Haerani, Siti (2024) Implementasi Face Recognition menggunakan metode Deep Learning untuk mengklasifikasi pengunjung gedung. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (39kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (24kB) | Preview |
|
|
Text (DAFTAR ISI)
3_daftarisi.pdf Download (407kB) | Preview |
|
|
Text (BAB I)
4_bab1.pdf Download (177kB) | Preview |
|
Text (BAB II)
5_bab2.pdf Restricted to Registered users only Download (168kB) | Request a copy |
||
Text (BAB III)
6_bab3.pdf Restricted to Registered users only Download (507kB) | Request a copy |
||
Text (BAB IV)
7_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy |
||
|
Text (BAB V)
8_bab5.pdf Download (24kB) | Preview |
|
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 |