Model Multiple Faces Recognition untuk sistem presensi otomatis menggunakan metode Multitask Convolutional Neural Network dan Support Vector Machine

Nurhadhi, Rizky (2024) Model Multiple Faces Recognition untuk sistem presensi otomatis menggunakan metode Multitask Convolutional Neural Network dan Support Vector Machine. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_COVER.pdf Download (424kB) | Preview
Preview	Text (ABSTRAK) 2_ABSTRAK.pdf Download (420kB) | Preview
Preview	Text (DAFTAR ISI) 3_DAFTAR ISI.pdf Download (499kB) | Preview
Preview	Text (BAB I) 4_BAB I.pdf Download (931kB) | Preview
	Text (BAB II) 5_BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) 6_BAB III.pdf Restricted to Registered users only Download (512kB)
	Text (BAB IV) 7_BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 8_BAB V.pdf Restricted to Registered users only Download (2MB)
	Text (BAB VI) 9_BAB VI.pdf Restricted to Registered users only Download (468kB)
	Text (DAFTAR PUSTAKA) 10_DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (562kB)

Abstract

Kegiatan presensi merupakan salah satu aktivitas wajib dalam proses belajar-mengajar di lingkungan pendidikan sehingga membutuhkan sistem presensi yang efektif, salah satunya dengan sistem presensi otomatis berbasis face recognition. Namun, model yang baik diperlukan untuk diterapkan ke dalam sistem presensi otomatis. Penelitian ini bertujuan untuk merancang sebuah model yang mampu melakukan pengenalan lebih dari satu wajah sekaligus dengan akurasi yang baik dan model yang dibangun diasumsikan dapat melakukan deteksi dan pengenalan minimal sepuluh orang dengan akurasi minimal 85%. Model dibangun menggunakan Multitask Convolutional Neural Network (MTCNN) sebagai metode deteksi dan ekstraksi fitur wajah dan Support Vector Machine sebagai metode klasifikasi dan pengenalan. Pengembangan model dilakukan dalam beberapa tahap, mulai dari akuisisi dataset, preprocessing MTCNN dan augmentasi data, split data, dan pengklasifikasian dengan SVM. Akuisisi dataset diambil dari perekaman frame melalui kamera yang disimpan ke dalam folder lokal. Model yang telah dibangun dapat mendeteksi dan mengenali lebih dari satu orang dengan memanfaatkan deteksi metode MTCNN. Selain itu, model dapat melakukan pengenalan dengan baik pada beberapa pengujian, seperti variasi jenis kernel SVM, jumlah lipatan k-fold, jarak dan jumlah orang, pencahayaan, dan sudut wajah. Berdasarkan data hasil pengujian yang telah dilakukan, jenis kernel linear menghasilkan akurasi yang tertinggi dibandingkan dengan kernel RBF dan polynomial pada dataset wajah yang digunakan. Lalu, lipatan k-fold yang paling stabil pada k=10. Model juga dapat bekerja dengan baik pada variasi jarak hingga 200cm dengan 10 orang. Kemudian, pencahayaan pagi hingga sore hari menghasilkan nilai akurasi yang terbaik, sesuai dengan waktu kegiatan presensi biasanya dilakukan. Sudut wajah terhadap kamera yang paling optimal adalah pada rentang 45 hingga 90 derajat. Wajah dengan objek penghalang, seperti kacamata, masker, topi, mata tertutup, dan tangan masih dapat terdeteksi dengan baik oleh model. Berdasarkan hasil pengujian, dapat disimpulkan bahwa model mampu melakukan deteksi dan pengenalan lebih dari satu wajah dengan baik dengan minimal akurasi di atas 85% sesuai dengan spesifikasi yang ditentukan pada penelitian ini.

Actions (login required)

View Item