AUTOMATIC DETECTION CAMERA OF HEALTH

PROTOCOL DI JALAN RAYA BERBASIS DEEP

LEARNING

DI USULKAN OLEH:

MUHAMMAT RIO HALIM 08011281823114 (KETUA)

CHAIRU NISA APRIYANI 08011181823105 (ANGGOTA 1)
REDINA AN FADHILA C. 08011281924029 (ANGGOTA 2)

DOSEN PEMBIMBING : ANITA DESIANI S.Si., M.Kom

UNIVERSITAS SRIWIJAYA
INDERALAYA
2021
 DAFTAR ISI
DAFTAR ISI ................................................................................................................. i
DAFTAR TABEL ........................................................................................................ ii
DAFTAR GAMBAR ................................................................................................... iii
BAB I PENDAHULUAN
1.1 Latar Belakang Penelitian ....................................................................................1
1.2 Rumusan Masalah ................................................................................................2
1.3 Tujuan Penelitian .................................................................................................2
1.4 Manfaat Penelitian ...............................................................................................2
1.5 Urgensi Penelitian ................................................................................................3
1.6 Luaran yang diharapan.........................................................................................3
BAB II TINJAUAN PUSTAKA
2.1 Protokol Kesehatan ..............................................................................................3
2.2 Deep Learning .....................................................................................................3
2.3 Convolutional Neural Network (CNN) ................................................................4
2.4 Residual Neural Network 50 (ResNet-50) ...........................................................4
2.5 Transfer Learning ................................................................................................5
2.6 MobileNetV2 ........................................................................................................5
2.7 Single Shot Detector ............................................................................................6
BAB III METODE PENELITIAN
3.1 Pengumpulan Data ...............................................................................................6
3.2 Praproses Dataset .................................................................................................7
3.3 Pembuatan Model Deep Learning dengan Fine Tuning ......................................7
3.4 Proses Deteksi Menggunakan Model Deep Learning..........................................8
3.5 Analisa Hasil dan Kesimpulan .............................................................................9
BAB IV JADWAL KEGIATAN
4.1 Jadwal Kegiatan ...................................................................................................9
DAFTAR PUSTAKA ..................................................................................................11
LAMPIRAN
Lampiran 1. Biodata Ketua, Anggota dan Dosen Pendamping ...................................12
1.1 Biodata Ketua Pelaksana Kegiatan ....................................................................12
1.2 Biodata Anggota Pelaksana Kegiatan ................................................................13
1.3 Biodata Anggota Pelaksana Kegiatan ................................................................14
1.4 Biodata Dosen Pendamping ...............................................................................15
Lampiran 2. Susunan Organisasi Tim Peneliti dan Pembagian Tugas ........................17
Lampiran 3. Surat Pernyataan Ketua Pelaksana ..........................................................18

i
 DAFTAR TABEL

Tabel 1. Jadwal Kegiatan ....................................................................................... 9

ii
 DAFTAR GAMBAR
Gambar 1. Proses CNN .......................................................................................... 4
Gambar 2. Arsitektur ResNet ................................................................................. 5
Gambar 3. Diagram Blok Sistem Fine-Tuning ...................................................... 5
Gambar 4. Arsitektur MobileNetV2 ....................................................................... 6
Gambar 5. Diagram Alir Penelitian ....................................................................... 6
Gambar 6. Contoh Dataset Orang Bermasker dan Tidak Bermasker .................... 6
Gambar 7. Contoh Dataset Pelanggaran Social Distancing ................................... 7
Gambar 8. Contoh Output Mask Detection ........................................................... 7
Gambar 9. Contoh Deteksi Pelanggaran Social Distancing ................................... 8
Gambar 10. Contoh Output Deteksi Pelanggaran Protokol Kesehatan .................. 9

