FACE MASK DETECTION COVID-19 USING CONVOLUTIONAL NEURAL NETWORK (CNN)

Tri Septiana Nadia Puspita Putri, Mohamad Al Fikih, Novendra Setyawan

Abstract


Coronavirus Disease 2019 (COVID-19) mendapat perhatian khusus di dunia. Penularan virus COVID-19 menyebar hampir keseluruh dunia, termasuk Indonesia. Indonesia mengalami krisis terutama pada sektor kesehatan dan ekonomi akibat pandemi COVID-19, sehingga pemerintah melakukan Pembatasan Sosial Berskala Besar (PSBB) di setiap daerah karena penyeberan virus yang dinilai sangat cepat. Sehingga pelayanan publik atau tempat umum mengharuskan masyarkat untuk menggunakan masker. Selama ini pendeteksian masker dilakukan manual dengan pengamatan dari petugas keamanan. Dimana sering terjadi human error pada saat pendeteksian masker. Dalam penelitian ini akan menerapkan sistem deteksi masker (Face mask detection) dengan menggunakan pengolahan citra. Face mask detection adalah pendeteksian apakah seseorang menggunakan masker atau tidak menggunakan masker. Pada penelitian ini menggunakan metode Convolutional Neural Networks (CNN). Sistem ini menggunakan kombinasi klasifikasi deteksi objek, gambar, dan pelacakan objek sehingga dapat mengembangkan sistem yang mendeteksi wajah bermasker atau tidak bermasker dalam gambar atau video. Dataset yang diambil bervariasi dengan gambar wajah menggunakan hijab, topi dan tidak menggunakan atribut. Selain itu, gambar yang diambil dari berbagai negara seperti asia, eropa dan amerika. Pada pengujian sistem face mask detection mendapatkan nilai akurasi sebesar 0.9933% dan training loss 0,0213%.

Keywords


COVID-19, mask detection, CNN, image processing, machine learning

Full Text:

PDF

References


W. C. Culp, “Coronavirus Disease 2019: In-Home Isolation Room Construction,” A&A Pract., vol. 14, no. 6, p. e01218, 2020, doi: 10.1213/XAA.0000000000001218.

Y. Fang, Y. Nie, and M. Penny, “Transmission dynamics of the COVID-19 outbreak and effectiveness of government interventions: A data-driven analysis,” J. Med. Virol., vol. 92, no. 6, pp. 645–659, 2020, doi: 10.1002/jmv.25750.

Q. Ye, “Masked Face Detection Via a Novel Framework,” vol. 149, no. Mecae, pp. 780–785, 2018, doi: 10.2991/mecae-18.2018.137.

N. Setyawan, D. N. Fajar, and K. Hidayat, “Perencanaan Jalur Robot Sepak Bola Ummiros Menggunakan Algoritma a *,” pp. 52–57, 2019.

M. A. Al-Masni et al., “Detection and classification of the breast abnormalities in digital mammograms via regional Convolutional Neural Network,” Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. EMBS, pp. 1230–1233, 2017, doi: 10.1109/EMBC.2017.8037053.

M. Sivabalakrishnan and D. Manjula, “An Efficient Foreground Detection Algorithm for Visual Surveillance System,” J. Comput. Sci., vol. 9, no. 5, pp. 221–227, 2009.

J. Lu, H. Sibai, E. Fabry, and D. Forsyth, “NO need to worry about adversarial examples in object detection in autonomous vehicles,” arXiv, no. July, 2017.

M. Siam, H. Mahgoub, M. Zahran, S. Yogamani, M. Jagersand, and A. El-Sallab, “MODNet: Motion and Appearance based Moving Object Detection Network for Autonomous Driving,” IEEE Conf. Intell. Transp. Syst. Proceedings, ITSC, vol. 2018-November, pp. 2859–2864, 2018, doi: 10.1109/ITSC.2018.8569744.




DOI: https://doi.org/10.22219/sentra.v0i6.3801

Refbacks

  • There are currently no refbacks.


Seketariat

Fakultas Teknik

Universitas Muhammadiyah Malang Kampus III

Jl. Raya Tlogomas 246 Malang, 65144