Sistem Deteksi Penggunaan masker (Face Mask Detection) Menggunakan Algoritma Deep Learning YOLOv4
DOI:
https://doi.org/10.29407/stains.v2i1.2820Keywords:
sistem deteksi wajah, sistem deteksi penggunaan masker, Deep learningAbstract
penelitian terkait deteksi wajah adalah salah satu permasalahan yang terjadi di dunia Computer Vision, khususnya yang akhir-akhir ini terjadinya perubahan hidup yang signifikan yaitu dengan menggunakan masker pada wajah. Masker pada wajah adalah bagian dari fitur atau sebagai informasi bahwa kita menggunakan masker diwajah. Disisi lain beberapa studi mengindikasikan untuk deteksi wajah dengan memanfaatkan ekstraksi fitur memberika akurasi yang tinggi, khususnya jika bagian masker menutupi bagian bawah mata. Oleh karena itu, penelitian ini melakukan teknik training memanfaatkan ekstraksi fitur dalam metode deep learning. Oleh karena itu, kami menggunakan Primary dataset yang di olah sendiri dengan jumlah 399 subject orang Indoneisia. Dataset ini juga berupa video yang telah dirubah dalam frame per second (FPS). Metodologi dari penelitian sebelumnya juga kami terapkan yaitu YOLOv4 untuk metode deteksi wajah, pre-trained menggunakan VGGFace modelsebagai pengembangan metode ekstraksi fitur dan artificial neural network sebagai metode klasifikasi. Ketika menggunakan metode teknik training yang kami lakukan maka hasil testing didapat 99.55%. menujukkan bahwa hasil performa cukup baik ketika menyesuiakan dengan teknik training dalam sistem deteksi penggunaan masker diwajah.
Downloads
Downloads
Published
Issue
Section
License
Copyright (c) 2023 Bagus Hardiansyah, Aidil Primasetya

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License





