Syntax Literate: Jurnal Ilmiah Indonesia
p�ISSN: 2541-0849 e-ISSN: 2548-1398
Vol. 7, No. 09,
September 2022
SISTEM PENDETEKSI MASKER WAJAH DAN SUHU TUBUH
MENGGUNAKAN TEKNIK COMPUTER VISION DAN SENSOR INFRARED NON-CONTACT
Hendri Farliza, Yuwaldi
Away, Fitri Arnia
Fakultas Teknik Elektro dan Komputer,
Universitas Syiah Kuala, Indonesia
E-mail:
[email protected]
Abstrak
COVID-19 merupakan penyakit yang
diakibatkan oleh virus corona (Cov-2) sehingga mengakibatkan pemerintah
dan lingkungan masyarakat harus menerapkan protokol kesehatan seperti
menggunakan masker, cuci tangan menggunakan sabun, jaga jarak, dan protokol
pencegahan penyebaran penyakit COVID-19 lainnya. Salah satu protokol
yang harus diterapkan dalam kehidupan sehari-hari adalah dengan memeriksa suhu
tubuh dan pengecekan penggunaan masker ketika memasuki atau menggunakan
fasilitas umum. Umumnya setiap gedung atau bangunan pemerintah maupun swasta
menggunakan jasa petugas keamanan untuk memeriksa orang yang akan memasuki
gedung, namun hal tersebut tidak sepenuhnya dijalankan dalam kondisi krisis
seperti saat ini. Hasil penelitian didapatkan bahwa algoritma haar cascade
dapat mendeteksi masker (dengan tidak mendeteksi mulut) pada masker medis dan
non medis yang tidak bermotif gambar wajah, namun sistem mendeteksi mulut pada
masker bermotif gambar mulut pada itensitas cahaya di atas 175 lux. Hasil
pembacaan sensor MLX90614 didapat Galat dengan nilai minimum -1.28�C dan
maksimal 1,66�C terhadap multimeter digital. Pengujian keseluruhan menunjukkan
sistem mendeteksi suhu dan masker dan memberikan akses dengan membuka kunci
pintu dengan mengaktifkan selenoid.
Kata
Kunci: COVID-19, computer vision, Raspberry Pi,
relay, selenoid
Abstract
COVID-19 is a disease caused by the
corona virus (Cov-2) so that the government and the community must implement
health protocols such as wearing masks, washing hands using soap, maintaining
distance and other protocols to prevent the spread of COVID-19. One of the
protocols that must be applied in everyday life is to check body temperature
and check the use of masks when entering or using public facilities. Generally,
every government or private building or building uses the services of security
guards to inspect people who will enter the building, but this is not fully
implemented in a crisis situation like today. The results showed that the haar
cascade algorithm can detect masks (without detecting the mouth) on medical and
non-medical masks that do not have a face image pattern, but the system detects
the mouth on a mask with a mouth image pattern at a light intensity above 175
lux. The MLX90614 sensor readings obtained an error with a minimum value of
-1.28 � C and a maximum of 1.66 � C against a digital multimeter. Overall
testing showed the system detected temperature and mask and provided access by
unlocking the door by activating the solenoid.
Keywords: COVID-19, computer vision, Raspberry
Pi, relay, selenoid
Pendahuluan
Penyebaran
virus Corona (Cov-2) yang mulai terjadi pada akhir tahun
2019 di Wuhan (Susilo et
al., 2022). Negara Cina yang menyebabkan penyakit yang
disebut COVID-19 sehingga mengakibatkan pandemi global dan semua pihak
baik pemerintah maupun swasta harus menerapkan protokol kesehatan yang
ditetapkan oleh WHO (Word Health Organisation) berupa penjagaan jarak (physical
distancing), mencuci tangan dengan sabun, menghindari pusat keramaian, dan
yang paling penting dalam protokol pencegahan penyebaran virus corona
adalah selalu menggunakan masker dan cek suhu tubuh (Tosepu et
al., 2021).
Langkah
pencegahan berupa penggunaan masker dan pengecekan suhu tubuh kerap dilakukan
oleh pihak keamanan dari sebuah fasilitas gedung atau bangunan yang selama ini
dilakukan secara manual dengan menggunakan perangkat pengecekan suhu tubuh dan
melihat langsung penggunaan masker pada pengunjung (Amtha et al.,
2020). Dibutuhkan sebuah sistem pendeteksi yang
dapat berkerja secara otomatis sehingga pemeriksaan secara manual tidak lagi
dibutuhkan.