iii
 1

BAB I
PENDAHULUAN

1.1 Latar Belakang Penelitian

Corona Virus Disease 2019 (Covid-19) merupakan suatu penyakit menular
yang disebabkan oleh sindrom pernapasan akut coronavirus 2 (Severe Acute
Respiratory Syndrome CoronaVirus 2 atau SARS-CoV-2). Alasan utama diberi
nama Covid-19 karena penyakit ini merupakan coronavirus jenis baru yang
ditemukan di Wuhan, Hubei, China pada tahun 2019 (Hui et al., 2020). Sampai saat
ini, Covid-19 telah menyebar secara luas di seluruh dunia atau sering dikenal
sebagai suatu pandemi global.
Salah satu cara untuk mengatasi laju penyebaran virus ini yaitu dengan
mematuhi protokol kesehatan (Lambacing and Ferdiansyah, 2020). Berdasarkan
Keputusan Menteri Kesehatan Republik Indonesia Nomor
HK.01.07/MENKES/382/2020, pemerintah mengeluarkan suatu kebijakan terkait
protokol kesehatan dengan mewajibkan masyarakat untuk mematuhi aturan
kesehatan dengan menggunakan masker, menjaga jarak serta menghindari
kerumunan (Keputusan Menteri Kesehatan Republik Indonesia, 2020).
Namun, saat ini kebanyakan masyarakat Indonesia masih melakukan
pelanggaran protokol kesehatan. Hal ini disebabkan oleh beberapa faktor seperti
kurangnya kesadaran dan pemahaman masyarakat mengenai protokol kesehatan,
serta kurang maksimalnya pemantauan dari pemerintah dalam mengontrol
kedisiplinan penerapan aturan protokol kesehatan (Darmasita, 2020). Pelanggaran
protokol kesehatan sering terjadi di jalan raya, dimana masih banyak pengendara
roda dua maupun pejalan kaki yang tidak memakai masker dan menjaga jarak.
Selama ini, di jalan raya sudah banyak terpasang kamera CCTV (Closed Circuit
TeleVision) untuk memantau pelanggaran lalu lintas, tetapi untuk sistem sejenis
yang bisa memantau apakah seseorang melakukan pelanggaran protokol kesehatan
itu masih belum ada. Untuk meminimalisir terjadinya pelanggaran protokol
kesehatan di jalan raya, maka dibutuhkanlah sebuah sistem yang bisa mendeteksi
pelanggaran tersebut guna memudahkan pemerintah dalam melakukan pemantauan
dan penindak lanjutan bagi masyarakat yang melanggar.
Salah satu metode yang sering digunakan untuk sistem otomatis dalam
mendeteksi pelanggaran protokol kesehatan yaitu Deep Learning. Beberapa
penelitian yang menggunakan metode ini seperti penelitian yang dilakukan oleh
(Darmasita, 2020) mengembangkan sebuah aplikasi sebagai deteksi penggunaan
masker. Aplikasi yang dikembangkannya menggunakan deep learning dengan
arsitektur Xception menggunakan pendekatan transfer learning yang menghasilkan
akurasi 97%. Meskipun demikian, penelitian ini masih mempunyai kekurangan
yaitu hanya bisa digunakan pada citra wajah secara statis.
Selanjutnya penelitian yang dilakukan oleh (Keniya and Mehendale, 2020)
menggunakan metode SocialdistancingNet-19 yang menghasilkan akurasi sebesar
 2

92,8%. Namun penelitian ini juga memiliki kekurangan seperti bounding box yang
belum menyeluruh pada bagian objek yang diteliti dan tidak menjelaskan terkait
kecepatan FPS (Frame Per Second) yang dihasilkan bila menggunakan model
tersebut.
Dari kelebihan dan kekurangan beberapa penelitian tersebut maka pada
penelitian ini akan dilakukan pengembangan sistem yang dirancang. Sistem yang
dikembangkan ini bisa mendeteksi adanya kerumunan dan mengetahui apakah
seseorang menggunakan masker atau tidak dijalan raya serta menampilkan
informasi kapan dan dimana pelanggaran itu terjadi.
Sistem yang dirancang ini menggabungkan model Deep Learning dan program
tracking dan counting menjadi sebuah sistem otomatis yang dibantu oleh Graphic
User Interface (GUI) serta sebuah perangkat alarm dan platform Internet of Things
(IoT) dalam pemakaiannya. Dengan adanya sistem ini diharapkan bisa
memudahkan pemantauan pemerintah dalam mengawasi pengguna jalan raya yang
melanggar protokol kesehatan serta bisa meningkatkan kedisiplinan masyarakat
dalam mematuhi kebijakan protokol kesehatan yang berlaku.

1.2 Rumusan Masalah

1. Bagaimana merancang dan membangun sebuah model sistem deteksi
pelanggaran protokol kesehatan dijalan raya berbasis Deep Learning?
2. Bagaimana mengimplementasikan Deep Learning untuk sistem deteksi
pelanggaran protokol kesehatan dijalan raya?
3. Bagaimana kinerja dan performa dari model Deep Learning dalam sistem
deteksi pelanggaran protokol kesehatan?

1.3 Tujuan Penelitian

1. Merancang dan membangun sebuah model sistem deteksi pelanggaran
protokol kesehatan dijalan raya menggunakan Deep Learning yang modelnya
akan dikirimkan kepada alarm yang dirancang dan sebuah platform IoT.
2. Mengimplementasikan penerapan Deep Learning untuk sistem deteksi
pelanggaran protokol kesehatan secara tepat dan akurat.
3. Mengetahui kinerja dan performa dari model Deep Learning yang diterapkan
dalam sistem deteksi pelanggaran protokol kesehatan.

1.4 Manfaat Penelitian

1. Membangun inovasi sistem untuk mengurangi laju penyebaran Covid-19.
2. Membangun model Deep Learning untuk melakukan identifikasi
pelanggaran protokol kesehatan.
3. Memberikan solusi untuk kedisiplinan protokol kesahatan dengan
memonitor jalan raya dan memberikan peringatan bagi masyarakat yang
melanggar protokol kesehatan tersebut.
 3

4. Memberikan kontribusi ilmu pengetahuan terkait pengembangan sistem

deteksi pelanggaran protokol kesehatan dengan menggunakan Artificial
Intelligence (AI).

