Perkembangan teknologi Artificial Intelligence (AI) telah membuka banyak peluang baru dalam berbagai bidang, termasuk dalam sistem pengolahan citra berbasis kamera. Salah satu contoh penerapan AI yang cukup populer adalah sistem deteksi objek secara otomatis menggunakan kamera dan model machine learning. Teknologi ini memungkinkan komputer untuk mengenali pola visual, seperti wajah manusia, objek tertentu, hingga atribut tambahan seperti penggunaan masker wajah.
Dalam proyek ini, kita akan mempelajari bagaimana membuat sistem deteksi masker berbasis kamera menggunakan Raspberry Pi. Sistem ini bekerja dengan cara menangkap gambar dari kamera, kemudian memproses gambar tersebut menggunakan model AI untuk menentukan apakah seseorang sedang menggunakan masker atau tidak. Hasil deteksi akan ditampilkan secara langsung (real-time) pada layar sehingga pengguna dapat melihat hasil klasifikasi secara cepat.
Proyek deteksi masker ini sangat menarik untuk dipelajari karena menggabungkan beberapa teknologi penting sekaligus, seperti computer vision, machine learning, dan embedded system. Selain itu, proyek ini juga dapat menjadi langkah awal bagi pemula yang ingin memahami bagaimana model AI dilatih dan diimplementasikan pada perangkat komputasi kecil seperti Raspberry Pi.
Pada tahap awal proyek, proses pelatihan model AI tidak dilakukan dengan kode pemrograman yang rumit. Sebagai gantinya, kita akan memanfaatkan Teachable Machine, yaitu platform berbasis web yang dikembangkan oleh Google untuk mempermudah proses pembuatan model machine learning. Dengan tools ini, pengguna dapat melakukan training data hanya dengan mengunggah gambar ke dalam beberapa kategori yang telah ditentukan.
Melalui tutorial proyek AI ini, Anda akan mempelajari seluruh tahapan mulai dari mengunduh dataset wajah bermasker dan tanpa masker, melakukan training model menggunakan Teachable Machine, mengekspor model ke format TensorFlow Lite, hingga mengimplementasikan model tersebut pada Raspberry Pi menggunakan Python dan OpenCV. Dengan mengikuti langkah-langkah ini, Anda dapat memahami proses dasar pengembangan sistem AI secara praktis.
Langkah-langkah AI Deteksi Masker dengan Raspberry Pi dan Teachable Machine
1. LANGKAH 1: Training Model Menggunakan Teachable Machine
a. Mengunduh Dataset
Unduh dataset yang akan digunakan sebagai data pelatihan melalui link berikut: https://www.kaggle.com/datasets/omkargurav/face-mask-dataset
- Dataset tersebut berisi kumpulan gambar wajah yang menggunakan masker dan tidak menggunakan masker, yang nantinya akan digunakan sebagai data training untuk model klasifikasi.
- Dataset telah tersusun rapi dalam dua folder utama, yaitu with_mask (gambar wajah menggunakan masker) dan without_mask (gambar wajah tanpa masker).
b. Membuka Website Teachable Machine
Akses platform Teachable Machine dengan membuka alamat berikut pada browser:
https://teachablemachine.withgoogle.com/
c. Memilih Jenis Proyek Gambar
- Klik tombol “Get Started” untuk memulai pembuatan proyek baru.
- Selanjutnya pilih opsi Image Project untuk membuat model klasifikasi berbasis gambar.
- Pilih Standard Image Model
d. Buat Dua Kelas
- Class 1: Memakai Masker
- Class 2: Tidak Memakai Masker
e. Upload Dataset
Unggah gambar wajah yang menggunakan masker dan tidak menggunakan masker ke dalam masing-masing kelas yang telah dibuat. Disarankan menggunakan minimal 20–30 gambar untuk setiap kelas, namun semakin banyak jumlah data yang digunakan maka hasil pelatihan model biasanya akan semakin baik.
f. Klik "Train Model"
Klik tombol “Train Model” untuk memulai proses pelatihan model menggunakan dataset yang telah diunggah. Gunakan pengaturan training default yang sudah disediakan oleh sistem. Namun, jika diperlukan, Anda juga dapat menyesuaikan parameter seperti epoch dan learning rate untuk mengoptimalkan proses pelatihan. Setelah itu, tunggu hingga proses training selesai dan model berhasil dibuat.
g. Export Model
- Klik Export Model
- Pilih TensorFlow Lite
- Download file .tflite dan labels.txt
File yang akan diunduh adalah model_unquant.tflite dan labels.txt.
2. LANGKAH 2: Deploy Model ke Raspberry Pi
a. Membuat Virtual Environment
Pada tahap ini, Anda perlu menyiapkan lingkungan kerja terpisah (virtual environment) agar seluruh library yang digunakan pada proyek tidak bercampur dengan sistem utama Raspberry Pi.
- Buka Terminal pada Raspberry Pi, kemudian jalankan perintah berikut untuk membuat virtual environment baru: python3 -m venv mask-env
- Jalankan perintah berikut untuk mengaktifkan virtual environment yang telah dibuat sebelumnya: source mask-env/bin/activate
Jika proses aktivasi berhasil, maka pada bagian awal baris terminal akan muncul nama environment (mask-env) yang menandakan bahwa Anda sudah berada di dalam lingkungan virtual tersebut.
