Aplikasi Deteksi Pelanggaran Merokok di Tempat Larangan Merokok
DOI:
https://doi.org/10.33795/jip.v10i3.4863Keywords:
artificial intelligence, larangan merokok, merokokAbstract
Merokok merupakan kebiasaan yang umum dilakukan di berbagai negara, termasuk Indonesia. Meskipun masyarakat sudah menyadari bahaya merokok, perilaku merokok tetap menjadi bagian dari budaya yang sulit diubah. Tembakau telah menyebabkan jutaan kematian, terutama di negara berkembang termasuk Indonesia. Penegakan larangan merokok di tempat umum menjadi semakin penting, namun masih menghadapi tantangan. Dalam penelitian ini, kami mengusulkan penggunaan teknologi kecerdasan buatan (Artificial intelligence) dengan algoritma YOLO (You Only Look Once) dalam pembuatan aplikasi deteksi larangan merokok. Aplikasi ini menggunakan jaringan saraf tunggal untuk mendeteksi perilaku merokok dan memberikan notifikasi kepada pengguna dan pihak berwenang. Metode penelitian meliputi studi literatur, pengumpulan data gambar dan anotasi, pengembangan aplikasi, dan pengujian performa. Diharapkan aplikasi ini dapat meningkatkan efektivitas penegakan larangan merokok di tempat umum, meningkatkan kesadaran masyarakat tentang bahaya merokok, dan menciptakan lingkungan yang lebih sehat dan nyaman bagi semua orang. Penelitian ini bertujuan meningkatkan efektivitas penegakan larangan merokok di tempat umum melalui aplikasi deteksi larangan merokok berbasis kecerdasan buatan dengan algoritma (YOLO). Aplikasi ini tidak hanya menciptakan lingkungan sehat dan nyaman, tetapi juga meningkatkan kesadaran masyarakat terhadap bahaya merokok. Dengan mengukur performa aplikasi, penelitian ini berkontribusi pada perubahan perilaku merokok dan memberikan solusi inovatif untuk tantangan merokok di Indonesia.
Downloads
References
Al-Smadi, Y., Alauthman, M., Al-Qerem, A., Aldweesh, A., Quaddoura, R., Aburub, F., Mansour, K., & Alhmiedat, T. (2023). Early Wildfire Smoke Detection Using Different YOLO Models. Machines, 11(2). https://doi.org/10.3390/machines11020246
Alwie, rahayu deny danar dan alvi furwanti, Prasetio, A. B., Andespa, R., Lhokseumawe, P. N., & Pengantar, K. (2020). Tugas Akhir Tugas Akhir. Jurnal Ekonomi Volume 18, Nomor 1 Maret201, 2(1), 41–49.
Bahhar, C., Ksibi, A., Ayadi, M., Jamjoom, M. M., Ullah, Z., Soufiene, B. O., & Sakli, H. (2023). Wildfire and Smoke Detection Using Staged YOLO Model and Ensemble CNN. Electronics (Switzerland), 12(1), 1–15. https://doi.org/10.3390/electronics12010228
Cho, J. H. (2020). Detection of smoking in indoor environment using machine learning. Applied Sciences (Switzerland), 10(24), 1–17. https://doi.org/10.3390/app10248912
Gagliardi, A., de Gioia, F., & Saponara, S. (2021). A real-time video smoke detection algorithm based on Kalman filter and CNN. Journal of Real-Time Image Processing, 18(6), 2085–2095. https://doi.org/10.1007/s11554-021-01094-y
Graphics, J. O. F. (2023). 基于 YOLOv5s 的轻量化森林火灾检测算法研究.
Harun, A., Mustakim, & Kharisma,O.B. (2023). Implementasi Deep Learning Menggunakan Metode You Only Loook Once untuk Mendeteksi Rokok. Jurnal Media Informatika Budidarma, 7(1), 107-116. https://doi.org/10.30865/mib.v7i1.5409
Kemenkes RI. (2013). HasilRiskesdas 2013. (http://depkes.go.id/downloads/riskesdas2013/Hasil%20Riskesdas%202013.pdf.)
Luthfi, A. (2021). Pendeteksi Senjata berbahaya Pada Percobaan Tindakan Kriminal Dengan Menggunakan Metode YOLO (You Only Look Once). Teknik Informatika, Fakultas Sains Dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, 135.
Masoom S., M., Zhang, Q., Dai, P., Jia, Y., Zhang, Y., Zhu, J., & Wang, J. (2022). Early Smoke Detection Based on Improved YOLO-PCA Network. Fire, 5(2), 1–20. https://doi.org/10.3390/fire5020040
Nistrina, K., & Sahidah, L. (2022). Unified Modelling Language (Uml) Untuk Perancangan Sistem Informasi Penerimaan Siswa Baru Di Smk Marga Insan Kamil. Jurnal Sistem Informasi, 04(01), 12–23.
Nurmayunita, D., Astuti, D., Estu, K., Program, W., Kesehatan, S., Universitas, M., Surakarta, M., Yani, J. A., Pos, T., & Kartasura, P. (2013). Prosiding Seminar Nasional Fakultas Ilmu Kesehatan HUBUNGAN ANTARA PENGETAHUAN, PAPARAN MEDIA IKLAN DAN PERSEPSI DENGAN TINGKAT PERILAKU MEROKOK SISWA SMK. 1–9.
Ridwan, M. (2020). EFEKTIVITAS PENERAPAN PASAL 29 AYAT (1) HURUF t TENTANG MEMBERLAKUKAN SELURUH LINGKUNGAN RUMAH SAKIT SEBAGAI KAWASAN TANPA ROKOK MENURUT UNDANG-UNDANG REPUBLIK INDONESIA NOMOR 44 TAHUN 2009 TENTANG RUMAH SAKIT (STUDI KASUS DI RUMAH SAKIT UMUM DAERAH KABUP. Jurnal Hukum Doctrinal, 5(1), 19. https://jurnal.um-palembang.ac.id/doktrinal/article/view/2908
Shandi, S.I.(2019). Studi Fenomenologi : Kesadaran Diri (Self Awareness) Perokok Aktif yang mempunyai Anak Balita dalam Perilaku Merokok di Tempat Umum di Kelurahan Pegulon Kabupaten Kendal. Jurnal Kebidanan Harapan Ibu Pekalongan,6, 237-243. https://doi.org/10.37402/jurbidhip.vol6.iss2.61
Shin,S., Han, H., & Lee,S.H. (2021). Improved YOLOv3 with duplex FPN for object detection based on deep learning. International Journal of Electrical Engineering & Education. https://doi.org/10.1177/0020720920983524
Sonata, F.-. (2019). Pemanfaatan UML (Unified Modeling Language) Dalam Perancangan Sistem Informasi E-Commerce Jenis Customer-To-Customer. Jurnal Komunika : Jurnal Komunikasi, Media Dan Informatika, 8(1), 22. https://doi.org/10.31504/komunika.v8i1.1832
Wang, Z., Wu, L., Li, T., & Shi, P. (2022). A Smoke Detection Model Based on Improved YOLOv5. Mathematics, 10(7). https://doi.org/10.3390/math10071190
Yin, H., Chen, M., Fan, W., Jin, Y., Hassan, S. G., & Liu, S. (2022). Efficient Smoke Detection Based on YOLO v5s. Mathematics, 10(19). https://doi.org/10.3390/math10193493
Zhang, Z., Chen, H., Xiao, R., & Li, Q. (2021). Research on smoking detection based on deep learning. Journal of Physics: Conference Series, 2024(1), 0–6. https://doi.org/10.1088/1742-6596/2024/1/012042
