IMPLEMENTASI FACE RECOGNITION PADA SISTEM KEAMANAN RUMAH BERBASIS INTERNET OF THINGS DENGAN MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK

Yusup, Dede (2022) IMPLEMENTASI FACE RECOGNITION PADA SISTEM KEAMANAN RUMAH BERBASIS INTERNET OF THINGS DENGAN MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. Sarjana thesis, Universitas Siliwangi.

	Text COVER.pdf Download (128kB)
	Text ABSTRAK.pdf Download (86kB)
	Text PENGESAHAN.pdf Download (1MB)
	Text KATA PENGANTAR, DAFTAR ISI, DAFTAR TABEL, DAN DAFTAR GAMBAR - Copy.pdf Download (193kB)
	Text BAB I.pdf Download (103kB)
	Text BAB II.pdf Download (1MB)
	Text BAB III.pdf Download (251kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Restricted to Repository staff only Download (133kB)
	Text DAFTAR PUSTAKA.pdf Download (333kB)

Abstract

ABSTRAK Kasus pencurian dan pembobolan rumah merupakan persoalan yang sering terjadi di masyarakat. Menurut penelitian Putri & Yendri (2018) angka kasus ini pada Tahun 2018 menunjukan tingkat yang cukup tinggi sebesar 73.76% berdasarkan data Subdirektorat Statistik Politik dan Keamanan 2018. Saat ini terdapat ragam solusi yang diusulkan para peneliti untuk mengatasi persoalan tersebut, diantaranya adalah penelitian Abhirawa (2017) bahwa metode tersebut dapat dilakukan dalam sistem pengenalan wajah namun belum adanya fitur notifikasi jika objek yang tidak terdaftar pada dataset akan mengirimkan notifikasi pada aplikasi telegram beserta tangkapan gambar objek tak dikenali, untuk mengatasi masalah tersebut dibuatlah Implementasi Face Recognition pada Sistem Keamanan Rumah berbasis Internet of Things dengan menggunakan Algoritma Convolutional Neural Network. Dalam penerapanya sistem ini mampu mengidentifikasi wajah dari anggota keluarga. Sistem yang dibuat pada penelitian ini menunjukkan bahwa metode Convolutional Neural Network (CNN) memiliki akurasi yang tinggi sebesar 100% dalam melakukan deteksi terhadap objek/wajah manusia berdasarkan 40 kali pengambilan data. Terdapat beberapa peredaan pada tingkat akurasi, presisi dan recall pada metode CNN, yakni akurasi sebesar 87.5%, presisi sebesar 92.5%, dan recall sebesar 100%. Sistem pengiriman notifikasi dengan berbasis android dan firebase juga bekerja cukup baik dengan presentase keberhasilan dalam mengunggah data berupa gambar dan string sebesar 100% dan penerimaan notifikasi yang cukup baik dengan presentase keberhasilan 90% berdasarkan 20 kali pengambilan data. Kata kunci: Instant messenger alert, Image, IoT, Pi Camera, Raspberry Pi

Actions (login required)

View Item