<![CDATA[Deteksi bentuk wajah menjadi elemen kritis dalam berbagai aplikasi pengenalan wajah, keamanan, dan interaksi manusia dengan sistem komputer. Deteksi tersebut dapat dilakukan dengan menggunakan ekstraksi fitur-fitur tertentu. Pada penelitian ini menggunakan metode arsitektur CNN yang telah terbukti dalam mengatasi kompleksitas visual untuk mengekstraksi fitur wajah secara hierarkis. Dataset pelatihan yang beragam digunakan untuk melatih model, meningkatkan kemampuannya dalam mengenali variasi bentuk wajah. Hasilnya menunjukkan bahwa CNN memberikan tingkat akurasi yang cukup tinggi dalam mendeteksi bentuk wajah bahkan dalam situasi yang challenging. Selain itu, kecepatan dan efisiensi model memungkinkan implementasi real-time dalam berbagai aplikasi, memperkuat potensinya dalam mendukung pengembangan teknologi pengenalan wajah yang lebih canggih dan andal. Penelitian ini memberikan kontribusi pada pemahaman mendalam tentang penerapan CNN untuk deteksi bentuk wajah serta memberikan dasar untuk peningkatan lebih lanjut dalam bidang pengenalan wajah dan aplikasi terkait. Dataset yang digunakan berjumlah 5000 dataset dengan resolusi 100 x 100 pixels. Berdasarkan hasil penelitian yang telah dilakukan dengan melakukan epoch sebanyak 40 kali dan batch size berukuran 16, didapatkan hasil akurasi training tertinggi sebesar 74%. Pada pengujian, model juga diimplementasikan ke dalam API menggunakan framework Flask.]]>
Copyrights © 2023
