S3-Implementasi Deep Learning Menggunakan Metode You Only Look Once Untuk Mendeteksi Rokok
S3-Implementasi Deep Learning Menggunakan Metode You Only Look Once Untuk Mendeteksi Rokok
1. PENDAHULUAN
Rokok merupakan hasil olahan dari produk tembakau yang penggunaanya dengan cara dibakar kemudian dihisap,
contohnya seperti rokok kretek, rokok putih, cerutu atau dalam bentuk lainnya yang mana asapnya mengandung
nikotin dan tar [1]. Aktivitas merokok biasanya ditemui pada berbagai tempat, diantaranya pada prasarana umum
yang terdapat informasi larangan merokok. Pendekatan yang dilakukan untuk mencegah aktivitas merokok di
prasarana umum biasanya menggunakan informasi manual maupun campur tangan dari manusia. Dalam hal
pendekatan ini sering ditemui banyak permasalahan dan kegagalan karena sedikit tenaga kerja dan aturan yang
mendukung [2]. Pendekatan ini membutuhkan banyak biaya dan tenaga kerja dalam penerapannya. Dari
permasalahan tersebut, penelitian ini akan mengimplementasikan salah satu metode dengan basis deep learning
yang mampu mendeteksi rokok secara realtime.
Deep learning telah hadir sebagai teknik yang sangat kuat untuk mempelajari objek secara otomatis dari
suatu data mentah, yang mana deep learning telah mendapat kemajuan yang cukup besar dalam mendeteksi objek
[3]. Penelitian yang dilakukan oleh Stephen Humphries dan kawan-kawan dalam menerapkan deep learning untuk
klasifikasi otomatis pola emphysema di CT memberikan hasil yang dapat ditafsirkan untuk dapat membantu
mengidentifikasi individu dari resiko kematian yang besar dan memberikan penilaian yang lebih sensitif dalam
mendeteksi jejak tingkat emphysema [4]. You Only Look Once (YOLO) merupakan suatu metode deep learning
yang popular digunakan dalam mendeteksi objek, karena model ini menggunakan jaringan saraf konvolusi yang
dijadikan sebagai pendekatan deep learning untuk mendeteksi wajah pada video [5]. Pendekatan YOLO yang
berdasarkan deep learning sangat baik dalam mendeteksi objek, model ini menghadirkan jaringan saraf konvolusi
tunggal dalam menetapkan lokasi dan klasifikasi [6].
Penelitian yang dilakukan oleh Liao dan Zou pada tahun 2020 mengusulkan implementasi deep learning
dalam mendeteksi target merokok menggunakan You Only Look Once v3 (Yolov3) karena memiliki hasil yang
baik. Jaringan Yolo V3 yang digunakan mampu mendeteksi target dengan ukuran yang lebih kecil, yaitu puntung
rokok. Dengan menggunakan model DarkNet53 pada yolov3 untuk mendeteksi rokok mampu mendapatkan mAP
Ahmad Harun, Copyright © 2023, MIB, Page 107
Submitted: 27/12/2022; Accepted: 08/01/2023; Published: 28/01/2023
JURNAL MEDIA INFORMATIKA BUDIDARMA
Volume 7, Nomor 1, Januari 2023, Page 107-116
ISSN 2614-5278 (media cetak), ISSN 2548-8368 (media online)
Available Online at https://ejurnal.stmik-budidarma.ac.id/index.php/mib
DOI: 10.30865/mib.v7i1.5409
sebesar 0.76 [7]. Pada tahun 2020, yolov4 telah dikembangkan oleh Alexey dan kawan-kawan dimana dibanding
yolov3, yolov4 telah ditingkatkan Average Precision (AP) sebesar 10 % dan Frame Per Second (FPS) sebesar 12
% [8] sehingga dapat bekerja lebih cepat dan lebih baik.
Pada penelitian sebelumnya tentang mendeteksi objek, beberapa penelitian yang memiliki keterkaitan
dengan penelitian yang sedang di lakukan. Penelitian yang dilakukan oleh Zhao dan Ren yaitu melakukan deteksi
objek kecil, dimana objek yang di deteksi adalah pesawat kecil dalam penginderaan jauh. Pada penelitian tersebut
membandingkan rata-rata presisi dan waktu deteksi dari YOLOv3, Faster R-CNN dan SSD, dimana YOLOv3
mendapatkan rata-rata presisi tertinggi yaitu 0.925 dan waktu deteksi yang rendah yaitu 0.023 detik [9]. YOLO
juga digunakan dalam mendeteksi objek kecil lainnya, yaitu rokok. Penelitian yang dilakukan Pundhir dan kawan-
kawan yaitu untuk melakukan klasifikasi pemakai rokok menggunakan deep learning dengan modul Yolo-V3,
dari penelitian tersebut didapatkan akurasi klasifikasinya mencapai 96.74% [10]. Kemudian pada Penelitian yang
dilakukan oleh Shuo Wang yaitu dengan mengevaluasi YOLOv3, YOLOv3-tiny, YOLOv3-SPP3, YOLOv4, dan
YOLOv4-tiny dalam mendeteksi objek kecil secara real time yaitu objek UAV. Pada penelitian tersebut Yolov4
mendapatkan mAP sebesar 87,48 % dimana lebih tinggi 14,2 % dari Yolov3 [11].
