Deteksi Penggunaan Masker Pada Wajah Berdasarkan Data Video Menggunakan Multi Stage Convolutional Neural Network

Wongso, Jeremy Vijay (2021) Deteksi Penggunaan Masker Pada Wajah Berdasarkan Data Video Menggunakan Multi Stage Convolutional Neural Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 05111740000062-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (3MB) | Request a copy

Abstract

Baru-baru ini, dunia sedang dikejutkan dengan adanya penemuan virus baru yaitu corona virus disease atau yang biasa kita kenal dengan sebutan COVID-19. COVID-19 sendiri merupakan penyakit menular yang menyerang organ pernafasan manusia. Penularan virus ini dapat terjadi ketika seseorang telah terinfeksi virus berada dekat dengan seseorang yang lain. Virus dapat menyebar dari mulut atau hidung orang yang terinfeksi dalam partikel cairan kecil saat mereka batuk, bersin, berbicara, bernyanyi, atau bernapas dengan berat. Salah satu cara mengurangi penularan penyebaran virus ini adalah dengan menggunakan masker dengan benar saat berada di tempat umum.
Tujuan tugas akhir ini adalah mengembangkan sistem pendeteksian masker pada wajah yang dapat membaca masukan dari data video menggunakan RetinaFace sebagai detektor untuk wajah dan Convolutional Neural Network sebagai pengklasifikasi penggunaan masker. Dimulai dengan persiapan data untuk pelatihan dan praproses berupa resizing, normalisasi. Dilanjutkan dengan pelatihan menggunakan augmentasi pada data latih untuk menambah variasi data dan skenario pelatihan untuk membandingkan arsitektur, optimizer, dan learning rate yang menghasilkan performa terbaik. Setelah itu dilakukan uji coba pada data video dengan memanfaatkan tracking.
Dataset yang digunakan untuk pelatihan merupakan kumpulan foto wajah seseorang yang didapat dari Face Mask Detection dataset, RMFRD, FFHQ, dan MaskedFace-Net dataset. Sedangkan untuk dataset pengujian merupakan video yang diambil dari ruang publik menggunakan drone dan direkam melalui kamera laptop. Dari uji coba pendeteksian masker, model terbaik didapatkan dengan menggunakan arsitektur NASNetMobile dan mendapat hasil akurasi sebesar 91,84%, presisi sebesar 94,90%, recall sebesar 90,44%, dan f1-score sebesar 92,61% pada uji coba data gambar. Untuk uji coba data video didapatkan arsitektur terbaik yaitu NASNetMobile dengan akurasi sebesar 62,38%, presisi sebesar 100%, recall sebesar 36,7%, f1-score sebesar 53,7% pada data drone dan akurasi sebesar 82,76%, presisi sebesar 100%, recall sebesar 78,72%, f1-score sebesar 88,09% pada data single face.
=====================================================================================
Recently, the world is being surprised by the discovery of a new virus, namely the corona virus disease or what we usually know as COVID-19. COVID-19 is an infectious disease that attacks the human respiratory organs. Transmission of this virus can occur when someone who has been infected with the virus is in close contact with someone else. The virus can spread from an infected person's mouth or nose in tiny fluid particles when they cough, sneeze, talk, sing, or breathe heavily. One way to reduce the transmission of the spread of this virus is to use a mask properly when in public places.
The purpose of this final project is to develop a face mask detection system that can read input from video data using RetinaFace as a detector for faces and Convolutional Neural Network as a classifier for mask usage. Starting with the data preparation for training and preprocessing by resizing, normalizing. Followed by training that use augmentation on training data to add variations to the data and training scenarios to compare the architecture, optimizer, and learning rate that produces the best performance. After that, a trial was carried out on video data by utilizing object tracking.
The dataset used for the training is a collection of photos of a person's face obtained from the Face Mask Detection dataset, RMFRD, FFHQ, and MaskedFace-Net datasets. Meanwhile, the test dataset is a video taken from a public space using drone and filmed using laptop webcam. From the mask detection trial, the best model was obtained using the NASNetMobile architecture and got 91.84% accuracy, 94.90% precision, 90.44% recall, and 92.61% f1-score in the trial data. picture. For video data testing, the best architecture is NASNetMobile with an accuracy of 62.38%, precision of 100%, recall of 36.7%, f1-score of 53.7% on drone video and accuracy of 82.76%, precision of 100%, recall of 78,72%, f1-score of 88,09% on single face video.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	COVID-19, Deteksi Masker, Multi-Stage Convolutional Neural Network, RetinaFace, COVID-19, Face Mask Detection, Multi-Stage Convolutional Neural Network, RetinaFace.
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) R Medicine > R Medicine (General) > R858 Deep Learning R Medicine > RA Public aspects of medicine > RA644.C67 COVID-19 (Disease)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Jeremy Vijay Wongso
Date Deposited:	15 Aug 2021 04:02
Last Modified:	15 Aug 2021 04:02
URI:	http://repository.its.ac.id/id/eprint/86668

Actions (login required)

View Item