Aulya, Ilman (2023) Pengenalan Identitas Wajah Bermasker Menggunakan Metode You Only Look Once-V5 (Yolo-V5). Other thesis, Universitas Komputer Indonesia.
|
Text
UNIKOM_Ilman A_Cover.pdf - Published Version Download (13kB) | Preview |
|
|
Text
UNIKOM_Ilman A_Lembar Pengesahan_compressed.pdf - Published Version Download (69kB) | Preview |
|
|
Text
UNIKOM_Ilman A_Surat Keterangan Persetujuan Publikasi_compressed.pdf - Published Version Download (57kB) | Preview |
|
|
Text
UNIKOM_Ilman A_Surat Pernyataan Orisinalitas.pdf - Published Version Download (147kB) | Preview |
|
|
Text
UNIKOM_Ilman A_Kata Pengantar.pdf - Published Version Download (74kB) | Preview |
|
|
Text
UNIKOM_Ilman A_Daftar Isi.pdf - Published Version Download (94kB) | Preview |
|
|
Text
UNIKOM_Ilman A_Bab 1.pdf - Published Version Download (111kB) | Preview |
|
Text
BAB4 ILHAM.pdf - Published Version Restricted to Repository staff only Download (145kB) | Request a copy |
||
|
Text
UNIKOM_Ilman A_Bab 5.pdf - Published Version Download (7kB) | Preview |
|
|
Text
UNIKOM_Ilman A_Daftar Pustaka.pdf - Published Version Download (84kB) | Preview |
|
|
Text
UNIKOM_Ilman A_Kontak Penulis Dan Kontributor.pdf - Published Version Download (7kB) | Preview |
Abstract
Sejak akhir 2019, pandemi COVID-19 berdampak besar di seluruh dunia dengan penggunaan masker yang meningkat. Meskipun melindungi dari virus, masker juga menciptakan anonimitas berlebihan dan menghambat pengawasan keamanan. Solusinya adalah mengembangkan teknologi pengenalan wajah yang memperhitungkan masker untuk menjaga akurasi identifikasi individu. Selama tiga tahun pandemi, penelitian telah menghasilkan sistem deteksi dan pengenalan wajah bermasker menggunakan deep learning seperti YOLO-v5. Metode ini berhasil mengatasi kendala deteksi objek kecil dan kompleks melalui Mosaic augmentation dan Auto-Anchor. Uji coba dilakukan dengan video menggunakan ponsel sebagai webcam dengan variasi pencahayaan. Hasil menunjukkan bahwa pencahayaan bergantung pada perangkat penangkap gambar, dan penggunaan background images seimbang (0-10%) diperlukan untuk optimalisasi pelatihan. Anotasi yang fokus pada wajah tanpa masker menghasilkan model dengan akurasi 93%, lebih baik daripada yang melibatkan masker. Penelitian melibatkan 2800 data latih identitas wajah dan 200 set validasi, dengan akurasi 93,15%. YOLOv5 cocok untuk pengenalan wajah real-time di tempat umum, dengan perhatian pada kualitas kamera, pencahayaan, jarak objek, jumlah epochs yang tinggi, dan komposisi penggunaan background images seimbang sesuai panduan resmi.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Pandemi, Keamanan, Pengenalan Wajah Bermasker, Deep Learning, YOLOv5 |
Subjects: | 000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 004_Data Processing & Computer Science Q Science > QA Mathematics > QA76 Computer software |
Divisions: | S1_SKRIPSI > FTIK_Teknik Informatika (01) |
Depositing User: | Mia Hayati Kosasih |
Date Deposited: | 11 Oct 2024 03:55 |
Last Modified: | 11 Oct 2024 04:01 |
URI: | http://elibrary.unikom.ac.id/id/eprint/9363 |
Actions (login required)
View Item |