Muslimin, Muslimin (2023) PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK PADA FACE RECOGNITION UNTUK SMART LOKER = APPLICATION OF THE CONVOLUTIONAL NEURAL NETWORK METHOD ON FACE RECOGNITION FOR SMART LOKERS. Skripsi thesis, Universitas Hasanuddin.
![[thumbnail of Cover]](/32380/1.hassmallThumbnailVersion/D041181303_skripsi_04-08-2023%20caver1.jpg)
![](/32380/1.haspreviewThumbnailVersion/D041181303_skripsi_04-08-2023%20caver1.jpg)
D041181303_skripsi_04-08-2023 caver1.jpg
Download (215kB) | Preview
![[thumbnail of Bab 1-2]](/style/images/fileicons/text.png)
D041181303_skripsi_04-08-2023 bab 1-2.pdf
Download (3MB)
![[thumbnail of Dapus]](/style/images/fileicons/text.png)
D041181303_skripsi_04-08-2023 dp.pdf
Download (653kB)
![[thumbnail of Full Text]](/style/images/fileicons/text.png)
D041181303_skripsi_04-08-2023.pdf
Restricted to Repository staff only until 24 January 2026.
Download (4MB)
Abstract (Abstrak)
Dewasa ini, sistem keamanan menjadi salah satu isu penting yang perlu diulas dilingkungan masyarakat umum, dimana kejadian pencurian menjadi tindak kejahatan yang paling banyak terjadi. Banyaknya kasus tindak kriminal pencurian tentunya disebabkan karena lemahnya sistem keamanan yang diterapkan. Biometrik menjadi salah satu opsi dalam membangun sistem keamanan yang kuat, dikarenakan setiap individu yang memiliki keunikan karakter masing-masing seperti sidik jari, suara, iris mata, dan karakteristik wajah. Salah satu biometrik yang dianggap kuat dalam membangun sistem keamanan adalah pengenalan wajah atau Face Recognition. Pada penelitian ini digunakan metode Convolutional Neural Network (CNN) yang merupakan salah satu turunan dari Deep Learning sebagai metode pengenalan wajah untuk membangun sistem pengenalan wajah pada loker atau tempat penyimpanan barang. Dalam perancangan sistem, jumlah dataset yang digunakan yaitu sebanyak 8.820 data yang dibagi menjadi data train (80%) serta data test (20%). Kemudian dilakukan proses training data menggunakan metode pembelajaran deep learning dengan model CNN (Convolutional Neural Network), hasil dari proses training diperoleh validation accuracy mencapai 99.81% serta validation loss mencapai 0.004 setelah melalui 12 epochs. Selanjutnya, dilakukan analisis pengujian untuk mendapatkan presentase akurasi sistem secara keseluruhan. Dari pengujian yang telah dilakukan pada penelitian ini, diperoleh presentase akurasi sistem sebesar 87,5% dalam mengenali satu orang yang ada dalam dataset, dan juga akurasi sebesar 100% untuk orang yang tidak ada di dalam dataset (unknown). Pengujian juga dilakukan terhadap satu orang yang ada dalam dataset dan tidak ada dalam dataset yang berada dalam satu frame di depan kamera. Hasilnya sistem dapat mengenali wajah keseluruhan dan dapat membedakan orang yang ada di dataset dan yang tidak ada di dataset (unknown). Untuk pengujian dengan dua wajah orang yang mirip diperoleh bahwa model yang dibuat tidak mampu untuk membedakan kedua wajah tersebut dimana wajah yang terdeteksi oleh kamera menujukkan label yang sama yaitu aqifa dengan nilai confidance masing-masing 100% dan 99,99%.
Keywords : Deep Learning, Face Recognition, Convolutional Neural Network, Dataset, Biometrik
Item Type: | Thesis (Skripsi) |
---|---|
Uncontrolled Keywords: | Deep Learning, Face Recognition, Convolutional Neural Network, Datasets, Biometrics |
Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
Divisions (Program Studi): | Fakultas Teknik > Teknik Elektro |
Depositing User: | S.Sos Rasman - |
Date Deposited: | 25 Jan 2024 06:13 |
Last Modified: | 25 Jan 2024 06:13 |
URI: | http://repository.unhas.ac.id:443/id/eprint/32380 |