Sistem Pendeteksi Masker pada Pengemudi Kendaraan Menggunakan Kecerdasan Artifisial

Alief Wikarta, M Khoirul Effendi, Agus Sigit Pramono

Abstract


Deteksi penggunaan masker pada pengemudi kendaraan termasuk tugas klasifikasi yang dapat diselesaikan secara otomatis oleh kecerdasaan artifisial. Untuk implementasi pada perangkat mobile, arsitektur neural network MobileNetV2 dipilih dengan pertimbangan akurasi yang baik. Penambahan teknik data augmentation dan pemilihan optimizer ADAM semakin meningkatkan akurasi klasifikasi dari MobileNetV2. Proses deteksi dilakukan pada 13 foto pengemudi dengan masker dan 13 pengemudi tanpa masker. Untuk pengemudi tanpa masker, sistem pendeteksi berhasil 100%, meskipun ada salah satu kondisi saat pengemudi memakai masker di dagu, tingkat akurasi hanya sebesar 65,59%. Sedangkan untuk pengemudi tanpa masker, ada 1 foto yang salah, disebabkan oleh warna gelap yang digunakan sebagai masker, sehingga sistem pendeteksi mengklasifikasikan sebagai pengemudi tanpa masker dengan tingkat akurasi hingga 97,76%. Hasil analisis lebih dalam menunjukkan bahwa aksesoris seperti jilbab dan kacamata mempengaruhi tingkat akurasi yang dihasilkan oleh sistem pendeteksi. Sementara itu, tingkat akurasi juga lebih dipengaruhi oleh warna dari masker yang dipakai ketimbang pemilihan masker medis ataupun masker kain.


Keywords


Pendeteksi Masker; Kecerdasan Artifisial; Pengemudi Kendaraan; Tingkat Akurasi.

Full Text:

PDF

References


T. Greenhalgh, M. B. Schmid, T. Czypionka, D. Bassler, and L. Gruer, “Face masks for the public during the covid-19 crisis,” BMJ, vol. 369, Apr. 2020, doi: 10.1136/bmj.m1435.

[2] V. C.-C. Cheng et al., “The role of community-wide wearing of face mask for control of coronavirus disease 2019 (COVID-19) epidemic due to SARS-CoV-2,” Journal of Infection, Apr. 2020, doi: 10.1016/j.jinf.2020.04.024.

M. M. Lambacing and F. Ferdiansyah, “RANCANG BANGUN NEW NORMAL COVID-19 MASKER DETEKTOR DENGAN NOTIFIKASI TELEGRAM BERBASIS INTERNET OF THINGS,” Dinamik, vol. 25, no. 2, Art. no. 2, Jul. 2020, doi: 10.35315/dinamik.v25i2.8070.

G. A. Anarki, K. Auliasari, and M. Orisa, “PENERAPAN METODE HAAR CASCADE PADA APLIKASI DETEKSI MASKER,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 5, no. 1, Art. no. 1, Feb. 2021, doi: 10.36040/jati.v5i1.3214.

T. S. N. P. Putri, M. A. Fikih, and N. Setyawan, “FACE MASK DETECTION COVID-19 USING CONVOLUTIONAL NEURAL NETWORK (CNN),” Prosiding SENTRA (Seminar Teknologi dan Rekayasa), vol. 0, no. 6, Art. no. 6, Jan. 2021, doi: 10.22219/sentra.v0i6.3801.

D. G. Arwindo, E. Y. Puspaningrum, and Y. V. Via, “Identifikasi Penggunaan Masker Menggunakan Algoritma CNN YOLOv3-Tiny,” Prosiding Seminar Nasional Informatika Bela Negara, vol. 1, pp. 153–159, 2020.

