Identifikasi Penggunaan Masker Menggunakan Algoritma CNN YOLOv3-Tiny
DOI:
https://doi.org/10.33005/santika.v1i0.41Keywords:
Masker, YOLOv3, Darknet, Deep Learning, Object DetectorAbstract
Dengan adanya pandemi COVID-19, maka protokol kesehatan seperti menjaga jarak, mencuci tangan dengan sabun secara rutin, dan menggunakan masker merupakan arahan yang diberikan oleh World Health Organization (WHO) untuk mengurangi resiko penyebaran virus COVID-19. Tetapi dengan adanya arahan tersebut, masih ditemukan orang yang tidak menggunakan masker di tempat umum. Munculnya trending Machine Learning dan Deep Learning menciptakan berbagai riset untuk menemukan metode – metode baru dan arsitektur mutakhir seperti YOLO (You Only Look Once). YOLO merupakan arsitektur detector yang diklaim sebagai “fastest deep learning object detector” yang mengorbankan akurasi dengan kecepatan. Dengan menggunakan YOLOv3, kita dapat menciptakan deteksi masker yang robust dan presisi untuk mendeteksi apakah seseorang yang tampak pada gambar / kamera bisa dikenali menggunakan masker atau tidak. Tetapi dengan tersedianya YOLOv3 yang memerlukan arsitektur komputer yang berat, maka sistem arsitektur yang lebih lama akan kesulitan menggunakan arsitektur tersebut. Maka menggunakan YOLOv3-tiny dapat menjadi solusi untuk arsitektur komputer yang lebih lama. Tentunya apabila konsekuensi YOLOv3 adalah akurasi, maka menggunakan YOLOv3-tiny tentunya akan lebih memperburuk akurasi deteksi objek.
References
[2] J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement” arXiv preprint arXiv:1804.02767, 2018
[3] H. Zhang et al., Real-Time Detection Method for Small Traffic Signs Based on Yolov3, in IEEE Access, vol. 8, pp. 64145-64156, 2020, doi: 10.1109/ACCESS.2020.2984554.
[4] T. Li, Y. Ma and T. Endoh, "A Systematic Study of Tiny YOLO3 Inference: Toward Compact Brainware Processor With Less Memory and Logic Gate," in IEEE Access, vol. 8, pp. 142931-142955, 2020, doi: 10.1109/ACCESS.2020.3013934.
[5] Y. Liu et al., Research on automatic location and recognition of insulators in substation based on YOLOv3, in High Voltage, vol. 5, no. 1, pp. 62-68, 2 2020, doi: 10.1049/hve.2019.0091.
[6] X. Wang, S. Wang, J. Cao and Y. Wang, "Data-Driven Based Tiny-YOLOv3 Method for Front Vehicle Detection Inducing SPP-Net," in IEEE Access, vol. 8, pp. 110227-110236, 2020, doi: 10.1109/ACCESS.2020.3001279. | H. Zhang et al., Real-Time Detection Method for Small Traffic Signs Based on Yolov3, in IEEE Access, vol. 8, pp. 64145-64156, 2020, doi: 10.1109/ACCESS.2020.2984554.
[7] Z. Liu and S. Wang, "Broken Corn Detection Based on an Adjusted YOLO With Focal Loss," in IEEE Access, vol. 7, pp. 68281-68289, 2019, doi: 10.1109/ACCESS.2019.2916842.