Prosedur
pencegahan penyebaran virus Corona (Cov-2) berupa pemeriksaan penggunaan masker
dan pemeriksaan suhu tubuh diharapkan dapat diminimalisir (Amelia et
al., 2020). Sistem yang dibangun diharapkan dapat
bekerja secara mandiri tanpa melibatkan manusia secara langsung (Sobri et al.,
2020). Pentingnya prosedur pencegahan penyebaran
virus Corona (Cov-2) ini menjadi pertimbangan paling utama dalam melakukan
penelitian ini (Santoso et
al., 2021).
Metede
Penelitian
Penelitian ini menggunakan metode computer vision
untuk mendeteksi apakah objek deteksi mengunakan masker atau tidak, dan
pembacaan dari modul sensor suhu non-contact sebagai media deteksi suhu
tubuh (Ismamudi & Pramusinto, 2023). Penelitian ini diterapkan dengan membangun sistem
deteksi masker dan suhu tubuh berupa aplikasi dekstop yang ditanamkan pada
perangkat raspberry pi disertai dengan kamera/webcam, modul
sensor suhu non-contact, relay, dan selenoid. Adapun alur kerja
dari sistem pendeteksi masker dan suhu tubuh dalam penelitian ini dapat dilihat
pada gambar 1.
Gambar 1. Blok diagram system
Sistem
deteksi dimulai dengan mengambil frame video dari kamera untuk melakukan
deteksi apakah frame tersebut memiliki wajah atau tidak, setelah wajah
dideteksi, maka sistem akan membaca frame wajah untuk mendeteksi mulut/bibir
untuk menetukan objek yang sedang dideteksi memakai masker atau tidak. Jika
objek deteksi tidak menggunakan masker, maka sistem akan
menampilkan peringatan berupa �ANDA TIDAK BOLEH MASUK� pada layar monitor. Jika
objek deteksi menggunakan masker, maka sistem akan melakukan pembacaan sensor suhu non-contact
untuk mendapatkan suhu tubuh dari objek yang deteksi. Jika suhu tubuh berada
diatas 38� Celcius, maka sistem juga akan
meberikan peringan berupa teks �ANDA TIDAK BOLEH MASUK� pada layar monitor.
Sebaliknya jika objek deteksi menggunakan masker dan suhu tubuh dibawah sama
dengan 38� Celcius, maka sistem akan menampilkan teks berupa �ANDA BOLEH
MASUK� pada layar monitor dan sistem akan memerintahkan relay untuk
mengaktifkan selenoid sehingga kunci pintu terbuka.
B. Objek dan Alur
Penelitian
Objek dari penelitian ini adalah frame wajah manusia yang
didapat dari kamera beserta suhu tubuh yang didapat dari modul sensor suhu non-contact.
Penelitian ini dilakukan dengan percobaan deteksi wajah dan mulut/bibir untuk
penggunaan masker dan mendeteksi suhu tubuh dari manusia.
Hasil penelitian ini berupa aplikasi desktop yang bisa
digunakan untuk menggantikan petugas keamanan dalam memeriksa pengunjung yang
masih secara manual sehingga dengan adanya penelitian ini, pemeriksaan bisa
dilakukan secara otomatis.
C. Teknik yang digunakan
Teknik yang digunakan dalam penelitian ini adalah dengan
menggunakan algoritma haar cascade untuk mendeteksi wajah dan mulut, dan
melakukan pembacaan sensor suhu non-contact untuk untuk mendapatkan suhu
tubuh dari manusia. Teknik selanjutnya adalah dengan membangun aplikasi desktop
yang dijalankan pada perangkat raspberry pi yang dapat difungsikan sebagai
sistem yang bekerja secara mandiri.
D. Alat penelitian
Adapun alat yang digunakan dalam penelitian ini adalah 1 unit laptop dengan
spesifikasi:
1.
Prosesor Intel i-5
2.
RAM 8 GB
3.
SSD 1 TB
Selain
itu, penelitian ini juga menggunakan perangkat elektronik berupa Raspberry
Pi dengan spesifikasi :
1.
Prosesor ARM Cortex-A72 @ 1.5 GHz
2.
RAM 4 GB
3.
Memory Card 16 GB
Penelitian
ini juga menggunakan komponen elektronik dan mekanik yang dibutuhkan untuk
menunjang pembangunan sistem deteksi yaitu berupa :
1.
Modul Sensor suhu non-contact
2.
Modul relay 12 Volt
3.
