Implementasi Face Recognition menggunakan metode Deep Learning untuk mengklasifikasi pengunjung gedung

Haerani, Siti (2024) Implementasi Face Recognition menggunakan metode Deep Learning untuk mengklasifikasi pengunjung gedung. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

[img]
Preview
Text (COVER)
1_cover.pdf

Download (39kB) | Preview
[img]
Preview
Text (ABSTRAK)
2_abstrak.pdf

Download (24kB) | Preview
[img]
Preview
Text (DAFTAR ISI)
3_daftarisi.pdf

Download (407kB) | Preview
[img]
Preview
Text (BAB I)
4_bab1.pdf

Download (177kB) | Preview
[img] Text (BAB II)
5_bab2.pdf
Restricted to Registered users only

Download (168kB) | Request a copy
[img] Text (BAB III)
6_bab3.pdf
Restricted to Registered users only

Download (507kB) | Request a copy
[img] Text (BAB IV)
7_bab4.pdf
Restricted to Registered users only

Download (1MB) | Request a copy
[img]
Preview
Text (BAB V)
8_bab5.pdf

Download (24kB) | Preview
[img] Text (DAFTAR PUSATAKA)
9_daftarpustaka.pdf
Restricted to Registered users only

Download (149kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem pengenalan wajah menggunakan algoritma deep learning dengan menguji berbagai konfigurasi parameter. Metode yang digunakan melibatkan variasi dalam pembagian data, tingkat dropout, dan jumlah layer yang dibekukan untuk mengidentifikasi konfigurasi optimal. Hasil penelitian menunjukkan bahwa model yang dikembangkan dengan pembagian data 80:20, dropout sebesar 0,4, dan pembekuan 20 layer mencapai akurasi pelatihan sebesar 94,31% dan akurasi validasi sebesar 95,56%. Model ini juga memperoleh nilai cosine similarity tertinggi sebesar 73,33%, menandakan kemampuan yang baik dalam mengenali kemiripan wajah. Meskipun performa pada data yang telah dilatih mencapai akurasi 62,5%, kinerja menurun menjadi 44,44% ketika diuji dengan gambar baru yang tidak ada dalam dataset pelatihan. Penurunan akurasi ini kemungkinan disebabkan oleh kurangnya variasi dalam data pelatihan untuk kategori tersebut, serta kurangnya variasi data, sehingga model tidak mendapatkan representasi yang cukup dari ciri-ciri unik kategori tersebut. Terlepas dari tantangan tersebut, model ini menawarkan solusi yang efisien dalam hal penggunaan sumber daya, menjadikannya ideal untuk aplikasi yang memerlukan efisiensi tinggi dalam keamanan kampus. Temuan ini menyoroti kekuatan dan keterbatasan dari algoritma deep learning dalam sistem pengenalan wajah, serta memberikan wawasan penting untuk meningkatkan generalisasi model terhadap data baru.

Item Type: Thesis (Sarjana)
Uncontrolled Keywords: Pengenalan Wajah; Deep Learning; Akurasi; Cosine Similarity Dropout Pengunjung Gedung
Subjects: Data Processing, Computer Science
Data Processing, Computer Science > Computer Science Education
Divisions: Fakultas Sains dan Teknologi > Program Studi Teknik Informatika
Depositing User: Siti Haerani
Date Deposited: 06 Sep 2024 06:05
Last Modified: 06 Sep 2024 06:05
URI: https://digilib.uinsgd.ac.id/id/eprint/96662

Actions (login required)

View Item View Item