Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada era digital ini, teknologi informasi dan komunikasi berkembang pesat dan berpengaruh signifikan dalam berbagai aspek kehidupan, termasuk keamanan dan pengenalan identitas. Salah satu penerapan teknologi yang menonjol adalah sistem deteksi dan pengenalan wajah yang digunakan di berbagai tempat yang memerlukan keamanan ekstra. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan pengenalan wajah menggunakan arsitektur ResNet dan perangkat ESP-32, dengan fokus pada implementasi dan evaluasi efektivitas sistem tersebut dalam meningkatkan keamanan.Metode yang digunakan dalam penelitian ini meliputi penggunaan ResNet-50 untuk pengenalan wajah dan Cascade Classifier untuk deteksi wajah. Data yang digunakan untuk pelatihan model diperoleh melalui proses augmentasi data untuk meningkatkan variasi dan jumlah sampel. Sistem ini diimplementasikan menggunakan perangkat keras ESP-32 dan perangkat lunak MATLAB, serta diuji pada lingkungan nyata untuk mengevaluasi kinerjanya.Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mendeteksi dan mengenali wajah dengan akurasi tinggi. Integrasi sistem dengan infrastruktur keamanan yang ada juga memungkinkan peningkatan perlindungan terhadap data dan perangkat keras. Dengan demikian, penelitian ini berhasil menunjukkan bahwa teknologi deteksi dan pengenalan wajah dapat memberikan solusi efektif untuk meningkatkan keamanan di berbagai tempat.

---

In this digital era, information and communication technology has developed rapidly, significantly impacting various aspects of life, including security and identity recognition. One notable application of this technology is the facial detection and recognition system used in various high-security areas. This research aims to develop a facial detection and recognition system using ResNet architecture and ESP-32, focusing on the implementation and evaluation of the system's effectiveness in enhancing security.

The methods used in this study include employing ResNet-50 for facial recognition and Cascade Classifier for facial detection. The data used for model training were obtained through data augmentation processes to increase the variation and number of samples. The system was implemented using ESP-32 hardware and MATLAB software, and tested in real-world environments to evaluate its performance.

The results of the study indicate that the developed system can detect and recognize faces with high accuracy. The system's integration with existing security infrastructure also allows for enhanced protection of data and hardware. Thus, this research successfully demonstrates that facial detection and recognition technology can provide effective solutions for improving security in various locations."

"ABSTRACTPengenalan ekspresi wajah telah menjadi tantangan dalam ilmu digital selama bertahun-tahun. Dengan pertumbuhan baru-baru ini di dalam bidang machine learning, sistem pengenalan ekspresi wajah secara real-time dengan machine learning dapat berguna untuk sistem monitoring emosi untuk interaksi manusia-komputer (HCI). Model yang penulis ajukan dirancang dengan model Convolutional Neural Network (CNN) dan menggunakannya untuk melatih dan menguji gambar ekspresi wajah dengan TensorFlow. Sistem ini memiliki dua bagian, sebuah recognizer untuk validasi dan model pelatihan data untuk data training. recognizer berisi detektor wajah dan pengenal ekspresi wajah. Detektor wajah mengekstrak gambar wajah dari frame video dan pengenal ekspresi wajah mengklasifikasikan gambar yang diekstrak. Model pelatihan data menggunakan CNN untuk melatih data. Sistem pengenal juga menggunakan CNN untuk memantau keadaan emosi dari pengguna melalui ekspresi wajah mereka. Sistem ini mengklasifikasikan emosi dalam enam kelas universal, marah, jijik, senang, terkejut, sedih dan takut, ditambah dengan emosi netral.

---

ABSTRACTThe introduction of facial expressions has been a challenge in digital science for many years. With the recent growth in machine learning, a real-time facial recognition recognition system with machine learning can be useful for emotional monitoring systems for human-computer interaction (HCI). The model the author proposes is designed with the Convolutional Neural Network (CNN) model and uses it to train and test facial expression images with TensorFlow. The system has two parts, a recognizer for validation and a data training model for training data. The recognizer contains face detector and facial recognition. The face detector extracts the face image from the video frame and facial expression identifiers classify the extracted image. The data training model uses CNN to train data. The identification system also uses CNN to monitor the emotional state of the user through their facial expressions. This system classifies emotions in six universal classes, anger, disgust, pleasure, shock, sadness and fear, coupled with neutral emotions."

