Penerapan Algoritma You Only Look Once V3 untuk Identifikasi Penggunaan Masker secara Realtime di Masa Pandemi COVID-1

Bachtiar, Adib (2022) Penerapan Algoritma You Only Look Once V3 untuk Identifikasi Penggunaan Masker secara Realtime di Masa Pandemi COVID-1. Diploma thesis, UPN "Veteran" Yogyakarta.

	Text skripsi_Adib_Bachtiar_123170075.pdf Restricted to Repository staff only Download (3MB)
Preview	Text abstrak_Adib_Bachtiar_123170075.pdf Download (37kB) | Preview
Preview	Text cover_Adib_Bachtiar_123170075.pdf Download (145kB) | Preview
Preview	Text daftar_isi_Adib_Bachtiar_123170075.pdf Download (129kB) | Preview
Preview	Text daftar_pustaka_Adib_Bachtiar_123170075.pdf Download (188kB) | Preview
Preview	Text halaman_pengesahan_Adib_Bachtiar_123170075.pdf Download (485kB) | Preview

Abstract

ABSTRAK
Di Masa Pandemi COVID-19 ini penggunaan masker diluar rumah sangat penting untuk
mencegah penularan dari virus COVID-19 dikarenakan virus COVID-19 dapat menular lewat
dropler yang masuk ke saluran pernapasan orang lain. Maka dari itu dengan menggunakan masker
maka dapat mengurangi penularan virus COVID-19. Pemerintah khususnya di Indonesia sudah
berupaya menegakkan adanya protocol Kesehatan yaitu dengan selalu memakai masker jika
beraktifitas diluar rumah. Namun pemantauan menjadi sulit dengan jumlah masyarakat yang
banyak dan di tempat-tempat umum. Selain itu factor kesadaran masyarakat dalam menggunakan
masker juga masih minim, ada masayarakat yang mencoba menutupi wajahnya agar dikira bahwa
dia sedang menggunakan masker dengan objek-objek lain seperti tangan, buku dan benda-benda
lainnya. Artificial intelligence atau kecerdasan buatan dapat digunakan dalam membuat system
pendeteksian agar pemantauan menjadi lebih ringan dijalankan oleh manusia serta dapat
menegakkan protocol Kesehatan di Indonesia oleh pemerintah. System yang di train dengan
dataset yang tepat diharap mampu juga dapat menangani dan meningkatkan kesadaran
masyarakata dalam menggunakan masker karena system dapat membedakan objek mana yang
masker dan bukan masker.
YOLOv3 yang merupakan state of the art dari algoritma CNN yang mampu mendeteksi
objek secara real time dapat menjadi solusi pendeteksian objek secara cepat, efisien dan akurat
dalam mendeteksi penggunaan masker dengan 3 kelas yaitu with mask, without mask dan mask
weared incorrect. Dikarenakan YOLOv3 membagi komputasi CNN menjadi beberapa bagian
dengan memanfaatkan grid cells pada gambar, maka pendeteksian dapat berjalan secara
asynchronous. Dalam dataset yang ada dalam situs Kaggle yang berisi 845 gambar dari 3 kelas
yaitu with mask,without mask dan mask weared incorrect semua objek masker dalam dataset selalu
berupa masker, bukan objek lain seperti tangan, bukudan benda-benda lainnya. Maka dari itu agar
model bisa memprediksi objek lain selain masker agar bisa dibaca sebagai objek yang bukan
masker maka perlu ditambahkan objek tersebut kedalam dataset. Dalam hal ini dengan metode
scrapping maka akan mengambil gambar yang ada (khususnya dalam google image) 100 gambar
dengan keyword hand covering mouth sebanyak 183 gambar dan pengambilan data manual dengan
keyword book covering mouth sebanyak 150 gambar agar model memiliki dataset yang bagus
untuk proses training.
Penggunaan Algoritma YOLOv3 menghasilkan model yang lebih baik ketimbang YOLO
versi sebelumnya yaitu YOLOv2 di angka akurasi 88,5% (YOLOv3) dan 69,13% (YOLOv2) serta
system sudah mampu membedakan mana objek masker dan mana objek yang bukan masker berkat
penambahan dataset yang mempengaruhi proses training model. Selain itu processing time dari
YOLOv3 dapat di rata-rata 16 Frame Per Second pada hardware GPU NVIDIA GTX 1050 4gb.
Kata Kunci : deteksi objek, penggunaan masker, CNN, YOLOv3, Scrapping, real time

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	deteksi objek, penggunaan masker, CNN, YOLOv3, Scrapping, real time
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Eko Yuli
Date Deposited:	04 Mar 2022 02:48
Last Modified:	15 Mar 2023 07:13
URI:	http://eprints.upnyk.ac.id/id/eprint/28586

Actions (login required)

View Item