Selenoid 12 Volt
Hasil dan Pembahasan
A. Perancangan Sistem
Perancangan sistem pendeteksi masker dan suhu
tubuh dilakukan (Imaduddin
& Ulum, 2021). Sistem yang dirancang terdiri atas Raspberry
Pi yang berfungsi sebagai central processing unit untuk memproses frame gambar
yang diterima dari model kamera (Lestariningati
& Agusdian, 2018). Raspberry Pi juga berfungsi untuk
membaca sensor MLX90614 untuk mendapatkan nilai suhu tubuh dari oebjek yang
akan dideteksi (Hernanda
& Yulanda, 2022). Raspberry Pi menjalankan program
aplikasi yang dibangun menggunakan bahasa C# dengan Framework Winforms
dijalankan dengan mono framework yang bisa berjalan di Linux. Raspberry
Pi yang merupakan minicomputer dipasangkan sistem operasi Raspbian
(varian dari Debian/Linux) menjalankan aplikasi yang kemudian aplikasi
tersebut bertindak sebagai sistem aplikasi utama pada penelitian ini. Hasil
perancangan komponen sistem dapat dilihat pada gambar 2.
Gambar 2. Skema Perancangan Sistem
Pada gambar 2 terdiri dari komponen utama
yaitu Raspberry Pi sebagai central processing unit kemudian dihubungkan dengan
modul kamera yang berfungsi sebagai penangkap frame gambar (video) dihubungkan
menggunakan port camera interface yang ada pada Raspbery Pi. Sensor suhu
MLX90614 yang merupakan sensor inframerah yang dapat membaca suhu tanpa harus
tersentuh langsung dengan objek yang akan dideteksi
dihubungkan dengan interface I2C (Inter Integrated Circuit) pada pin SDA
(data), SCL (clock), VCC dan GND (power). Monitor LCD dengan interface HDMI
dihubungkan dengan Raspberry Pi yang berfungsi untuk menampilkan Aplikasi yang
dijalankan. Modul relay dihubungkan dengan Raspberry Pi melalui GPIO (general
purpose input output) yang berfungsi untuk mengaktifkan relay yang dihubungkan
dengan selenoid. Selenoid berfungsi sebagai pengunci pintu sehingga ketika
objek yang dideteksi memenuhi syarat yang ditetapkan dalam metode penelitian
dapat masuk ke sebuah gedung/ruang. Selenoid dihubungkan dengan catu daya 12 Volt
DC. Raspberry Pi dihidupkan dengan memberi catu daya sebesar 5 Volt DC dengan
arus 3 Ampere. Monitor LCD dihidupkan dengan catu daya 220 Volt AC. Objek yang akan dideteksi harus berada didepan kamera dan sensor supaya
dapat dideteksi oleh sistem seperti yang diperlihatkan pada gambar 2.
1.
Pengujian Relay Module Dan Selenoid Kunci
Pintu
Pengujian modul relay yang dirangkai
dengan selenoid kunci pintu dilakukan. Pengujian ini dilakukan dengan
memberikan logika HIGH pada pin 23 pada Raspberry Pi. Selenoid dirangkai
dengan power supply 12 Volt DC yang dihubungkan dengan relay
melalui terminal COMMON dan terminal NO (Normally Open) sehingga
ketika relay aktif (ON) maka selenoid juga bergerak ke
mode membuka kunci. Sebaliknya jika relay non-aktif (OFF) maka selenoid
akan melepas tautan kunci sehingga pintu dalam keadaan
terkunci. Gambar 3 menunjukkan hasil pengujian ketika relay CH1 (channel
1) yang dihubungkan dengan solenoid non-aktif (OFF), dan
gambar 4 menunjukkan hasil pengujian ketika relay CH1 (channel 1) dalam
keadaan aktif (ON).
Selenoid OFF
(Non-aktif) Raspberry Pi Modul Relay
Gambar 3. Pengujian modul relay
dan selenoid kondisi OFF (non-aktif)
Raspberry Pi Indikator relay Selenoid ON (Aktif) Modul Relay
Gambar 4. Kondisi modul relay
dan selenoid kondisi ON (Aktif)
2. Pengujian Deteksi
Wajah
Pengujian deteksi wajah dilakukan menggunakan
kamera dengan implementasi algoritma haar cascade. Modul kamera
dirangkai dengan Raspberry Pi melalui camera interface yang
disediakan oleh Raspberry Pi. Pengujian dimulai dengan meletakkan wajah
di depan kamera dan aplikasi yang dibangun pada Raspberry Pi akan mendeteksi wajah dan memberi tanda disekitar wajah.
