Manihuruk, Chrisnata (2025) FACE RECOGNITION UNTUK MENGENALI MAHASISWA DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. S1 thesis, Universitas Malikussaleh.

	Text Chrisnata Manihuruk_210170180_Cover.pdf Download (252kB)
	Text Chrisnata Manihuruk_210170180_Abstrak.pdf Download (264kB)
	Text Chrisnata Manihuruk_210170180_BAB I.pdf Download (326kB)
	Text Chrisnata Manihuruk_210170180_Daftar Pustaka.pdf Download (217kB)
	Text Chrisnata Manihuruk_210170180_Face Recognition Untuk Mengenali Mahasiswa Dengan Algoritma Convolutional Neural Netwrok.pdf Restricted to Registered users only Download (8MB)

Abstract

Dalam penelitian ini, kami mempersembahkan sistem pengenalan wajah yang efektif untuk mengidentifikasi mahasiswa di Jurusan Teknik Informatika Universitas Malikussaleh dengan menggunakan algoritma Convolutional Neural Network (CNN). Pengenalan wajah memiliki peran penting dalam sistem keamanan dan presensi, menggantikan metode tradisional yang rentan terhadap kecurangan. Pendekatan yang kami gunakan melibatkan pengumpulan dataset dari lima sudut berbeda (depan, atas, bawah, kiri, dan kanan) dengan total 36 mahasiswa, yang bertujuan untuk meningkatkan representasi fitur wajah dan memperbaiki pelatihan model. Proses pengembangan sistem mencakup beberapa tahap penting, seperti akuisisi gambar, prapemrosesan, pelatihan model dengan data pelatihan dan validasi, serta evaluasi kinerja. Hasil pengujian menunjukkan bahwa sistem mampu mengenali wajah dengan akurasi 91.67% dalam situasi real-time saat mahasiswa bergerak. Metrik evaluasi, seperti precision dan recall, masing-masing mencapai 100% dan 92%. Penelitian ini juga menemukan bahwa jarak optimal untuk pengenalan wajah berkisar antara 3.6 hingga 5.5 meter, dengan akurasi tertinggi pada sudut wajah tampak depan, kiri 45°, dan atas 45°, yang masing-masing mencapai 81.8%. Sebaliknya, sudut bawah menunjukkan akurasi terendah sebesar 45.4%. Temuan ini menegaskan tingginya akurasi klasifikasi model di seluruh kelas yang diuji, menyoroti efektivitas CNN dalam aplikasi pengenalan wajah yang dapat diandalkan untuk keperluan presensi dan keamanan

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Chris Chrisnata Manihuruk
Date Deposited:	10 Feb 2025 07:18
Last Modified:	10 Feb 2025 07:18
URI:	https://rama.unimal.ac.id/id/eprint/9798

Actions (login required)

View Item