Paper 535170097 Saddhananda
Paper 535170097 Saddhananda
convolutional layer dan pooling layer. Struktur Conv 32 3 x 3/ 1 104 x 104 x 104 x 104 x
jaringan YOLO mirip dengan Google Net, 32 32
perbedaannya adalah bahwa YOLO menggunakan
lapisan 1×1 convolutional layer (untuk integrasi antar Conv 32 3 x 3/ 1 104 x 104 x 104 x 104 x
saluran) + 3x3 convolutional layer sebagai pengganti 32 32
awal modul. Struktur YOLO v1 berisi 24
convolutional layer dan 2 full connection layer, seperti Route 5 104 x 104 x
pada Gambar 5. 4 64
Conv 30 1 x 1/ 1 13 x 13 x 512 13 x 13 x 30
Yolo
Route 13 x 13 x 256
27
Route 26 x 26 x 384
33 23
Conv 30 1 x 1/ 1 26 x 26 x 256 26 x 26 x 30
Yolo
3. Hasil Pengujian
Hasil pelatihan aplikasi berupa weights atau bobot Gambar 8 Grafik Nilai Recall
yang akan digunakan untuk data uji dan grafik nilai
confusion matrix, kemudian akan dikalkulasi untuk
mendapatkan nilai precision, recall, average precision
(AP), F1-score, dan mean average precision (mAP).
2. Modul Detection
Pengujian Modul Detection dilakukan dengan
melakukan pengujian menekan Q/q pada keyboard
untuk memberhentikan deteksi secara langsung dan
tombol back untuk melihat apakah tombol back dapat
memindahkan pengguna ke Modul Home. Tampilan
antarmuka model Detection dapat dilihat pada
Gambar 13.
3. Modul About
Gambar 11 Grafik Loss Pelatihan Model YOLO Pengujian Modul About dilakukan dengan
melakukan pengujian pada tombol back untuk melihat
Aplikasi pendeteksian masker yang telah dibuat, apakah tombol back dapat memindahkan pengguna ke
akan di uji setiap fitur, tombol, dan fungsi-fungsinya Modul Home. Tampilan antarmuka model About
sesuai dengan rancangan yang dibuat. Pengujian dapat dilihat pada Gambar 14.
dilakukan agar aplikasi dapat berjalan dengan baik dan
sesuai.
1. Modul Home
Pengujian Modul Home dimulai dengan
melakukan pengujian pada button-button yang
menjalankan fungsi routing yang terdapat pada button
Detection, button About, button Help, dan button Exit.
Tampilan antarmuka model Home dapat dilihat pada
Gambar 12.
4. Modul Help
Pengujian Modul Help dilakukan dengan
melakukan pengujian pada tombol back untuk melihat
apakah tombol back dapat memindahkan pengguna ke
Modul Home. Tampilan antarmuka model Help dapat 1. Aplikasi Pendeteksian Penggunaan Masker
dilihat pada Gambar 15. dan Klasifikasi Secara Real Time Melalui Video
Webcam Dengan Metode YOLO ini mampu
melakukan pendeteksian penggunaan masker dan
klasifikasi di cukup baik dengan tingkat akurasi
sebesar 100%.
2. Aplikasi Pendeteksian Penggunaan Masker
dan Klasifikasi Secara Real Time Melalui Video
Webcam Dengan Metode YOLO ini mampu
melakukan pendeteksian penggunaan masker dan
klasifikasi di kerumunan cukup baik dengan tingkat
akurasi sebesar 93.33%.
REFERENSI
Gambar 15 Tampilan Akhir Modul Help [1] Megawan, Sunario dan Lestari, Wulan Sri,
“Deteksi Spoofing Wajah Menggunakan Faster R-
Pengujian pada model YOLO yang telah dibuat CNN dengan Arsitektur Resnet50 pada Video”, Jurnal
untuk mengukur keefektivitasan model dalam Nasional Teknik Elektro dan Teknologi Informasi,
mendeteksi masker dan mengklasifikasi masker yang Vol. 9, Nomor 3, (Agustus, 2020) h. 261-267, 2
digunakan. Model akan diuji dengan menggunakan September 2022
dataset yang berjumlah 846 akan di bagi menjadi data [2] Hartono, Ivan; Noertjahyana, Agustinus; dan
latih 70%, data validasi 20%, dan data uji 10%. Santoso, Leo Willyanto, Deteksi Masker Wajah
dengan Metode Convolutional Neural Network,
Hasil pengujian Model YOLO untuk https://publication.petra.ac.id/index.php/teknik-
Pendeteksian Masker dapat dilihat pada Tabel 1 dan informatika/article/download/12042/10576, 2
Tabel 2 September 2022
[3] Budiman, Bunardi; Lubis, Chairisni; dan Perdana,
Tabel 1 Pengujian dengan 50 epochs Novario Jaya, “Face Mask Detection Using the
Convolutional Neural Network”, Jurnal Ilmu
Komputer dan Sistem Informasi (JIKSI) Vol. 9 No. 1
(Januari, 2021), 2 September 2022
4. Kesimpulan
Kesimpulan Yang dapat dari hasil pengujian yang
dilakukan terhadap aplikasi Pendeteksian Masker
Menggunakan Metode You Only Look Once (YOLO)
adalah sebagai berikut: