@prefix bibo: .
@prefix rdfs: .
@prefix skos: .
@prefix void: .
@prefix dct: .
@prefix foaf: .
@prefix cc: .
@prefix xsd: .
@prefix epid: .
@prefix ep: .
@prefix owl: .
@prefix geo: .
@prefix dc: .
@prefix rdf: .
@prefix event: .
@prefix eprel: .
<>
foaf:primaryTopic ;
rdfs:comment "The repository administrator has not yet configured an RDF license."^^xsd:string .
dct:hasPart ;
ep:hasFile ;
rdf:type bibo:Document,
ep:Document;
rdfs:label "ANALISIS ALGORITMA K-NEAREST NEIGHBOR (KNN) PADA\r\nPENGENALAN WAJAH PENYANDANG TUNANETRA DENGAN\r\nARSITEKTUR FACENET DAN VGG16 (Text)"^^xsd:string .
rdf:_1 .
<> ;
bibo:abstract "Penelitian ini mengkaji efektivitas algoritma K-Nearest Neighbor (KNN)\r\ndalam sistem pengenalan wajah penyandang tunanetra menggunakan arsitektur\r\nFaceNet dan VGG16. Fokus utama studi adalah mengkomparasi tingkat akurasi\r\nkedua arsitektur tersebut dalam mengidentifikasi fitur wajah tunanetra yang\r\nmemiliki karakteristik khusus, seperti ketidaksempurnaan pada area mata yang\r\nsering menjadi kendala deteksi. \r\nMenggunakan pendekatan eksperimental komparatif pada 160 dataset citra\r\nwajah. proses penelitian meliputi tahap deteksi wajah menggunakan MTCNN dan\r\nHaarCascade, ekstraksi fitur, serta klasifikasi KNN. Untuk menentukan model\r\nterbaik, dilakukan uji iterasi nilai K dari 1 hingga 20, di mana nilai K dengan akurasi\r\ntertinggi dari iterasi tersebut dipilih sebagai model final.\r\nTemuan riset menunjukkan bahwa pemilihan metode deteksi sangat krusial;\r\nMTCNN terbukti superior dengan keberhasilan deteksi 100%, melampaui\r\nHaarCascade yang hanya mampu mendeteksi 90% data. Dalam analisis akurasi\r\nvalidasi, kombinasi FaceNet-MTCNN mencatatkan performa puncak 96,88%,\r\nnamun pengujian pada data gambar baru menunjukkan dinamika berbeda dengan\r\ntingkat keberhasilan prediksi sebesar 85% untuk VGG16-MTCNN, 80% untuk\r\nVGG16-HaarCascade, 70% untuk FaceNet-MTCNN, dan 55% untuk FaceNetHaarCascade.\r\n\r\n\r\nBerdasarkan\r\nevaluasi stabilitas dan konsistensi deteksi keseluruhan,\r\ndisimpulkan bahwa integrasi FaceNet dan MTCNN tetap menjadi model yang\r\npaling direkomendasikan untuk pengembangan sistem ini, dengan saran penelitian\r\nmendatang untuk menambah jumlah dan memperkaya variasi dataset yang\r\ndiharapkan dapat meningkatkan generalisasi model pada data baru supaya\r\nmendapatkan akurasi prediksi yang lebih baik."^^xsd:string;
bibo:authorList ;
bibo:status ;
dc:hasVersion ;
dct:creator ,
;
dct:date "2025-12-01";
dct:isPartOf ;
dct:issuer ,
;
dct:subject ;
dct:title "ANALISIS ALGORITMA K-NEAREST NEIGHBOR (KNN) PADA\r\nPENGENALAN WAJAH PENYANDANG TUNANETRA DENGAN\r\nARSITEKTUR FACENET DAN VGG16"^^xsd:string;
ep:hasDocument ;
ep:hasPublished ;
rdf:type bibo:Article,
bibo:Thesis,
ep:EPrint,
ep:ThesisEPrint;
rdfs:seeAlso .
rdf:type skos:Concept;
skos:prefLabel "000 Ilmu komputer, informasi dan pekerjaan umum"@en .
rdfs:label "22.55.2305 Agung Budi Prastyo.pdf"^^xsd:string .
dc:format "text/html";
dc:title "HTML Summary of #31762 \n\nANALISIS ALGORITMA K-NEAREST NEIGHBOR (KNN) PADA
\nPENGENALAN WAJAH PENYANDANG TUNANETRA DENGAN
\nARSITEKTUR FACENET DAN VGG16\n\n";
foaf:primaryTopic .
dct:hasPart ;
foaf:name "Universitas AMIKOM Yogyakarta"^^xsd:string;
rdf:type foaf:Organization .
dct:isPartOf ;
foaf:name "PJJ Magister Informatika, Universitas AMIKOM Yogyakarta"^^xsd:string;
rdf:type foaf:Organization .
foaf:familyName "Setyanto"^^xsd:string;
foaf:givenName "Arief"^^xsd:string;
foaf:name "Arief Setyanto"^^xsd:string;
rdf:type foaf:Person .
foaf:familyName "Prastyo"^^xsd:string;
foaf:givenName "Agung Budi"^^xsd:string;
foaf:name "Agung Budi Prastyo"^^xsd:string;
rdf:type foaf:Person .