DETEKSI PEMAKAIAN MASKER PADA KERUMUNAN ORANG UNTUK MEMONITORING PELAKSANAAN PROTOKOL KESEHATAN

<p>Pada akhir tahun 2019, pertama kali virus SARS-CoV2 ditemukan di daerah wuhan, China yang mengakibatkan orang yang terinfeksi virus ini mengalami gangguan pernafasan hingga kematian. Pada tgl 8 April 2020, virus yang biasa disebut COVID-19 ini mengakibatkan korban meniggal dunia dari 223 negara mencapai 2.867.242 orang, karena kurangnya kesadaran penggunaan masker menjadi salah satu faktor yang membuat angka kematian tinggi. Tempat-tempat seperti pasar tradisional, tempat ibadah dan mall merupakan tempat penularan yang paling banyak terjadi, karena banyaknya orang dan kesadaran bermasker juga kurang. Oleh karena itu pemakaian masker sangat penting untuk menekan penyebaran COVID-19. Saat ini perkembangan teknologi bisa digunakan untuk memonotoring penggunaan masker pada kerumunan orang, salah satu yaitu <em>Mechine Learning</em> dengan menggunakan metode <em>Deep Learning</em>. <em>Deep learning</em> merupakan pengembangan dari <em>neural network</em> <em>multiple layer</em> yang banyak digunakan untuk mendeteksi dan mengenali objek dengan pelatihan model secara berulang ulang untuk mendapatkan hasil. Dalam penelitian ini model algoritma yang digunakan untuk melakukan monitoring penggunaan masker pada kerumunan orang yaitu <em>YOLOv3</em> dan <em>YOLOv5</em>. Data citra diambil dari website Roboflow, Kaggel dan dataset yang diambil sendiri dengan kriteria citra sudut pandang <em>overhead</em> atau <em>CCTV</em>, dimana pada fase pertama pelatihan dilakukan menggunakan dataset yang diambil sendiri, kemudian pada fase kedua pelatihan dilakukan menggunakan gabungan dari dataset Roboflow, Kagggle dan dataset yang diambil sendiri. Hasil dari pelatihan dan pengujian model kemudian dibandingkan untuk dilakukan analisis model yang terbaik diantara <em>YOLOv3</em> dan <em>YOLOv5</em>. Dari hasil penelitian, nilai precision dan recall tertinggi yang didapatkan dari semua varian model <em>YOLOv3</em> pada fase pertama yaitu precision 0,58