ANALISIS KINERJA INTEGRASI YOLOV5FACE DAN GHOSTFACENETV1 UNTUK SISTEM PENGENALAN WAJAH SECARA REAL-TIME

I GUSTI KETUT DIMAS PRAMANTYA, . (2026) ANALISIS KINERJA INTEGRASI YOLOV5FACE DAN GHOSTFACENETV1 UNTUK SISTEM PENGENALAN WAJAH SECARA REAL-TIME. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 123210022_Cover - I GUSTI KETUT DIMAS PRAMANTYA.pdf Download (222kB)
	Text 123210022_Abstrak - I GUSTI KETUT DIMAS PRAMANTYA.pdf Download (694kB)
	Text 123210022_Halaman Pengesahan - I GUSTI KETUT DIMAS PRAMANTYA.pdf Download (303kB)
	Text 123210022_Daftar Isi - I GUSTI KETUT DIMAS PRAMANTYA.pdf Download (1MB)
	Text 123210022_Daftar Pustaka - I GUSTI KETUT DIMAS PRAMANTYA.pdf Download (1MB)
	Text 123210022_Fulltext - I GUSTI KETUT DIMAS PRAMANTYA.pdf Restricted to Repository staff only Download (7MB)

Abstract

Teknologi pengenalan wajah secara waktu nyata (real-time) saat ini masih
menghadapi tantangan trade-off antara tingkat akurasi tinggi dan efisiensi komputasi,
khususnya pada perangkat berspesifikasi terbatas. Penelitian ini bertujuan mengatasi
masalah tersebut dengan merancang sistem pengenalan wajah yang mengintegrasikan
arsitektur YOLOv5Face-s sebagai detektor wajah dan GhostFaceNetV1 sebagai model
pengenalan identitas.
Model dilatih menggunakan dataset primer dengan mengimplementasikan strategi
transfer learning, augmentasi data dinamis (RandAugment), serta fungsi kerugian ArcFace
Loss. Selain itu, pengujian komparatif dilakukan menggunakan dataset publik untuk
membandingkan efisiensi komputasi model usulan terhadap arsitektur konvensional
MobileFaceNet. Sistem kemudian diintegrasikan ke dalam antarmuka streaming video
berbasis web menggunakan framework Flask.
Hasil penelitian menunjukkan bahwa model GhostFaceNetV1 sangat andal dengan
capaian akurasi sebesar 98,33% pada pengujian data primer. Pada pengujian komparatif,
GhostFaceNetV1 terbukti lebih ringan secara komputasi dengan kebutuhan 435,14 MFLOPs
dibandingkan MobileFaceNet (477,31 MFLOPs), dengan akurasi identik sebesar 99,76%.
Dari segi implementasi sistem, pengujian black-box memvalidasi tingkat keberhasilan
fungsionalitas 100% dalam mengklasifikasi identitas terdaftar dan menyaring wajah asing
(Unknown). Sistem yang dibangun berhasil memproses aliran video secara stabil dan real
time dengan perolehan kecepatan 9 hingga 13 Frames Per Second (FPS). Berdasarkan hasil
tersebut, arsitektur usulan terbukti memberikan solusi yang akurat sekaligus efisien secara
komputasi.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Pengenalan Wajah, YOLOv5Face, GhostFaceNetV1, Real-Time, Deep Learning
Subjek:	Q Science > Q Science (General) Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	01 Sep 2026 01:21
Last Modified:	01 Sep 2026 01:21
URI:	http://eprints.upnyk.ac.id/id/eprint/49262

Actions (login required)

View Item