Analisis Performa YOLO, CNN, dan EfficientNet Pada Masked-Face Recognition
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Syah, Muhammad Abby Rafdi
Subject
TK Electrical engineering. Electronics Nuclear engineering
Datestamp
2023-07-13 06:06:30
Abstract :
Untuk mencegah penyebaran virus COVID-19 dengan efektif, penggunaan masker telah menjadi kebiasaan umum di tengah epidemi virus corona. Namun, hal ini telah mengakibatkan tantangan bagi teknologi pengenalan wajah konvensional dalam berbagai konteks seperti kontrol akses perusahaan, absensi wajah, dan pemeriksaan keamanan wajah di bandara. Oleh karena itu, diperlukan peningkatan kinerja teknologi pengenalan wajah dalam mengenali individu yang menggunakan masker. Penelitian ini bertujuan untuk mengevaluasi kemampuan algoritma YOLOv5, CNN, dan EfficientNet dalam pengenalan wajah bermasker. Dengan 3 label dataset wajah dan wajah bermasker dan membandingkannya kedalam metode CNN, EfficientNet dan algoritma YOLOv5, hasil uji coba menunjukkan bahwa metode CNN memiliki tingkat akurasi tinggi (98% untuk wajah bermasker dan 99% untuk wajah tanpa masker), namun dengan kecepatan pemrosesan yang lebih lambat (3.27 FPS). Di sisi lain, algoritma YOLO memiliki kecepatan pemrosesan yang lebih tinggi (3.8 FPS), namun dengan akurasi yang sedikit lebih rendah (80% untuk wajah bermasker dan 83% untuk wajah tanpa masker). Dalam arsitektur EfficientNet menunjukkan kecepatan pemrosesan yang rendah (1.3 FPS), namun dengan akurasi hampir sebanding dengan CNN sebesar 96%. Analisis Confusion Matrix juga memberikan wawasan penting dalam memahami performa masing-masing model. Penelitian ini memberikan kontribusi penting dalam pengembangan aplikasi pengenalan wajah bermasker dengan mempertimbangkan faktor performa model, akurasi dan kecepatan pemrosesan.
Untuk mencegah penyebaran virus COVID-19 dengan efektif, penggunaan masker telah menjadi kebiasaan umum di tengah epidemi virus corona. Namun, hal ini telah mengakibatkan tantangan bagi teknologi pengenalan wajah konvensional dalam berbagai konteks seperti kontrol akses perusahaan, absensi wajah, dan pemeriksaan keamanan wajah di bandara. Oleh karena itu, diperlukan peningkatan kinerja teknologi pengenalan wajah dalam mengenali individu yang menggunakan masker. Penelitian ini bertujuan untuk mengevaluasi kemampuan algoritma YOLOv5, CNN, dan EfficientNet dalam pengenalan wajah bermasker. Dengan 3 label dataset wajah dan wajah bermasker dan membandingkannya kedalam metode CNN, EfficientNet dan algoritma YOLOv5, hasil uji coba menunjukkan bahwa metode CNN memiliki tingkat akurasi tinggi (98% untuk wajah bermasker dan 99% untuk wajah tanpa masker), namun dengan kecepatan pemrosesan yang lebih lambat (3.27 FPS). Di sisi lain, algoritma YOLO memiliki kecepatan pemrosesan yang lebih tinggi (3.8 FPS), namun dengan akurasi yang sedikit lebih rendah (80% untuk wajah bermasker dan 83% untuk wajah tanpa masker). Dalam arsitektur EfficientNet menunjukkan kecepatan pemrosesan yang rendah (1.3 FPS), namun dengan akurasi hampir sebanding dengan CNN sebesar 96%. Analisis Confusion Matrix juga memberikan wawasan penting dalam memahami performa masing-masing model. Penelitian ini memberikan kontribusi penting dalam pengembangan aplikasi pengenalan wajah bermasker dengan mempertimbangkan faktor performa model, akurasi dan kecepatan pemrosesan.
File :
04191044_cover.pdf
04191044_statement_of_authenticity.pdf
04191044_chapter_1.pdf
04191044_chapter_2.pdf
04191044_chapter_3.pdf
04191044_chapter_4.pdf
04191044_conclusions.pdf
04191044_bibliography.pdf
04191044_enclosure.pdf
04191044_presentation.pdf
04191044_Form. TA-020.pdf
04191044_publishing_agreement.pdf
04191044_approval_sheet.pdf
04191044_preface.pdf
04191044_abstract_id.pdf
04191044_abstract_en.pdf
04191044_table_of_content.pdf
04191044_Illustrations.pdf
04191044_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
