SISTEM PENDETEKSI PELANGGAR JARAK SOSIAL COVID-19 BERBASIS VIDEO MENGGUNAKAN ALGORITMA YOLOv3

Putri Setiya Ningsih; Achmad Fahrurozi

doi:10.35760/tr.2022.v27i2.7100

SISTEM PENDETEKSI PELANGGAR JARAK SOSIAL COVID-19 BERBASIS VIDEO MENGGUNAKAN ALGORITMA YOLOv3

Putri Setiya Ningsih
Gunadarma University
Indonesia

Achmad Fahrurozi
Gunadarma University
Indonesia

DOI: http://dx.doi.org/10.35760/tr.2022.v27i2.7100

Abstract

Corona Virus Disease 2019 (COVID-19) telah dinyatakan oleh WHO sebagai pandemik dan Pemerintah Indonesia berdasarkan Keputusan Presiden Nomor 11 Tahun 2020 tentang Penetapan Kedaruratan Kesehatan Masyarakat telah menyatakan COVID-19 sebagai kedaruratan kesehatan masyarakat yang wajib dilakukan upaya penanggulangan. Untuk mengatasi pengaruh dalam banyak sektor di Indonesia, pemerintah telah melakukan tindakan pencegahan. Salah satunya yaitu dengan menjaga jarak dan menghindari kerumunan. Pencegahan ini untuk menghindari penyebaran virus Corona yang lebih luas. Organisasi Kesehatan Dunia (WHO) menyebut pencegahan ini sebagai physical distance. Namun masyarakat cenderung lalai dalam melaksanakan protokol kesehatan tersebut. Salah satu cara untuk mengatasi masalah ini adalah dengan memantau jarak fisik antar objek manusia dan membuat sistem pendeteksian otomatis yang digunakan untuk mendeteksi jumlah dan jarak dari objek manusia yang ada pada suatu area tertentu. Penelitian ini bertujuan untuk membangun sistem pemantauan jarak fisik menggunakan bahasa pemrograman Python dengan library YOLOv3. Data yang digunakan dalam penelitian ini merupakan data primer berupa video berdurasi 15 detik dengan rate 20 fps, dengan format MP4. Secara umum, sistem mendeteksi jumlah objek manusia yang terdapat dalam tiap frame dari video, untuk kemudian mendeteksi pelanggar jarak sosial dalam frame tersebut. Hasil rata - rata akurasi dari deteksi objek adalah 83,07% dan hasil rata – rata akurasi dari deteksi pelanggar jarak sosial adalah 86,24%.

Keywords

pendeteksian; jarak sosial; video; machine learning; YOLOv3

References

D. Telaumbanua, “Urgensi Pembentukan Aturan Terkait Pencegahan Covid-19 di Indonesia,” QALAMUNA J. Pendidikan, Sos. dan Agama, vol. 12, no. 01, pp. 59–70, Mar. 2020, doi: 10.37680/qalamuna.v12i01.290.

World Health Organization, “Coronavirus disease (COVID-19): Update 06/11/2020,” 2020. [Online]. Available: https://www.who.int/emergencies/diseases/novel-coronavirus-2019.

Y. Liu, A. A. Gayle, A. Wilder-Smith, and J. Rocklöv, “The reproductive number of COVID-19 is higher compared to SARS coronavirus,” J. Travel Med., vol. 27, no. 2, 2020, doi: 10.1093/jtm/taaa021.

Y. Yuliana, “Corona virus diseases (Covid-19): Sebuah tinjauan literatur,” Wellness Heal. Mag., vol. 2, no. 1, 2020, doi: 10.30604/well.95212020.

F. Mileanasari et al., “Monitoring of Physical Distance for Covid-19 Public Health Using You Only Look Once,” Semin. Nas. Teknol. dan Rekayasa, p. 2020, 2020.

N. Setyawan, D. Nur Fajar, and K. Hidayat, “Perencanaan Jalur Robot Sepak Bola Ummiros Menggunakan Algoritma a*,” Semin. Nas. Teknol. dan Rekayasa (SENTRA)2019, pp. 2527–6042, 2019.

J. Su, X. He, L. Qing, T. Niu, Y. Cheng, and Y. Peng, “A novel social distancing analysis in urban public space: A new online spatio-temporal trajectory approach,” Sustain. Cities Soc., vol. 68, 2021, doi: 10.1016/j.scs.2021.102765.

R. Girshick, J. Donahue, T. Darrell, and J. Malik, “Rich feature hierarchies for accurate object detection and semantic segmentation,” 2014, doi: 10.1109/CVPR.2014.81.

K. He, X. Zhang, S. Ren, and J. Sun, “Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 37, no. 9, 2015, doi: 10.1109/TPAMI.2015.2389824.

R. Girshick, “Girshick_Fast_R-CNN_ICCV_2015_paper,” Int. Conf. Comput. Vis., 2015.

S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 6, 2017, doi: 10.1109/TPAMI.2016.2577031.

J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016, vol. 2016-December, doi: 10.1109/CVPR.2016.91.

J. Redmon and A. Farhadi, “YOLO9000: Better, faster, stronger,” in Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017, vol. 2017-January, doi: 10.1109/CVPR.2017.690.

R. Huang, J. Pedoeem, and C. Chen, “YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers,” 2019, doi: 10.1109/BigData.2018.8621865.

J. Zhang, M. Huang, X. Jin, and X. Li, “A real-time Chinese traffic sign detection algorithm based on modified YOLOv2,” Algorithms, vol. 10, no. 4, 2017, doi: 10.3390/a10040127.

Z. Liu, Z. Chen, Z. Li, and W. Hu, “An Efficient Pedestrian Detection Method Based on YOLOv2,” Math. Probl. Eng., vol. 2018, 2018, doi: 10.1155/2018/3518959.

S. Jupiyandi, F. R. Saniputra, Y. Pratama, M. R. Dharmawan, and I. Cholissodin, “Pengembangan Deteksi Citra Mobil untuk Mengetahui Jumlah Tempat Parkir Menggunakan CUDA dan Modified YOLO,” J. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 4, 2019, doi: 10.25126/jtiik.2019641275.

J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” 2018.

Oktaviani Ella Karlina dan Dina Indarti. “Pengenalan Objek Makanan Cepat Saji Pada Video dan Real Time Webcame Menggunakan Metode You Look Only Once (YOLO)”, Jurnal Ilmiah Informatika Komputer, vol. 24 , no. 3 , hal. 199-208 , 2019.