1.5 Urgensi Penelitian

Penelitian ini diperlukan untuk mendeteksi pelanggaran protokol kesehatan
dijalan raya yang dapat digunakan secara live dan realtime guna keperluan
pengontrolan kedisiplinan penerapan protokol kesehatan. Selain itu penelitian ini
juga diperlukan untuk meningkatkan kesadaran masyarakat dalam mematuhi
kebijakan protokol kesehatan yang berlaku.

1.6 Luaran yang diharapkan

Luaran yang diharapkan dari penelitian ini adalah laporan kemajuan, laporan
akhir, artikel ilmiah, database dan hasil program berupa aplikasi sistem deteksi
pelanggaran protokol kesehatan. Penelitian ini akan dipublikasikan dalam bentuk
artikel ilmiah yang nantinya bermanfaat bagi pembaca dan masyarakat umum.

BAB II
TINJAUAN PUSTAKA
2.1 Protokol Kesehatan
Protokol kesehatan merupakan suatu langkah, strategi dan kebijakan yang
diambil pemerintah untuk mencegah penyebaran Covid-19. Protokol kesehatan
berusaha untuk mengubah kebiasaan masyarakat melalui 5M yaitu mencuci tangan,
menjaga jarak, memakai masker, mengurangi mobilitas dan menghindari
kerumunan (Rachmadi et al., 2021). Mematuhi protokol kesehatan merupakan
tindakan yang sangat tepat guna mengurangi resiko penyebaran Covid-19 pada
masa ini, dikarenakan virus ini bisa menular melalui interaksi antar manusia.

2.2 Deep Learning

Deep Learning merupakan bagian dari kecerdasan buatan yang berbasis
jaringan syaraf tiruan dengan banyak hidden layers yang memiliki kemampuan
untuk mempelajari representasi atau fitur dari data secara otomatis. Deep Learning
juga merupakan salah satu cabang machine learning yang terinspirasi dari struktur
otak manusia.
Sama seperti manusia yang membuat keputusan dengan menganalisa
menggunakan rangkaian pemikiran logis yang terstruktur, deep learning
mengikutinya dengan sebuah algoritma yang dinamakan deep neural network
(Oppermann, 2019). Deep Neural Network digunakan untuk menyelesaikan
permasalahan pada domain machine learning tersebut. Deep Learning
memungkinkan mesin untuk belajar dari data. Jenis pembelajaran dalam deep
learning bisa berupa supervised, semi-supervised, dan unsupervised. Beberapa
tahun terakhir Deep Learning telah menunjukan performa yang luar biasa. Hal ini
 4

sebagian besar dipengaruhi karena faktor komputasi yang lebih kuat, data set yang
besar dan teknik untuk melatih jaringan yang lebih dalam (Heaton, 2018).

2.3 Convolutional Neural Network (CNN)

Algoritma deep learning yang berfungsi untuk mengelompokkan gambar atau
video dan mendeteksi objek di dalam gambar disebut Convolutional Neural
Network (CNN). CNN terdiri dari beberapa lapisan, seperti pooling layer, dense
layer, dan fully connected layer (Heaton, 2018). CNN adalah salah satu dari
beberapa jenis neural network yang sering digunakan dalam proses pengolahan
citra. Konvolusi atau kebanyakan sering disebut sebagai convolution merupakan
sebuah matriks yang berfungsi untuk melakukan filterisasi.
CNN memiliki banyak lapisan, dimana lapisan ini bisa difungsikan untuk
melakukan filter ke setiap proses yang dikerjakannya. Proses ini biasa disebut
dengan proses training (Santoso and Ariyanto, 2018). Berikut gambaran dari proses
CNN :

Gambar 1. Proses CNN (Santoso and Ariyanto, 2018)

2.4 Residual Neural Network 50(ResNet-50)

Seiring dengan berkembang dan beragamnya aplikasi komputer vision, maka
dikembangkan model arsitektur membuat CNN lebih dalam dan kuat dalam
kinerjanya. Salah satu model arsitektur yang menggunakan one-stage detector dari
CNN yaitu Residual Neural Network (ResNet) (Lin et al., 2020). ResNet
merupakan model yang menggunakan deep residual learning framework. Dengan
menggunakan framework ini, setiap layer network memiliki referensi ke layer
network sebelumnya, hal ini menjadikan proses optimasi menjadi lebih mudah
daripada layer-layer network yang tidak memiliki keterhubungan.
ResNet memanfaatkan skip connection atau disebut juga identity mapping pada
jaringan yang bertujuan untuk mengatasi masalah vanishing gradient dan
perhitungan komputasi yang berlebihan selama pelatihan pada jaringan yang terlalu
dalam. Jaringan ResNet terdiri dari sekumpulan residual block, masing-masing set
ini terdiri dari batch normalization, ReLU, dan convolution layer. Residual block
menggunakan input dari layer sebelumnya dan dijadikan sebagai input dan output
dari layer tersebut. Terdapat beberapa macam arsitektur ResNet yang disesuaikan
berdasarkan jumlah layernya yang terdiri dari 18 layer, 34 layer, 50 layer, 101 layer,
dan 152 layer dan proses yang terjadi didalamnya pun berbeda-beda sesuai dengan
jumlah layer tersebut (He et al., 2016). Gambar model arsitektur ResNet dapat
dilihat pada gambar 2.
 5

