4 F-Measure
F-Measure atau f-score adalah metode perhitungan tingkat akurasi yang didapat dari perhitungan nilai precision dan recall. Nilai f-measure dapat dihitung dengan menggunakan persamaan berikut :
𝐹 − 𝑀𝑒𝑎𝑠𝑢𝑟𝑒 = 2 × 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 × 𝑅𝑒𝑐𝑎𝑙𝑙 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙
3. HASIL DAN PEMBAHASAN 3.1 Implementasi
Pada tahap ini menunjukkan hasil dari implementasi metode Image Labeling dan YOLO dalam melakukan deteksi masker dalam video rekaman CCTV.
3.1.1 Implementasi Image Labeling
Pada tahap ini dilakukan pemberian label pada setiap objek yang ada di dalam gambar latih.
Metode ini dilakukan agar program dapat mengenali objek yang ingin dilakukan deteksi.
3.1.2 Implementasi YOLO
Proses deteksi YOLO sendiri di bagi menjadi beberapa bagian di antaranya adalah proses pemasukkan data gambar yang sudah diberikan label menggunakan tool image labeling. Pemberian label pada gambar sendiri bertujuan untuk memperkenalkan program terhadap objek yang ingin di deteksi. Gambar yang telah diberikan label kemudian diubah menjadi table yang nantinya akan digunakan sebagai data latih dan data uji proses deteksi YOLO. Kemudian isi dari keseluruhan data table tersebut dibagi menjadi table latih dan data uji. Setelah itu, perlu dibuat sebuah tempat yang dinamakan datastore yang mana adalah tempat penyimpanan data yang memiliki jumlah dan ukuran file yang terlalu besar untuk ukuran memory. Kemudian dilanjutkan dengan pre-processing data dan setelah itu pengguna perlu mendefinisikan network YOLO seperti memasukkan ukuran anchors yang akan dilatih. Jika objek yang ingin di deteksi sudah pernah dilakukan di penelitian sebelumnya program dapat menggunakan network yang telah dilatih sebelumnya untuk mempercepat proses training. Lalu YOLO akan melakukan augmentasi data yang mana adalah sebuah proses yang digunakan untuk meningkatkan performa akurasi network yang akan mengubah data original selama training tanpa menghilangkan kualitas gambar. Terakhir, perlu ditentukan berapa banyak jumlah epoch yang perlu dilakukan. Epoch sendiri adalah proses pemasukkan semua data ke dalam proses training. Jika jumlah epoch yang ditentukan adalah 1 maka proses pemasukkan data ke dalam proses training hanya akan berlangsung selama 1 kali. Untuk sebuah program bisa melakukan deteksi suatu objek maka data perlu dilatih di network yang sama secara berulang kali.
Gambar 3. Bounding Box
Pada penelitian ini sendiri proses pengujian program akan dilakukan secara manual dengan cara melakukan tes pada data uji yang telah dikumpulkan untuk mendapatkan nilai true positive, true negative, false positive, dan false negative. Untuk mendapatkan ke empat nilai tersebut maka suatu sistem perlu mendapatkan nilai Intersection Over Union (IoU) yang mana adalah rasio pengukur akurasi bounding box yang diberikan pada saat training dan bounding box yang dihasilkan pada saat pengujian.
Intersection over Union (IoU) pada proses deteksi objek adalah langkah awal pada deteksi objek untuk mendapatkan nilai confusion matrix yang dapat digunakan untuk mencari nilai precision dan recall pada suatu program deteksi objek. Apabila posisi bounding box tepat berada di posisi objek masker maka bounding box tersebut bisa dibilang true positive. Jika bounding box tidak dapat mendeteksi objek masker yang terlihat jelas pada gambar maka bounding box tersebut bernilai false negative. Untuk bounding box mendeteksi objek yang bukan berupa masker maka bounding box tersebut bernilai false positive.
Gambar 4. True Positive
Gambar 5. True Positive & False Negative
Gambar 6. False Positive 3.2 Pengujian
Pada tahap ini dilakukan sebuah pengujian terhadap data video rekaman CCTV yang telah direkam di lokasi toko Abang Jaya dengan masing-masing video memiliki durasi sepanjang 30 detik dengan video Uji (1) diambil dari jarak 70 cm dan video Uji (2) diambil dari jarak lebih dari 90 cm.
Pengujian dilakukan dengan menerapkan metode pencarian nilai confusion matrix berdasarkan IoU yang nantinya nilai yang telah didapakan akan dihitung menggunakan metode pengujian recall, precision, dan f-measure.
