Convolutional Neural Network untuk Kalasifikasi Penggunaan Masker

Arham Rahim, Kusrini Kusrini, Emha Taufiq Luthfi

Abstract


Coronavirus Disease-2019 (COVID-19) merupakan coronavirus jenis baru yang menjadi pandemi di berbagai negara. Salahsatu upaya pemerintah dalam mencegah penularan virus ini adalah dengan mewajibkan masyarakat untuk menggunakan masker serta memantau penggunaan maskar oleh masyarakat dalam kehidupan sehari-hari. Pada penelitian ini, dilakukan pengujian dengan mengklasifikasikan gambar wajah yang menggunakan masker dan tanpa menggunakan maskaer dengan menggunakan algoritma Convolutional Neural Network (CNN). Hasil penelitian ini menunjukkan model yang dibangun dapat melakukan klasifikasi gambar dengan tingkat akurasi mencapai 96%. Pengujian pada gambar wajah yang menggunakan masker memperoleh nilai precision 98%, recall 94% dan  gambar wajah yang tidak menggunakan masker memperoleh nilai precision 94%, recall 98

Keywords


Deep Learning; Image Processing ; CNN

Full Text:

PDF (Indonesian)

References


Astiningsih, H., Kurniawan, B., & Suroto. (2018). Hubungan Penerapan Program K3 Terhadap Kepatuhan Penggunaan Apd Pada Pekerja Konstruksi Di Pembangunan Gedung Parkir Bandara Ahmad Yani Semarang. Jurnal Kesehatan Masyarakat (e-Journal), 6(4), 300–308.

Chaiyasarn, K., Khan, W., Ali, L., Sharma, M., Brackenbury, D., & DeJong, M. (2018). Crack Detection in Masonry Structures using Convolutional Neural Networks and Support Vector Machines. International Symposium on Automation and Robotics in Construction (ISARC 2018), 118–125. https://doi.org/doi.org/10.22260/ISARC2018/0016

Chen, H., Tong, R., Chen, M., Fang, Y., & Liu, H. (2018). A Hybrid Cnn-Svm Classifier For Hand Gesture Recognition With Surface Emg Signals. 2018 International Conference on Machine Learning and Cybernetics (ICMLC), 619–624. https://doi.org/10.1109/ICMLC.2018.8526976

Fang, W., Ding, L., Zhong, B., Love, P. E. D., & Luo, H. (2018). Automated detection of workers and heavy equipment on construction sites : A convolutional neural network approach. Advanced Engineering Informatics, 37(May), 139–149. https://doi.org/10.1016/j.aei.2018.05.003

Fang, W., Zhong, B., Zhao, N., Love, P. E. D., Luo, H., & Xue, J. (2019). A deep learning-based approach for mitigating falls from height with computer vision : Convolutional neural network. Advanced Engineering Informatics, 39(December 2018), 170–177. https://doi.org/10.1016/j.aei.2018.12.005

Moolayil, J. (2019). Learn Keras for Deep Neural Networks. https://doi.org/https://doi.org/10.1007/978-1-4842-4240-7

Patil, N. M., & Nemade, M. U. (2017). Music Genre Classification Using MFCC , K-NN and SVM Classifier. 4(2), 43–47.

Wang, Yaqi, Sun, L., Ma, K., & Fang, J. (2018). Breast Cancer Microscope Image Classification Based on CNN with Image Deformation. 15th International Conference Image Analysis and Recognition ICIAR 2018, 1, 845–852. https://doi.org/10.1007/978-3-319-93000-8

Wang, Yu, Chen, Y., Yang, N., Zheng, L., Dey, N., Ashour, A. S., … Shi, F. (2018). Classification of mice hepatic granuloma microscopic images based on a deep convolutional neural network. Applied Soft Computing Journal. https://doi.org/10.1016/j.asoc.2018.10.006

Zufar, M., & Setiyono, B. (2016). Convolutional Neural Networks untuk Pengenalan Wajah Secara Real - Time. Jurnal Sains Dan Seni ITS, 5(2), 72–77.


DOI http://dx.doi.org/10.35585/inspir.v10i2.2569
Abstract 9219 kali dilihat
PDF (Indonesian) 5908 kali diunduh

Refbacks

  • There are currently no refbacks.


Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.