Studi Kasus : Penerapan Metode Convolutional Neural Network Untuk Mendeteksi Objek Wajah Di Dunia Nyata
Keywords:
Convolutional Neural Network, Deteksi Wajah, Pengenalan Pola, Kecerdasan Buatan, Dataset Gambar WajahAbstract
Penelitian ini bertujuan untuk mengeksplorasi dan menganalisis penerapan metode Convolutional Neural Network (CNN) dalam mendeteksi objek wajah di berbagai situasi dunia nyata. Deteksi wajah adalah salah satu topik penting dalam bidang pengenalan pola dan kecerdasan buatan, dengan aplikasi luas yang mencakup keamanan, pengawasan, dan interaksi manusia-komputer. Dalam studi kasus ini, kami mengembangkan dan menguji model CNN yang dilatih menggunakan dataset gambar wajah yang beragam. Model ini dirancang untuk mengenali dan mendeteksi wajah dalam berbagai kondisi pencahayaan, sudut pandang, dan latar belakang. Hasil eksperimen menunjukkan bahwa metode CNN memiliki kinerja yang sangat baik dalam mendeteksi wajah dengan tingkat akurasi yang tinggi, bahkan dalam kondisi yang kompleks dan tidak terkendali. Selain itu, penelitian ini juga mengidentifikasi tantangan utama dalam penerapan CNN untuk deteksi wajah, seperti kebutuhan akan data latih yang besar dan komputasi yang intensif. Temuan dari penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan teknologi deteksi wajah yang lebih canggih dan akurat di masa depan.
References
Arsal,Muhammad, Bheta Agus Wardijono, and Dina Anggraini. 2020. “Face Recognition Untuk Akses Pegawai Bank Menggunakan Deep Iearning Dengan Metode CNN.” Jurnall Nasional Teknologi Dan Sistem Informasii 6(1):55–63. doi: 10.25077/teknosi.v6i1.2020.55-63
Goodfellow, I., Bengio, Y., & Courville, A. (2016). "Deep Learning." MIT Press.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). "Deep Residual Learning for Image Recognition." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770-778.
Jupri, G. D., & Rosyani, P. (2022). AI Implementasi Artificial Intelligence Pada Sistem Manufaktur Terintegrasi: Implementasi Artificial Intelligence. BISIK: Jurnal Ilmu Komputer, Hukum, Kesehatan Dan Sosial Humaniora, 1(2), 140–143.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). "ImageNet Classification with Deep Convolutional Neural Networks." Advances in Neural Information Processing Systems, Vol. 25, pp. 1097-1105.
Kurniawan, Henri, dan Kusnawi Kusrini. 2023. “JURNAL MEDIA INFORMATIKA BUDIDARMA Klasifikasi Pengenalan Wajah Siswa Pada Sistem Kehadiran dengan Menggunakan Metode Convolutional Neural Network.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). "Deep Learning." Nature, Vol. 521, pp. 436-444.
Perani Rosyani, et al. (2023). "Artificial Intelligence dalam Berbagai Bidang Industri." Jurnal Teknologi Informasi dan Komputer, Vol. 15, No. 2, pp. 45-56.
Perani Rosyani, et al. (2023). "Penerapan Convolutional Neural Network untuk Pengenalan Wajah." Jurnal Ilmu Komputer dan Aplikasi, Vol. 10, No. 3, pp. 123-134.
Perani Rosyani, et al. (2024). "Implementasi CNN untuk Mendeteksi Perilaku Menyimpang di Lingkungan Pendidikan." Jurnal Teknologi Pendidikan, Vol. 5, No. 1, pp. 78-89.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). "You Only Look Once: Unified, Real-Time Object Detection." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 779-788.
Schroff, F., Kalenichenko, D., & Philbin, J. (2015). "FaceNet: A Unified Embedding for Face Recognition and Clustering." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 815-823.
Simonyan, K., & Zisserman, A. (2014). "Very Deep Convolutional Networks for Large-Scale Image Recognition." arXiv preprint arXiv:1409.1556.
Zufar, M., & Setiyono, B. (2016). Convolutional Neural Networks untuk Pengenalan Wajah Secara RealTime. Jurnal Sains dan Seni ITS, 2337-3520
