RANCANG BANGUN NEW NORMAL COVID-19 MASKER DETEKTOR DENGAN NOTIFIKASI TELEGRAM BERBASIS INTERNET OF THINGS
Abstract
Dimasa pandemi COVID-19 saat ini diberlakukanlah peraturan di mana setiap orang wajib menggunakan masker dan melakukan physical distancing pada saat keluar rumah di Jakarta. Ini merupakan salah satu kebiasaan baru yang akan dibiasakan ke masyarakat oleh pemerintah. Pada lingkungan perusahaan yang sudah mulai beroperasi 50%, juga mewajibkan karyawannya menggunakan masker dan physical distancing saat di kantor. Agar kebiasaan disiplin menggunakan masker di tempat umum ini dapat berjalan dengan baik, maka dibuatlah New Normal COVID-19 Masker Detektor dengan Notifikasi Telegram berbasis Internet Of Things ini agar lingkungan seperti perusahaan dapat mendisiplinkan karyawannya untuk menggunakan masker sebelum masuk ke kantor. Sistem ini dibuat menggunakan Raspberry Pi sebagai otak utamanya, dengan menambahkan modul kamera dan juga sensor PIR, yang akan mendeteksi apakah orang tersebut menggunakan masker atau tidak. Kemudian akan dikirimkan pesan notifikasi telegram kepada keamanan setempat agar orang tersebut diperbolehkan masuk ke kantor jika sudah menggunakan masker. Metode penelitian yang dilakukan adalah dengan merumuskan masalah yang ada,kemudian merumuskan tujuan penelitian, melakukan studi literatur, melakukan perancangan sistem dan melakukan pengujian sistem. Hasil dari penelitian ini adalah sistem dapat mendeteksi orang yang menggunakan masker dan notifikasi dapat dikirimkan ke keamanan melalui aplikasi telegram dengan baik.
References
[2] Kementerian Kesehatan, “Kesiapan Kemenkes Dalam Menghadapi Outbreak Novel Coronavirus ( 2019-NCov ),” Ditjen Pencegah. Dan Pengendali. Penyakit Kementeri. Kesehat., pp. 1–26, 2020.
[3] R. Novrianda Dasmen, “Implementasi Raspberry Pi 3 Sebagai Wireless Access Point Pada STIPER Sriwigama Palembang,” J. Inform. J. Pengemb. IT, vol. 3, no. 3, pp. 387–393, 2018, doi: 10.30591/jpit.v3i3.943.
[4] G. Kutukian and M. Husain, “Raspberry Pi 3 Home Network Monitoring Tool,” 2016.
[5] W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, 2016, doi: 10.12962/j23373539.v5i1.15696.
[6] S. R. DEWI, “Deep Learning Object Detection Pada Video,” Deep Learn. Object Detect. Pada Video Menggunakan Tensorflow Dan Convolutional Neural Netw., 2018.
[7] P. B., V. M., S. Jadhav, and M. B. Potdar, “Smart Motion Detection System using Raspberry Pi,” Int. J. Appl. Inf. Syst., vol. 10, no. 5, pp. 37–40, 2016, doi: 10.5120/ijais2016451506.
[8] M. Jiang, X. Fan, and H. Yan, “RetinaMask: A Face Mask detector,” 2020.
[9] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-December, pp. 770–778, 2016, doi: 10.1109/CVPR.2016.90.
[10] F. Sirait and Y. Yoserizal, “Pemanfaatan Raspberry Pi Sebagai Processor Pada Pendeteksian Dan Pengenalan Pola Wajah,” J. Teknol. Elektro, vol. 7, no. 3, pp. 146–150, 2016, doi: 10.22441/jte.v7i3.892.
[11] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L. C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 4510–4520, 2018, doi: 10.1109/CVPR.2018.00474.
[12] F. Evan, “Penerapan Image Classification Dengan Pre-Trained Model Mobilenet Dalam Client-Side Machine Learning Pen ` Erapan Image Classification Dengan Pre-Trained Model Mobilenet Dalam Client-Side Machine Learning,” 2020.
[13] G. Francis, M. Kishorekumar, T. Thilakram, and R. Hariprasath, “Home Automation Chat Bot using IOT ISSN NO : 0042-9945 Home Automation Chat Bot using IOT Page No : 92,” no. March, 2020.
[14] M. G. S. Murshed, C. Murphy, D. Hou, N. Khan, G. Ananthanarayanan, and F. Hussain, “Machine Learning at the Network Edge: A Survey,” no. February 2020, 2019.
[15] A. Author and A. Address, “Embedded Deep Learning for Face Detection and Emotion Recognition with Intel R Movidius TM Neural Compute Stick,” no. Nips, pp. 32–35, 2018.
