Rianto, David Chandra Putra (2025) PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI DALAM SISTEM PENGENALAN WAJAH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf - Published Version Download (1MB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (265kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (880kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (402kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (625kB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (79kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (86kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 22.83.0847.zip - Published Version Restricted to Repository staff only Download (12MB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (1MB) |
Abstract
Sistem pengenalan wajah menggunakan biometrik kini memiliki peran penting dalam keamanan dan verifikasi digital, tetapi tantangan utama yang sering muncul adalah mencari keseimbangan yang ideal antara ketepatan pengenalan dan efisiensi pemrosesan. Kesalahan dalam pemilihan struktur model dapat menyebabkan rendahnya kehandalan sistem keamanan atau meningkatnya beban pemrosesan data. Penelitian ini berfokus pada penyelesaian masalah tersebut melalui analisis perbandingan kinerja dari tiga arsitektur model algoritma Convolutional Neural Network (CNN), yakni ResNet50, MobileNetV2, dan VGG16. Pendekatan yang digunakan dalam penelitian ini adalah Transfer Learning pada dataset wajah yang bersifat publik, yang mencakup langkah-langkah seperti pra-pemrosesan gambar, pelatihan model, dan evaluasi menggunakan matriks kebingungan. Hasil dari studi menunjukkan bahwa ResNet50 menghasilkan kinerja terbaik dengan akurasi mencapai 99,62% dan tingkat presisi yang sangat unggul, diikuti oleh VGG16 yang memiliki akurasi 98,85%. Sementara itu, MobileNetV2 memperoleh akurasi 80,92% dengan desain model yang lebih ramping. Penemuan ini memberikan dampak yang signifikan bagi pengembang perangkat lunak dan peneliti di bidang visi komputer dalam memilih arsitektur yang sesuai dengan kebutuhan penggunaan. Di mana ResNet50 direkomendasikan untuk sistem keamanan yang sangat penting, sedangkan MobileNetV2 cocok digunakan di lingkungan dengan sumber daya komputasi yang terbatas.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Pengenalan Wajah, CNN, Transfer Learning, ResNet50, Akurasi, Face Recognition, Biometrics | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data |
||
| Divisions: | Fakultas Ilmu Komputer > Teknik Komputer | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 02 Jul 2026 07:42 | ||
| Last Modified: | 02 Jul 2026 07:42 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/31892 |
Actions (login required)
 |
View Item |