Teguh Pamungkas, 4611417041 (2022) DETEKSI PENGGUNAAN MASKER SEBAGAI UPAYA PENCEGAHAN COVID-19 MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) BERDASARKAN LEARNING VECTOR QUANTIZATION (LVQ). Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Covid-19 merupakan penyakit yang disebabkan oleh virus SARS-CoV-2, Penularan Covid-19 dapat melalui aliran udara (aerosol), percikan cairan (droplet) ketika batuk atau bersin, dan kontak secara langsung. Salah satu upaya pencegahan untuk memutus rantai penularan adalah dengan menggunakan masker ketika berinteraksi dengan orang lain dan berada di lingkungan luar. Tetapi masyarakat perlu adaptasi untuk tertib menggunakan masker saat berada di luar rumah. Pemantauan dan penertiban penggunaan masker akan lebih aman dan efisien ketika menerapkan sistem deteksi penggunaan masker. Penelitian ini akan menganalisis metode ekstraksi ciri Gray Level Co-Occurrence Matrix (GLCM) dan metode klasifikasi Learning Vector Quantization (LVQ). Hasil ekstraksi ciri GLCM berhasil memberikan fitur statistik yang merepresentasikan ciri citra dengan baik (contrast, dissimilarity, homogeneity, angular second moment, energy, dan correlation). Sedangkan metode klasifikasi Learning Vector Quantization (LVQ) dapat memberikan hasil klasifikasi dengan persentase akurasi yang tinggi. Hasil persentase akurasi terbaik peringkat pertama sebesar 83,15% pada komposisi data training dan data testing dengan perbandingan 90 : 10, Selanjutnya persentase akurasi peringkat kedua sebesar 76,03% pada pada komposisi perbandingan 70 : 30 dan peringkat ketiga sebesar 72,47% pada pada komposisi perbandingan 80 : 20, Hal ini menunjukkan bahwa komposisi data training yang lebih banyak belum menjamin tingkat pencapaian persentase akurasi yang lebih tinggi. Terdapat jumlah maksimum optimal epoch dimana jumlah epoch yang melebihi jumlah optimal epoch tidak akan mengalamai perubahan persentase akurasi. Untuk setiap nilai learning rate (alpha) dapat memberikan hasil persentase akurasi dengan pola grafik yang berbeda-beda. Untuk nilai alpha = 0,1 pola grafik LVQ mengalami naik dan turun, untuk nilai alpha = 0,01 grafik LVQ akan cenderung naik, dan untuk nilai alpha = 0,001 grafik LVQ akan cenderung turun. Ketiga pola tersebut akan berhenti pada jumlah maksimum optimal epoch. Persentase akurasi dan epoch memiliki pola pelatihan yang bergantung pada nilai alpha. Dengan demikian implementasi kombinasi metode GLCM dan LVQ dapat bekerja secara maksimal dan saling berkontribusi untuk memperoleh persentase akurasi yang paling tinggi.

Actions (login required)

View Item