Penanda hasil deteksi wajah (yang ditandai dengan warna hijau) mendeteksi wajah
dengan diberi batasan wajah yang terdeteksi kamera dengan minimal panjang 256 pixel
dan lebar 256 pixel, hal ini bertujuan untuk meminalisir wajah yang
tidak dideteksi akurat jika objek wajah yang akan dideteksi terlalu jauh.
Gambar 5. Pengujian deteksi
wajah
Dari hasil pengujian, sistem berhasil
mendeteksi wajah jika objek wajah memiliki pancaran cahaya yang baik yaitu
tidak berada ditempat yang gelap atau kamera tidak berhadapan langsung dengan
sumber cahaya seperti lampu dan matahari. Dengan demikian alangkah baiknya jika
sumber cahaya koheren dengan kamera yaitu sumber cahaya harus berhadapan dengan
objek yang akan dideteksi. Gambar 5 menunjukkan hasil
pengujian deteksi wajah. Dari hasil pengujian ini, didapatkan bawah objek
deteksi yang berdiri didepan kamera dapat dideteksi oleh sistem. Aplikasi yang dijalankan
pada Raspberry Pi ditampilkan pada layar monitor. Aplikasi menampilkan
hasil pembacaan wajah ditandai dengan kotak persegi berwarna hijau. Objek yang
sedang memakai masker dapat dideteksi oleh sistem meskipun tidak mendapatkan
gambar wajah secara keseluruhan menandakan bahwa algoritma haar cascade
dapat mendeteksi wajah meskipun objek sedang memakai masker. Dari gambar 5 juga
dapat dilihat bahwa aplikasi menampilkan informasi objek sedang memakai masker
yang ditandai dengan informasi �MASKER : ADA�. Sistem juga menunjukkan nilai
hasil pembacaan suhu yaitu ditandai dengan informasi �SUHU: 33.76� yang
merupakan angka dalam format derajat celcius.
3. Pengujian Deteksi
Mulut
Pengujian deteksi mulut dilakukan menggunakan
kamera dengan implementasi algorima haar cascade. Deteksi mulut terjadi
ketika wajah sudah terdeteksi sebelumnya sehingga objek yang akan
dideteksi oleh sistem menjadi lebih kecil yaitu hanya mendeteksi mulut yang ada
di dalam bounding box wajah. Hasil deteksi ditandai dengan penanda
berwarna merah yang bertujuan supaya sistem mendeteksi bahwa wajah yang sedang
dideteksi tidak memakai masker.
Gambar 6. Pengujian deteksi
mulut
Dari hasil pengujuan deteksi mulut didapatkan
bahwa pendeteksi dapat lebih akurat dapat berjalan dengan baik jika objek yang
dideteksi mendapat pancaran cahaya yang baik seperti halnya deteksi
wajah. Gambar 6 menunjukkan ketika sistem mendeteksi mulut di sekitar wajah
yang menandakan bahwa objek yang sedang dideteksi tidak memakai masker.
Hasil pengujian menunjukkan bahwa sistem
dapat mendeteksi mulut yang berada di dalam frame wajah yang ditandai dengan
kotak persegi panjang yang berwarna merah. Dari gambar 6 juga dapat dilihat
bahwa aplikasi menampilkan informasi objek sedang tidak memakai masker
yang ditandai dengan informasi �MASKER: TIDAK ADA�. Sistem juga menunjukkan
nilai hasil pembacaan suhu yaitu ditandai dengan informasi �SUHU: 34.56� yang
merupakan angka dalam format derajat celcius.
4. Pengujian Objek
Memakai Masker
Pengujian objek memakai masker dilakukan
melalui kamera sistem. Pengujian ini bertujuan untuk mengetahui seberapa
efektifnya sistem yang dibangun dalam mendeteksi masker baik berupa masker
medis, masker biasa (non-medis), dan masker yang memiliki gambar mulut.
Pengujian dilakukan dengan masker medis yang diperlihatkan pada gambar 7 Hasil
pengujian dengan masker medis berhasil dideteksi oleh sistem yaitu ditandai
dengan tidak dideteksinya mulut pada sekitar wajah.