Gambar 2. Arsitektur ResNet (He et al., 2016)

ResNet-50 merupakan model dari CNN yang memiliki 50 layer yang terbagi
menjadi 48 Convolution Layers, 1 MaxPool Layer dan 1 Average Pool Layer.
Arsitektur ini dipilih karena memiliki performa yang baik pada Image Net Large
Scale Visual Recognition Competiton (ILSVRC), serta dapat menghemat memori
dan penyimpanan hardware pada saat meneliti. ResNet-50 merupakan metode yang
direkomendasikan oleh para peneliti untuk melakukan ekstraksi fitur pada data
dalam jumlah yang besar. Metode ini menjaga tingkat saturasi agar tetap stabil yang
berdampak pada meningkatnya tingkat akurasi dan hasil akhir yang didapatkan.

2.5 Transfer Learning

Transfer Learning merupakan metode yang memanfaatkan model yang telah
dilatih terhadap suatu dataset untuk menyelesaikan suatu permasalahan lain yang
serupa dengan cara menggunakannya sebagai starting point, memodifikasi dan
mengupdate parameternya sehingga sesuai dengan dataset yang baru. Metode
transfer learning yang dipakai pada penelitian ini yaitu metode fine-tuning. Berikut
gambar diagram blok sistem fine-tuning:

Gambar 3. Diagram Blok Sistem Fine-Tuning

2.6 MobileNetV2
MobileNets merupakan salah satu arsitektur CNN yang cocok digunakan untuk
mengatasi masalah keterbatasan daya komputasi pada sebuah sistem dalam
menjalankan tugas seperti deteksi objek menggunakan deep learning dengan
penggunaan lapisan konvolusi yang dibagi menjadi depthwise convolution dan
pointwise convolution (Howard et al., 2017). Depthwise convolution melakukan
proses konvolusi secara mendalam sedangkan pointwise convolution
menggabungkan jalur informasi dari depthwise convolution. MobileNetV2 memiliki
tambahan fitur berupa linear bottleneck dan shortcut connections antar bottleneck.
Proses dari arsitektur MobileNetV2 bisa dilihat pada Gambar 4. Shortcut antar
bottleneck membuat proses training menjadi lebih cepat dan akurasi lebih baik.
 6

Gambar 4. Arsitektur MobileNetV2

2.7 Single Shot Detector

Single Shot Detector (SSD) merupakan suatu metode pendeteksi objek pada
sebuah citra menggunakan single deep neural network. Metode deteksi objek ini
merupakan salah satu algoritma deteksi objek yang paling sering digunakan karena
kemudahan implementasi serta rasio kecepatan komputasi dan akurasi yang
dimilikinya. Cara kerja SSD yaitu hanya perlu mengambil satu ‘shot’ atau satu kali
pembacaan frame untuk mendeteksi objek-objek pada frame tersebut. Pada input
citra 300 × 300, SSD mencapai 72.1% pada nilai mean average Precision (mAP)
pada VOC2007 dengan 59 FPS. Untuk input citra 500 × 500, SSD mencapai 75.1%
pada nilai mAP dengan 22 FPS. Keduanya di test pada Nvidia Titan X yang
mengalahkan model SOTA Faster R-CNN (73.2% mAP pada 7 FPS) dan YOLOv1
(63.4% mAP pada 45 FPS) (Lin et al., 2020).

BAB III
METODE PENELITIAN

Gambar 5. Diagram Alir Penelitian

3.1 Pengumpulan Data
Pengumpulan data pada penelitian dilakukan melalui dua cara yaitu
pengumpulan data melalui internet dan pengumpulan data secara langsung. Untuk
pengumpulan data melalui internet diambil dua buah dataset dari pengguna github
bernama Prajna Bhandary serta dari situs kaggle.com yang datasetnya berisi gambar
pengguna bermasker, bermasker tidak standard dan tidak bemasker. Berikut contoh
gambar dataset yang diperoleh :

Gambar 6. Contoh Dataset orang bermasker dan tidak bermasker

 7

Sedangkan untuk pengumpulan data secara langsung diambil beberapa gambar dan
video disekitar jalan raya yang isinya orang-orang yang sedang melakukan
kerumunan atau berkumpul. Kemudian foto dan video tersebut diedit manual untuk
dijadikan sebagai dataset dalam mendeteksi pelanggaran social distancing. Berikut
contoh datasetnya:

