Verifikasi wajah berbasis Artificial Intelligence of Things dengan komparasi model pada Framework DeepFace

Hamami, Muhammad Syamil (2025) Verifikasi wajah berbasis Artificial Intelligence of Things dengan komparasi model pada Framework DeepFace. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover (6).pdf Download (144kB) | Preview
Preview	Text 2_abstrak.pdf Download (497kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (365kB) | Preview
Preview	Text 4_daftarisi.pdf Download (264kB) | Preview
Preview	Text 5_bab1.pdf Download (344kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (786kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (319kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (859kB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (223kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (234kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (280kB) | Request a copy

Abstract

Perkembangan teknologi Artificial Intelligence of Things (AIoT) mendorong inovasi sistem verifikasi identitas yang lebih cepat dan efisien. Salah satu pendekatan yang banyak digunakan adalah verifikasi wajah, namun implementasinya pada perangkat edge seperti ESP32-S3 WROOM CAM sering menghadapi keterbatasan kapasitas komputasi. Penelitian ini mengusulkan arsitektur hybrid yang membagi tugas antara deteksi wajah di perangkat edge danproses verifikasi wajah di server menggunakan framework DeepFace. Model yang diuji mencakup semua model yang tersedia pada DeepFace kecuali Dlib. Sistem dibangun dengan mengintegrasikan kamera dan buzzer pada ESP32-S3 untuk mendeteksi wajah dan memberikan respon berupa bunyi sebagai penanda keberhasilan atau kegagalan verifikasi. Sementara itu, proses verifikasi dilakukan di sisi server melalui pengiriman citra wajah menggunakan metode HTTP multipart. Evaluasi dilakukan dalam berbagai kondisi pencahayaan dan menunjukkan bahwa ArcFace memiliki akurasi paling tinggi, dengan rata-rata akurasi di atas 80% serta waktu respons yang kompetitif dibandingkan model lainnya. Sistem ini juga mampu mengurangi beban bandwidth dan memberikan performa real-time yang stabil, dengan rata-rata waktu pengenalan di bawah 5 detik. Hasil penelitian menunjukkan bahwa arsitektur hybrid ini efektif untuk diimplementasikan dalam berbagai sistem yang memerlukan verifikasi wajah secara real-time, seperti kontrol akses, absensi, dan aplikasi sejenis lainnya.

Actions (login required)

View Item