Gambar 7. Pengujian objek memakai masker medis
�����������
Dari hasil pengujian yang ditunjukkan pada
gambar 7 dapat dilihat bahwa sistem dapat mendeteksi wajah yang ditandai dengan
kotak persegi yang berwarna hijau. Hasil pengujian ini juga menunjukkan bahwa
sistem mendeteksi adanya masker (dengan tidak mendeteksi mulut) yang ditandai
dengan informasi �MASKER: ADA�, beserta informasi suhu yang titandai dengan
informasi �SUHU: 34.22� yang merupakan nilai suhu dalam format derajat celcius.
Selain itu juga dapat dilihat bahwa sistem memberikan informasi �ANDA BOLEH
MASUK� karena objek yang sedang dideteksi memiliki suhu dibawah 38 �C dan objek
memakai masker. Ketika objek sudah melengkapi syarat maka objek dapat memasuki
sebuah gedung/ruang yang ditandai dengan terbukanya pintu yang dibuka oleh selenoid.
5. Pengujian Sensor
Suhu Non-Contact
Pengukuran suhu tubuh objek yang sedang
dideteksi dilakukan pengukuran suhu menggunakan sensor MLX90614 yang dapat
mendeteksi suhu tanpa tersentuh langsung dengan objek yang akan
dideteksi. Hasil pengujian dicatat dan dibandingkan dengan termometer digital
yang banyak tersedia di pasaran digunakan sebagai referensi pengukuran. Hasil pencatatan
pengukuan sensor MLX90614 dan hasil pengukuran suhu menggunakan termometer
digital ditampilkan pada tabel 1 Dari hasil pengujian didapat bahwa hasil
pembacaan sensor MLX90614 yang dibandingkan dengan termometer digital tidak
terlalu jauh. Hasil ini menunjukkan bahwa sensor MLX90614 dapat digunakan
sebagai pendeteksi suhu tubuh dikarenakan sistem hanya perlu mendeteksi objek
yang berada dalam range dibawah 38� celcius.
Tabel 1
Hasil Pengujian
|
No |
Pembacaan Sensor
MLX960624 |
Hasil Pembacaan
Termometer Digital |
Galat |
|
1 |
33.67 |
34.29 |
0.62 |
|
2 |
33.58 |
34.54 |
0.95 |
|
3 |
33.27 |
34.07 |
0.8 |
|
4 |
34.06 |
33.07 |
-0.99 |
|
5 |
33.72 |
34.58 |
0.86 |
|
6 |
33.69 |
34.42 |
0.73 |
|
7 |
34.22 |
34.65 |
0.44 |
|
8 |
34.59 |
33.94 |
-0.65 |
|
9 |
33.45 |
33.9 |
0.45 |
|
10 |
33.6 |
33.62 |
0.02 |
Pengujian
untuk melihat perbandingan pembacaan sensor suhu MLX90624 dengan termometer
digital manual juga dilakukan sampai 100 kali percobaan. Hasil analisa
pengujian disajikan dalam tabel dan statistik hasil pengukuran pun dihitung.
Hasil pengukuran seperti mean, standard
deviasi (STD-DEV), root means squeare error (RMSE), dan grafik hasil
perbandingan pun dilakukan.
6.
Pengujian Deteksi Masker Dengan Itensitas
Cahaya Bertingkat
Pengujian deteksi masker dengan variasi
cahaya bertingkat pun dilakukan. Variasi itensitas cahaya dilakukan dengan
mengubah tingkat kecerahan lampu pijar dengan menggunakan perangkat dimmer
seperti yang diperlihatkan pada gambar 8 untuk melihat respon sistem terhadap
perubahan itensitas cahaya dalam mendeteksi masker.
Tingkat variasi cahaya dibagi dalam tiga
range yaitu rendah (15 s/d 25 lux), menengah (40 s/d 60 lux), dan
tinggi (175 s/d 185 lux) dan diukur menggunakan perangkat pembaca
itensitas cahaya (lux meter) seperti yang diperlihatkan pada gambar 9
Pengujian juga membandingkan respon deteksi wajah dan masker dengan menggunakan
beberapa jenis masker seperti masker scuba, masker medis, masker bergambar
wajah, dan masker berwarna lainnya. Gambar 10 menunjukkan salah satu hasil pengujian
disaat itensitas cahaya 51 lux (tingkat menengah), hasil pembacaan
sensor suhu pada nilai 34,22� Celcius, jenis masker medis, dan masker
terdeteksi sehingga keputusan berupa teks �ANDA BOLEH MASUK�.