Gambar 7. Contoh dataset pelanggaran social distancing

3.2 Praproses Dataset

Agar citra yang ada didalam dataset dapat diproses dengan baik maka dilakukan
tahap praproses, untuk dataset wajah bemasker digunakan 3 tahap praproses yaitu
resizing dataset yang digunakan menjadi 224 𝑥 224, grayscale dan augmentasi
data. Sedangkan untuk dataset social distancing datanya disimpan menjadi 2 kolom
yang berbeda pada kolom pertama untuk jalur pada file dan kolom kedua untuk
label yang sesuai, kemudian masing-masing dataset diberi kotak pembatas (label
box) untuk melatih dan mengevaluasi datanya.

3.3 Pembuatan Model Deep Learning dengan Fine Tuning

Untuk pembuatan modelnya digunakan pustaka TensorFlow pada Python. Pada
dataset wajah bermasker, proses ini dimulai dengan memuat MobileNet Pra-terlatih
dengan Weight ImageNet. MobileNet pra-terlatih ini kemudian dibuang network
headnya serta akan dijadikan model dasar. Selanjutnya dibuat fully connected head
yang akan disambungkan dengan model dasar. Model patokan MobileNet serta
dataset yang telah disegmentasi digunakan pada proses training untuk
menghasilkan model detector wajah bermasker yang memiliki label output mask
dan no mask yang akan ditampilkan pada GUI seperti contoh berikut :

Gambar 8. Contoh Output Mask Detection

 8

Untuk dataset kerumunan,label box yang telah dibuat digunakan untuk

mendeteksi objek lalu objek yang telah terdeteksi dibagi menjadi 2 yaitu untuk
diekstrak fiturnya dan dideteksi fiturnya. Untuk ekstrasi fitur pada objek digunakan
model CNN ResNet-50 sedangkan untuk deteksi objek digunakan YOLO yaitu
algoritma yang melihat pengenalan objek sebagai masalah regresi, mengambil input
gambar atau video secara bersamaan dan dapat mengetahui koordinat label box
yang sesuai dengan probabilitas kelas. Berikut contoh deteksi pelanggarannya:

Gambar 9. Contoh Deteksi Pelanggaran Social Distancing

3.4 Proses Deteksi Menggunakan Model Deep Learning
Pada tahapan ini model klasifikasi yang telah didapatkan dengan fine tuning
arsitektur MobileNet V2 tidak berdiri sendiri. Model klasifikasi yang didapatkan
dengan melatih arsitektur MobileNet V2 akan digunakan sebagai feature extractor
untuk mengklasifikasikan wajah bermasker dan tidak bermasker. Setelah itu, model
yang didapatkan akan dikombinasikan dengan detector objek Single Shot Detector
(SSD) sebagai lokalisasi Region of Interest (ROI). ROI yang ditandai dengan
pemberian Bounding Box akan dijadikan sebagai input klasifikasi pada model
MobileNet V2 yang telah kita rancang kemudian sebuah sistem yang dapat
mendeteksi wajah bermasker secara otomatis didapatkan.
Kemudian untuk mendeteksi pelanggaran social distancing pada kerumunan
secara otomatis, pertama dilakukan deteksi frame pada gambar atau video lalu
hitung koordinat bounding box dan turunkan titik pusat bounding box pada bagian
kiri atas. Setelah frame tersebut diproses maka akan didapat 3 hasil yaitu
confidence, boundling box dan titik pusatnya. Kemudian digunakan rumus jarak
Euclidian untuk menghitung jarak pusat antar individu, setelah dilakukan
perbandingan jarak antara titik pusat dua individu dengan jarak minimum pixel
yang didapat. Pasangan individu tersebut akan ditandai dengan warna merah atau
hijau tergantung mereka melanggar social distancing atau tidak.
Setelah didapat kedua model yang dapat mendeteksi wajah bermasker dan
pelanggaran social distancing secara otomatis maka kedua model ini akan
digabungkan dan akan diterapkan dijalan raya untuk melihat apakah seseorang
memakai masker dan menjaga jarak dijalan raya yang kemudian mengklasifikasi
seseorang tersebut melanggar protocol kesehatan atau tidak. Apabila hijau maka
seseorang menjaga protokol kesehatan dan merah jika melanggar protokol
kesehatan. Berikut contoh gambarnya :
 9

