Seminar Hasil

Tanggal 16.07.2021 Pukul 14.30-Selesai WIB, Jurusan Informatika Fakultas MIPA Universitas Syiah Kuala akan menyelenggarakan Seminar Hasil Tugas Akhir terhadap mahasiswa Prinanda Rahmatullah, dengan topik penelitian Pengembangan Sistem Pengenalan Wajah Menggunakan Arsitektur VGGNET dan RESNET di Universitas Syiah Kuala. Rincian jadwal dan pelaksanaan kegiatan dapat dilihat di bawah ini.

Topik Seminar: Pengembangan Sistem Pengenalan Wajah Menggunakan Arsitektur VGGNET dan RESNET di Universitas Syiah Kuala
Presenter: Prinanda Rahmatullah

• Pembimbing
• Pembimbing 1 : Prof. Dr. Taufik Fuadi Abidin, S.Si., M.Tech.
• Pembimbing 2 : Alim Misbullah, S.Si., M.S.
• Pembahas/Penguji
• Pembahas 1 : Dr. Zahnur, S.Si, M.IT
• Pembahas 2 : Irvanizam Zamanhuri, S.Si, M.Sc
• Pembahas 3 : Kurnia Saputra, ST., M.Sc.
• Pelaksanaan Acara Seminar
• Hari/Tanggal : Jumat, 16 July 2021
• Pukul : 14.30 WIB s.d selesai
• Ruangan/ Google Meeting : https://meet.google.com/gsw-cgxv-oqi

Ringkasan / Abstrak

Pengembangan teknologi biometrika memberikan dampak yang positif terhadap penggunaan metode autentikasi berbasis biometrika di berbagai lini seperti fingerprint scanner dan pengenalan wajah untuk presensi kehadiran dan pembuka layar smartphone. Namun, penggunaan biometrika di sektor pendidikan masih tergolong rendah seperti tumpang tindihnya presensi kehadiran via web dan fingerprint scanner. Penggunaan fingerprint ini semakin terlarang dengan adanya pandemi Covid-19. Oleh karena itu, diperlukan suatu sistem biometrika yang lebih baik tanpa memerlukan interaksi secara langsung antara sistem dan pengguna yaitu pengenalan wajah. Penelitian ini menggunakan metode machine learning untuk melakukan klasifikasi terhadap pengenalan wajah yaitu Convolutional Neural Network dengan pengujian terhadap 3 arsitektur yang berbeda yaitu VGG-16, VGG-19, dan ResNet-50. Pelatihan dilakukan sebanyak dua tahap, tahap pertama menggunakan data set FaceScrub dengan menguji akurasi dan waktu prediksi terbaik dari ketiga arsitektur dan tahap kedua menggunakan data set sivitas akademika dengan menguji hyperparameter dan augmentasi data untuk memperoleh performa model terbaik. Diperoleh arsitektur ResNet-50 sebagai arsitektur terbaik pada pelatihan tahap pertama dengan memperoleh akurasi validasi tertinggi yaitu 0.8969, loss validasi terendah yaitu 0.8917, dan waktu prediksi terendah yaitu 35.77 detik per 400 citra digital. Kemudian, arsitektur ResNet-50 menghasilkan model berperforma terbaik pada pelatihan tahap kedua untuk data set sivitas akademika mahasiswa dengan batch size 5, learning rate 1 × 10−4, dan data augmentasi. Berdasarkan hasil pengujian (testing) data sivitas akademika mahasiswa, diperoleh akurasi (rata-rata dari F1) sebesar 0.89 dan macro average (F1 dari rata-rata) sebesar 0.8868.

Video Presentasi Seminar

Presentasi seminar hasil dapat dilihat pada video di bawah ini.