PENGENALAN WAJAH REAL-TIME MENGGUNAKAN YOLOV4 (STUDI KASUS : UPN “VETERAN” YOGYA

Yuriza, Cici (2022) PENGENALAN WAJAH REAL-TIME MENGGUNAKAN YOLOV4 (STUDI KASUS : UPN “VETERAN” YOGYA. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Download (86kB)
	Text COVER.pdf Download (96kB)
	Text DAFTAR ISI.pdf Download (104kB)
	Text DAFTAR PUSTAKA.pdf Download (122kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (130kB)
	Text SKRIPSI FULL_CICI YURIZA_123170055.pdf Restricted to Repository staff only Download (6MB)

Abstract

Setiap manusia memiliki identitas yang berbeda. Identitas tersebut merupakan hal
unik yang dapat menjadi acuan pembeda antara satu orang dengan yang lainnya. Identitas
dapat dikenali atau diidentifikasi dengan sistem digital, salah satu teknik identifikasi adalah
biometrik. Salah satu teknik identifikasi biometrik adalah pengenalan wajah. Yolo
merupakan salah satu metode one-stage object detector yang menerapkan algoritma
CNN(Convolutional Neural Network). Yolov4 merupakan pengembangan dari metode
yolov3 dan merupakan state-of-the-art dari object detection. Oleh karena itu dilakukan
perhitungan akurasi yolov4 pada pengenalan wajah real-time pada mahasiswa UPN
“Veteran” Yogyakarta (UPNVYK). Data didapat dari 10 mahasiswa UPN "Veteran" Yogyakarta, masing-masing
responden mengumpulkan 50 image dimana dalam image terdapat wajah tampak depan
dari mahasiswa. Setelah itu dilakukan pre-processing data yaitu mengubah konfigurasi
model, anotasi data dan data augmentation untuk menambah variabilitas image. Kemudian
dilakukan training data untuk mendapatkan model terbaik untuk pengenalan wajah dari
yolov4. mAP(mean average precision) dan loss dihitung selama training untuk
mengevaluasi model yang terbentuk. Akurasi yang didapat dengan menghitung nilai mAP dari model pada iterasi ke
4400 adalah 99.98% dengan nilai loss 0.8191. Kata Kunci : Pengenalan Wajah Real-Time, CNN, Yolov4

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Pengenalan Wajah Real-Time, CNN, Yolov4
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	15 Nov 2022 03:36
Last Modified:	15 Nov 2022 03:37
URI:	http://eprints.upnyk.ac.id/id/eprint/31599

Actions (login required)

View Item