Gambar 10. Contoh Output Deteksi Pelanggaran Protokol Kesehatan

3.5 Analisa Hasil dan Kesimpulan
Setelah berhasil mendapatkan sistem yang dapat mendeteksi wajah bermasker
dan pelanggaran social distancing secara otomatis. Agar dapat mempermudah
menampilkan informasi yang didapat dan monitoring maka akan dibuat sebuah GUI
dan pemanfaatan sebuah platform IoT (Internet of Things) kedalam sebuah aplikasi
sehingga informasi yang didapat dari sistem pendeteksi protocol kesehatan dapat
diakses dimana saja secara fleksibel.
Sistem ini juga dapat digunakan pada CCTV khususnya dijalan raya untuk
melakukan pengawasan terhadap orang-orang yang melanggar protocol kesehatan.
Dengan melakukan pengawasan protocol kesehatan dijalan raya maka kita bisa
memastikan bahwa masing-masing individu menjaga protocol kesehatan dijalan
raya dan merupakan langkah awal untuk mengakhiri pandemi ini serta sistem ini
juga dapat dimanfaatkan untuk melihat daerah / kawasan yang paling banyak
melanggar protokol keseheatan sehingga dapat segera diatasi.

BAB IV
JADWAL KEGIATAN
Kegiatan penelitian ini direncanakan akan dijalankan selama 3 bulan (12 minggu).
Tabel 1. Jadwal Kegiatan

No Kegiatan Bulan 1 Bulan 2 Bulan 3 Penanggung

Jawab

Tahap 1 : Persiapan

1 Identifikasi Masalah Muhammat Rio

Halim

2 Penentuan Metode Chairu Nisa

Penelitian Apriyani

3 Studi Literatur mengenai Redina An

Teori-Teori dalam Fadhila
penelitian Chaniago
 10

Tahap 2: Pengumpulan Data

1 Dataset Wajah Redina An

Bermasker (Online) Fadhila
Chaniago

2 Dataset Social Redina An

Distancing Fadhila
Chaniago

Tahap 3: Pengolahan Data

1 Praprocessing Data Chairu Nisa

Apriyani

2 Pembuatan Model Muhammat Rio

dengan Deep Learning Halim

3 Proses Deteksi Muhammat Rio

Pelanggaran Prokes Halim

Tahap 4: Pembuatan Aplikasi

1 Perancangan Aplikasi Muhammat Rio

GUI Halim

2 Pengaplikasian sistem ke Chairu Nisa

CCTV di Jalan Raya Apriyani

Tahap 5: Analisa Hasil dan Laporan Akhir

1 Pengujian Aplikasi & Muhammat Rio

CCTV Halim

2 Pembuatan Laporan Redina An

Akhir Fadhila
Chaniago
 11

DAFTAR PUSTAKA

Darmasita (2020) ‘Deteksi Penggunaan Masker Menggunakan Xception Transfer

Learning’, JURNAL INSTEK (Informatika Sains dan Teknologi), 5, pp. 279–288.
He, K. et al. (2016) ‘Deep residual learning for image recognition’, Proceedings of
the IEEE Computer Society Conference on Computer Vision and Pattern
Recognition, 2016-December, pp. 770–778. doi: 10.1109/CVPR.2016.90.
Heaton, J. (2018) ‘Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep
learning’, Genetic Programming and Evolvable Machines. Springer US, 19(1–2),
pp. 305–307. doi: 10.1007/s10710-017-9314-z.
Howard, A. G. et al. (2017) ‘MobileNets: Efficient Convolutional Neural Networks
for Mobile Vision Applications’. Available at: http://arxiv.org/abs/1704.04861.
Hui, D. S. et al. (2020) ‘The continuing 2019-nCoV epidemic threat of novel
coronaviruses to global health — The latest 2019 novel coronavirus outbreak in
Wuhan, China’, International Journal of Infectious Diseases, 91, pp. 264–266. doi:
10.1016/j.ijid.2020.01.009.
Keniya, R. and Mehendale, N. (2020) ‘Real-Time Social Distancing Detector Using
Socialdistancingnet-19 Deep Learning Network’, SSRN Electronic Journal. doi:
10.2139/ssrn.3669311.
Lambacing, M. M. and Ferdiansyah, F. (2020) ‘Rancang Bangun New Normal
Covid-19 Masker Detektor Dengan Notifikasi Telegram Berbasis Internet of
Things’, Dinamik, 25(2), pp. 77–84. doi: 10.35315/dinamik.v25i2.8070.
Lin, T. Y. et al. (2020) ‘Focal Loss for Dense Object Detection’, IEEE Transactions
on Pattern Analysis and Machine Intelligence, 42(2), pp. 318–327. doi:
10.1109/TPAMI.2018.2858826.
Oppermann, A. (2019) What is Deep Learning and How does it work? Available
at: https://towardsdatascience.com/what-is-deep-learning-and-how-does-it-work-
2ce44bb692ac.
Rachmadi, T. R. et al. (2021) ‘Pemberdayaan Masyarakat Dalam Pencegahan
Penularan COVID-19 Melalui Sosialisasi Protokol Kesehatan di Pasar
Rantewringin, Kecamatan Buluspesantren, Kabupaten Kebumen’, JURPIKAT
(Jurnal Pengabdian Kepada Masyarakat), 2(1), pp. 126–136. doi:
10.37339/jurpikat.v2i1.503.
Santoso, A. and Ariyanto, G. (2018) ‘Implementasi Deep Learning Berbasis Keras
Untuk Pengenalan Wajah’, Emitor: Jurnal Teknik Elektro, 18(01), pp. 15–21. doi:
10.23917/emitor.v18i01.6235.
 12