Gambar 8. Modul dimmer pengendali
itensitas cahaya lampu
�����
Gambar 9. Alat pengukur
itensitas cahaya UT383-BT (UNI-T)
|
1. Cahaya rendah |
2. Cahaya sedang |
||
|
3. Cahaya tinggi |
|||
Gambar 10. Salah satu pengujian
masker bergambar wajah dengan 3 tingkat kecerahan cahaya
Pengujian lainnya dilakukan hingga 30 kali
percobaan dengan 10 (sepuluh) jenis masker seperti yang diperlihatkan pada
gambar 11 dan 3 (tiga) tingkat kecerahan lampu. Hasil pengujian dapat dilihat
pada tabel 2 Hasil pengujian pada itensitas cahaya rendah (15 s/d 25 lux)
menunjukkan bahwa mulut tidak terdeteksi pada masker yang bermotif gambar
mulut, kemudian hasil pengujian pada tingkat kecerahan cahaya sedang (40 s/d 60
lux) menunjukkan bahwa sistem mendeteksi mulut pada masker dengan motif
gambar model 3. Sedangkan pada pengujian tingkat cahaya tinggi (175 s/d 185 lux)
menunjukkan bahwa sistem mendeteksi mulut pada semua model masker bermotif gambar
mulut (model 1, model 2, model 3, dan model 4). Pengujian ini menunjukkan bahwa
algoritma haar cascade mendeteksi
mulut (probabilitas tinggi) pada masker bergambar mulut ketika itensitas cahaya
tinggi yaitu pada tingkat cahaya diatas 175 lux.
Pengujian
Deteksi Masker Dengan Itensitas Cahaya Bervariasi
|
No |
Suhu |
Jenis Masker |
Masker Terdeteksi |
Itensitas Cahaya |
Keputusan |
||
|
1 |
34.44 |
Kain |
Ya |
16 |
Boleh Masuk |
||
|
2 |
34.44 |
Scuba Hitam |
Ya |
15 |
Boleh Masuk |
||
|
3 |
34.08 |
Scuba Loreng |
Ya |
14 |
Boleh Masuk |
||
|
4 |
34.56 |
Scuba Merah |
Ya |
15 |
Boleh Masuk |
||
|
5 |
34.64 |
Medis Hitam |
Ya |
14 |
Boleh Masuk |
||
|
6 |
34.44 |
Medis Hijau |
Ya |
17 |
Boleh Masuk |
||
|
7 |
33.88 |
Model 1 |
Ya |
20 |
Boleh Masuk |
||
|
8 |
34.36 |
Model 2 |
Tidak |
23 |
Tidak Boleh Masuk |
||
|
9 |
34.34 |
Model 3 |
Ya |
21 |
Boleh Masuk |
||
|
10 |
34.56 |
Model 4 |
Ya |
19 |
Boleh Masuk |
||
|
11 |
34.18 |
Kain |
Ya |
48 |
Boleh Masuk |
||
|
12 |
34.02 |
Scuba Hitam |
Ya |
46 |
Boleh Masuk |
||
|
13 |
33.84 |
Scuba Loreng |
Ya |
47 |
Boleh Masuk |
||
|
14 |
34.3 |
Scuba Merah |
Ya |
48 |
Boleh Masuk |
||
|
15 |
34.22 |
Medis Hijau |
Ya |
51 |
Boleh Masuk |
||
|
16 |
34.48 |
Medis Hitam |
Ya |
45 |
Boleh Masuk |
||
|
17 |
34.1 |
Model 1 |
Tidak |
53 |
Tidak Boleh Masuk |
||
|
18 |
34.22 |
Model 2 |
Ya |
51 |
Boleh Masuk |
||
|
19 |
34.28 |
Model 3 |
Tidak |
62 |
Tidak Boleh Masuk |
||
|
20 |
33.96 |
Model 4 |
Ya |
67 |
Boleh Masuk |
||
|
21 |
34.16 |
Kain |
Ya |
171 |
Boleh Masuk |
||
|
22 |
34.5 |
Scuba Hitam |
Ya |
143 |
Boleh Masuk |
||
|
23 |
34.1 |
Scuba Loreng |
Ya |
161 |
Boleh Masuk |
||
|
24 |
34.92 |
Scuba Merah |
Ya |
133 |
Boleh Masuk |
||
|
25 |
34.82 |
Medis Hitam |
Ya |
152 |
Boleh Masuk |
||
|
26 |
34.58 |
Medis Hijau |
Ya |
132 |
Boleh Masuk |
||
|
27 |
34.04 |
Model 2 |
Tidak |
192 |
Tidak Boleh Masuk |
||
|
28 |
34.02 |
Model 1 |
Tidak |
184 |
Tidak Boleh Masuk |
||
|
29 |
33.76 |
Model 3 |
Tidak |
180 |
Tidak Boleh Masuk |
||
|
30 |
33.84 |
Model 4 |
Tidak |
185 |
Tidak Boleh Masuk |
||
|
Rata-rata |
34.26933 |
|
77.5 |
|
|||
|
Std-dev |
0.293551 |
|
64.70237 |
|
|||
Medis
Kain Model 4 Model 3 Model 2 Model 1 Scuba
Hitam Scuba
Loreng Scuba
Merah Medis
Hitam Scuba
Hitam Scuba
Loreng Scuba
Merah Kain Medis
Hitam Medis
Gambar 11. Jenis masker yang
digunakan pada pengujian deteksi masker dengan itensitas cahaya bertingkat
7. Pengujian Sistem
Keseluruhan
Pengujian
sistem keseluruhan dilakukan dengan memasang semua komponen pendukung sistem
seperti power supply Raspberry Pi (5 Volt DC), power supply selenoid
(12 Volt DC), kamera module, sensor MLX90614, dan relay module.
