Intan Malahayati Primary Author mixed material bibliography Banda Aceh Fakultas mipa 2023

Skripsi

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. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 115467 2023-09-20 11:24:04 2023-09-21 10:16:52 machine generated