SISTEM DETEKSI PENGGUNAAN MASKER MEDIS DAN NON MEDIS MENGGUNAKAN YOLO DAN RASPBERRY PI

Abstrak

Penelitian ini membahas tentang pengembangan sistem deteksi penggunaan masker medis dan non-medis menggunakan algoritma You Only Look Once versi 8 (YOLOv8) yang diimplementasikan pada perangkat Raspberry Pi 4. Tujuan penelitian ini adalah untuk merancang dan menguji sistem yang mampu mendeteksi serta mengklasifikasikan jenis masker yang digunakan oleh seseorang secara real-time, sebagai upaya mendukung penerapan protokol kesehatan dan otomasi pengawasan di ruang publik. Penelitian ini juga bertujuan untuk menganalisis perbedaan hasil deteksi antara masker medis dan non-medis berdasarkan karakteristik visual masing-masing. Metode penelitian ini meliputi beberapa tahapan, yaitu pengumpulan dataset citra wajah dengan masker medis dan non-medis, pelatihan model menggunakan YOLOv8n, serta implementasi model pada Raspberry Pi. Dataset yang digunakan terdiri atas 1.200 citra latih dan 300 citra uji yang mencakup variasi pencahayaan dan posisi wajah. Evaluasi dilakukan berdasarkan metrik precision, recall, mean Average Precision (mAP), dan frame per second (FPS) untuk mengukur akurasi serta efisiensi deteksi.Hasil penelitian menunjukkan bahwa sistem deteksi berbasis YOLOv8 mampu mengenali dua jenis masker dengan tingkat akurasi yang sangat tinggi. Nilai precision rata-rata sebesar 97,0 % untuk masker medis dan 96,2 % untuk masker non-medis, dengan mAP mencapai 96,5 % dan kecepatan pemrosesan 12–15 FPS pada Raspberry Pi 4. Perbandingan hasil deteksi menunjukkan bahwa perbedaan akurasi antara kedua jenis masker hanya berkisar ±1 %, yang menandakan stabilitas model dalam kondisi nyata. Dengan demikian, sistem ini dapat diimplementasikan untuk pemantauan otomatis penggunaan masker di lingkungan publik, sekaligus memberikan kontribusi terhadap pengembangan teknologi computer vision berbasis perangkat tertanam di bidang kesehatan dan keamanan.

This research presents the development of a medical and non-medical face mask detection system using the You Only Look Once version 8 (YOLOv8) algorithm implemented on a Raspberry Pi 4. The purpose of this study is to design and evaluate a system capable of detecting and classifying the type of face mask worn by individuals in real time, supporting health protocol enforcement and automated monitoring in public areas. The study also aims to compare YOLOv8’s performance in detecting medical and non-medical masks based on their visual characteristics. The research method consisted of several stages, including image dataset collection, model training using YOLOv8n, and deployment on Raspberry Pi. The dataset comprised 1,200 training and 300 testing images that captured variations in lighting and facial orientation. The evaluation employed key performance metrics; precision, recall, mean Average Precision (mAP), and frames per second (FPS) to assess the model’s accuracy and efficiency. The results revealed that the YOLOv8-based system achieved high accuracy in recognizing both types of masks. The average precision reached 97.0 % for medical masks and 96.2 % for non-medical masks, with an overall mAP of 96.5 % and a processing speed of 12–15 FPS on the Raspberry Pi 4. The difference in detection accuracy between the two mask types was less than ±1 %, demonstrating the model’s stability in real-world conditions. Therefore, this system can be effectively implemented for automated face mask monitoring in public environments and contributes to the advancement of embedded computer vision applications in health and safety contexts.