Sistem diuji dengan menggunakan objek wajah manusia yang memakai masker dan
objek wajah manusia ketika tidak memakai masker. Sistem bekerja dengan
mendeteksi wajah dari frame gambar yang didapat dari modul kamera. Ketika wajah
terdeteksi, sistem akan menampilkan penanda dilayar
berupa kotak berwarna hijau disekitar wajah yang menandakan bahwa ada wajah
yang sedang terdeteksi. Ketika wajah dideteksi, maka sistem akan
memulai mendeteksi mulut yang berada dalam frame wajah. Jika sistem
mendeteksi mulut, maka sistem akan menampilkan status MASKER:
TIDAK ADA. Sebaliknya jika sistem tidak mendeteksi mulut di frame wajah,
maka sistem akan menampilkan status MASKER: ADA. Jika sistem mendeteksi masker maka sistem akan
memulai mendeteksi suhu melalui sensor MLX90614. Jika suhu tubuh berada di
kisaran lebih dari 38 derajat celcius, maka sistem akan menampilkan warna merah
pada display suhu, sebaliknya jika sistem mendeteksi suhu dibawah sama
dengan 38 derajat celcius, maka sistem menampilkan warna hijau pada display
suhu. Ketika objek yang sedang dideteksi memakai masker dan suhu
tubuh objek berada dibawah sama dengan 38 derajat celcius, maka sistem akan
mengaktifkan relay yang membuat selenoid membuka pintu dan
menampilkan pesan �ANDA BOLEH MASUK� pada layar monitor dan menunggu hingga 5
detik untuk mengunci pintu seperti semula, sebaliknya jika objek tidak memakai
masker dan/atau suhu tubuh berada dikisaran lebih dari 38 derajat celcius, maka
sistem tidak mengaktifkan relay sehingga pintu tetap dalam keadaan terkunci dan
menampilkan pesan �ANDA TIDAK BOLEH MASUK� pada layar monitor. Gambar 12
menunjukkan hasil pengujian yang dilakukan ketika objek yang dideteksi memakai
masker dan suhu tubuh dibawah 38 derajat celcius. Dari hasil pengujian dapat
disimpulkan bawah penelitian ini dapat berjalan sesuai seperti yang diharapkan.
Gambar 12. Pengujian ketika sistem tidak
mendeteksi mulut (memakai masker) dan suhu di bawah 38� Celcius
Hasil pengujian pada gambar 12 menunjukkan hasil
pendeteksi objek yang sedang memakai masker yang ditandai dengan informasi �MASKER :
ADA�. Hasil pengujian juga menunjukkan hasil pembacaan suhu yaitu �SUHU : 34.22� dalam format derajat Celcius. Sistem juga
menunjukkan bahwa objek bisa masuk ke dalam gedung/ruang yang ditandai dengan
informasi �ANDA BOLEH MASUK� dikarenakan objek telah memenuhi syarat yaitu suhu
dibawah 38� Celcius dan memakai masker.
Gambar 13. Pengujian ketika sistem mendeteksi
mulut (tidak memakai masker) dan suhu dibawah 38 �Celcius
Hasil pengujian seperti yang diperlihatkan pada gambar 13
menunjukkan informasi bahwa objek yang sedang dideteksi memakai masker yang
ditandai dengan informasi �MASKER: TIDAK ADA�. Hasil pengujian suhu
ditunjukkan pada informasi �SUHU : 34.44 � dalam format derajat celcius. Hasil
pengujian juga menunjukkan informasi �ANDA TIDAK BOLEH MASUK� dikarenakan objek
yang sedang dideteksi tidak memakai masker.
