PRESENSI PENGENALAN WAJAH MENGGUNAKAN METODE CONVOLUTION NEURAL NETWORK DENGAN MELAKUKAN HYPERPARAMETER TUNING

Yaqin, Maulana Kurnia Fiqih Ainul (2023) PRESENSI PENGENALAN WAJAH MENGGUNAKAN METODE CONVOLUTION NEURAL NETWORK DENGAN MELAKUKAN HYPERPARAMETER TUNING. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (160kB)
	Text COVER.pdf Download (233kB)
	Text DAFTAR ISI.pdf Download (126kB)
	Text DAFTAR PUSTAKA.pdf Download (109kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (145kB)
	Text PENGESAHAN PENGUJI.pdf Download (386kB)
	Text SKRIPSI FULL_MAULANA_KURNIA_FIQIH_AINUL_YAQIN_123180176.pdf Restricted to Repository staff only Download (9MB)

Abstract

Pengenalan wajah merupakan salah satu teknologi yang berkembang pesat dalam
berbagai aplikasi, termasuk dalam sistem presensi. Convolutional Neural Network (CNN)
adalah salah satu jenis arsitektur jaringan saraf tiruan yang telah terbukti efektif dalam tugas
pengenalan gambar. Namun, performa CNN sangat tergantung pada konfigurasi
hyperparameter yang tepat. Oleh karena itu, penelitian ini bertujuan untuk mencari
kombinasi hyperparameter tuning untuk pengenalan wajah dalam sistem presensi
menggunakan metode Convolutional Neural Network.
Metodologi penelitian ini melibatkan beberapa tahap. Pertama, dilakukan
pengumpulan dan preprocessing data wajah untuk pelatihan dan pengujian model CNN.
Data tersebut mencakup sekumpulan gambar wajah individu yang digunakan untuk
mengembangkan model pengenalan wajah. Kemudian, berbagai hyperparameter seperti
jumlah layer, jumlah filter, dan ukuran filter serta pemilihan target size akan dijelajahi dalam
tahap tuning. Tahap selanjutnya adalah pelatihan dan evaluasi model CNN. Model akan
dilatih menggunakan data wajah yang telah di pre-processing, dan performanya dievaluasi
menggunakan metrik akurasi, presisi, dan recall. Setelah mendapatkan model dasar, proses
hyperparameter tuning dilakukan untuk mencari kombinasi hyperparameter yang optimal,
yang akan meningkatkan performa pengenalan wajah.
Hasil dari pengujian yang dilakukan terhadap sistem yang dibuat, mampu
menghasilkan akurasi training sebesar 100% dengan nilai loss yang dihasilkan 5.427e-05
dan validasi akurasi sebesar 99.82% dengan nilai loss yang dihasilkan sebesar 0.0039 dengan
waktu kompusi selama 1 menit 51 detik pada Model F, yaitu 6 lapisan konvolusi dengan
jumlah filter pertama dan kedua 32, ketiga dan keempat 64, dan kelima dan keenam sebanyak
124 dengan target size sebesar 64 × 64 piksel. Dengan menemukan konfigurasi
hyperparameter yang optimal, diharapkan performa model CNN dapat ditingkatkan secara
signifikan. Penelitian ini memiliki potensi untuk diterapkan dalam berbagai konteks, seperti
pengenalan wajah pada aplikasi keamanan, pengelolaan kehadiran di lingkungan pendidikan
dan perkantoran, serta bidang lain yang memanfaatkan teknologi pengenalan gambar.
Kata kunci: Pengenalan Wajah, Convolution Neural Network, Hyperparameter Tuning,
Sistem Presensi, Akurasi.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Pengenalan Wajah, Convolution Neural Network, Hyperparameter Tuning, Sistem Presensi, Akurasi.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	28 Dec 2023 07:18
Last Modified:	28 Dec 2023 07:18
URI:	http://eprints.upnyk.ac.id/id/eprint/38422

Actions (login required)

View Item