eprintid: 31762
rev_number: 7
eprint_status: archive
userid: 12
dir: disk0/00/03/17/62
datestamp: 2026-06-29 01:41:30
lastmod: 2026-06-29 01:41:30
status_changed: 2026-06-29 01:41:30
type: thesis
metadata_visibility: show
creators_name: Prastyo, Agung Budi
creators_nim: 22.55.2305
contributors_name: Setyanto, Arief
corp_creators: Universitas AMIKOM Yogyakarta
title: ANALISIS ALGORITMA K-NEAREST NEIGHBOR (KNN) PADA
PENGENALAN WAJAH PENYANDANG TUNANETRA DENGAN
ARSITEKTUR FACENET DAN VGG16
ispublished: pub
subjects: 000.000.000A
divisions: PJJ
full_text_status: public
keywords: Pengenalan Wajah, Tunanetra, FaceNet, VGG16, KNN, Face Recognition, Blind Persons
abstract: Penelitian ini mengkaji efektivitas algoritma K-Nearest Neighbor (KNN)
dalam sistem pengenalan wajah penyandang tunanetra menggunakan arsitektur
FaceNet dan VGG16. Fokus utama studi adalah mengkomparasi tingkat akurasi
kedua arsitektur tersebut dalam mengidentifikasi fitur wajah tunanetra yang
memiliki karakteristik khusus, seperti ketidaksempurnaan pada area mata yang
sering menjadi kendala deteksi. 
Menggunakan pendekatan eksperimental komparatif pada 160 dataset citra
wajah. proses penelitian meliputi tahap deteksi wajah menggunakan MTCNN dan
HaarCascade, ekstraksi fitur, serta klasifikasi KNN. Untuk menentukan model
terbaik, dilakukan uji iterasi nilai K dari 1 hingga 20, di mana nilai K dengan akurasi
tertinggi dari iterasi tersebut dipilih sebagai model final.
Temuan riset menunjukkan bahwa pemilihan metode deteksi sangat krusial;
MTCNN terbukti superior dengan keberhasilan deteksi 100%, melampaui
HaarCascade yang hanya mampu mendeteksi 90% data. Dalam analisis akurasi
validasi, kombinasi FaceNet-MTCNN mencatatkan performa puncak 96,88%,
namun pengujian pada data gambar baru menunjukkan dinamika berbeda dengan
tingkat keberhasilan prediksi sebesar 85% untuk VGG16-MTCNN, 80% untuk
VGG16-HaarCascade, 70% untuk FaceNet-MTCNN, dan 55% untuk FaceNetHaarCascade.


Berdasarkan
evaluasi stabilitas dan konsistensi deteksi keseluruhan,
disimpulkan bahwa integrasi FaceNet dan MTCNN tetap menjadi model yang
paling direkomendasikan untuk pengembangan sistem ini, dengan saran penelitian
mendatang untuk menambah jumlah dan memperkaya variasi dataset yang
diharapkan dapat meningkatkan generalisasi model pada data baru supaya
mendapatkan akurasi prediksi yang lebih baik.
date: 2025-12-01
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: PJJ Magister Informatika
thesis_type: masters
thesis_name: tesis
citation:   Prastyo, Agung Budi  (2025) ANALISIS ALGORITMA K-NEAREST NEIGHBOR (KNN) PADA PENGENALAN WAJAH PENYANDANG TUNANETRA DENGAN ARSITEKTUR FACENET DAN VGG16.  S2 - Magister thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/31762/1/22.55.2305%20%20Agung%20Budi%20Prastyo.pdf