Electronic Theses and Dissertation

Pemanfaatan arsitektur convolutional neural network (cnn) dalam pengembangan teknologi pengenalan wajah telah memberikan dampak yang signifikan. meskipun telah berhasil mencapai tingkat akurasi yang tinggi dan baik, upaya terus dilakukan untuk mengoptimalkan performa sistem pengenalan wajah. salah satu pengembangan sistem pengenalan wajah yang dilakukan adalah library deeface, yaitu suatu library python yang menyediakan beberapa model sistem pengenalan wajah dalam satu wadah. selain itu, suatu metode yang menjanjikan adalah melalui penggabungan keputusan. metode tersebut dilakukan dengan menggabungkan hasil verifikasi dari berbagai model yang berbeda. penelitian ini dilakukan dengan menggabungkan keputusan dari empat model pengenalan wajah. tiga di antaranya adalah model yang telah tersedia dalam library deepface yaitu deepface, deepid, dlib. sedangkan seresnet adalah arsitektur baru yang ditambahkan ke dalam library tersebut. metode penggabungan keputusan yang diterapkan adalah metode voting dengan melibatkan dua kelompok dataset, yaitu dataset facescrub dan dataset sivitas akademika universitas syiah kuala. pengujian dilaksanakan melalui beberapa tahap, yaitu penggunaan satu model, kombinasi dua model, tiga model, dan empat model. hasil pengujian menunjukkan bahwa akurasi tertinggi tercapai melalui kombinasi model dlib dan seresnet-18 pada kedua dataset. kombinasi ini berhasil mencapai akurasi sebesar 82,2% pada pengujian dataset facescrub, serta 77,5% pada dataset sivitas akademika. hasil ini juga menunjukkan bahwa akurasi yang diperoleh dari penggabungan keputusan sangat tergantung pada performa masing-masing model. sebagai contoh, kombinasi dua model optimal antara dlib dan seresnet-18 sejalan dengan performa dari masing-masing model. pada pengujian satu model, model dlib dan seresnet-18 tersebut adalah dua model yang memiliki akurasi lebih tinggi dari dua model lainnya. akurasi tertinggi diperoleh pada percobaan menggunakan dataset facescrub dengan perhitungan jarak kosinus, dlib memperoleh akurasi 81,1% dan seresnet-18 74,9%. waktu yang dibutuhkan pada proses penggabungan keputusan tidak berdampak signifikan terhadap waktu yang dibutuhkan. waktu komputasi lebih banyak dipengaruhi oleh tahapan perhitungan jarak dan verifikasi pada setiap citra. kata kunci: pengenalan wajah, convolutional neural network, penggabungan keputusan, deepface, deepid, dlib, seresnet-18.

The utilization of Convolutional Neural Network (CNN) architecture in the development of face recognition technology has yielded significant impacts. Despite achieving high levels of accuracy and performance, efforts persist to optimize the performance of face recognition systems. One of the promising advancements in face recognition is the "deepface" library, a Python library that offers a unified framework for multiple face recognition models. Additionally, a promising approach involves decision fusion, where verification outcomes from various distinct models are merged. This research focuses on the fusion of decisions by combining the verification outcomes from four face recognition models: DeepFace, DeepID, Dlib, and SeResNet-18. While the first three models are already available in the deepface library, SeResNet-18 is a newly integrated architecture. The decision fusion method applied here is a voting mechanism. The evaluation encompasses two datasets: FaceScrub and a dataset from the academic community of Universitas Syiah Kuala. The assessment involves several stages, including single-model usage, combinations of two, three, and all four models. The test results reveal that the highest accuracy is attained through the combination of the Dlib and SeResNet-18 models for both datasets. This combination achieves an accuracy of 82.2% for the FaceScrub dataset and 77.5% for the academic community dataset. These findings underscore the direct influence of individual model performance on the accuracy obtained through decision fusion. For instance, the optimal combination of Dlib and SeResNet-18 aligns with their respective individual performances. In single-model testing, the Dlib and SeResNet-18 models exhibit higher accuracy compared to the other two models. The highest accuracy is observed in the FaceScrub dataset using the cosine distance calculation, with Dlib achieving 81.1% accuracy and SeResNet-18 achieving 74.9% accuracy. The computational time required for the decision fusion process does not exert a significant impact on overall processing time. Computational time is predominantly affected by distance calculation and verification steps for each image. Keywords: Face Recognition, Convolutional Neural Network, Decision Fusion, DeepFace, DeepID, Dlib, SeResNet-18.