IMPLEMENTASI SISTEM DETEKSI JARAK DAN MASKER SEBAGAI PENCEGAHAN PELANGGARAN PHYSICAL DISTANCING PADA ANTREAN MENGGUNAKAN METODE FASTER R-CNN
Kata Kunci:
Physical Distancing, MAsker, Faster Regional Convolutional Neural Network (Faster R-CNN), Euclidean Distance, Object TrackingAbstrak
Adanya virus COVID - 19 mengharuskan setiap individu menggunakan masker dan melakukan Physical Distancing dengan menjaga jarak paling sedikit 1 meter untuk mengurangi risiko penyebaran virus. Namun, aturan menjaga jarak aman dan penggunaan masker seringkali dilanggar dalam penerapan Physical Distancing. Untuk mengurangi pelanggaran Physical Distancing pada kondisi antrean dalam ruangan, dibangun sebuah alat dengan melakukan pengolahan citra menggunakan metode Faster Regional Convolutional Neural Network (Faster R-CNN) untuk mengklasifikasikan objek people, mask, dan no mask. Sebelum dilakukan proses klasifikasi, terlebih dahulu dilakukan pengambilan dan training dataset. Dari hasil uji coba secara real-time, keberhasilan model pada saat melakukan deteksi dan pengklasifikasian objek memiliki rata – rata keberhasilan 98,52% dengan jarak aman terjauh deteksi pada posisi antrean 400 cm dan jarak maksimal pergeseran kesamping 200 cm. Perhitungan estimasi jarak menggunakan Euclidean
Distance dapat diimplementasikan pada sistem dengan rata – rata error sebesar 1,82%, dan kesalahan estimasi jarak terbesar mencapai 7,32 cm. Sistem peringatan notifikasi suara aktif pada 3 kondisi, yaitu ketika objek berada pada kondisi jarak antar objek kurang dari 140 cm, ketika objek berada pada jarak lebih dari 140 cm tetapi tidak menggunakan masker, dan ketika terdapat kondisi urutan antrean yang tidak sesuai.
Referensi
G. J. Timur, “SURAT EDARAN PENGENDALIAN, PENGAWASAN DAN PENEGAKAN HUKUM DALAM PELAKSANAAN PEMBATASAN SOSIAL BERSKALA BESAR DI JAWA TIMUR,” 2020.
A. Salim, “Estimasi Kecepatan Kendaraan Melalui Video Pengawas Lalu Lintas Menggunakan Parallel Line Model,” 2020.
M. Nishom, “Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma KMeans Clustering berbasis Chi-Square,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 20–24, 2019, doi: 10.30591/jpit.v4i1.1253.
A. Khumaidi, “Klasifikasi Image Squence Hasil Pengelasan Menggunakan Metode Convolutional Neural Network (CNN) Untuk Non Distructive Test,” Institut Teknologi Sepuluh Nopember, 2017.
T. Urip, K. Adi, and C. E. Widodo, “Pengukuran Jarak Objek Pejalan Kaki Terhadap Kamera Menggunakan Kamera Stereo Terkalibrasi Dengan Segmentasi Objek Histogram of Oriented Gradient,” Youngster Phys. J., vol. 6, no. 3, pp. 249–262, 2017.
B. Tryatmojo and R. I. S. Maryati, “Akurasi Sistem Face Recognition OpenCV Menggunakan Raspberry Pi Dengan
Metode Haar Cascade,” J. Ilm. Inform., vol. 7, no. 2, pp. 92-98, 2019.
S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal
Networks,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 6, pp. 1137–1149, 2016, doi: 10.1109/TPAMI.2016.2577031.
