Identifikasi Penggunaan Masker untuk Pencegahan Covid-19 dengan Metode Local Binary Pattern Histogram (LBPH) dan Metode Haar Cascade Classifier

Abstract

Penerapan protokol kesehatan khususnya menggunakan masker dalam konteks pandemi Covid-19 masih banyak dilanggar oleh sebagian masyarakat. Hal ini dikarenakan kurangnya pengawasan terhadap kebijakan tersebut. Untuk mendukung penerapan protokol kesehatan dapat digunakan LBPH (Local Binary Pattern Histogram) yang merupakan metode pengenalan wajah, ditambah dengan Haar Cascade Classifier yang merupakan algoritma pengenalan objek untuk mendeteksi wajah dan bagian-bagian wajah seperti hidung dan mulut, kedua metode tersebut dapat dikolaborasikan dengan bahasa pemrograman python. Metode LBPH dapat bekerja dengan baik pada resolusi minimal 240 px dengan tingkat keberhasilan sebesar 80%. Sedangkan untuk mendeteksi bagian-bagian wajah (hidung dan mulut), Haar Cascade Classifier menunjukkan tingkat keberhasilan sebesar 90% dan keberhasilan deteksi penggunaan masker 90%. Pada penerapannya sistem ini memerlukan pengaturan scale factor dan miminum neighbor serta penyesuaian citra latih dan citra saat implementasi untuk mendapatkan hasil yang maksimal.

The implementation of health protocols, especially the use of masks in the context of the Covid-19 pandemic, is still widely violated by some people. This is due to the lack of oversight of the policy. To support the implementation of health protocols, can be used LBPH (Local Binary Pattern Histogram) which is a facial recognition method, coupled with the Haar Cascade Classifier which is an object recognition algorithm to detect faces and parts of the face such as nose and mouth, both methods can be collaborated with language python programming. The LBPH method can work well at a minimum resolution of 240 px with a success rate of 80%. Meanwhile, to detect parts of the face (nose and mouth), the Haar Cascade Classifier shows a 90% success rate and 90% success in detecting the use of masks. In practice this system requires setting scale factor and minimum neighbor as well as image adjustment and image training during implementation to obtain maximum results.