Sistem Deteksi Social Distancing Menggunakan Metode Convolutional Neural Network (CNN)

Winata, Samuel Hadi (2021) Sistem Deteksi Social Distancing Menggunakan Metode Convolutional Neural Network (CNN). Undergraduate thesis, Universitas 17 Agustus 1945 Surabaya.

	Text ABSTRAK.pdf Download (412kB)
	Text BAB 1.pdf Restricted to Repository staff only Download (121kB) | Request a copy
	Text BAB 2.pdf Restricted to Repository staff only Download (268kB) | Request a copy
	Text BAB 3.pdf Restricted to Repository staff only Download (221kB) | Request a copy
	Text BAB 4.pdf Restricted to Repository staff only Download (3MB) | Request a copy
	Text BAB 5.pdf Restricted to Repository staff only Download (175kB) | Request a copy
	Text LAMPIRAN.pdf Download (55kB)
	Text JURNAL.pdf Download (561kB)
	Text JURNAL TURNITIN.pdf Download (2MB)

Abstract

COVID-19 merupakan virus yang sedang dihadapi saat ini oleh lebih dari 180 negara di seluruh dunia. Banyak upaya dilakukan untuk mempersempit penyebaran virus COVID-19, salah satunya dengan social distancing. Social distancing merupakan sebuah anjuran agar setiap orang membatasi diri untuk tidak berada di tempat yang ramai / berkerumun, serta membatasi paling tidak jarak dua meter dari setiap orang disekitarnya. Namun masih saja banyak pihak yang tidak bertanggung jawab melanggar protokol kesehatan social distancing ini, tidak jarang ditemukan kerumunan masyarakat yang berhimpitan, baik di area pekerjaan, tempat perbelanjaan, dan tempat hiburan/rekreasi. Oleh karena itu pada tugas akhir ini akan dikembangkan sebuah sistem pendeteksi social distancing dengan metode Convolutional Neural Network (CNN) menggunakan arsitektur YOLO yang dapat mendeteksi objek dengan akurasi ketepatan sebesar 91% dengan training sebanyak 2000 iterasi. Sehingga sistem ini dapat digunakan untuk melihat secara real time orang-orang yang menaati anjuran social distancing dan menandai orang-orang yang berjarak kurang dari dua meter agar dapat ditingkatkan kedisiplinan guna memberantas virus COVID-19.

Actions (login required)

View Item