Tabel 1. Pengujian Deteksi Masker Uji (1)
No Durasi TP FP FN Precision Recall F-Measure
1 00:00 – 00:05 1 1 6 0.5 0.14 0.21
2 00:06 – 00:10 2 0 6 1 0.25 0.40
3 00:11 – 00:15 3 1 4 0.75 0.42 0.53
4 00:15 – 00:20 6 0 8 1 0.42 0.59
5 00:25 – 00:30 5 3 8 0.62 0.38 0.37
Tabel 1. Pengujian Deteksi Masker Uji (2)
No Durasi TP FP FN Precision Recall F-Measure
1 00:00 – 00:05 0 4 10 0 0 0
2 00:06 – 00:10 0 4 10 0 0 0
3 00:11 – 00:15 0 0 0 0 0 0
4 00:15 – 00:20 0 3 10 0 0 0
5 00:25 – 00:30 0 4 10 0 0 0
4. KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan menggunakan metode deteksi objek YOLO v2 bisa dilihat bahwa pada video Uji (1) dengan jarak 70 cm didapatkan nilai f-measure tertinggi sebesar 0.59 dan paling rendah sebesar 0.21. Sedangkan pada video Uji (2) yang diambil pada jarak lebih dari 90 cm bisa dilihat program sama sekali tidak dapat melakukan deteksi masker secara akurat dan didapatkan nilai f-mesaure sebesar 0.
5. SARAN
Berdasarkan kesimpulan tersebut, adapun saran yang nantinya dapat bermanfaat untuk penelitian selannjutnya.
1. Penelitian deteksi masker ini menggunakan metode deteksi objek YOLO v2 yang mana memiliki kesulitan dalam melakukan deteksi objek berukuran kecil. Disarankan untuk penelitian berikutnya menggunakan YOLO v3.
2. Variasi tampilan masker yang digunakan pada penelitian ini memiliki jumlah yang sedikit, disarankan untuk penelitian berikutnya untuk menggunakan lebih banyak variasi masker.
3. Kamera CCTV yang digunakan pada penelitian ini memiliki kualitas 2 megapiksel dan resolusi video 720p dengan framerate 25 fps yang mana merupakan kamera dengan kualitas yang kurang mumpuni. Penulis menyarankan untuk penelitian berikutnya menggunakan kamera yang memiliki kualitas lebih baik.
4. Untuk penelitian selanjutnya disarankan perbanyak jumlah dataset masker yang akan digunakan sehingga program bisa mendapatkan hasil yang lebih optimal.
DAFTAR PUSTAKA
[1] Amalia Muthia & Aldi Hendrawan (2017). Perancagan Masker Sebagai Alat Pelindung Diri Bagi Pengendara Sepeda Motor Wanita. Jurnal ATRAT Vol.5 No.3 (2017)
[2] Fitria Rachmawati & Dahlia Widhayestoeti (2020). Deteksi Jumlah Kendaraan di Jalur SSA Kota Bogor Menggunakan Algoritma Deep Learning YOLO. Prosiding LPPM Uika Bogor (2020) [3] Sisco Jupiyandi, Fadhil Rizqullah Saniputra, Yoga Pratama, Muhammad Robby Dharmawan, &
Imam Cholissodin, (2018). Pengembangan Deteksi Citra Mobil Untuk Mengetahui Jumlah Tempat Parkir Menggunakan CUDA dan Modified YOLO. Jurnal Teknologi Informasi dan Ilmu Komputer Volume 6, No.4 (2018), 413-419.
[4] Oktaviani Ella Karlina, & Dina Indarti, (2019). Pengenalan Objek Makanan Cepat Saji Pada Video dan Real Time Webcam Menggunakan Metode You Only Look Once (YOLO). JURTI, Vol.3 No.2 (2019), 139-146.
[5] Harits Al Asyhari, Suryo Adhi Wibowo, & Gelar Budiman, (2020). Implementasi dan Analisis Performansi Metode You Only Look Once (YOLO) Sebagai Sensor Pornografi Pada Video. E- Proceeding of Engineering, Vol.7, No.2 (2020), 3631-3638.
[6] Yusuf Umar Hanafi, (2020). Deteksi Penggunaan Helm Pada Pengendara Bermotor Berbasis Deep Learning. Institut Teknologi Sepuluh Nopember (2020).
[7] Calvin Geraldy, & Chairisni Lubis (2020). Pendeteksian dan Pengenalan Jenis Mobil Menggunakan Algoritma You Only Look Once dan Convolutional Neural Network. Jurnal Ilmu Komputer dan Sistem Informasi, Vol.8, No.2 (2020).
[8] Christopher Nathanel Liunanda, Silvia Rostianingsih, & Anita Nathania Purbowo (2020).
Implementasi Algoritma Yolo Pada Aplikasi Pendeteksi Senjata Tajam di Android. Jurnal INFRA Vol.8, No.2 (2020).
[9] Mada Lazuardi Nazilly, Basuki Rahmat, & Eva Yulia Puspaningrum (2020). Implementasi Algoritma YOLO (You Only Look Once) Untuk Deteksi Api. Jurnal Informatika dan Sistem Informasi Vol.1, No.1 (2020).
[10] Cucu Suhery & Ikhwan Ruslianto, (2017). Identifikasi Wajah Manusia untuk Sistem Monitoring Kehadiran Perkuliahan Menggunakan Ekstraksi Fitur Principal Component Analysis (PCA). Jurnal Edukasi dan Penelitian Informatika (JEPIN) Vol. 3, No. 1, (2017), 9-15.
