PRINANDA RAHMATULLAH Primary Author mixed material bibliography Banda Aceh Fakultas MIPA (S1) 2021 id Indonesia

Skripsi

Pengembangan teknologi biometrika memberikan dampak yang positif terhadap penggunaan metode autentikasi berbasis biometrika di berbagai lini seperti fingerprint scanner dan pengenalan wajah untuk presensi kehadiran dan pembuka layar smartphone. Namun, penggunaan biometrika di sektor pendidikan masih tergolong rendah seperti tumpang tindihnya presensi kehadiran via web dan fingerprint scanner. Penggunaan fingerprint ini semakin terlarang dengan adanya pandemi Covid-19. Oleh karena itu, diperlukan suatu sistem biometrika yang lebih baik tanpa memerlukan interaksi secara langsung antara sistem dan pengguna yaitu pengenalan wajah. Penelitian ini menggunakan metode machine learning untuk melakukan klasifikasi terhadap pengenalan wajah yaitu Convolutional Neural Network (CNN). Tiga arsitektur CNN yang dipakai yaitu VGG-16, VGG-19, dan ResNet-50. Pelatihan dilakukan sebanyak dua tahap. Tahap pertama menggunakan data set FaceScrub dengan menguji akurasi dan waktu prediksi terbaik dari ketiga arsitektur, sedangkan tahap kedua menggunakan data set sivitas akademika dengan menguji hyperparameter dan augmentasi data untuk memperoleh performa model terbaik. Arsitektur ResNet-50 memperoleh akurasi validasi tertinggi yaitu 0,90, loss validasi terendah yaitu 0,89, dan waktu prediksi terendah yaitu 35,77 detik per 400 citra digital. Kemudian, arsitektur ResNet-50 menghasilkan model berperforma terbaik pada pelatihan tahap kedua untuk data set sivitas akademika mahasiswa dengan batch size 5, learning rate , dan data augmentasi. Berdasarkan hasil pengujian (testing) menggunakan data sivitas akademika mahasiswa, diperoleh akurasi (rata-rata dari F1) sebesar 0,89 dan macro average (F1 dari rata-rata) sebesar 0,89. BIOMETRICS APPLICATION SOFTWARE 570.151 95 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 95021 2021-11-01 15:00:59 2021-11-05 12:00:15 machine generated