Berdasarkan uraian tersebut, penelitian ini akan mengimplementasikan metode You Only Look Once
(YOLO) untuk mendeteksi objek kecil yaitu puntung rokok secara realtime. penentuan jarak kamera dengan objek
puntung rokok akan diperhitungkan dalam penelitian ini.
2. METODOLOGI PENELITIAN
Adapun metodelogi penelitian dalam penelitian ini secara garis besar terdiri atas 7 tahapan yang dilakukan. Berikut
ini merupakan tahapan penelitian yang dapat dilihat pada gambar 1.
Setelah mendapatkan nilai precision dan recall, plot nilai precision terhadap recall untuk melihat pola berbentuk
zig-zag. Sebelum menghitung AP, hasil plot berbentuk zig-zag akan dihaluskan, dimana nilai precision (p) pada
setiap recall (r) diganti dengan nilai precision maksimum pada recall selanjutnya (r’) [22]. Perhitungan tersebut
dapat dihitung dengan persamaan berikut:
pinter (rn+1 ) = max p(r ′ ); r ′ ≥ rn+1 (3)
Nilai AP dihasilkan dengan menghitung area berbentuk kurva pada nilai recalls, yaitu ketika nilai precision
maksimum jatuh. Perhitungan nilai AP dapat dihitung dengan persamaan berikut:
AP = ∑(rn+1 − rn ) pinter (rn+1 ) (4)
Kemudian untuk menghitung nilai mAP dapat dihitung menggunakan persamaan berikut:
N
AP(i)
mAP = ∑ x 100% (5)
i=1 N
Dimana AP adalah Average Precision dan N adalah banyak kelas yang dilatih. Selanjutnya, dalam menghitung
performa cukup sulit membandingkan model dengan nilai precision yang tinggi dan nilai recall yang rendah
maupun sebaliknya. Maka dari itu dibutuhkan perhitungan performa parameter yang lain untuk mendapatkan nilai
harmonik antaran precision dan recall yaitu F1-Score [23]. F1-Score adalah perbandingan dari rata-rata nilai dari
precision dan recall [24]. Perhitungan nilai F1-Score dapat dihitung sesuai dengan persamaan 6.
Precision x Recall
F1-Score = 2 x (6)
Precision +Recall
Orang 1
Percobaan Pada…
59,41%
100% 0,00% 0,00% 0,00% Orang 1
0%
Orang 1 Orang 2 Orang 3 Orang 4 Orang 2
Orang 1
Orang 4
Orang 2 Orang 3
Perbandingan Akurasi
99,03%91,69%91,38%
100,00% 78,93%73,38%
80,00% 59,50%59,47%59,41%
60,00%
40,00%
20,00% 0,00%
0,00%
1 1.5 2 2.5 3 3.5 4 4.5 5
Meter Meter Meter Meter Meter Meter Meter Meter Meter
4. KESIMPULAN
Berdasarkan penelitian yang dilakukan, dapat ditarik kesimpulan bahwa model terbaik dari tahap training dataset
adalah YOLOv4 dengan pembagian data 80% training dan 20% validation dimana menghasilkan presentase
tertingi Mean Average Precision (mAP) yaitu 92.54% dan F1-Score 0.89. Dari pengujian sistem pendeteksi rokok
yang dilakukan, sistem dapat mendeteksi rokok sampai pada jarak 4.5 meter, dan akurasi deteksi tertinggi
didapatkan pada jarak 1 meter yaitu 99.03%, serta tidak dapat mendeteksi rokok sama sekali pada jarak 5 meter.
UCAPAN TERIMAKASIH
Terima kasih kepada seluruh stakeholder Universitas Abdurrab yang telah memberikan izin dan memberikan
arahan dalam penelitian ini
REFERENCES
[1] E. Nuraeni, I. Yoyoh, E. Wibisana, and D. Mardiana, “Hubungan Tingkat Pengetahuan Dengan Peilaku Merokok Di
SMK Sasmita Jaya I Pamulung,” J. Kesehat. Masy., vol. 6, no. 2, pp. 2–7, 2021.
