USHULUDIN, MOHAMMAD (2023) SISTEM DETEKSI MASKER PADA WAJAH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR VGG16. Undergraduate thesis, UNIVERSITAS ISLAM SULTAN AGUNG.

[thumbnail of Teknik Informatika_32601601059_fullpdf.pdf] Text
Teknik Informatika_32601601059_fullpdf.pdf
| Download (5MB)
[thumbnail of Teknik Informatika_32601601059_pernyataan_publikasi.pdf] Text
Teknik Informatika_32601601059_pernyataan_publikasi.pdf
Restricted to Registered users only
| Download (58kB)

Abstract

Pandemi COVID-19 telah mengubah paradigma global terhadap kesehatan dan
kebersihan lingkungan. Penyakit yang disebabkan oleh SARS CoV-2 telah menimbulkan
dampak serius di seluruh dunia. Di Indonesia, penanganan pandemi ini melibatkan berbagai
peraturan dan upaya pencegahan, termasuk penggunaan masker sebagai langkah penting.
Selain karena pandemi tersebut penggunaan masker juga sangat penting dilakukan di area
tertentu misalnya rumah sakit. Penggunaan masker oleh dokter dan perawat saat merawat
pasien sangatlah krusial untuk melindungi mereka dan mencegah penyebaran droplet
penyakit. Meskipun penting, tingkat kepatuhan terhadap penggunaan masker di rumah
sakit masih bervariasi. Penelitian ini mengembangkan sistem deteksi masker pada wajah
menggunakan metode Convolutional Neural Network (CNN) arsitektur VGG16. Sistem
deteksi masker ini dapat memberikan alternatif teknologi bagi petugas dalam mengawasi
dan memantau penggunaan masker pada individu di lingkungan rumah sakit atau tempattempat

lain yang memerlukan penggunaan masker sehingga membantu efisiensi
pengecekan serta pengurangan beban kerja. Melalui pengujian dan evaluasi, ditemukan
bahwa penggunaan threshold rendah sebesar 0.5 pada sistem deteksi masker memberikan
hasil prediksi yang lebih akurat dengan tingkat akurasi mencapai 90% dan f1-score 0,909.
Pengaturan threshold ini memungkinkan sistem menjadi lebih sensitif dalam mengenali
apakah seseorang menggunakan masker atau tidak.
Kata Kunci: COVID-19, Masker, Convolutional Neural Network, VGG16

Dosen Pembimbing: CHAERUL H., SAM FARISA and IBNU S., IMAM MUCH | nidn0628028602, nidn0613037301
Item Type: Thesis (Undergraduate)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknologi Industri
Fakultas Teknologi Industri > Mahasiswa FTI - Skripsi Teknik Informatika
Depositing User: Pustakawan 3 UNISSULA
Date Deposited: 19 Oct 2023 01:29
Last Modified: 19 Oct 2023 01:29
URI: https://repository.unissula.ac.id/id/eprint/31981

Actions (login required)

View Item View Item