Pengecekan Foto Pasport Menggunakan Metode Dnn Dan Facenet Sebagai Pengenalan Wajah

Bilah Samping Artikel

PDF
Diterbitkan: Dec 12, 2023
DOI: https://doi.org/10.56873/jpkm.v8i2.5195
Kata Kunci:
DNN, FaceNet, pengenalan wajah
Dimensions
Altmetrics
Statistics
Read Counter : 488
Download : 306
Crossmark/ Data Version

Isi Artikel Utama

Winarno Sugeng
Institut Teknologi Nasional Bandung
Daniel Barus

Abstrak

Pemeriksaan foto paspor pada saat ini masih menggunakan system manual atau membutuhkan tenaga manusia. Dalam melakukan pemeriksaan tentunya tata cara pemeriksaan seperti ini memiliki beberapa keterbatasan yaitu human error karena petugas juga memiliki keterbatasan tenaga dalam melakukan pengecekan. Tujuan dari penelitian ini adalah dapat mengenali wajah seseorang meskipun area wajah tertutup oleh objek atau aksesoris. Metode yang digunakan sebagai deteksi wajah yaitu DNN dan metode untuk pengenalan wajah yaitu FaceNet. Untuk hasil pengujian training model FaceNet telah menghasilkan model terbaik dengan akurasi 97,48% terhadap 5191 citra uji dan untuk testing gambar didapat akurasi gambar sebesar 97% dengan citra uji 412 dan untuk pengujian secara realtime didapat hasil untuk kondisi wajah normal sebesar 90%, kondisi wajah menggunakan kacamata sebesar 83%, kondisi wajah menggunakan masker sebesar 70%, kondisi wajah menggunakan topi sebesar 81% dan kondisi wajah menggunakan semua aksesoris sebesar 66%. Dengan begitu sistem telah berjalan sesuai dengan yang diharapkan dan metode FaceNet telah dapat diimplementasikan secara realtime pada sistem pengenalan wajah dengan akurasi pengenalan wajah yang sangat baik

Rincian Artikel

Terbitan
Vol 8 No 2 (2023): December 2023
Bagian
Informatika
Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka

Syarat yang harus dipenuhi oleh Penulis sebagai berikut:

  1. Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
  2. Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
  3. Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).

Referensi

Aini, N., & Liliana, D. Y. (2022). Prediksi Gender Berdasarkan Citra Mata Menggunakan Metode Convolutional Neural Network, Inception dan MobileNet. Buletin Poltanesa, 226-232.

Craparotta, G., Thomassey, S., & Biolatti, A. (2019). A siamese neural network application for sales forecasting of new fashion products using heterogeneous data. International Journal of Computational Intelligence Systems, 1537-1546.

E. R., R. S., & Pratama, Y. (2020). Evaluasi Pembangunan Sistem Pakar Penyakit Tanaman Sawit dengan Metode Deep Neural Network (DNN). JURNAL MEDIA INFORMATIKA BUDIDARMA, 1206-1215.

Efanntyo, & Mitra, A. R. (2021). Perancangan Aplikasi Sistem Pengenalan Wajah Dengan Metode Convolutional Neural Network (CNN) Untuk Pencatatan Kehadiran Karyawan. Jurnal Instrumentasi dan Teknologi Informatika, 1-11.

Evelyn, Adipranata, R., & Gunadi, K. (2022). Sistem Presensi Mahasiswa Menggunakan Face Recognition Dengan Metode FaceNet Pada Android. Jurnal Infra, 2-8.

Hasan, R. T., & Sallow, A. B. (2021). Face Detection and Recognition Using OpenCV. Journal of Soft Computing and Data Mining, 86-97.

Jatmoko, C., Setiadi, D. M., Hartanto, D., & Kurniawan, A. F. (2020). Uji Implementasi Algoritma Viola-Jones Dalam Pengenalan Wajah. Dinamik, 68-76.

Megawan, S., & Lestari, W. S. (2020). Deteksi Spoofing Wajah Menggunakan Faster R-CNN dengan Arsitektur Resnet50 pada Video. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 261-267.

Mujib, K., Hidayatno, A., & Prakoso, T. (2018). ENGENALAN WAJAH MENGGUNAKAN LOCAL BINARY PATTERN (LBP) DAN SUPPORT VECTOR MACHINE (SVM). Transient, 123.

S, A. B., Suma'inna, & Maulana, H. (2018). Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA). Jurnal Teknik Informatika, 166-175.

Sakti, D. M., Murti, W. S., Kurniasari, A., & Rosid, J. (2022). Face Recognition Dengan Metode Haar Cascade dan FaceNet. Indonesian Journal of Data and Science, 30-34.

Santoso, A., & Ariyanto, G. (2018). Implementasi Deep Learning berbasis Keras untuk Pengenalan Wajah. Jurnal Teknik Elektro, 15-21.

Sembiring, D. R., Aritonang, M. A., Pane, M. J., Laia, A. D., Waruwu, E., & Azmi, F. (2019). ANALISIS ACCURATE LEARNING BACKPROPAGATION NEURAL NETWORK PADA PENGENALAN WAJAH. Jurnal Mantik Penusa, 70-73.

Weifeng Ge, Huang, W., Dong, D., & R. Scott, M. (2018). Deep Metric Learning with Hierarchical Triplet Loss. CVF, 272-288.

Wita, D. S., & Liliana, D. Y. (2022). Klasifikasi Identitas Dengan Citra Telapak Tangan Menggunakan Convolutional Neural Network (CNN). Jurnal Rekayasa Teknologi Informasi (JURTI), 1.