Referensi

Deteksi Tersangka Dengan Pengenalan Wajah Berbasis Visi Komputer

---

ABSTRAK
MUHAMMAD ARAFAH, Deteksi Tersangka dengan Pengenalan Wajah Berbasis Visi Komputer (dibimbing oleh Andani Achmad, Indrabayu dan Intan Sari Areni)

Penelitian ini bertujuan untuk mengenali wajah tersangka yang melewati fasilitas umum dengan berbagai kondisi. Penempatan kamera Clossed Circuit Television (CCTV) dengan jarak yang berbeda-beda, penggunaan oklusi dengan mengenakan kerudung dan pemanfaatan gambar dengan resolusi gambar yang berbeda-beda termasuk resolusi rendah. Pengambilan data uji diskeonarikan pada area pemeriksaan keberangkatan penumpang di bandara dengan menggunakan kamera CCTV, untuk data lain menggunakan kamera Digital Single Lens Reflex (DSLR). Terdapat dua tahapan yang digunakan yakni deteksi wajah dan pengenalan wajah, untuk tahapan deteksi wajah menggunakan metode Viola-Jones, sedangkan untuk pengenalan wajah menggunakan metode Histogram of Oriented Gradients dan Multiclass Support Vector Machine (HOG-MSYM) dengan menggunakan pre-processing (Brightness Enhancement, Contrast Limited Adaptive Histogram Equalization (CLAHE), Grayscale), selanjutnya metodeConvolutional Neural Network dan Cosine Similarity (CNN-CS). Penerapan metode tersebut digunakan pada tiga kasus, kasus pertama adalah pengenalan wajah dengan kondisi penempatan kamera CCVT dengan jarak yang berbeda-beda dengan hasil terbaik pada jarak 300 cm dengan akurasi 86,77% (HOG-MSVM) dan 97,20% (CNN-CS). Kasus kedua yakni pengenalan wajah menggunakan oklusi dengan mengenakan kerudung, terdapat empat skenario yakni data latih tanpa kerudung untuk data uji tanpa kerudung dan dengan kerudung, kemudian data latih dengan kerudung untuk data uji tanpa kerudung dan dengan kerudung. Hasil terbaik pada kasus ini adalah pada skeonario data latih tanpa kerudung dengan data uji tanpa kerudung denganhasil akurasi 85% (HOG-MSVM) dan 99,68% (CNN-CS). Kasus ketiga adalah pemanfaatan gambar dengan resolusi yang berbeda-beda termasuk resolusi rendah menggunakan metode CNN dengan arsitektur ResNet50 ArcFace sebagai loss function pada prosestraining dan Cosine Similarity untuk proses identifikasi wajah. ResNet50 dan ArcFace menggunakan ukuran embedding sebesar 512 dan pada proses trainingnya, parameter scale dan margin pada ArcFace adalah 64 dan 0,5. Hasil dari metode CNN-CS menunjukkan bahwa meskipun resolusi gambar terkategori rendah sistem dapat mengenali dengan baik, yakni menghasilkan akurasi sebesar 99,35% untuk gambar dengan resolusi 64 pikselm dan 97,90% untuk gambar dengan resolusi 32 piksel.

Kata kunci: Deteksi Wajah, Pengenalan Wajah, Tersangka, Brightness Enhancement, Contrast Limited Adaptive Histogram Equalization, Grayscale, Histogram of Oriented Gradients, Multi-class Support Vector Machine, Convolutional Neural Network, Cosine Similarity.

---

Ketersediaan

Informasi Detail

Judul Seri

-

No. Panggil

DST MUH d

Penerbit

Makassar : PPs UNHAS., 2022

Deskripsi Fisik

xviii + 272 hlm.; 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

REF MUH d

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

Promotor: Andani Achmad dan Co-Promotor: Indrabayu dan Intan Sari Areni

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar