DETEKSI TERSANGKA DENGAN PENGENALAN WAJAH BERBASIS VISI KOMPUTER = FACE RECOGNITION FOR SUSPECT DETECTION USING COMPUTER VISION


Arafah, Muhammad (2023) DETEKSI TERSANGKA DENGAN PENGENALAN WAJAH BERBASIS VISI KOMPUTER = FACE RECOGNITION FOR SUSPECT DETECTION USING COMPUTER VISION. Disertasi thesis, Universitas Hasanuddin.

[thumbnail of Cover]
Preview
Image (Cover)
D053171006_disertasi_05-01-2023 cover1.jpg

Download (268kB) | Preview
[thumbnail of Bab 1-3] Text (Bab 1-3)
D053171006_disertasi_05-01-2023 bab 1-3.pdf

Download (1MB)
[thumbnail of Dapus] Text (Dapus)
D053171006_disertasi_05-01-2023 dp.pdf

Download (2MB)
[thumbnail of Full Text] Text (Full Text)
D053171006_disertasi_05-01-2023.pdf
Restricted to Repository staff only until 31 January 2026.

Download (14MB)

Abstract (Abstrak)

Penelitian ini bertujuan untuk mengenali wajah tersangka yang melewati fasilitas umum dengan berbagai kondisi. Penempatan kamera Closed Circuit Television (CCTV) dengan jarak yang berbeda-beda, penggunaan oklusi dengan mengenakan kerudung dan pemanfaatan gambar dengan resolusi yang berbeda-beda termasuk resolusi rendah. Pengambilan data uji diskenariokan pada area pemeriksaan keberangkatan penumpang di bandara dengan menggunakan kamera CCTV, untuk data latih menggunakan kamera Digital Single Lens Reflex (DSLR). Terdapat dua tahapan yang digunakan yakni deteksi wajah dan pengenalan wajah, untuk tahapan deteksi wajah menggunakan metode Viola-Jones, sedangkan untuk pengenalan wajah menggunakan metode Histogram of Oriented Gradients dan Multiclass Support Vector Machine (HOG-MSVM) dengan menggunakan pre-processing (Brightness Enhancement, Contrast Limited Adaptive Histogram Equalization (CLAHE), Grayscale), selanjutnya metode Convolutional Neural Network dan Cosine Similarity (CNN-CS). Penerapan metode tersebut digunakan pada tiga kasus, kasus pertama adalah pengenalan wajah dengan kondisi penempatan kamera CCTV dengan jarak yang berbeda-beda dengan hasil terbaik pada jarak 300 cm dengan akurasi 86,77% (HOG-MSVM) dan 97,20% (CNN-CS). Kasus kedua yakni pengenalan wajah menggunakan oklusi dengan mengenakan kerudung, terdapat empat skenario yakni data latih tanpa kerudung untuk data uji
tanpa kerudung dan dengan kerudung, kemudian data latih dengan kerudung untuk data uji tanpa kerudung dan dengan kerudung. Hasil terbaik pada kasus ini adalah pada skenario data latih tanpa kerudung dengan data uji tanpa kerudung dengan hasil akurasi 85% (HOG-MSVM) dan 99,68% (CNN-CS). Kasus ketiga adalah pemanfaatan gambar dengan resolusi yang berbeda-beda termasuk resolusi rendah menggunakan metode CNN dengan arsitektur ResNet50, ArcFace sebagai loss function pada proses training dan Cosine Similarity untuk proses identifikasi wajah. ResNet50 dan ArcFace menggunakan ukuran embedding sebesar 512 dan pada proses trainingnya, parameter scale dan margin pada ArcFace adalah 64 dan 0,5. Hasil dari metode CNN-CS menunjukkan bahwa meskipun resolusi gambar terkategori rendah sistem dapat mengenali dengan baik, yakni menghasilkan akurasi sebesar 99,35% untuk gambar dengan resolusi 64 piksel dan 97,90% untuk gambar dengan resolusi 32 piksel.

Keywords : Deteksi Wajah, Pengenalan Wajah, Tersangka, Brightness Enhancement, Contrast Limited Adaptive Histogram Equalization, Grayscale, Histogram of Oriented Gradients, Multi-class Support Vector Machine, Convolutional Neural Network, Cosine Similarity.

Item Type: Thesis (Disertasi)
Uncontrolled Keywords: Face Detection, Face Recognition, Suspect, Brightness Enhancement, Contrast Limited Adaptive Histogram Equalization, Grayscale, Histogram of Oriented Gradients, Multi-class Support Vector Machine, Convolutional Neural Network, Cosine Similarity.
Subjects: T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions (Program Studi): Fakultas Teknik > Teknik Elektro
Depositing User: S.Sos Rasman -
Date Deposited: 13 May 2024 03:07
Last Modified: 13 May 2024 03:07
URI: http://repository.unhas.ac.id:443/id/eprint/32546

Actions (login required)

View Item
View Item