Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Sistem pendeteksian wajah pada citra telah berkembang pesat sampai saat ini. Tujuan dari deteksi wajah adalah untuk mengindentifikasi dan menempatkan wajah manusia dengan pasisi. skala,oarientasi dan kondisi pencahayaan tertentu. Berbagai metode telah diajukan sampai saat ini. Salah satu pengembangan lebih lanjutnya adalah dengan menggunakan jaringan syaraf tiruan (neural network). Pada paper ini dibahas sistem deteksi wajah berdasarkan jaringan syaraf tiruan dengan metode training propagasi balik dengan momentum. Jaringan syaraf tiruan menguji setiap window dari citra, dan memmtukan apakah setiap window berisi wajah atau tidak. Setelah itu sistem menentukan window terbaik, yang akan disimpulkan sebagai wajah. Sistem inl dapat mendeteksi wajah frontal pada citra grayscale dengan latar belakang yang kompleks dan skala yang bervariasi. Agar dapat menguji citra masukan untuk ukuran wajah yang berbeda-beda, maka dilakukan metode piramida terhadap citra masukan.

Pada skripsi ini, ststem deteksi dengan jaringan syaraf tiruan diuji dengan perubahan pada parameter jumlah lapisan tersembunyi dan jumlah epoch yang dilakukan pada proses training. Sistem akan dianalisa kinerjanya berdasarkan lamanya waktu deteksi serta ketepatan hasil proses deteksi. Dari hasil pengujian didapatkan waktu deteksi sangat dipenganthi oleh ukuran citra, dan ketepatan proses deteksi sangat dipengaruhi oleh jumlah lapisan tersembunyi dan banyaknya epoch pada proses training, serta karakteristik dari citra masukan

---

Abstrak :
ABSTRAK
Wajah manusia mengandung banyak informasi dan antarmuka yang jelas dalam inleraksi antara manusia dan komputer. Hal ini telah memotivasi penelitian aktif di bidang pengenalan wajah, face tracking, pose estimation, pengenalan ekspresi, dan pengenalan mimik. Akan tetapi, sebagian besar metode tersebut mengasumsikan bahwa wajah manusia dalam suatu citra atau urutan citra telah diidentifikasi dan dilokalisasi. Untuk membangun suatu system otomatis sehingga kerja manusia dapat sepenuhnya ditangani oleh mesin, sangatlah penting untuk membangun algoritma yang handal dan efisien untuk mendeteksi wajah manusia.

Tujuan dari deteksi wajah adalah untuk mengidentifikasi dan menempatkan wajah manusia dengan posisi, skala, orientasi, dan kondisi pencahayaan tertentu. Dalam tugas skripsi ini, ditampilkan suatu algorilma deteksi wajah untuk grayscale image dengan latar belakang yang kompleks dan skala yang bervariasi. Agar dapat menangani citra masukan dengan skala yang berbesa-beda, dilakukan metode pyramid terhadap citra masukan. Metode yang digunakan dalam proses deteksi dikembangkan dari metode Principal Component Analysis (PCA) dengan pembobotan yang optimum untuk menghasilkan error criterion yang terbaik. Simulasi dil akukan dengan MATLAB versi 5.3.

---

Abstrak :
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.

Abstrak :
ABSTRAK
Deteksi 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 dan pengenalan 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.

---

ABSTRACT
Face 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.

Abstrak :
Penelitian dilakukan untuk mengembangkan sistem keamanan rumah dengan webcam yang sudah ada saat ini. Sistem keamanan saat ini menggunakan webcam hanya untuk merekam dan menyimpan kejadian dalam bentuk video file. Hal tersebut dirasa kurang cukup aman dikarenakan saat kejadian berlangsung seperti perampokan tidak ada notifikasi kepada pemilik rumah. Maka pada penelitian ini ditambahkan sebuah fitur pada sistem untuk mendeteksi wajah penghuni rumah dan akan memberikan notifikasi ketika ada wajah yang tidak dikenal. Sistem ini juga akan digabungkan dengan akses pintu otomatis menggunakan solenoid door lock. Metode yang digunakan adalah Deep Learning Matric untuk implementasi pada face recognition yang digunakan untuk akses kunci pintu rumah.

Hasil yang didapatkan dari pengujian sistem cukup baik, dimana sistem dapat membedakan penghuni rumah dengan orang asing dengan beberapa kriteria pengujian, diantaranya dengan pengujian jarak webcam dengan orang pada siang sekitar pukul 12.00 sampai 13.00 dan malam hari sekitar pukul 19.00 sampai 20.00 dengan menghadap kearah webcam, pengujian banyaknya wajah yang terdeteksi webcam dalam satu frame, dan notifikasi kepada penghuni rumah. Berdasarkan hasil pengujian dan analisis, banyaknya wajah yang tertangkap bisa lebih dari 3 orang dan untuk persentase akurasi pada pengujian siang hari didapatkan sebesar 91.11% sedangkan pada malam hari sebesar 80%. Dari persentase yang didapatkan, pendeteksian pada siang hari lebih baik dan akurat dibandingkan pada malam hari dikarenakan intensitas cahaya yang mempengaruhi kerja dari algoritma face recognition. ......The study was conducted to develop a home security system with a webcam that already exists today. The current security system only uses the camera to record and save events in the form of video files. This is not enough safe because when the incident took place such as a robbery there was no notification to the homeowner. Therefore, in this study added some feature for a system to recognize faces of homeowner and will provide notifications when there are faces that are not known. This system will also be combined with automatic door access using solenoid door lock. The method used is the Deep Learning Matric for the implementation of face recognition which will used for door lock access.

The results obtained from the testing of the system are quite good where the system can distinguish between homeowner and strangers with several testing criteria, including testing the distance of the camera with people at noon around 12:00 to 13:00 and the night around 19:00 to 20:00 by facing the camera, testing the number of faces detected by cameras, and notifications to residents. Based on the results of testing and analysis, many faces can be caught more than 3 people and for the percentage of accurated in daytime testing obtained by 91.11% while at night by 80%. From the percentage obtained, the detection during the day is better and more accurate than at night due to the light intensity that affects the work of the face recognition algorithm.

Abstrak :
Identitas diri seseorang dalam jejaring sosial menjadi hal penting terutama ketika ingin mengenali siapa sebenarnya orang tersebut. Pencarian identitas diri dapat dengan mudah dilakukan melalui pencarian dalam situs search engine ataupun situs jejaring sosial yang ada pada komputer atau laptop. Metode ini sepertinya bukan merupakan hal yang efektif dan praktis seiring berkembangnya perangkat mobile dalam masyarakat seperti smartphone dan tablet. Untuk itu, dirancang sebuah sistem pengenalan wajah pada perangkat mobile. Sistem ini dirancang dalam bentuk aplikasi yang dikembangkan pada perangkat mobile Android. Penggunaan Android Face Detector API akan bertindak sebagai pustaka dalam proses deteksi wajah pada perangkat mobile sebelum melakukan proses offloading ke layanan komputasi awan. Hasil implementasi berupa modul deteksi wajah pada perangkat mobile dan modul pengenalan wajah (offloading) yang memanfaatkan layanan komputasi awan dengan bantuan komunikasi Representational State Transfer (REST). Hasil pengujian sistem pada perangkat mobile menunjukkan bahwa total waktu pengenalan wajah sebesar 7,45 detik dengan waktu deteksi wajah (onloading) 0,45 detik dan waktu proses offloading 7 detik. ......The identity of a person in social networking becomes very important especially when we want to identify a person. Search for detailed-identity can be easily conducted through searching using the search engine sites or existing social networking website using computer or laptop. This method is not effective and practical when we consider the development of mobile device technology in the community such as smartphone and tablet. Therefore, designed a face recognition system on mobile devices. The system is designed in the form of an application developed on Android mobile devices. The use of Android Face Detector API will act as libraries in the process of face detection before performing the offloading stage. This paper describes the implementation of the facial detection module on mobile device and face recognition module (offloading) using cloud computing service with REST communication. The result of testing on mobile device indicates that total computation time for face recognition system reached 7,45 seconds with the onloading process 0,45 seconds and the offloading process 7 seconds.