"This work proposes a complete sensor-independent visual system that provides robust target motion detection. First, the way sensors obtain images, in terms of resolution distribution and pixel neighbourhood, is studied. This allows a spatial analysis of motion to be carried out. Then, a novel background maintenance approach for robust target motion detection is implemented. Two different situations are considered, a fixed camera observing a constant background where objects are moving, and a still camera observing objects in movement within a dynamic background. This distinction lies on developing a surveillance mechanism without the constraint of observing a scene free of foreground elements for several seconds when a reliable initial background model is obtained, as that situation cannot be guaranteed when a robotic system works in an unknown environment. Other problems are also addressed to successfully deal with changes in illumination, and the distinction between foreground and background elements."

"COVID-19 merupakan penyakit yang telah menjadi pandemi pada tahun 2020. Penyakit ini dinyatakan sebagai pandemi karena menjadi wabah yang sangat luas hingga seluruh dunia terpapar. Dalam usaha penekanan penyebaran penyakit COVID-19, banyak peneliti yang menerapkan deep learning untuk mendeteksi penyakit ini. Convolutional Neural Network(CNN) merupakan jenis deep learning yang paling banyak digunakan untuk usaha mengklasifikasi citra X-ray paru-paru. Algoritma yang dikembangkan pada penelitian ini menggunakan deep learning dengan model CNN ResNet152v2 dengan Python untuk bahasa pemrogramannya serta Keras Tensorflow sebagai API. penelitian ini melakukan beberapa ekperimen untuk meningkatkan akurasi dan performa dengan memvariasikan dataset serta parameter seperti epoch, batch size, optimizer. Performa terbaik didapatkan dengan pengaturan parameter pada jumlah dataset 3000, epoch 15, batch size 16, dan optimizer Nadam dengan nilai akurasi hingga 96%. Hasil akurasi ini merupakan peningkatan yang didapatkan penelitian terdahulu yang menggunakan model VGG16 dengan akurasi hingga 92%.

---

COVID-19 is a disease that has become a pandemic in 2020. This disease is declared a pandemic because it is an epidemic that is so widespread that the entire world is exposed. In an effort to suppress the spread of the COVID-19 disease, many researchers have applied deep learning to detect this disease. Convolutional Neural Network (CNN) is a type of deep learning that is most widely used to classify X-ray images of the lungs. The algorithm developed in this study uses deep learning with the CNN ResNet152v2 model with Python for the programming language and Keras Tensorflow as the API. This study conducted several experiments to improve accuracy and performance by varying the dataset and parameters such as epoch, batch size, optimizer. The best performance is obtained by setting parameters on the number of datasets 3000, epoch 15, batch size 16, and optimizer Nadam with an accuracy up to 96%. The result of this accuracy is an improvement obtained from previous studies using the VGG16 model with an accuracy of up to 92%."

"Sistem pengenalan wajah (face recognition system) merupakan salah satu sistem yang dibangun berdasarkan pre-trained model. Sistem ini memanfaatkan teknik biometrik yang menggunakan wajah sebagai pengenalan atau identifikasi seseorang. Implementasi sistem pengenalan wajah dapat diaplikasikan dalam berbagai macam aplikasi seperti sistem absensi untuk mengecek kehadiran, sistem monitoring pengunjung di tempat wisata ataupun tempat-tempat publik, hingga dapat digunakan untuk mengenali tingkah laku seseorang untuk analisis-analisis yang dibutuhkan di berbagai bidang. Dalam penelitian ini, akan diimplementasikan sistem pengenalan wajah untuk sistem absensi menggunakan metode pembelajaran deep learning. Proses training data dan validasi hasil pengenalan wajah akan dibandingkan antara model CNN (Convolutional Neural Network) berarsitektur ResNet-50 dengan VGG16 yang telah dilatih sebelumnya menggunakan dataset Open Data Science (ODSC) untuk mendapatkan model perancangan sistem wajah terbaik. Simulasi real-time dilakukan dengan menggunakan model latih dengan validasi akurasi tertinggi sebesar 98.2%. Model latih yang digunakan dalam simulasi adalah ResNet-50 dengan dataset B sebagai data training serta learning rate sebesar 0.01. Hasil analisis menunjukkan bahwa proses training menggunakan model ResNet-50 jauh lebih ringan dan memberikan hasil model pelatihan dengan validasi akurasi yang lebih tinggi dibanding dengan model VGG16 yang membutuhkan banyak resource selama proses training berlangsung. Pengujian real-time yang dilakukan menunjukkan bahwa model ResNet-50 akan akurat jika memperhatikan beberapa kondisi yang diperlukan seperti jarak deteksi harus 50 hingga 100 cm dari kamera deteksi dan posisi wajah harus lurus menghadap kamera deteksi.

---

The face recognition system is a system that is built based on a pre-trained model. This system utilizes biometric techniques that use the face as an identification or authentication of a person. The facial recognition system can be applied in various applications such as attendance systems to check attendance, visitor monitoring systems at tourist attractions or public places, and to identify a person's behavior for the analyzes needed in various fields. In this study, a facial recognition system will be implemented for the attendance system using deep learning methods. To obtain the best system design, training, and validation of facial recognition results will be compared between the CNN (Convolutional Neural Network) model with the ResNet-50 and VGG16, which has been previously trained using the Open Data Science (ODSC) dataset. Real-time simulations were carried out using a training model with the highest validation accuracy of 98.2%. The training model used in the simulation is ResNet-50 with dataset B as training data and a learning rate of 0.01. The analysis results show that the training process using the ResNet-50 model is much lighter and provides results with higher accuracy validation than the VGG16 model, which requires a lot of resources during the training process. Real-time testing has shown that the ResNet-50 model will be accurate if it considers several conditions, such as the detection distance must be 50 to 100 cm from the detection camera, and the face position must be in a straight facing towards the detection camera."

"Proses optimasi pada Probabilistic Neural Network (PNN) dapat dilakukan terhadap nilai smoothing parameter maupun struktur neuron. Setiap permasalahan memiliki nilai smoothing parameter optimal yang berbeda. Optimasi struktur neuron bertujuan untuk mereduksi banyak neuron yang digunakan sehingga dapat mempersingkat waktu komputasi. Skripsi ini membahas proses pencarian nilai smoothing parameter optimal menggunakan algoritma genetika dan struktur neuron optimal menggunakan algoritma ortogonal dalam sistem pengenal wajah. Terdapat dua jenis teknik optimasi yang akan dibahas, lalu membandingkan hasilnya dengan PNN struktur utuh dan backpropagation. Data wajah yang digunakan berupa foto infra merah dan cahaya tampak.

---

Optimization of Probabilistic Neural Network (PNN) can be performed to the value of smoothing parameter and neuron structure. Every problem has different value of smoothing parameter. Optimization of neuron structure aims to reduce the number of neurons used, in order to shorten computation time.

This thesis discusses the process of finding the optimal value of smoothing parameter using genetic algorithms and optimal neuron structure using orthogonal algorithms in face recognition system. Two types of optimization techniques which will be discussed, then the results are compared with full structure PNN and backpropagation. Face data used in the form of infrared and visible light images."

"ABSTRAKEmosi merupakan suatu keadaan psikologis yang dipicu oleh aktivitas sensorik manusia baik secara sadar maupun tidak sadar. Emosi berperan penting dalam kehidupan manusia seperti dalam pengambilan keputusan, dalam mengekspresikan diri, dan lain sebagainya. Emosi dapat dihasilkan menggunakan rangsangan/stimulus tertentu seperti emosi takut dihasilkan menggunakan hal-hal yang menyeramkan seperti gambar pembunuhan, emosi bahagia dapat dipicu menggunakan stimulus gambar-gambar yang menyenangkan seperti gambar pemandangan, emosi sedih dapat dipicu menggunakan musik-musik sendu, menangis, dan hal-hal menyedihkan lainnya, dan emosi jijik dapat dipicu mengunakan stimulus yang menjijikkan seperti kotoran manusia. Beberapa stimulus yang biasa digunakan dalam penelitian adalah gambar, text, audio, atau video. Pada proses penghasilan emosi, terdapat aktivitas elektrik dalam otak manusia yang dapat direkam menggunakan perangkat bernama Elektroensefalografi EEG , rekaman gelombang otak ini juga dapat dilakukan menggunakan perangkat yang bernama neuroheadset. Penelitian ini membahas tentang pengembangan sistem akuisisi data sinyal otak menggunakan neuroheadset dan menghasilkan database yang digunakan untuk analisis emosi. Dalam penelitian ini digunakan stimulus berupa video yang terdiri dari kumpulan gambar. Setiap gambar dalam video telah melalui proses validasi sesuai dengan kelas emosi yang diinginkan. Kelas emosi yang digunakan dalam penelitian ini yaitu bahagia, jijik, sedih, dan takut. Setiap kelas emosi memiliki empat stimulus video. Proses validasi dilakukan oleh lima orang partisipan dan proses pengambilan data sinyal otak dilakukan terhadap empat orang partisipan. Pengambilan data dilakukan menggunakan perangkat neuroheadset dengan vendor Emotiv tipe Epoc. Hasil rekaman sinyal diproses menggunakan Matlab dan menghasilkan database berukuran 16x14x7680, dimana angka 16 merepresentasikan jumlah stimulus video, 14 merepresentasikan sensor Emotiv Epoc yang digunakan, dan 7680 merupakan data sinyal yang diambil selama 60 detik dengan frekuensi sampling 128 Hertz. Tingkat keberhasilan tertinggi untuk emosi bahagia, jijik, sedih, dan takut secara berurut adalah 75 , 62.5 , 62.5 , dan 75 . Tingkat keberhasilan tertinggi ini dicapai untuk variasi channel frekuensi alpha, sensor yang digunakan yaitu F7, F3, F4, dan F8. Teknik klasifikasi yang digunakan adalah feed-forward backpropagation neural network.

---

ABSTRACTEmotion is a psychological state that triggered by human sensory activity both consciously and unconsciously. Emotions play an important role in human life such as decision making, self expression, and others. Emotions can be generated using certain stimuli such as feared emotions generated using scary things like murder images, happy emotions can be triggered by stimuli of fun images such as sight images, sad emotions can be triggered using melodic music, crying, and other sad things, and disgusted emotions can be triggered using disgusting stimuli like human feces. Some of the stimuli commonly used in research are using images, text, audio, or video. In the process of earning emotions, there is electrical activity in the human brain that can be recorded and processed to obtain brain signals using a device called Electroencephalography EEG , these brainwave records can also be recorded using a device called neuroheadset. This study discusses the development of data acquisition system of brain signals using neuroheadset and generate database used for emotion analysis. In this study used a video stimulus consisting of a collection of images. Each image in the video has gone through the validation process according to the desired emotion class. Four kind of emotion used in research that are happy, disgusted, sad, and scared. Each emotional class has four video stimuli. Five participants carried out the validation process and the process of retrieving the brain signals data performed on four participants. Data retrieval performed using a neuroheadset device with Emotiv vendor with Epoc type. The recording of the signal is processed using Matlab and generates a 16x14x7680 database, where the number 16 represents the number of video stimuli, 14 represents the Epoc Emotion sensor used, and 7680 is the signal data taken for 60 seconds with 128 Hertz sampling frequency. The highest recognition rate for happy, disgusted, sad, and fearful emotions are 75 , 62.5 , 62.5 , and 75 . The highest success rate achieved for alpha frequency channel variation the sensors used are F7, F3, F4, and F8. The classification technique used is feed forward backpropagation neural network."

"ABSTRAKDeteksi dan pengenalan wajah merupakan salah satu pengolah citra yang dapat digunakan untuk surveillance pada UAV. Namun kasus pengenalan wajah dan deteksi wajah ini merupakan pekerjaan yang sangat sulit dilakukan karena komputer harus dapat melakukan lokalisasi wajah dengan baik kemudian melakukan klasifikasi wajah. Tesis ini membahas penelitian metode deep learning yaitu deteksi wajah dengan menggunakan metode RCNN dan pengenalan wajah dengan menggunakan metode CNN. Eksperimen dengan menggunakan variasi sudut wajah dan jarak wajah terhadap kamera dilakukan untuk mengamati pengaruh parameter terhadap performa model. Hasil penelitian menunjukkan bahwa model RCNN dengan menggunakan satu wajah subjek dapat digunakan untuk melakukan deteksi wajah pada subjek dengan recognition rate sebesar 74% pada parameter IoU > 0.5. Nilai recognition rate pada sistem terintegrasi deteksi danpengenalan wajah sangat tergantung dari hasil prediksi area wajah yang dihasilkan dari model RCNN. Percobaan membuktikan bahwa jarak subjek kamera mempengaruhi recognition rate dari model deteksi wajah.

---

ABSTRACTFace detection and recognition is an image processor that can be used for surveillance on UAVs. However, the case of face recognition and face detection is a very difficult job to do because the computer must be able to do localization of the face well then do face classification. This thesis discusses the research of deep learning methods, namely face detection using the RCNN method and face recognition using the CNN method. Experiments using variations in face angle and face distance to the camera were conducted to observe the effect of parameters on the performance of the model. The results showed that the RCNN model using one subject's face could be used to detect faces on subjects with a recognition rate of 74% on the IoU parameter > 0.5. The value of recognition rate in the integrated detection and face recognition system is highly dependent on the results of the prediction of face areas generated from the RCNN model. Experiments prove that the distance of the camera subject affects the recognition rate of the face detection model."

"Kecanggihan dalam bidang pengenalan wajah berbasis deep learning semakin berkembang dan telah menjadikannya salah satu teknik biometrik yang paling dapat diandalkan. Namun, penggunaan masker penutup mulut dan hidung akibat pandemi COVID-19 membuat model pengenalan wajah kehilangan sekitar setengah dari informasi biometrik yang berguna dan mengakibatkan penurunan tingkat akurasi. Penelitian ini bertujuan untuk mengajukan model pengenalan wajah bermasker alternatif berakurasi tinggi. Untuk mengembangkan Convolutional Neural Networks (CNNs) sebagai ekstraktor fitur dari pengenalan wajah bermasker, tiga hal yang paling berkontribusi ialah data latih yang besar, arsitektur jaringan dan fungsi kerugian (loss function). Model yang diajukan berasal dari hasil modifikasi arsitektur ResNet dengan menyisipkan blok RepMLP. Kemudian, membandingkan hasil pelatihan tersebut menggunakan fungsi kerugian terbaik saat ini, ArcFace loss dan CurricularFace loss. Model dilatih menggunakan data latih MS1M-V3. Model terbaik yang dapat diajukan dari penelitian ini berhasil memperoleh nilai akurasi 77,8% saat diuji menggunakan data MFR2. Nilai akurasi tersebut 2,3% lebih tinggi dibandingkan dengan model baseline (ResNet-50) yang digunakan dalam penelitian ini. Selain berhasil memperoleh nilai akurasi yang lebih baik, model yang dijukan memiliki jumlah parameter yang lebih sedikit dibandingkan model baseline.

---

Sophistication in deep facial recognition is still growing and has made it one of the most reliable biometric techniques. However, using masks covering the mouth and nose due to the COVID-19 pandemic has caused facial recognition models lose about half of the useful biometric information and decreased the accuracy. This study aims to propose a high-accuracy alternative masked facial recognition model. The success of Convolutional Neural Networks (CNNs) on face recognition mainly contributed by enormous training data, network architectures, and loss functions. The proposed model comes from a modification of the ResNet architecture by inserting RepMLP blocks. Then, compares the training results using the current best loss function, ArcFace loss and CurricularFace loss. The model was trained using the MS1M-V3 training data. The best model that can be proposed from this study managed to obtain an accuracy value of 77.8% when tested using the MFR2 dataset. This accuracy value is 2.3% higher than the baseline model (ResNet-50) which used in this study. Besides being successful in obtaining better accuracy values, the proposed model has fewer parameters than the baseline model."