STUDI PERBANDINGAN METODE DEEP LEARNING DALAM PENDETEKSIAN MASKER BERBASIS PYTORCH | ELECTRONIC THESES AND DISSERTATION

Electronic Theses and Dissertation

Universitas Syiah Kuala

    SKRIPSI

STUDI PERBANDINGAN METODE DEEP LEARNING DALAM PENDETEKSIAN MASKER BERBASIS PYTORCH


Pengarang

M. VICKYA RAMADHAN - Personal Name;

Dosen Pembimbing

Yudha Nurdin - 197910012010121002 - Dosen Pembimbing I
Kahlil - 198512022019031006 - Dosen Pembimbing II



Nomor Pokok Mahasiswa

1804111010028

Fakultas & Prodi

Fakultas Teknik / Teknik Komputer (S1) / PDDIKTI : 56202

Subject
-
Kata Kunci
-
Penerbit

Banda Aceh : Fakultas Teknik., 2022

Bahasa

No Classification

-

Literature Searching Service

Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)

Penyebaran Corona Virus Disease 19 (COVID-19) di negara Indonesia masih tergolong tinggi serta belum memperlihatkan adanya penurunan yang signifikan. Hal ini terjadi karena kurangnya pengawasan terhadap pelaksanaan protokol kesehatan seperti menggunakan masker pada saat melakukan kegiatan sehari-hari. Visi komputer merupakan salah satu metode yang digunakan dalam melakukan pengawasan terhadap pelaku pelanggar protokol kesehatan karena memiliki kemampuan layaknya penglihatan mata manusia, sehingga banyak peneliti yang sudah membangun berbagai macam arsitektur untuk pendeteksian masker menggunakan metode visi komputer. Berdasarkan hal tersebut maka dilakukan penelitian untuk melakukan evaluasi terhadap arsitektur yang sudah dibangun oleh peneliti sebelumnya dalam pendeteksian masker. Hasil penelitian yang telah dilakukan menunjukkan bahwa arsitektur EfficientNetB4 memliki akurasi yang lebih baik yaitu sebesar 95.77% dibanding dengan arsitektur YOLOv4 sebesar 93.40%, InceptionV3 sebesar 87.30%, YOLOv3 sebesar 86.35%, ResNet50 sebesar 84.41%, VGG11 sebesar 84.38%, dan YOLOv2 sebesar 78.75%.
Kata kunci: Deteksi Masker, Visi Komputer, Convolutional Neural Network.

The spread of Corona Virus Disease 19 (COVID-19) in Indonesia is still relatively high and has not shown a significant decrease. This happens because of the lack of supervision on the implementation of health protocols such as wearing masks when carrying out daily activities. Computer vision is one of the methods used in supervising perpetrators of violators of health protocols because they can be like human eye vision, so many researchers have built various kinds of architectures for the detection of masks using computer vision methods. Based on this, a study was carried out to evaluate the architecture that had been built by previous researchers in the detection of masks. The results of the research that has been carried out show that the EfficientNetB4 architecture has better accuracy at 95.77% compared to the YOLOv4 architecture of 93.40%, InceptionV3 of 87.30%, YOLOv3 of 86.35%, ResNet50 of 84.41%, VGG11 of 84.38%, and YOLOv2 of 78.75%. Keywords: Mask Detection, Computer Vision, CNN.

Citation



    SERVICES DESK