- Instal library yang diperlukan dengan menjalankan perintah berikut pada terminal: pip install --upgrade pip setuptools wheel
Perintah tersebut digunakan untuk memperbarui pip, setuptools, dan wheel agar proses instalasi paket Python lainnya dapat berjalan dengan lebih stabil. Jika proses berhasil, terminal akan menampilkan pesan instalasi seperti pada contoh hasil berikut.
- Install library TensorFlow Lite dan OpenCV dengan menjalankan beberapa perintah berikut secara bertahap di terminal:
a. sudo apt-get install libatlas-base-dev
b. pip install numpy==1.26.4
c. pip install opencv-python
d. pip install tflite-runtime
Setelah seluruh proses instalasi selesai, buka aplikasi Thonny IDE. Pastikan pengaturan Interpreter telah menggunakan environment yang sesuai seperti pada tampilan berikut.
Gambar
b. Buka Thonny IDE. Pastikan Interpreter sudah seperti tampilan dibawah ini:
c. Salin file model_unquant.tflite dan labels.txt ke dalam folder proyek pada Raspberry Pi, yaitu di direktori /home/pi/mask-env/. Setelah proses penyalinan selesai, struktur file pada folder tersebut akan terlihat seperti pada gambar berikut.
3. LANGKAH 3: Program Deteksi Masker (mask_detect.py)
a. Pastikan kamera webcam telah terhubung dengan Raspberry Pi dan dapat dikenali oleh sistem.
b. Selanjutnya, ketikkan kode program berikut pada editor. Setelah itu klik Run untuk menjalankan program. Jika program berjalan dengan benar dan menghasilkan output seperti pada contoh berikut, simpan file tersebut dengan nama mask_detect.py.
Satu kali proses training belum tentu menghasilkan model yang akurat. Hasil pelatihan dapat berbeda setiap kali dilakukan karena dipengaruhi oleh jumlah data, kualitas dataset, serta parameter yang digunakan. Inilah salah satu tantangan yang harus dihadapi oleh seorang AI Engineer dalam mengembangkan sistem kecerdasan buatan. Apabila sistem deteksi “Memakai Masker” dan “Tidak Memakai Masker” masih belum memberikan hasil yang baik, maka proses training perlu diulang hingga diperoleh tingkat akurasi yang lebih tinggi.
Beberapa cara yang dapat dilakukan untuk meningkatkan akurasi model antara lain:
- Menambah jumlah dataset, misalnya dari sekitar 100 gambar menjadi 500 bahkan hingga ribuan gambar.
- Meningkatkan jumlah epoch, misalnya dari 50 epoch menjadi 100 epoch atau lebih agar model dapat belajar lebih optimal.
- Jika hasil masih kurang baik, gunakan dataset lain atau tambahkan data baru dengan mengambil foto dari berbagai sudut wajah. Hal ini penting karena dataset yang tersedia secara umum belum tentu sepenuhnya sesuai dengan karakteristik wajah masyarakat Asia atau Indonesia.
Pada contoh ini, hasil deteksi untuk kategori “Tidak Memakai Masker” tidak ditampilkan secara langsung. Hal tersebut dilakukan untuk menjaga privasi dan menghindari potensi penyalahgunaan data wajah.
Proyek deteksi masker ini memberikan gambaran nyata tentang bagaimana Artificial Intelligence dapat diterapkan dalam sistem berbasis kamera secara real-time. Dengan memanfaatkan Raspberry Pi, OpenCV, serta model machine learning dari Teachable Machine, sistem sederhana ini sudah mampu melakukan klasifikasi gambar secara otomatis. Hal ini menunjukkan bahwa teknologi AI kini semakin mudah diakses bahkan oleh pemula sekalipun.
Selain itu, proyek ini juga menjadi latihan yang sangat baik untuk memahami proses pengembangan AI secara menyeluruh, mulai dari pengumpulan dataset, proses training model, evaluasi hasil, hingga proses deployment pada perangkat embedded. Pengalaman ini sangat penting bagi siapa saja yang ingin mendalami bidang computer vision atau pengembangan sistem AI berbasis perangkat keras.
Sebagai pengembangan lebih lanjut, sistem deteksi masker ini dapat ditingkatkan dengan menambahkan jumlah dataset, meningkatkan parameter training, atau mengintegrasikan fitur tambahan seperti face detection dan notifikasi otomatis. Dengan melakukan berbagai eksperimen tersebut, Anda dapat meningkatkan akurasi model sekaligus memperluas kemampuan sistem AI yang dikembangkan.
Dalam praktik, hasil dan kendala yang ditemui bisa berbeda tergantung perangkat, konfigurasi, versi library, dan sistem yang digunakan.
- Diskusi umum dan tanya jawab praktik: https://t.me/edukasielektronika
- Kendala spesifik dan kasus tertentu: http://bit.ly/Chatarduino
0 Komentar