FACE MASK DETECTOR MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Dewanto, AL. Widyo (2021) FACE MASK DETECTOR MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. S1 thesis, Universitas Atma Jaya Yogyakarta.

[img]
Preview
Text (AL. Widyo Dewanto)
170709274_bab0.pdf

Download (692kB) | Preview
[img]
Preview
Text
170709274_bab1.pdf

Download (89kB) | Preview
[img] Text
170709274_bab2.pdf
Restricted to Registered users only

Download (18kB)
[img] Text
170709274_bab3.pdf
Restricted to Registered users only

Download (564kB)
[img] Text
170709274_bab4.pdf
Restricted to Registered users only

Download (1MB)
[img] Text
170709274_bab5.pdf
Restricted to Registered users only

Download (2MB)
[img]
Preview
Text
170709274_bab6.pdf

Download (1MB) | Preview

Abstract

Pada 31 Maret 2020, Surat Keputusan Presiden No. 11 Tahun 2020 dikeluarkan karena adanya Corona Virus Disease 2019 (COVID-19). Berdasarkan keputusan tersebut, terdapat kebijakan untuk memakai masker guna meminimalisir penyebaran COVID-19 khususnya pada tempat dan fasilitas umum. Untuk membantu pengawasan terhadap kebijakan tersebut, dibutuhkanlah teknologi yang terintegrasi pada sistem yang mengimplementasikan penggunaan deep learning. Penerapan sistem tersebut ditujukan untuk mendeteksi penggunaan masker pada masyarakat secara real-time. Berdasarkan permasalahan di atas, metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 merupakan metode yang cocok untuk diimplementasikan dalam proses klasifikasi permasalahan tersebut. Maka dari itu dibangunlah sebuah model CNN yang diterapkan pada sistem video real-time dan berbasis arduino yang terintegrasi pada sebuah prototype sesuai dengan kebutuhan dari permasalahan tersebut. Penelitian ini menggunakan 1100 citra sebagai dataset dengan 2 label yang berbeda. Penelitian terbagi menjadi 2 tahap, yaitu pengembangan model dan pembangunan sistem video real-time dan berbasis arduino. Tahap pengembangan model terbagi menjadi 5 kali percobaan dan percobaan 5 merupakan percobaan dengan hasil nilai akurasi tertinggi, yaitu sebesar 99.87% untuk training accuracy, 100% untuk validation accuracy, rata-rata testing accuracy pada setiap label mendapat akurasi lebih dari 96% dan rata-rata akurasi pengujian sistem di atas 85%. Sedangkan pada sistem berbasis arduino terdapat prototype yang akan memberikan feedback sesuai dengan kondisi tertentu.

Item Type: Thesis (S1)
Uncontrolled Keywords: COVID-19, Convolutional Neural Network, MobileNetV2, Video RealTime, Arduino
Subjects: Teknik Informatika > Soft Computing
Divisions: Fakultas Teknologi Industri > Teknik Informatika
Depositing User: editor2 dua uajy
Date Deposited: 15 Sep 2021 11:59
Last Modified: 15 Sep 2021 11:59
URI: http://e-journal.uajy.ac.id/id/eprint/24752

Actions (login required)

View Item View Item