Vianto, Jo (2021) NoonGil Lens+: Pengenalan Wajah Tingkat Kedua dari Objek Terdeteksi untuk Mengurangi Trade-off Komputasi dan Performa. S1 thesis, Universitas Atma Jaya Yogyakarta.
|
Text (Jo Vianto)
170709173_bab0.pdf Download (242kB) | Preview |
|
|
Text
170709173_bab1.pdf Download (169kB) | Preview |
|
![]() |
Text
170709173_bab2.pdf Restricted to Registered users only Download (255kB) |
|
![]() |
Text
170709173_bab3.pdf Restricted to Registered users only Download (335kB) |
|
![]() |
Text
170709173_bab4.pdf Restricted to Registered users only Download (720kB) |
|
![]() |
Text
170709173_bab5.pdf Restricted to Registered users only Download (756kB) |
|
|
Text
170709173_bab6.pdf Download (228kB) | Preview |
Abstract
Kecerdasan buatan sudah berkembang di berbagai bidang. Perkembangan semakin signifikan setelah Neural Networks mulai kembali populer. Convolutional Neural Networks bekerja baik dalam menyelesaikan masalah seperti klasifikasi, dan deteksi objek. Namun, model CNNs cenderung berfungsi untuk menyelesaikan suatu masalah yang spesifik. Dalam kasus deteksi objek dan pengenalan wajah sekaligus sulit membuat satu model yang bekerja baik. NoonGil Lens + diharapkan dapat menjadi pendekatan yang dapat menyelesaikan kedua masalah sekaligus. Selain menjadi solusi, diharapkan juga pendekatan ini dapat mengurangi trade-off akurasi dan kecepatan eksekusi. Pendekatan yang penulis ajukan dapat disebut Second Level Classfication, sebuah sistem yang menghubungkan YOLOv3 dan FaceNet. Penulis hanya mengembangkan model FaceNet dan sistem yang diajukan dalam penelitian ini (NoonGil Lens + ). Region Selection sebuah greedy approach berbasis pembelajaran mesin diajukan untuk menentukan cuplikan gambar yang kemudian digunakan FaceNet untuk klasifikasi identitas wajah. FaceNet dilatih dengan dataset CelebA yang telah melewati proses preprocessing dan divalidasi menggunakan dataset LFW. NoonGil Lens xi + divalidasi menggunakan 70 gambar dari 7 selebriti, karakter, dan atlet. Secara umum, penelitian berhasil dilakukan. NoonGil Lens dengan menggunakan Region Selection mempunyai akurasi hingga 75.2%. Kecepatan eksekusi Region Selection juga lebih baik jika dibandingkan Faces Cascade.
Item Type: | Thesis (S1) |
---|---|
Uncontrolled Keywords: | Face Verification, Object Detection, Deep Learning, FaceNet, Convolutional Neural Networks |
Subjects: | Teknik Informatika > Soft Computing |
Divisions: | Fakultas Teknologi Industri > Teknik Informatika |
Depositing User: | editor2 dua uajy |
Date Deposited: | 13 Sep 2021 11:18 |
Last Modified: | 13 Sep 2021 11:18 |
URI: | http://e-journal.uajy.ac.id/id/eprint/24720 |
Actions (login required)
![]() |
View Item |