Electronic Theses and Dissertation

Penelitian mengenai pengenalan wajah atau Face Recognition sudah banyak dilakukan oleh berbagai peneliti, akan tetapi pengenalan wajah dengan lintas spektral yang berbeda memiliki tingkat kesulitan tersendiri dalam mengenali objek wajah yang dideteksi. Maka dari itu penelitian ini dilakukan untuk merancang sistem yang dapat melakukan pencocokan antar 2 citra yang memiliki spektral yang berbeda, yaitu Visible Light (VIS) dan Near Infrared (NIR) agar dapat melakukan pengenalan citra wajah. Penelitian ini mengimplementasikan metode Deep Learning Convolutional Neural Network (CNN) menggunakan arsitektur DenseNet untuk pengenalan wajah pada dataset Long-Distance Heterogeneous Face database (LDHF-DB). Penelitian ini melakukan pengujian pada 3 jarak berbeda yaitu jarak 1m, 60m, dan 100m. Nilai akurasi yang didapatkan dengan menerapkan homomorphic filtering untuk jarak 1m yaitu sebesar 86%, untuk 60m sebesar 68%, dan untuk 100m sebesar 60%. Sedangkan nilai akurasi dengan tidak menerapkan homomorphic filtering yaitu 61% untuk jarak 1m, 53% untuk jarak 60m, dan 57% untuk jarak 100m. Dapat disimpulkan bahwa penelitian ini berhasil dilakukan dengan menerapkan homomorphic filtering dan menghasilkan tingkat akurasi tetinggi sebesar 86%. Berdasarkan uji coba, penggunaan homomorphic filtering di tahap preprocessing dapat meningkatkan akurasi sampai dengan 25%

Kata Kunci : Pengenalan wajah, deep learning, DenseNet.

Research on face recognition or Face Recognition has been carried out by various researchers, but face recognition with different spectral crosses has its own level of difficulty in recognizing the detected facial objects. Therefore, this research was conducted to design a system that can perform matching between 2 images that have different spectral, namely Visible Light (VIS) and Near Infrared (NIR) in order to perform facial image recognition. This research implements the Deep Learning Convolutional Neural Network (CNN) method using DenseNet architecture for facial recognition in the Long-Distance Heterogeneous Face database (LDHF-DB) dataset. This study conducted tests at 3 different distances, namely 1m, 60m, and 100m. The accuracy value obtained by applying homomorphic filtering for a distance of 1m is 86%, for 60m it is 68%, and for 100m it is 60%. While the accuracy value by not applying homomorphic filtering is 61% for a distance of 1m, 53% for a distance of 60m, and 57% for a distance of 100m. It can be concluded that this research was successfully carried out by applying homomorphic filtering and resulted in the highest accuracy rate of 86%. Based on trials, the use of homomorphic filtering in the preprocessing stage can increase accuracy up to 25% Keywords: Face recognition, deep learning, DenseNet.