PENINGKATAN PERFORMA SISTEM DETEKSI ORANG MEROKOK BERBASIS COMPUTER VISION MEGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK

Kegiatan merokok telah menjadi perhatian utama dalam kesehatan masyarakat, dan menciptakan tantangan bagi penegakan anti-merokok. Penelitian ini berusaha untuk mengatasi kesulitan dalam mendeteksi orang merokok dengan akurasi tinggi dan konsisten, terutama dalam berbagai kondisi yang berbeda. Penelitian ini bertujuan meningkatkan performa akurasi identifikasi citra perokok berbasis computer vision menggunakan algoritma CNN dengan arsitektur MobileNetV2 dan MobileNetV3. Dengan menguji model pada berbagai pembagian data dan learning rate, ditemukan bahwa pembagian data 90% pelatihan dan 10% pengujian, dengan learning rate 10-3, memberikan performa tertinggi dengan akurasi mencapai 94,57%, presisi 92,53%, recall 98,41%, dan F1-Score sebesar 95,38%. Sebaliknya, pembagian data 80% pelatihan dan 20% pengujian dengan learning rate 10-3 menghasilkan performa sedikit lebih rendah sekitar 89,81%. Hasil ini menunjukkan pentingnya pembagian data dalam evaluasi performa model. Model identifikasi citra perokok berbasis MobileNetV2 memperlihatkan peningkatan performa akurasi. Dalam perbandingan akurasi menggunakan arsitektur MobileNetV2 dan MobileNetV3 dengan dataset yang sama, menghasilkan nilai akurasi tertinggi pada MobileNetV2 sebesar 94,57%. Oleh karena itu, dalam penelitian ini MobileNetV2 dapat dianggap sebagai model yang lebih baik dibandingkan dengan MobileNetV3.