Sistem Pengenalan Wajah Untuk Kendali Berbasis Perilaku Pengguna Pada Smart Home Dengan Algoritma Faster R-CNN
DOI:
https://doi.org/10.34818/eoe.v8i6.17226Abstract
Smart Home merupakan salah satu teknologi yang sangat terkenal saat ini dan sering kali terdengar oleh kita. Penggunaan sistem rumah pintar ini sangat membantu pengguna dalam mengurangi pemborosan energi listrik dan memberikan kemudahan dalam melakukan kendali. Namun sistem rumah pintar saat ini perlu dilakukan pengembangan agar lebih baik, misalnya dengan penambahan fitur pengenalan wajah atau face recognition. Berdasarkan proses pengujian yang dilakukan dari tahap pembuatan model, training, hingga proses pengenalan wajah, model yang dihasilkan memliki keluaran yang dapat melakukan identifikasi dan klasifikasi wajah pengguna berdasarkan nilai confidence pada bounding box. Setelah melalui tahap pembuatan model, training dan pengenalan objek, yang mengunakan parameter Distribusi Dataset dan parameter Learning Rate dalam pengujiannya. Untuk pengujian dengan parameter distribusi dataset diperoleh nilai performansi sistem sebesar 99%, 92% untuk presisi dan 89% untuk nilai recall. Sedangkan untuk pengujian dengan parameter learning rate memiliki hasil untuk performansi sistem sebesar 90%, 80% nilai presisi dan 79% nilai recall. Dengan demikian sistem ini dapat mencapai performa yang maksimal. Kata kunci : Computer Vision, Face Recognition, Faster R-CNN, Object Detection, Smart HomeReferences
[1] T. F. Yurnama and N. Azman, “Perancangan Software Aplikasi Pervasive Smart Home,” Snati, vol. 2009, no. Snati,
pp. E2–E5, 2009, [Online]. Available: https://www.neliti.com/id/publications/116718/perancangan-softwareaplikasi-pervasive-smart-home.
[2] I. T. Nugraha, R. Patmasari, and A. I. Irawan, “MENGGUNAKAN FACE RECOGNITION PADA RASPBERRY
PI,” pp. 4–12.
[3] M. N. Amirullah et al., “FACE RECOGNITION PADA SMART MIRROR DENGAN METODE ALGORITMA
PRINCIPAL COMPONENT ANALYSIS ( PCA ) FACE RECOGNITION ON SMART MIRROR WITH
ALGORITHMS PRINCIPAL COMPONENT ANALYSIS ( PCA ),” pp. 1–7.
[4] B. A. Budiman, I. I. Tritoasmoro, R. Rahmania, F. T. Elektro, and U. Telkom, “ANALISI PERFORMANSI
DETEKSI PELANGGARAN STOP MENGGUNAKAN FASTER R-CNN PERFORMANCE ANALYSIS STOP
VIOLATION DETECTION USING FASTER R-.”
[5] M. Zufar and B. Setiyono, “Convolutional Neural Networks Untuk Pengenalan Wajah Secara Real-Time,” J. Sains
dan Seni ITS, vol. 5, no. 2, p. 128862, 2016, doi: 10.12962/j23373520.v5i2.18854.
[6] P. Navia R, “PENERAPAN METODE CONVOLUTIONAL NEURAL,” Jakarta.
[7] Sunario Megawan and Wulan Sri Lestari, “Deteksi Spoofing Wajah Menggunakan Faster R-CNN dengan
Arsitektur Resnet50 pada Video,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 3, pp. 261–267, 2020, doi:
10.22146/.v9i3.231.
[8] S. M. Abbas and S. N. Singh, “Region-based Object Detection and Classification using Faster R-CNN,” Int. Conf.
"Computational Intell. Commun. Technol. CICT 2018, no. Cict, pp. 1–6, 2018, doi:
10.1109/CIACT.2018.8480413.
[9] E. Angelina, I. Iwut T, and K. Usman, “KOMPRESI ADAPTIF UNTUK CITRA WAJAH DENGAN METODE
AUTOMATIC REGION of INTEREST (ROI) PADA JPEG 2000,” 2009.
[10] J. Adiwibowo, “Deteksi Alat Pelindung Diri Menggunakan Metode YOLO dan Faster R-CNN.”
