PENGENALAN WAJAH JARAK JAUH CITRA NEAR-INFRARED DALAM KONDISI GELAP MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) ARSITEKTUR INCEPTIONRESNETV2 = LONG-DISTANCE FACE RECOGNITION FROM NEAR-INFRARED IMAGES IN DARK CONDITIONS USING CONVOLUTIONAL NEURAL NETWORK (CNN) ARCHITECTURE INCEPTIONRESNETV2

RAIZ KARMAN, Pengenalan Wajah Jarak Jauh Citra Near-Infrared Dalam Kondisi Gelap Menggunakan Convolutional Neural Network (CNN) Arsitektur InceptionResnetV2 (Dibimbing oleh Indrabayu). Keterbatasan sistem pengenalan wajah konvensional berbasis spektrum cahaya tampak (Visible Spectrum) terletak pada ketergantungannya terhadap intensitas pencahayaan. Dalam kondisi gelap, citra wajah menjadi sulit dikenali karena kehilangan detail tekstur, terutama ketika jarak antara kamera dan subjek semakin jauh. Untuk mengatasi permasalahan tersebut, penelitian ini mengusulkan sistem pengenalan wajah berbasis citra Near-Infrared (NIR) yang mampu bekerja secara efektif dalam kondisi minim cahaya dan jarak jauh. Tujuan utama penelitian ini adalah meningkatkan akurasi pengenalan wajah pada citra NIR dalam kondisi gelap menggunakan kombinasi metode Selective Contrast Limited Adaptive Histogram Equalization (Selective CLAHE), Multi-task Cascaded Convolutional Neural Network (MTCNN), dan arsitektur InceptionResNetV2. CLAHE digunakan untuk meningkatkan kontras lokal citra pada jarak jauh (16–20 meter), sedangkan MTCNN digunakan untuk mendeteksi dan memotong area wajah dengan presisi. Selanjutnya, model dilatih menggunakan pendekatan Siamese Network dengan Triplet Loss dan Knowledge Distillation untuk mentransfer pengetahuan dari citra resolusi tinggi ke citra resolusi rendah. Penelitian ini bersifat eksperimental dengan dataset sebanyak 5.514 citra wajah yang diambil menggunakan kamera inframerah Apexel NV001 pada lima jarak berbeda (4, 8, 12, 16, dan 20 meter). Evaluasi dilakukan menggunakan metrik Area Under the Curve (AUC), Equal Error Rate (EER), akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan sistem mencapai nilai AUC sebesar 0,9562, EER sebesar 0,1315, serta akurasi rata-rata 86%, dengan akurasi tertinggi 98% pada jarak 4 meter dan 96% pada jarak 8 meter. Dari hasil tersebut dapat disimpulkan bahwa kombinasi Selective CLAHE, MTCNN, dan InceptionResNetV2 secara efektif meningkatkan kemampuan sistem dalam mengenali wajah pada kondisi gelap dan jarak jauh. Sistem ini berpotensi diimplementasikan dalam aplikasi keamanan, pengawasan malam hari, dan sistem kontrol akses yang membutuhkan identifikasi biometrik tanpa pencahayaan tambahan.