Lampiran 1 Biodata Ketua dan Anggota

1.1 Biodata Ketua Pelaksana Kegiatan

A. Identitas Diri
1 Nama Lengkap Muhammat Rio Halim
2 Jenis Kelamin Laki-laki
3 Program Studi Matematika
4 NIM 08011281823114
5 Tempat dan Tanggal Palembang, 5 Agustus 2000
Lahir
6 Alamat E-mail Riohlm5@gmail.com
7 No. HP 082182622185

B. Kegiatan Kemahasiswaan Yang Sedang/Pernah Diikuti

No Jenis Kegiatan Status dalam Kegiatan Waktu dan Tempat
1 HIMASTIK Unsri Anggota Departemen 2018-2021, UNSRI
Akpro
2 Asisten Teknisi 2019-2021,
Laboratorium
Komputasi

C. Penghargaan Yang Pernah Diterima

No Jenis Penghargaan Pihak Pemberi Penghargaan Tahun
1 Juara 4 ON MIPA PT 2019 UNSRI 2019
2 Juara 10 ON MIPA PT UNSRI 2020
2020
3 Juara 2 LKM FMIPA FMIPA UNSRII 2020
4 Juara 1 ON MIPA PT 2021 UNSRI 2021

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar
dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanksi. Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi
salah satu persyaratan dalam pengajuan LKTI FMIPA.

Inderalaya, 27 September 2021

Ketua Tim

Muhammat Rio Halim

 13

1.2 Biodata Anggota Pelaksana Kegiatan

A. Identitas Diri
1 Nama Lengkap Chairu Nisa Apriyani
2 Jenis Kelamin Perempuan
3 Program Studi Matematika
4 NIM 08011181823105
5 Tempat dan Tanggal Palembang, 29 April 2001
Lahir
6 Alamat E-mail apriyaniinisa@gmail.com
7 No. HP 083179152849

B. Kegiatan Kemahasiswaan Yang Sedang/Pernah Diikuti

No Jenis Kegiatan Status dalam Kegiatan Waktu dan Tempat
1 DPM KM Unsri Staff Khusus 2018-2019, UNSRI
2 HIMASTIK Unsri Anggota Departemen 2018-2021, UNSRI
Internal
3 Asisten Bendahara 2019-2021, UNSRI
Laboratorium
Komputasi

C. Penghargaan Yang Pernah Diterima

No Jenis Penghargaan Pihak Pemberi Penghargaan Tahun
1 PHP2D 2020 Kemendikbud RI 2020
2 PMW Python Class UNSRI 2020
3 Juara 2 LKM FMIPA PT FMIPA UNSRI 2020
4 PMW KodingKito UNSRI 2021

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar
dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanksi. Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi
salah satu persyaratan dalam pengajuan LKTI FMIPA.

Inderalaya, 27 September 2021

Anggota Tim

Chairu Nisa Apriyani

 14

1.3 Biodata Anggota Pelaksana Kegiatan

A. Identitas Diri
1 Nama Lengkap Redina An Fadhila Chaniago
2 Jenis Kelamin Perempuan
3 Program Studi Matematika
4 NIM 08011281924029
5 Tempat dan Tanggal Tangerang, 16 Juni 2001
Lahir
6 Alamat E-mail andien1661@gmail.com
7 No. HP 088292003526

B. Kegiatan Kemahasiswaan Yang Sedang/Pernah Diikuti

No Jenis Kegiatan Status dalam Kegiatan Waktu dan Tempat
1. HIMASTIK Unsri Anggota Departemen 2019-2021, UNSRI
Sosial dan Masyarakat

C. Penghargaan Yang Pernah Diterima

No Jenis Penghargaan Pihak Pemberi Penghargaan Tahun
1. PMW KodingKito UNSRI 2021

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar
dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanksi. Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi
salah satu persyaratan dalam pengajuan LKTI FMIPA.

