KLASIFIKASI DETEKSI PENGGUNAAN MASKER MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Nalda Kresimo Negoro
Ema Utami
Ainul Yaqin


DOI: https://doi.org/10.29100/jipi.v8i2.3748

Abstract


Berhubungan dengan era revolusi industri 5.0 kita perlu bersyukur semua pekerjaan menjadi dimudahkan dengan terdigitalisasi. Berbagai pekerjaan dapat diselesaikan jauh lebih mudah, cepat dan secara otomatis. Konsep era industri 5.0 memiliki fokus pendayagunaan aspek dari manusia, data dan teknologi berbasis modern. Manusia dan sistem saling terhubung dan mendapatkan hasil maksimal dengan bantuan AI. Konsep ini memberikan dampak positif untuk menghadapi perubahan besar pada transformasi digital. Perkembangan pesat dari transformasi digital saat ini ada pada pendeteksian objek menggunakan machine learning. Deteksi objek adalah teknik dari computer vision dalam pembacaan pengenalan objek pada gambar ataupun video. Pada penelitian ini diterapkan klasifikasi deteksi objek dengan algoritma Convolutional Neural Network (CNN) menggunakan arsitektur VGG16Net dengan mengklasifikasikan wajah bermasker dan tidak bermasker. Dataset yang digunakan untuk proses training diperoleh dari kaggle berjumlah 3.725 menggunakan masker, 3.828 tidak menggunakan masker dan dataset untuk proses testing menggunakan dataset personal berjumlah 16 dataset. Evaluasi jaringan pelatihan model menggunakan confusion matrix sedangkan tahap pengujian menggunakan SSD ResNet10. Hasil evaluasi dari rancangan implementasi pelatihan model didapatkan nilai akurasi 0,992%, presisi 1.000, dan recall 0,984. Kemudian hasil pengujian testing mendapatkan nilai tertinggi dengan akurasi 100%.

Keywords


Artificial Intelligence; CNN; Computer Vision; Convolutional Neural Network; Era Society 5.0; Face Mask Detection; Machine Learning; Object Detection

Full Text:

PDF

Article Metrics :

References


Universitas Medan Area, “Apa Itu Era Society 5.0 dan Apa Perbedaannya dengan Era Industri 4.0?,” 11 01 2022. [Online]. Available: https://barki.uma.ac.id/2022/01/11/apa-itu-era-society-5-0-dan-apa-perbedaannya-dengan-era-industri-4-0/.

Nisa, “Mengenal Apa Itu Society 5.0 dan Contoh Penerapannya dalam Berbagai Bidang,” 04 04 2022. [Online]. Available: https://inmarketing.id/society-5-0-adalah.html.

G. D. Nursyafitri, “Kenali Penggunaan Computer Vision dalam Data Science,” 12 04 2022. [Online]. Available: https://dqlab.id/kenali-penggunaan-computer-vision-dalam-data-science.

M. R. A. Yudianto, KLASIFIKASI CITRA WAYANG PUNAKAWAN MENGGUNAKAN METODE GAUSSIAN FILTER DAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK, 2021.

A. Rahim, ANALISIS KOMPARASI CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI CITRA PENGGUNA MASKER, 2021.

B. Kocacinar, B. Tas, F. P. Akbulut, C. Catal dan D. Mishra, A Real-Time CNN-Based Lightweight Mobile Masked Face Recognition System, 2022.

S. Singh, U. Ahuja, M. Kumar, K. Kumar dan M. Sachdeva, Face mask detection using YOLOv3 and faster R-CNN models: COVID-19 environment, 2021.

M. F. Naufal dan S. F. Kusuma, PENDETEKSI CITRA MASKER WAJAH MENGGUNAKAN CNN DAN TRANSFER LEARNING, 2021.

R. Firdaus, “Computer Vision,” Rancang Bangun Sistem Navigasi Multirotor Berbasis Waypoint Dan Computer Vision, 2020.

D. Agustiani, Implementasi Machine Learning dan Computer Vision pada Pengembangan Sistem Otomasi Klasifikasi dan Perhitungan Kendaraan, 2019.

X. Wu, D. Sahoo dan S. C.H.Hoi, Recent advances in deep learning for object detection, pp. 39-64, 2020.

S. Christin, É. Hervet dan N. Lecomte, “Applications for deep learning in ecology,” dalam Methods in Ecology and Evolution, BRITISH ECOLOGICAL SOCIETY, 2019, pp. 1632-1644.

H. Fonda, KLASIFIKASI BATIK RIAU DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS (CNN), 2020.

E. N. Arrofiqoh dan Harintaka, IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TANAMAN PADA CITRA RESOLUSI TINGGI, 2018.

R. Dharmadi, “CNN: Beyond Image Classification,” 09 05 2018. [Online]. Available: https://medium.com/nodeflux/cnn-beyond-image-classification-3b9b0af021a9.

A. Saputro, S. Mu’min, M. Lutfi dan H. Putri, “VGGNet,” DEEP TRANSFER LEARNING DENGAN MODEL ARSITEKTUR VGG16 UNTUK KLASIFIKASI JENIS VARIETAS TANAMAN LENGKENG BERDASARKAN CITRA DAUN, vol. 6, p. 612, 2022.

T. S. N. P. Putri, M. A. Fikih dan N. Setyawan, “Training Convolutional Neural Networks,” FACE MASK DETECTION COVID-19 USING CONVOLUTIONAL NEURAL NETWORK (CNN), 2020.

BINUS University School of Computer Science, “Confusion Matrix,” 01 11 2020. [Online]. Available: https://socs.binus.ac.id/2020/11/01/confusion-matrix/. [Diakses 26 12 2022].

F. O. Reynaldi, O. Pahlevi dan I. Suryani, “Residual Neural Network (ResNet),” ANALISA PERFORMA ARSITEKTUR MOBILENETV1 DAN RESNET MENGGUNAKAN META-LEARNING DALAM MENDETEKSI OBJEK HEWAN KUCING, vol. 4, no. 1, 2021.