Penerapan Deteksi Penggunaan Masker pada Sistem Absensi Karyawan menggunakan Metode Deep Learning

  • M Ikbal Siami Institut Teknologi dan Bisnis STIKOM Ambon
  • Mawaddah Hamid Institut Teknologi dan Bisnis STIKOM Ambon
https://doi.org/10.46510/jami.v3i2.118
Abstract views: 444 , PDF downloads: 254
Keywords: Deep Learning, Mask Detection, YOLOv4, Sistem Presensi

Abstract

Objektif.  Kehidupan New Normal pasca terjadinya pandemic covid-19 yang melanda seluruh Negara di dunia adalah salahsatunya dengan menjaga protocol kesehatan secara ketat. Hal ini penting dilakukan untuk menjaga agar masyarakat tidak terjangkit penyakit menular covid-19 kembali. Kedisiplinan yang tinggi dan ditopang dengan berbagai kebijakan pada lingkup instansi menjadi hal yang sangat diperlukan agar protocol kesehatan terus terlaksana. Salah satu upaya yang dilakukan adalah mengimpelementasikan sitem pendeteksi penggunaan masker pada system absensi karyawan di Institut teknologi dan Bisnis STIKOM Ambon. System pedeteksi absensi bekerja secara otomatis dan terus menerus mendeteksi penggunaan masker pada karyawan yang hendak melakukan presensi masuk dan presensi pulang. System akan menolak presensi apabila karyawan tersebut terdeteksi tidak menggunakan masker. 

Material and Metode. Penelitian ini menggunakan You Only Look Once (YOLO) sebuah model object detection berbasis Deep learning versi 4 atau disebut sebagai YOLOv4. Data yang digunakan pada penelitian ini adalah data gambar yang berisi objek manusia menggunakan atau tidak menggunakan masker.

Hasil.  Hasil pengujian model YOOv4 tingkat Precision 92 % dan Recall 88 %.

Kesimpulan.  Hasil penelitian menunjukan implementasi deteksi wajah pada sistem presensi dengan model YOLOv4 menunjukan kinerja yang sangat baik.

Downloads

Download data is not yet available.

References

Agustien, L., Elektronika, P., Surabaya, N., Rahman, T., Elektronika, P., Surabaya, N., Hujairi, A. W., Multimedia, D. T., Elektronika, P., & Surabaya, N. (2021). Real-time Deteksi Masker Berbasis Deep Learning menggunakan Algoritma CNN YOLOv3. Jurnal Teknologi Informasi Dan Terapan (J-TIT), 8(2), 129–137.
Arwindo, D. G., Puspaningrum, E. Y., & Via, Y. V. (2020). Identifikasi Penggunaan Masker Menggunakan Algoritma CNN YOLOv3-Tiny. Prosiding Seminar Nasional Informatika Bela Negara, 1, 153–159. https://doi.org/10.33005/santika.v1i0.41
Fang, Y., Nie, Y., & Penny, M. (2020). Transmission dynamics of the COVID‐19 outbreak and effectiveness of government interventions: A data‐driven analysis. Journal of Medical Virology, 92(6), 645–659. https://doi.org/10.1002/jmv.25750
Hidayatullah, P. (2021). Buku Sakti Deep Learning. Stuning Vision Al Academy.
Justitian, E. R., Purbasari, I. Y., & Anggraeny, F. T. (2022). Perbandingan Akurasi Deteksi Kelelahan pada Pengendara Menggunakan YOLOv3-Tiny YOLOv4-Tiny. Jurnal Informatika Dan Sistem Informasi, 3(1), 21–30. https://doi.org/10.33005/jifosi.v3i1.440
Lambacing, M. M., & Ferdiansyah, F. (2020). RANCANG BANGUN NEW NORMAL COVID-19 MASKER DETEKTOR DENGAN NOTIFIKASI TELEGRAM BERBASIS INTERNET OF THINGS. Dinamik, 25(2), 77–84. https://doi.org/10.35315/dinamik.v25i2.8070
Lorenzo, A. (2000). Mask Detection at Yolo Format. Kaggle. https://www.kaggle.com/datasets/alexandralorenzo/maskdetection
Putri, T. S. N. P., Fikih, M. Al, & Setyawan, N. (2020). Face Mask Detection Covid-19 Using Convolutional Neural Network ( Cnn ). Seminar Nasional Teknologi Dan Rekayasa (SENTRA) 2020, 27–32.
Taufiq, R. M., Sunanto, Rizki, Y., & Pratama, M. R. A. (2022). Simulasi Deteksi Golongan Kendaraan pada Gerbang Tol Menggunakan YOLOv4. Jurnal CoSciTech (Computer Science and Information Technology), 3(2), 199–206. https://doi.org/10.37859/coscitech.v3i2.3928
Yu, J., & Zhang, W. (2021). Face Mask Wearing Detection Algorithm Based on Improved YOLO-v4. Sensors, 21(9), 3263. https://doi.org/10.3390/s21093263
Published
2022-12-29

PlumX Metrics

How to Cite
Siami, M. I., & Hamid, M. (2022). Penerapan Deteksi Penggunaan Masker pada Sistem Absensi Karyawan menggunakan Metode Deep Learning. JAMI: Jurnal Ahli Muda Indonesia, 3(2), 141 - 148. https://doi.org/10.46510/jami.v3i2.118
Issue
Vol. 3 No. 2 (2022): Desember 2022
Section
Articles

Copyright (c) 2022 M Ikbal Siami

Creative Commons License

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:
1. Copyright on any article is retained by the author(s).
2. 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.
3. 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.
4. 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.
5. The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License