Penerapan Algoritma Transfer Learning pada Pengenalan Wajah untuk Sistem Monitoring Kehadiran Perkuliahan Berbasis Streaming

Adillah, Zahrotul (2023) Penerapan Algoritma Transfer Learning pada Pengenalan Wajah untuk Sistem Monitoring Kehadiran Perkuliahan Berbasis Streaming. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000139-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Corona Virus Disease 2019 telah ditetapkan oleh World Health Organization sebagai penyakit menular pada Maret 2020. Keadaan saat ini telah memungkinkan masyarakat untuk mengerjakan aktivitas di luar ruangan dengan tetap menerapkan protokol kesehatan. Dengan demikian, digitalisasi diperlukan di beberapa sistem untuk tetap menjaga keamanan dan kenyamanan masyarakat. Pada dunia pendidikan salah satu contoh sistem yang perlu digitalisasi adalah sistem kehadiran. Transfer learning adalah suatu teknik dimana sebuah model yang telah dilatih pada suatu tugas dapat digunakan sebagai basis untuk mengekstrak fitur yang berguna untuk tugas lain yang berbeda. Algoritma transfer learning dapat mengurangi waktu dan biaya yang dibutuhkan untuk melatih model pengenalan wajah dari awal, karena model tersebut telah memiliki kemampuan untuk mengekstrak fitur yang relevan dari data yang sudah ada. Dalam konteks sistem monitoring kehadiran perkuliahan berbasis streaming, algoritma transfer learning dapat digunakan untuk mempercepat proses pembelajaran model pengenalan wajah yang akan digunakan untuk mengenali wajah mahasiswa yang mengikuti perkuliahan. Tugas akhir ini akan menerapkan algoritma transfer learning untuk pengenalan wajah dari para siswa dengan atau tanpa masker. Dataset yang digunakan pada penelitian ini merupakan dataset video, dimana para siswa cukup melewati alat perekam untuk diambil data wajahnya. Model transfer learning yang digunakan adalah DenseNet121 dan ResNet50V2. Hasil yang didapatkan dari penelitian tugas akhir ini adalah akurasi testing 97,06% dengan menggunakan model ResNet50V2 dan 96,33% menggunakan DenseNet121.
=================================================================================================================================
Coronavirus Disease 2019 has been designated as a contagious disease by the World Health Organization in March 2020. The current situation has allowed people to work outdoors activities byining the implementation of health protocols. Thus, digitalization is necessary in some systems to maintain the safety and comfort of the community. In the world of education, one example of a system that needs digitalization is a presence system. Transfer learning is a technique in which a model that has been trained on a task can be used as a basis to extract features that are useful for other tasks. Transfer learning algorithms can reduce the time and cost it takes to train facial recognition models from scratch, as such models have the ability to extract relevant features from existing data. In the context of a streaming-based lecture presence monitoring system, transfer learning algorithms can be used to accelerate the learning process of facial recognition models that will be used for recognizing the faces of students attending the lecture. This final project will apply transfer learning algorithms to recognizing the faces of students with or without mask. The dataset used in this study is a video dataset, where students just pass the recording tool to take their face data. The transfer learning models used are DenseNet121 and ResNet50V2. The results obtained from this final research project are testing accuracy is 97,06% using the ResNet50V2 model and 96,33% using DenseNet121 model.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	COVID-19, Pengenalan Wajah, Sistem Kehadiran, Streaming Dataset, Transfer learning, Attendance System, Face Recognition, Streaming Dataset
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QA Mathematics > QA9.58 Algorithms T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Zahrotul Adillah
Date Deposited:	24 Oct 2023 04:30
Last Modified:	24 Oct 2023 04:30
URI:	http://repository.its.ac.id/id/eprint/102804

Actions (login required)

View Item