Pendeteksian Penggunaan Masker Wajah Dengan Metode Convolutional Neural Network

Budiman, Bunardi; Lubis, Chairisni; Perdana, Novario Jaya

doi:10.24912/jiksi.v9i1.11556

Cited by 9 publications

(9 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Haar Like Feature yang dikenal sebagai Haar Cascade Classifier, di mana input dari setiap tahapan klasifikasi adalah merupakan output dari klasifikasi sebelumnya. Setiap citra yang melewati klasifikasi pertama akan menuju klasifikasi kedua, demikian seterusnya [16], [17]. Jika suatu citra dapat melewati setiap tingkat klasifikasi, maka dinyatakan sebagai citra wajah.…”

Section: Haar Cascade Classifierunclassified

Pendeteksi Penggunaan Masker Wajah dengan ESP32Cam Menggunakan OpenCV dan Tensorflow

Dharma¹,

Widyatmika²,

Suparta³

et al. 2022

JTE

View full text Add to dashboard Cite

Anjuran pemerintah untuk memakai masker setiap hari sangat penting untuk menghindari Covid-19. Artikel ini menganalisis penggunaan ESP32 Cam sebagai pendeteksi masker, di mana penggunaan yang benar harus menutupi hidung dan mulut. Gambar yang diambil dapat diproses dan dieksekusi oleh program yang dibuat menggunakan bahasa pemrograman Python. Library OpenCV digunakan untuk mengakses kamera, sedangkan library TensorFlow dengan file training dalam datasheet digunakan untuk menjalankan deteksi masker. Hasil eksperimen pendeteksian masker dalam kondisi terang menunjukkan waktu tercepat adalah 1 detik dengan jarak ideal 1m dan jarak maksimum 2,5m. Sebaliknya, dalam kondisi gelap, waktu tercepat adalah 2 detik dengan jarak ideal 1m dan jarak maksimum 1,5m.

show abstract

Section: Haar Cascade Classifierunclassified

Pendeteksi Penggunaan Masker Wajah dengan ESP32Cam Menggunakan OpenCV dan Tensorflow

Dharma¹,

Widyatmika²,

Suparta³

et al. 2022

JTE

View full text Add to dashboard Cite

show abstract

“…Arsitektur CNN yang digunakan pada penelitian ini adalah MobileNetV2, perbedaan antara arsitektur MobileNetV2 dan arsitektur CNN pada umumnya adalah penggunaan convolution layer dengan ketebalan filter yang sesuai dengan ketebalan dari input image. MobileNetV2 membagi konvolusi menjadi depthwise convolution dan pointwise convolution yang memungkinkan pelatihan menjadi lebih cepat dan akurasi yang lebih baik [5].…”

Section: Human Activity Recognition Deep Learning Convolution Neural ...unclassified

“…Perbedaan mendasar antara arsitektur MobileNet dan arsitektur CNN pada umumnya adalah penggunaan convolution layer dengan ketebalan filter yang sesuai dengan ketebalan dari input image. MobileNet membagi konvolusi menjadi depthwise convolution dan pointwise convolution [5]…”

Section: E Mobilenetv2unclassified

Human Activity Recognition Berdasarkan Tangkapan Webcam Menggunakan Metode Convolutional Neural Network (CNN) Dengan Arsitektur MobileNet

Hariz

Yulita²,

Suryana³

2022

jitsi

View full text Add to dashboard Cite

Manusia tidak bisa terlepas dari aktivitas sehari-hari yang mana merupakan bagian dari kehidupan manusia. Human activity recognition atau pengenalan aktivitas manusia saat ini merupakan salah satu topik yang sedang banyak diteliti seiring dengan pesatnya kemajuan di bidang teknologi yang berkembang saat ini. Hampir semua bidang terdampak dari pandemi COVID-19 yang memengaruhi aktivitas manusia sehingga menjadi lebih terbatas. Salah satu bidang yang paling terdampak yaitu pendidikan, di mana kampus menerapkan sistem pembelajaran daring, yang membuat dosen lebih sulit untuk mengawasi pembelajaran maupun ujian yang dilakukan secara daring karena tidak dapat mengawasi aktivitas yang dilakukan mahasiswa secara langsung. Penelitian ini bertujuan untuk membuat model yang dapat mengenali aktivitas seseorang saat ujian daring berdasarkan tangkapan webcam dengan memanfaatkan model deep learning dengan metode Convolution Neural Network (CNN) menggunakan arsitektur MobileNetV2. Pengujian hyperparameter dilakukan untuk menghasilkan model optimal yang dilakukan pada batch size sebesar 16, 32, dan 64 serta dense layer sebanyak 1, 3, 5, dan 7. Pengujian tersebut menghasilkan model optimal dengan hyperparameter berupa max epoch sebanyak 20, early stopping dengan patience sebesar 10, learning rate sebesar 0,0001, batch size sebesar 16, dan dense layer sebanyak 5. Model tersebut dievaluasi menggunakan cross validation dan confusion matrix yang berhasil memberikan performa F1-score akhir sebesar 84,52%.

show abstract

“…Another study by Budiman et al [5], tested a mask detection model made using CNN with a web-based MobileNetV2 architecture. Based on the research, the results obtained an average accuracy of 88.53% for the mask detection model.…”

Section: Introductionmentioning

confidence: 99%

Mask Detection Using Convolutional Neural Network Algorithm

Amalia

Panjaitan

2022

J. RESTI (Rekayasa Sist. Teknol. Inf.)

View full text Add to dashboard Cite

The World Health Organizations and the Ministry of Health of the Republic of Indonesia have required the use of masks to suppress the spread of COVID-19. WHO provides guidance on how to use a good mask to cover the mouth and nose. This study aims to detect the correct use of masks using the Convolutional Neural Network. CNN is a popular Deep Learning algorithm for image data classification problems. The Mask Usage Detector is built with the help of a pre-trained MobileNetV2 model with an architecture that supports media that has minimum computations. This study will also compare the performance of three optimization methods from CNN, namely Adam, SGD, and RMSprop in detecting the use of masks. Performance will be seen from the test results by analyzing the values of accuracy, precision, and recall. The dataset used is in the form of image data of 2,029 images for 2 categories, namely "masked" and "unmasked". A total of 1,623 images were used as training data and 406 images for test data. Based on the testing process, the accuracy of each optimization is 93.84% with Adam optimization, 84.48% with SGD optimization, and 93.10% with RMSprop optimization. With the proposed model, this study obtains the performance results of the three CNN optimizations, and it is concluded that adam's optimization gives better performance results than the other two optimizations.

show abstract

Pendeteksian Penggunaan Masker Wajah Dengan Metode Convolutional Neural Network

Cited by 9 publications

References 0 publications

Pendeteksi Penggunaan Masker Wajah dengan ESP32Cam Menggunakan OpenCV dan Tensorflow

Pendeteksi Penggunaan Masker Wajah dengan ESP32Cam Menggunakan OpenCV dan Tensorflow

Human Activity Recognition Berdasarkan Tangkapan Webcam Menggunakan Metode Convolutional Neural Network (CNN) Dengan Arsitektur MobileNet

Mask Detection Using Convolutional Neural Network Algorithm

Contact Info

Product

Resources

About