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.

Preview	Text (AL. Widyo Dewanto) 170709274_bab0.pdf Download (692kB) | Preview
Preview	Text 170709274_bab1.pdf Download (89kB) | Preview
	Text 170709274_bab2.pdf Restricted to Registered users only Download (18kB)
	Text 170709274_bab3.pdf Restricted to Registered users only Download (564kB)
	Text 170709274_bab4.pdf Restricted to Registered users only Download (1MB)
	Text 170709274_bab5.pdf Restricted to Registered users only Download (2MB)
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.

Actions (login required)

View Item