PENERAPAN OBJECT DETECTION MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR VGG16 UNTUK MENDETEKSI MASKER DI ERA PASCA PANDEMI

NUGRAHA, RISKY AULIA (2023) PENERAPAN OBJECT DETECTION MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR VGG16 UNTUK MENDETEKSI MASKER DI ERA PASCA PANDEMI. Other thesis, UPN "Veteran" Yogyajarta.

	Text ABSTRAK.pdf Download (96kB)
	Text COVER.pdf Download (121kB)
	Text Daftar Isi.pdf Download (83kB)
	Text DAFTAR PUSTAKA.pdf Download (78kB)
	Text Halaman Pengesahan Pembimbing.pdf Download (231kB)
	Text Laporan TA_Risky Aulia Nugraha_123190002.pdf Restricted to Repository staff only Download (3MB)

Abstract

ABSTRAK
Pandemi Corona Virus Disease 19 (Covid-19) yang muncul pada tahun 2019,
penyebaran virus Covid-19 yang begitu pesat mengakibatkan perubahan pola hidup dan
kebiasaan manusia di seluruh dunia, perubahan-perubahan yang terjadi memaksa sumber
daya manusia memutar otak agar mengurangi penyebaran virus tersebut. Sistem deteksi
masker di era pasca pandemi merupakan upaya untuk tetap menjaga kesehatan dari
pandemi Covid-19. Sistem secara otomatis mampu membedakan citra menggunakan
masker atau tidak menggunakan masker. Pada sistem ini menggunakan CNN
(Convolutional Neural Network) dengan arsitektur VGG16 yang akan
mengimplementasikan sistem dan mengetahui tingkat akurasi yang di dapat. CNN
(Convolutional Neural Network) merupakan metode deep learning yang memiliki tingkat
kecepatan tinggi untuk pengenalan wajah. Pada penelitian ini, model CNN dengan
arsitektur VGG16 yang optimal dibutuhkan pengujian kombinasi hyperparameter berupa
jumlah epoch dan pemilihan algoritma optimasi yang tepat, untuk mendapatkan tingkat
akurasi dan model yang paling optimal. Model CNN dengan arsitektur VGG16 yang
optimal didapatkan dengan melakukan tuning hyperparameter serta algoritma optimasi.
Hyperparameter yang diujikan berupa epoch, serta algortima optimasi yang diujiakan
berupa Adam, RMSProp dan SGD. Tuning hyperparameter dilakukan dengan menguji
kombinasi nilai hyperparameter dan algoritma optimasi untuk menemukan model dengan
tingkat akurasi tertinggi dan nilai loss terendah, penelitian ini melakukan pengujian
berjumlah 6 kali dengan jenis model yang telah dirancang. Pengujian dilakukan
menggunakan citra dengan input shape sebesar 150x150, dari hasil pengujian tersebut
didapatkan kombinasi hyperparameter optimal yaitu jenis algorima optimasi Adam dengan
jumlah epoch sebanyak 20 yang menghasilkan tingkat akurasi sebesar 93% dengan nilai
training accuracy 96.67% dan validation accuracy 94.27% serta waktu pelatihan 100 menit.
Kata Kunci : deteksi objek, CNN, VGG16, klasifikasi
ABSTRACT
The Corona Virus Disease 19 (Covid-19) pandemic that emerged in 2019, the rapid
spread of the Covid-19 virus has resulted in changes in lifestyles and human habits
throughout the world, the changes that have occurred have forced Human Resources to
rack their brains to reduce the spread of the virus the. The mask detection system in the
post-pandemic era is an effort to maintain health from the Covid-19 pandemic. The system
is automatically able to distinguish images using a mask or not using a mask. This system
uses the CNN (Convolutional Neural Network) method with the VGG16 architecture
which will implement the system and determine the level of accuracy obtained. CNN
(Convolutional Neural Network) is a deep learning method that has a high speed level for
face recognition. In this study, the CNN model with optimal VGG16 architecture requires
testing the combination of hyperparameters in the form of the number of epochs and
choosing the right optimization algorithm, to get the most optimal level of accuracy and
model. The CNN model with the optimal VGG16 architecture is obtained by performing
hyperparameter tuning and optimization algorithms. The hyperparameters tested were in
the form of epochs, and the optimization algorithms tested were Adam, RMSProp and
SGD. Hyperparameter tuning is done by testing a combination of hyperparameter values
and optimization algorithms to find the model with the highest level of accuracy and the
lowest loss value, this study conducted 6 tests with the type of model that has been
designed. The test was carried out using an image with an input shape of 150x150. From
the test results, the optimal hyperparameter combination was obtained, namely the type of
Adam optimization algorithm with a total of 20 epochs which resulted in an accuracy rate
of 93% with a training accuracy value of 96.67% and validation accuracy of 94.27% and a
training time of 100 minute.
Keywords: object detection, CNN, VGG16, classification

Item Type:	Thesis (Other)
Uncontrolled Keywords:	deteksi objek, CNN, VGG16, klasifikasi
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Chemistry
Depositing User:	Eko Yuli
Date Deposited:	15 Jun 2023 07:17
Last Modified:	15 Jun 2023 07:17
URI:	http://eprints.upnyk.ac.id/id/eprint/35947

Actions (login required)

View Item