M. A. R. I. Harfi and D. A. Prasetya, “Prototipe Pendeteksi Masker pada Ruangan Wajib Masker untuk Kendali Pintu Otomatis berbasis Deep Learning sebagai Pencegahan Penularan COVID-19,” Dec. 2020, Accessed: Mar. 06, 2021. [Online]. Available: http://publikasiilmiah.ums.ac.id/handle/11617/12377

S. Yadav, “Deep Learning based Safe Social Distancing and Face Mask Detection in Public Areas for COVID-19 Safety Guidelines Adherence,” International Journal for Research in Applied Science and Engineering Technology, vol. 8, no. 7, pp. 1368–1375, Jul. 2020, doi: 10.22214/ijraset.2020.30560.

M. Inamdar and N. Mehendale, “Real-Time Face Mask Identification Using Facemasknet Deep Learning Network,” Social Science Research Network, Rochester, NY, SSRN Scholarly Paper ID 3663305, Jul. 2020. doi: 10.2139/ssrn.3663305.

G. J. Chowdary, N. S. Punn, S. K. Sonbhadra, and S. Agarwal, “Face Mask Detection using Transfer Learning of InceptionV3,” Sep. 2020, Accessed: Oct. 20, 2020. [Online]. Available: https://arxiv.org/abs/2009.08369v1

M. Loey, G. Manogaran, M. H. N. Taha, and N. E. M. Khalifa, “A hybrid deep transfer learning model with machine learning methods for face mask detection in the era of the COVID-19 pandemic,” Measurement, vol. 167, p. 108288, Jan. 2021, doi: 10.1016/j.measurement.2020.108288.

M. Jiang, X. Fan, and H. Yan, “RetinaMask: A Face Mask detector,” arXiv:2005.03950 [cs], Jun. 2020, Accessed: Aug. 24, 2020. [Online]. Available: http://arxiv.org/abs/2005.03950

A. Wikarta, I. B. Suryo, and M. K. Effendi, “Analisa Pengaruh Ukuran Testing Data dan Data Augmentation pada Tingkat Akurasi Deteksi Pemakaian Masker oleh Pengemudi Kendaraan menggunakan Deep Learning,” SENTER, pp. 20–24, Jan. 2021.

A. Wikarta, A. S. Pramono, and J. B. Ariatedja, “ANALISA BERMACAM OPTIMIZER PADA CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI PEMAKAIAN MASKER PENGEMUDI KENDARAAN,” Seminar Nasional Informatika (SEMNASIF), vol. 1, no. 1, Art. no. 1, Dec. 2020.

A. G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” arXiv:1704.04861 [cs], Apr. 2017, Accessed: May 21, 2021. [Online]. Available: http://arxiv.org/abs/1704.04861

R. O. Ekoputris, “MobileNet: Deteksi Objek pada Platform Mobile,” Medium, May 09, 2018. https://medium.com/nodeflux/mobilenet-deteksi-objek-pada-platform-mobile-bbbf3806e4b3 (accessed May 21, 2021).

M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” arXiv:1801.04381 [cs], Mar. 2019, Accessed: May 21, 2021. [Online]. Available: http://arxiv.org/abs/1801.04381

C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” Journal of Big Data, vol. 6, no. 1, p. 60, Jul. 2019, doi: 10.1186/s40537-019-0197-0.

D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,” Dec. 2014, Accessed: Nov. 23, 2020. [Online]. Available: https://arxiv.o rg/abs/1412.6980v9

S. Ruder, “An overview of gradient descent optimization algorithms,” Sep. 2016, Accessed: Nov. 23, 2020. [Online]. Available: https://arxiv.org/abs/1609.04747v2

S.-H. Tsang, “Review: MobileNetV2 — Light Weight Model (Image Classification),” Medium, Aug. 01, 2019. https://towardsdatascience.com/review-mobilenetv2-light-weight-model-image-classification-8febb490e61c (accessed May 21, 2021).




DOI: http://dx.doi.org/10.26418/jp.v7i2.46877

Refbacks

  • There are currently no refbacks.