[2] L. Arief, A. Z. Tantowi, N. P. Novani, and T. A. Sundara, “Implementation of YOLO and smoke sensor for automating
public service announcement of cigarette’s hazard in public facilities,” 2020 Int. Conf. Inf. Technol. Syst. Innov. ICITSI
2020 - Proc., pp. 101–107, 2020, doi: 10.1109/ICITSI50517.2020.9264972.
[3] C. B. Murthy, M. F. Hashmi, N. D. Bokde, and Z. W. Geem, “Investigations of object detection in images/videos using
various deep learning techniques and embedded platforms-A comprehensive review,” Appl. Sci., vol. 10, no. 9, 2020,
doi: 10.3390/app10093280.
[4] S. M. Humphries et al., “Deep learning enables automatic classification of emphysema pattern at CT,” Radiology, vol.
294, no. 2, pp. 434–444, 2020, doi: 10.1148/radiol.2019191022.
[5] D. Garg, P. Goel, S. Pandya, A. Ganatra, and K. Kotecha, “A Deep Learning Approach for Face Detection using YOLO,”
Proc. 5th Int. Conf. Trends Electron. Informatics, ICOEI 2021, pp. 760–764, 2018, doi:
10.1109/ICOEI51242.2021.9452896.
[6] J. Tao, H. Wang, X. Zhang, X. Li, and H. Yang, “An object detection system based on YOLO in traffic scene,” Proc.
2017 6th Int. Conf. Comput. Sci. Netw. Technol. ICCSNT 2017, vol. 2018-Janua, pp. 315–319, 2018, doi:
10.1109/ICCSNT.2017.8343709.
[7] J. Liao and J. Zou, “Smoking target detection based on Yolo V3,” in Proceedings - 2020 5th International Conference on
Mechanical, Control and Computer Engineering, ICMCCE 2020, Dec. 2020, pp. 2241–2244, doi:
10.1109/ICMCCE51767.2020.00486.
[8] A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” 2020,
[Online]. Available: http://arxiv.org/abs/2004.10934.
[9] K. Zhao and X. Ren, “Small Aircraft Detection in Remote Sensing Images Based on YOLOv3,” IOP Conf. Ser. Mater.
Sci. Eng., vol. 533, no. 1, 2019, doi: 10.1088/1757-899X/533/1/012056.
[10] A. Pundhir, D. Verma, P. Kumar, and B. Raman, “Region extraction based approach for cigarette usage classification
using deep learning,” 2021, [Online]. Available: http://arxiv.org/abs/2103.12523.
[11] S. Wang, “Research towards Yolo-Series Algorithms: Comparison and Analysis of Object Detection Models for Real-
Time UAV Applications,” J. Phys. Conf. Ser., vol. 1948, no. 1, 2021, doi: 10.1088/1742-6596/1948/1/012021.
[12] D. S. Aulia, C. Setianingsih, and M. Kallista, “Deteksi Tanda Kehidupan Pada Korban Bencana Alam Dengan Algoritma
Yolo Dan Open Pose Life Sign Detector Using You Only Look Once ( Yolo ) and Open Pose,” e-Proceeding Eng., vol.
8, no. 5, pp. 6162–6174, 2021.
[13] M. Muhaimin and T. W. Sen, “Real-Time Detection of Face Masked and Face Shield Using YOLO Algorithm with Pre-
Trained Model and Darknet,” Indones. J. Artif. Intell. Data Min., vol. 4, no. 2, pp. 97–107, 2021.
[14] Y. N. Fuadah, S. Saidah, N. K. Sy, R. Magdalena, and I. Da’wan Ubaidullah, “Glaucoma Classification Based on Fundus
Images Processing With Convolutional Neural Network,” J. Tek. Inform., vol. 3, no. 3, pp. 717–722, 2022, [Online].
Available: https://doi.org/10.20884/1.jutif.2022.3.3.276.
[15] T. A. A. H. Kusuma, K. Usman, and S. Saidah, “PEOPLE COUNTING FOR PUBLIC TRANSPORTATIONS USING
YOU ONLY LOOK ONCE METHOD,” J. Tek. Inform., vol. 2, no. 1, pp. 57–66, 2021, doi: 10.20884/1.jutif.2021.2.2.77.
[16] M. D. Anggraini and H. Al Fatta, “SOCIAL DISTANCING DETECTION FINDING OPTIMAL ANGLE WITH YOLO
V3 DETEKSI SOCIAL DISTANCING MENCARI SUDUT OPTIMAL DENGAN METODE DEEP LEARNING
YOLO V3,” J. Tek. Inform., vol. 3, no. 5, pp. 1449–1454, 2022.
[17] J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” 2018, [Online]. Available:
http://arxiv.org/abs/1804.02767.
[18] H. Gong, H. Li, K. Xu, and Y. Zhang, “Object Detection Based on Improved YOLOv3-tiny,” Proc. - 2019 Chinese