Kesimpulan
Hasil pengujian
sensor MLX90614 didapat setelah melakukan 100 kali dengan membandingkan nilai
suhu yang didapat dari termometer digital. Hasil pembacaan suhu dari sensor
memiliki perbedaan dengan termometer digital yaitu dengan nilai ralat minimum
sebesar -1,28�C dan nilai ralat maksimum
sebesar 1,66�C. Nilai rms (root means
square) dari nilai observasi (hasil pembacaan sensor) dan nilai ekspektasi
(hasil pembacaan termometer digital) sebesar 0.575093905�C.
Hasil pengujian sistem
keseluruhan didapatkan bahwa sistem dapat mendeteksi masker (dengan
keterbatasan seperti yang disebutkan di atas) dan suhu (dengan nilai galat) dan
dapat mengambil keputusan ketika objek memakai masker dan suhu tubuh di bawah
38�C maka pintu dibuka dengan mengaktifkan selenoid begitu juga sebaliknya.
BIBLIOGRAFI
Amelia,
D. S., Suwarni, L., & Mawardi, M. (2020). Kesiapan Rumah Makan di Era New
Normal. Jurnal Ilmu Kesehatan Masyarakat, 9(04), 216�221.
Amtha, R., Gunardi, I., Dewanto, I., Widyarman, A. S., &
Theodorea, C. F. (2020). Panduan dokter gigi dalam era new normal. Monograph
Press, 1(1).
Hernanda, M., & Yulanda, E. A. (2022). Rancang Bangun
Sistem Pendeteksi Masker dan Suhu Tubuh Sebagai Kontrol Akses Masuk Ruangan
Berbasis Raspberry Pi 4 Model B. Prosiding SEINTEK Universitas Pamulang,
1(2), 356�370.
Imaduddin, M., & Ulum, M. (2021). Deteksi Suhu Tubuh dan
Masker Otomatis Dengan Metode Haar Casecade Sebagai Solusi Pencegahan Penularan
Covid-19. Jurnal Riset Rekayasa Elektro, 3(2), 119�126.
Ismamudi, A., & Pramusinto, W. (2023). Penerapan Nodemcu
dan Sensor Suhu Mlx90614 untuk Hand Sanitizer Otomatis Berbasis IoT. SKANIKA:
Sistem Komputer Dan Teknik Informatika, 6(1), 1�11.
Lestariningati, S. I., & Agusdian, A. (2018). Perancangan
Sistem Pengamanan Data Video CCTV ATM (Anjungan Tunai Mandiri) Secara Diskrit
dan Terdistribusi Menggunakan WLAN dan Sistem NAS. KOMPUTIKA-Jurnal Sistem
Komputer UNIKOM, 7(2), 55�62.
Santoso, S., Putro, S. S., Fatmawati, A. A., & Putri, C.
G. (2021). Disain Mitigasi Risiko Penularan COVID-19 di Lingkungan Industri
Padat Karya dengan Metode FMEA. JKBM (Jurnal Konsep Bisnis Dan Manajemen),
7(2), 149�166.
Sobri, M., Nursaptini, N., & Novitasari, S. (2020).
Mewujudkan kemandirian belajar melalui pembelajaran berbasis daring diperguruan
tinggi pada era industri 4.0. Jurnal Pendidikan Glasser, 4(1), 64�71.
Susilo, A., Jasirwan, C. O. M., Wafa, S., Maria, S., Rajabto,
W., Muradi, A., Fachriza, I., Putri, M. Z., & Gabriella, S. (2022). Mutasi
dan Varian Coronavirus Disease 2019 (COVID-19): Tinjauan Literatur Terkini. Jurnal
Penyakit Dalam Indonesia, 9(1), 59�81.
Tosepu, R., Effendy, D. S., Yuniar, N., & Mey, D. (2021).
Pelaksanaan pencegahan primer di masa pandemi COVID-19 melalui pendidikan
kesehatan di Kelurahan Tobimeita, Kota Kendari. Karya Kesehatan Journal of
Community Engagement, 2(01), 1�8.
|
Copyright holder: Hendri Farliza, Yuwaldi Away, Fitri Arnia (2022) |
|
First publication right: Syntax Literate: Jurnal Ilmiah Indonesia |
|
This article is licensed under: |