Perbandingan Tingkat Akurasi Arsitektur Convolutionsl Neural Network untuk Model Deteksi Penggunaan Masker Secara Otomatis
Article Sidebar
Main Article Content
Abstract
Pada saat ini Indonesia sedang menghadapi pandemi COVID19, anjuran pemeritah guna untuk menekan penyebaran virus adalah dengan cara menggunakan masker. Pada penelitian sebelumnya, pendeteksian masker hanya ditujukan untuk mendeteksi menggunakan masker dan tidak menggunakan masker. Namun, pada kenyatannya saat penggunaan masker harus dengan cara yang benar, sehingga manfaat yang didapat dalam menggunakan masker bisa maksimal. Oleh karena itu, pada penelitian ini ditambahkan satu kelas baru sehingga menjadi 3 kelas yaitu menggunakan masker dengan benar, tidak menggunakan masker, dan menggunakan masker tidak benar. Tujuan dari penelitian ini adalah membandingkan model pretrained keras Convolutional Neural network (CNN), yaitu VGG16, Mobilenetv2 dan Inceptionv3 untuk mendapatkan hasil akurasi terbaik dan mengimplementasikannya untuk sistem deteksi masker secara otomatis. Selain itu, penelitian ini juga menjelaskan bagaimana karakteristik arsitektur ketiga model tersebut. Setalah dilakukan pengujian,diketahui bahwa hasil akurasi yang didapatkan dengan dataset yang sama namun model CNN berbeda mendapatkan hasil yang berbeda juga. Mobilenetv2 mendapatkan hasil akurasi tertinggi dengan persetase 100%.
Article Details
References
H. B. Muftah Afrizal Pangestu, "Analisis Performa dan Pengembangan Sistem Deteksi Ras Anjing pada Gambar Menggunakan Pre-Trained CNN Model," Jurnal Teknik Informatika dan Sistem Informasi Volume 4 No 2 Agustus 2018, 2018.
W. H. Organization, "Anjuran Mengenai Penggunaan Masker dalam Konteks Covid-19," Panduan Sementara, p. 1, 6 April 2020.
K. E. T. L. Arham Rahim, "Convolutional Neural Network untuk Klasifikasi Penggunaan Masker," Jurnal Teknologi Informasi dan Komunikasi Volume 10 Nomer 2, 2020.
C. L. N. J. P. Bunardi Budiman, "Pendeteksian Penggunaan Masker Wajah dengan Metode Convolutional Neural Network," Jurnal Ilmu Komputer dan Informasi, 2020.
H. S. M. Y. Nadzir Zaid Munantri, "Aplikasi Pengolahan Citra Digital untuk Identifikasi Umur Pohon," TELEMATIKA, 2019.
L. Fausset, Fundamental of Neural Network, Upper Sidle Rider, New Jersey: Prentice Hall, 1944.
J. W. G. Putra, Pengenalan Konsep Pembelajaran Mesin dan Deep Learning, Tokyo, Jepang, 2017.
H. G. E. a. W. R. Rumelgart D.E, Parallel distributed processing; Explorations in the microstructire of cognution, Cambridge, USA: MIT Press, 1986.
A. Y. W. R. S. Wayan Suartika E.P, "Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101," Jurnal Teknik ITS, 2016.
H. B. Muftah Afrizal Pangestu, "Analisis Performa dan Pengembangan Sistem Deteksi Ras Anjing pada Gambar Menggunakan Pre-Trained CNN Model," Jurnal Teknik Informatika dan Sistem Informasi Volume 4 No 2 Agustus 2018, 2018.
G. A. Aditya Santoso, "Implementasi Deep Learning Berbasis Keras untuk Pengenalan Wajah," Jurnal Teknil Elektro, 2018.
A. Z. Karen SImonyan, "Very Deep Convolutional Networks for Large-Scale Image Recognition," in Conference paper at ICLR, Enngland, 2015.
J. H. D. E. H. Nadia Ramadhani, "Pencarian Objek Wisata Bersejarah di Pulau Jawa Menggunakan Convolutional Neural Network," Jurnal Ilmu Komputer dan Sistem Informasi, 2018.
A. H. M. z. A. Z. L.-C. C. Mark sandler, "MobileNetV2 : Inverted Residual and Linear Bottlenecks," IEEE/CVF Conforence on Computer Vision and Pattern Recognation, 2018.
D. H. S. I. S. Samuel Febrian Tumewu, "Kalsifikasi Motif Batik menggunakan Metode Deep Convolutional Neural Network dengan Data Augmentation," Jurnal Infra , 2020.