email: aaruniska@gmail.com
email: via.borneo@gmail.com
email : ginouniska@gmail.com
Abstrak
The emergence of the COVID-19 pandemic has had a lasting impact on countries around the world since
2019. Face mask detection has been a significant advance in the field of image processing and deep
learning studies. Many face detection models have been designed using different algorithms and
techniques. The approach proposed in this proposal is developed to prevent people without masks from
entering public places (i.e. Malls, Universities, Offices, …etc) by detecting face masks using deep
learning, TensorFlow, Keras, and OpenCV methods and sending a signal to the connected Arduino
device. to the door to be opened. To detect a person's face in real-time and identify whether the person
is wearing a mask or not. This method uses datasets collected from various sources.
Flowchart
sebuah array) dengan library OpenCV. dari inisial target juga semakin
Setelah proses pixelized, gambar diberi jauh.
label sebagai ‘Menggunakan Masker' 2) Epoch
atau ‘Tanpa Masker’ dengan fungsi Epoch adalah hyperparameter
library dari TensorFlow dan Keras. yang menentukan berapa
Array master yang berisi semua jumlah algoritma pembelajaran
gambar berpiksel dengan label yang akan bekerja mengolah seluruh
telah dibuat untuk dilakukan training. dataset training.
3) Batch size
Merupakan jumlah kelompok
dari sampel data. Contoh: jika
mempunyai 100 dataset dan
batch size kita adalah 5 maka
dataset akan dibagi menjadi 5
Gambar 1.5 Merubah ukuran resolusi bagian dan disetiap bagian ada
gambar menjadi 224 x 224 piksel 20 dataset. Untuk jumlah nilai
variable seperti yang
c. Training dan validasi dataset ditampilkan pada pseudocode
Dalam melakukan training dan validasi berikut:
dataset akan menggunakan bantuan INIT_LR = 1e-4
EPOCHS = 5
python dengan menggunakan metode BS = 32
Deep Neural Network, untuk 2. Partisi dataset
tahapannya sebagai berikut: Partisi yang dimaksudkan ada
1. Mempersiapkan variable global kapasitas dari dataset yang akan
Variable global merupakan sebuah dibagi menjadi 2 yaitu 80% dataset
parameter dalam training data digunakan untuk training dan
untuk menghitung nilai koreksi sisanya digunakan untuk validasi
bobot pada waktu. Semakin besar dan ini dilakukan pada setiap
learning rate maka rentang untuk epoch atau setiap sekali training
menentukan perubahan bobot dataset yang menggunakan semua
dalam neural network semakin data dari dataset. Seperti yang
besar dan berpengaruh dengan terlihat pada pseudocode berikut:
kedekatan fitur kepada kelas yang
lain. Saat learning rate kecil maka trainX,testX,trainY,testY) =
perubahan bobot semakin kecil train_test_split(data,labels
,test_size=0.20,stratify=lab
dan kedekatan pola ke kelas lain els,random_state=20)
dari inisial target juga semakin 3. Data Augmenatation
jauh. Data Augmentation adalah sebuah
1) Learning rate merupakan teknik memanipulasi sebuah data
sebuah parameter dalam tanpa kehilangan inti atau esensi
raining data untuk menghitung dari data tersebut. Untuk data
nilai koreksi bobot pada waktu berupa Image, kita bisa lakukan
proses training. Semakin besar rotate, flip, crop, dll.
learning rate maka rentang aug = ImageDataGenerator(
untuk menentukan perubahan rotation_range=20,
bobot dalam neural network zoom_range=0.15,
width_shift_range=0.2,height
semakin besar dan berpengaruh _shift_range=0.2,shear_range
dengan kedekatan fitur kepada =0.15,horizontal_flip=True,f
kelas yang lain. Saat learning ill_mode="nearest")
rate kecil maka perubahan Dari pseudocode diatas terdiri
bobot semakin kecil dan dari:
kedekatan pola kekelas lain
Technologia”Vol 13, No. 4, Oktober 2022 379
Pengujian Alat
Dari hasil pengujian didapatkan hasil seperti
pada tabel 1.1, diketahui dari semua kondisi ada
2 kondisi yang tidak lolos, yaitu ketika ada
sebuah gambar wajah aplikasi tetap mendeteksi
bahwa itu adalah wajah, dan yang kedua adalah
apabila maker hanya menutupi hidung saja
aplikasi tetap menganggap penggunaan masker
sudah benar, kedua kondisi ini tidak bisa
memenuhi ekspentasi sehingga hasilnya false.
3. REFERENSI
Najiyah, I., & Topiq, S. (2021). Klasifikasi 2020 3rd International Conference on
Jenis Kendaraan Roda Empat, 3(2), 199– Applied Engineering (ICAE), Batam,
206. Indonesia, pp. 1-5.
Putri, N. I. (2020). Deep Learning Dan Susilo, A., Rumende, C. M., Pitoyo, C. W.,
Teknologi Big Data Untuk Keamanan Santoso, W. D., Yulianti, M.,
IOT. COMPUTING| Jurnal Informatika, Herikurniawan, H., Yunihastuti, E.
7(1), 48–73. (2020). Coronavirus Disease 2019:
R. K. Sinuraya, D. P. Destiani, I. M. Puspitasari, Tinjauan Literatur Terkini. Jurnal
and A. Diantini, “Pengukuran Tingkat Penyakit Dalam Indonesia, 7(1), 45.
Kepatuhan Pengobatan Pasien Hipertensi https://doi.org/10.7454/jpdi.v7i1.415
di Fasilitas Kesehatan Tingkat Pertama di V. K. Gudipati, O. R. Barman, M. Gaffoor, and
Kota Bandung,” Indones. J. Clin. Pharm., A. Abuzneid, “Efficient facial expression
vol. 7, no. 2, pp. 124–133, 2018. recognition using adaboost and haar
S. Susanto, F. A. Putra, R. Analia and I. K. L. cascade classifiers,” in 2016 Annual
N. Suciningtyas, (2020) "The Face Mask Connecticut Conference on Industrial
Detection For Preventing the Spread of Electronics, Technology & Automation
COVID-19 at Politeknik Negeri Batam," (CT-IETA), 2016, pp. 1–4