Inderalaya, 27 September 2021

Anggota Tim

Redina An Fadhila Chaniago

 15

1.4 Biodata Dosen Pendamping

A. Identitas Diri
1 Nama Lengkap (dengan gelar) Anita Desiani, S.Si., M.Kom.
2 Jenis Kelamin Perempuan
3 Program Studi Matematika
4 NIP/NIDN 011127702
5 Tempat dan Tanggal Lahir Palembang, 11 Desember 1977
6 Alamat E-mail Anita.arhami@gmail.com
7 Nomor telepon/HP 081273250573

B. Riwayat Pendidikan
Program S1 S2
Nama PT Universitas Sriwijaya Universitas Gadjah Mada
Jogja
Bidang Ilmu Matematika MIPA Ilmu Komputer
Tahun Masuk 1996 2000
Tahun Lulus 2000 2003

C. Rekam Jejak Tri Dharma PT

Pendidikan / Pengajaran
No Nama Mata Kuliah Wajib/Pilihan SKS
1 Pengantar Ilmu Komputer Wajib 3
2 Pemograman Komputer Wajib 3
3 Basis Data Pilihan 3
4 Kecerdasan Buatan Pilihan 3

D. Penelitian
No Judul Penelitian Penyandang Dana Tahun
1 Implementasi Ecoinformatics dalam Hibah Kompetitif 2016
Sistem Manajemen Data Ekolog Unsri
2 Reduksi Dimensi Pada Sinyal ECG Sateks Unsri 2017
Menggunakan Metode Compressive
3 Sistem Prediksi Penderita Jantung Hibah Kompetitif 2018
Dengan Teknik Data Mining Unsri
4 Model dan Prediksi Relevansi Eidang Sateks Unsri 2019
Pekerjaan Lulusan Universitas
Sriwijava dengan Latar Belakang
Pendidikan Menggunakan Teknik Data
Mining
5 Deteksi Dini Kanker Serviks dengan Sateks Unsri 2020
Teknik Pengolahan Citra dan
Klasifikasi Sel Serviks Berbasis Data
Mining
6 Prediksi Konsentrasi Polutan Penyebab Sateks Unsri 2020
 16

Polusi Udara Menggunakan Back

Propagation Neural Network PSO

E. Pengabdian Kepada Masyarakat

No Judul Pengabdian kepada Masyarakat Penyandang Dana Tahun
1 Pemanfaatan Website dan Teknologi Dipa Unsri 2016
Sistem Informasi sebagai Upaya
Peningkatan Manajemen dan Media
Promosi Potensi Pengrajin Songket
(Anita Desiani)
2 Pendampingan Pemanfaatan Teknologi Dipa Unsri 2017
Informasi Sebagai Upaya Peningkatan
Perekonomian Bagi Ukm Desa Limbang
Jaya Kecamatan Tanjung Baru, Ogan
Ilir.
3 Inovasi Digitalisasi Pemasaran Produk Inovasi Unsri 2019
Usaha Masyarakat Desa Berbasis
Website Menuju Masyarakat Desa
Berdaulat Pangan dan Mandiri Ekonomi
di Desa Bangsal Kecamatan Pampangan
4 Pelatihan Pembukuan dan Pembuatan Dipa Unsri 2019
Laporan Keuangan Usaha Mikro Kecil
dan Menengah (UMKM) Berbasis
Teknologi Informasi dan Komputer di
Desa Bangsal Kecamatan Pampangan
5 KKN Tematik Desa Digital Dipa Unsri 2020

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar
dan dipertanggung jawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima
sanski.Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah
satu persyaratan dalam pengajuan LKTI FMIPA.

Inderalaya, 27 September 2021

Dosen Pendamping

Anita Desiani, S.Si., M.Kom.

 17

Lampiran 2. Susunan Organisasi Tim Peneliti dan Pembagian Tugas

No Nama /NIM Program Bidang Ilmu Alokasi UraianTugas

Studi Waktu
(jam/
minggu)
1 Muhammat Rio Matematika Komputasi 8 Mengelola TIM,
Halim / Mengolah Data dan
08011281823114 Membuat Aplikasi
2 Chairu Nisa Matematika Komputasi 8 Bendahara,
Apriyani / Mengolah Data dan
08011181823105 Pengontrol
3 Redina An Matematika Komputasi 8 Sekretaris,
Fadhila Chaniago/ Mengumpulkan
08011281924029 Data, dan Mencari
Literatur
 18

Lampiran 4. Surat Pernyataan Ketua Pelaksana

SURAT PERNYATAAN KETUA TIM PELAKSANA

Yang bertandatangan di bawah ini:

Nama : Muhammat Rio Halim
NIM : 08011281823114
Program Studi : Matematika
Fakultas : Matematika dan Ilmu Pengetahuan Alam

Dengan ini menyatakan bahwa proposal LKTI saya dengan judul Automatic
Detection Camera of Health Protocol di Jalan Raya berbasis Deep Learning yang
diusulkan untuk tahun anggaran 2021 adalah asli karya kami dan belum pernah
dibiayai oleh lembaga atau sumber lain.
Bilamana di kemudian hari ditemukan ketidaksesuaian dengan pernyataan ini,
maka saya bersedia dituntut dan diproses sesuai dengan ketentuan yang berlaku dan
mengembalikan seluruh biaya yang sudah diterima ke kas negara.
Demikian pernyataan ini dibuat dengan sesungguhnya dan dengan sebenar-
benarnya.

Indralaya, 27 September 2021

Yang menyatakan,

(Muhammat Rio Halim)

NIM. 08011281823114