Deteksi Penggunaan Masker Pada Citra Menggunakan RetinaFace dengan MobileNetV2

Authors

  • Ghilman Muhammad Zaki Telkom University
  • Febryanti Sthevanie Telkom University
  • Kurniawan Nur Ramadhani Telkom University

Abstract

Abstrak — Pada penelitian ini dibentuk sistem pendeteksi masker menggunakan RetinaFace sebagai face detection dan MobileNetV2 sebagai sistem klasifikasi penggunaan masker pada wajah. Alur sistem diawali dengan sistem pendeteksi wajah menggunakan RetinaFace. RetinaFace mengambil bagian wajah pada citra dan diteruskan ke model sistem klasifikasi penggunaan masker menggunakan model MobileNetV2. Model MobileNetV2 dilakukan training dengan training set yang terdiri dari 23.115 citra wajah bermasker dan tidak bermasker dan dilakukan testing dengan testing set yang terdiri dari 6.998 citra wajah bermasker dan tidak bermasker. Hasil akurasi yang didapatkan oleh model MobileNetV2 sebesar 99,3%. Namun model MobileNetV2 masih dapat memberikan hasil prediksi yang salah untuk citra wajah dari citra orang yang diambil dari jarak yang jauh.

Kata kunci— COVID-19, retinaface, mobilenetv2

References

REFERENSI

Q.-V. Pham, D. C. Nguyen, T. Huynh-The, W.-J.

Hwang, and P. N. Pathirana,

(AI) and Big Data for Coronavirus (COVID-19)

Pandemic: A Survey on the State-of-the-Arts,= IEEE

Access, vol. 8, pp. 130820-130839, 2020, doi:

1109/ACCESS.2020.3009328.

P. Nagrath, R. Jain, A. Madan, R. Arora, P. Kataria,

and J. Hemanth,

face mask detection system using single shot multibox

detector and MobileNetV2,= Sustain. Cities Soc., vol.

, p. 102692, Mar. 2021, doi:

1016/j.scs.2020.102692.

J. Deng, J. Guo, Y. Zhou, J. Yu, I. Kotsia, and S.

Zafeiriou,

Localisation in the Wild.= arXiv, May 04, 2019.

Accessed: Jan. 29, 2023. [Online]. Available:

http://arxiv.org/abs/1905.00641

A. Chavda, J. Dsouza, S. Badgujar, and A. Damani,

Detection.= arXiv, Sep. 17, 2020. doi:

48550/arXiv.2009.07627.

A. Das, M. Wasif Ansari, and R. Basak,

Face Mask Detection Using TensorFlow, Keras and

OpenCV,= in 2020 IEEE 17th India Council

International Conference (INDICON), Dec. 2020, pp.

-5. doi: 10.1109/INDICON49873.2020.9342585.

A. M. Lad, A. Mishra, and A. Rajagopalan,

Network Architectures for Real Time COVID-19

Facial Mask Detection,= J. Phys. Conf. Ser., vol. 1969,

no. 1, p. 012037, Jul. 2021, doi: 10.1088/1742-

/1969/1/012037.

M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and

L.-C. Chen,

Linear Bottlenecks.= arXiv, Mar. 21, 2019. doi:

48550/arXiv.1801.04381.

TheSSJ2612,

Jun. 14, 2021. Accessed: Jan. 29, 2023. [Online].

Available: https://github.com/TheSSJ2612/Real-TimeMedical-Mask-Detection

https://www.kaggle.com/datasets/ashishjangra27/facemask-12k-images-dataset (accessed Jan. 29, 2023).

https://www.kaggle.com/datasets/shiekhburhan/facemask-dataset (accessed Feb. 14, 2023).

M. Yaqub et al.,

Brain Tumor Segmentation in Magnetic Resonance

Images,= Brain Sci., vol. 10, no. 7, Art. no. 7, Jul. 2020,

doi: 10.3390/brainsci10070427.

P. Poudel, S. H. Bae, and B. Jang,

Different Deep Learning Optimizers for Modeling

Photovoltaic Power,= J. Chosun Nat. Sci., vol. 11, no.

, pp. 204-208, 2018, doi:

13160/ricns.2018.11.4.204.

G. I. Webb,

Machine Learning and Data Mining, C. Sammut and

G. I. Webb, Eds. Springer, 2017, pp. 844-845. doi:

1007/978-1-4899-7687-1_555.

C. Sammut and G. I. Webb, Encyclopedia of Machine

Learning. Springer Science & Business Media, 2011.

Downloads

Published

2023-11-01

Issue

Section

Program Studi S1 Informatika