FACE DETECTION DENGAN MODEL ARSITEKTUR VGG-19 PADA METODE CONVOLUTIONAL NEURAL NETWORK

Pramuditha, Adeyuni Zada (2024) FACE DETECTION DENGAN MODEL ARSITEKTUR VGG-19 PADA METODE CONVOLUTIONAL NEURAL NETWORK. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text COVER.pdf Download (600kB) | Preview
	Text (BAB I PENDAHULUAN) BAB I.pdf Restricted to Repository staff only Download (158kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf Restricted to Repository staff only Download (342kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf Restricted to Repository staff only Download (156kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf Restricted to Repository staff only Download (2MB) | Request a copy
	Text (BAB V PENUTUP) BAB V.pdf Restricted to Repository staff only Download (20kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (122kB) | Request a copy
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Penelitian ini mengembangkan model Face Detection menggunakan model arsitektur VGG-19 pada metode Convolutional Neural Network (CNN). Teknologi machine learning berkembang sangat pesat, salah satunya deep learning yang menggunakan syaraf tiruan (neural network) yang sangat dalam (deep) untuk mempelajari representasi fitur dari data secara otomatis. Penelitian ini bertujuan untuk meningkatkan akurasi pengenalan ekspresi wajah dalam berbagai aplikasi, termasuk bidang pendidikan dan pemasaran. Dataset yang digunakan terdiri dari 7 kategori ekspresi wajah, dengan pembagian 80% data training 10% data validation dan 10% data testing. Proses penelitian meliputi pengumpulan dataset, pre-processing data, perancangan model CNN, dan pelatihan model dengan variasi epoch. Hasil menunjukkan peningkatan akurasi seiring bertambahnya jumlah epoch, Pada model ini didapatkan akurasi training sebesar 99,09 % dengan loss sebesar 4,12 %. Dan untuk akurasi validation yang didapatkan sebesar 67,39% dengan loss sebesar 2,30%. pada data validasi setelah 100 epoch. Model menunjukkan kinerja baik dalam mengklasifikasikan ekspresi "happy and neutral", namun mengalami kesulitan membedakan antara emosi sedih, takut, dan marah. Penelitian ini membuktikan efektivitas CNN dalam klasifikasi face detection, meskipun masih ada ruang untuk peningkatan, terutama dalam membedakan ekspresi yang mirip.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Face Detection, Convolutional Neural Network, VGG-19, Pengenalan Wajah, Deep Learning
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Mr Bambang Anthony
Date Deposited:	28 Jul 2026 00:54
Last Modified:	28 Jul 2026 00:54
URI:	http://eprints.polsri.ac.id/id/eprint/22260

Actions (login required)

View Item