KLASIFIKASI PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Kurniawan, Henri (2023) KLASIFIKASI PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.55.1039 Henri Kurniawan.pdf Download (5MB)

Abstract

Teknologi yang berbasis AI berkembang sangat pesat saat ini. Beberapa teknologi tersebut mampu mengenal individu dengan teknik deteksi sidik jari, suara, retina mata, wajah dan lain sebagainya. Penulis akan membuat model yang dapat dilakukan untuk mendeteksi wajah siswa. Pada penelitian ini penulis menggunakan algoritma Convolutional Neural Network (CNN) yang diajukan yang akan melakukan klasifikasi pengenalan wajah. Tujuan penelitian ini untuk mencari parameter terbaik yang dapat diterapkan pada arsitektur CNN yang diajukan yang penulis beri istilah CNN-1 sehingga menjadi arsitektur yang efisien namun tetap mendapatkan nilai akurasi yang bagus, kemudian hasil akurasi tersebut dibandingkan dengan arsitektur VGG-16. Penilitian ini dilaksanakan sebanyak 21 ujicoba dengan menggunakan parameter pengujian yang bervariasi. Dataset yang digunakan dataset private dan dataset publik LFW, serta penggunaan metode dropout untuk meringkatkan beban komputasi, dan augmentasi yang berguna untuk memperkaya gambar. Selain itu kompleksitas gambar ditambahkan pada dataset private sehingga mendapatkan gambar wajah siswa yang bervariasi. Titik fokus gambar terletak pada wajah seseorang, sehingga dapat meningkatkan kecepatan proses pengenalan objek. Penelitian dengan arsitektur model yang diajukan (CNN-1) menghasilkan efisiensi waktu selama 5,31 jam dengan tingkat akurasi 98% yang diujicoba pada dataset private. Arsitektur CNN-1 yang diterapkan pada dataset publik (LFW database) dan ditambah 4 label data private hasil akurasinya sebesar 93%, waktu yang dibutuhkan untuk training model selama 5,52 jam. Sedangkan jika dataset publik (LFW database) diterapkan dengan menggunakan arsitektur VGG-16 hasil akurasi sebesar 99% dengan waktu training model selama 29,81 jam. Penelitian ini membuktikan arsitektur yang diajukan disebut CNN-1 lebih efisien dibandingkan dengan menggunakan arsitektur yang lebih kompleks yaitu VGG16. Selisih waktu training model antara arsitektur CNN-1 dan VGG-16 dengan perbandingan 5,31 jam : 29,81 jam. Sedangkan perbedaan tingkat akurasi hanya 1% jika menggunakan dataset private dan 6% jika menggunakan dataset publik. Penelitian ini juga mendapatkan parameter yang terbaik yang diterapkan pada artsitektur yang diajukan yaitu Epoch 60, gambar 50x50 pixel, warna gray, teknik augmentasi dan juga menerapkan fungsi dropout serta jumlah data gambar setiap kelas dibuat sama banyak. Parameter tersebut mampu membuat arsitektur yang diajukan (CNN-1) lebih efisien dibandingkan dengan arsitektur VGG-16.

Actions (login required)

View Item