Article Sidebar

Download
PDF

Main Article Content

Abstract

Penelitian ini mengembangkan sistem pintu portal miniatur dengan teknologi pengenalan wajah berbasis FaceNet dan MediaPipe untuk meningkatkan keamanan akses. Sistem ini menggunakan kamera, modul ESP32, motor servo. Kamera diposisikan pada jarak yang bervariasi dari pengguna untuk memastikan deteksi wajah yang optimal. FaceNet digunakan untuk menghasilkan representasi vektor wajah yang akurat, sementara MediaPipe digunakan untuk deteksi wajah secara real-time. Pengujian dilakukan dalam berbagai kondisi pencahayaan (standar, redup, dan terang) serta pada variasi jarak (25 cm, 100 cm, 200 cm, 300 cm). Hasil menunjukkan bahwa sistem mampu mendeteksi wajah dengan baik pada jarak 25 hingga 250 cm dalam kondisi pencahayaan standar dan terang. Sistem tetap menunjukkan kinerja baik dalam kondisi pencahayaan redup dan terang, meskipun terdapat penurunan akurasi pada jarak yang lebih jauh. Motor servo menunjukkan keandalan tinggi dalam merespon hasil pengenalan wajah, membuka dan menutup pintu secara otomatis. Sistem ini menawarkan solusi efektif dan nyaman untuk kontrol akses otomatis, meningkatkan keamanan, dan mengurangi resiko tindakan kriminal.

Keywords

Pengenalan Wajah Facenet Mediapipe Miniatur

Article Details

License

Copyright (c) 2024 Mochamad Aditya Rizky Fahreza, Abd Rabi’, Wahyu Dirgantara

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

References

  1. A. Fakhruddin et al., “RANCANG BANGUN SISTEM KEAMANAN PINTU RUMAH BERBASIS INTERNET OF THINGS DENGAN ESP32 DAN APLIKASI BLYNK,” vol. 19, pp. 53–59, 2024.
  2. F. Putri Untsa, “Meningkatkan Keamanan Kota melalui Perencanaan dan Perancangan Kota,” Blantika Multidiscip. J., vol. 2, no. 6, pp. 594–613, 2024, doi: 10.57096/blantika.v2i6.148.
  3. T. Arifianto, “Pengembangan Sistem Pengenalan Wajah Berbasis Deep Learning Untuk Keamanan Komputer 2024,” J. Rev. Pendidik. dan Pengajaran, vol. 7, no. 2, pp. 3934–3938, 2024.
  4. M. Reynaldo, “Convolutional Neural Network Dalam Deteksi Dan Rekognisi Agent Pada Kontes Robot Sepak Bola Humanoid Indonesia,” pp. 1–6, 2020, [Online]. Available: http://repository.teknokrat.ac.id/id/eprint/3382%0Ahttp://repository.teknokrat.ac.id/3382/4/b216312303.pdf.
  5. D. P. Romadhon and R. E. Putra, “Penerapan Metode Deep Learning Menggunakan Algoritma CNN based Recommendation pada Aplikasi E- Commerce Gols ( Studi Kasus : PT . Cipta Giri Sentosa ),” vol. 05, pp. 616–627, 2024.
  6. M. F. Irsyandi and T. Sutabri, “Analisis Kinerja Algoritma Kecerdasan Buatan untuk Pengenalan Wajah dalam Pengaturan Keamanan,” IJM Indones. J. …, vol. 2, pp. 122–127, 2024, [Online]. Available: https://journal.csspublishing.com/index.php/ijm/article/view/717%0Ahttps://journal.csspublishing.com/index.php/ijm/article/download/717/510.
  7. A. Azhar, B. Siswoyo, D. Pratama, K. Anam, and H. Susana, “Penerapan Algoritma Convolutional Neural Network (Cnn) Untuk Diagnosa Tumor Otak,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1797–1801, 2024, doi: 10.36040/jati.v8i2.8242.
  8. A. H. Qisthan, “Analisis performa metode convolutional neural network dengan arsitektur convnext dalam klasifikasi spesies ular berbisa dan tidak berbisa di indonesia,” Repository.Uinjkt.Ac.Id, 2023, [Online]. Available: https://repository.uinjkt.ac.id/dspace/handle/123456789/77034%0Ahttps://repository.uinjkt.ac.id/dspace/bitstream/123456789/77034/1/ALIFIAR HAZAZI QISTHAN-FST.pdf.
  9. D. Iverson, “SISTEM PENDETEKSI PNEUMONIA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR DENSENET201 LAPORAN,” vol. 4, no. 02, pp. 7823–7830, 2024.
  10. W. Sugeng and D. Barus, “Pengecekan Foto Pasport Menggunakan Metode Dnn Dan Facenet Sebagai Pengenalan Wajah,” J. Pekommas, vol. 8, no. 2, pp. 169–180, 2023, doi: 10.56873/jpkm.v8i2.5195.
  11. P. Ramadhika, “BAB II Tinjauan Pustaka BAB II TINJAUAN PUSTAKA 2.1. 1–64,” Gastron. ecuatoriana y Tur. local., vol. 1, no. 69, pp. 5–24, 2019.
  12. I. B. A. Peling, I. M. P. A. Ariawan, and G. B. Subiksa, “Deteksi Bahasa Isyarat Menggunakan Tensorflow Lite dan American Sign Language (ASL),” J. Krisnadana, vol. 3, no. 2, pp. 90–100, 2024, doi: 10.58982/krisnadana.v3i2.534.
  13. Zaini Miftach, “BAB 2 TINJAUAN PUSTAKA & DASAR TEORI,” pp. 53–54, 2018.
  14. A. Fu’adi et al., “Pembangunan Sistem Monitoring Kehadiran Mahasiswa Menggunakan Yolo Pendeteksi Obyek dan Pengenal Wajah Opencv,” J. Ilm. Teknol. Inf. Asia, vol. 18, no. 1, pp. 84–87, 2024.
  15. I. Of, T. K. Neighbor, M. For, C. Of, D. On, and L. Images, “Implementasi Metode K-Nearest Neighbor Untuk Klasifikasi Penyakit Tanaman Mentimun Pada Citra Daun,” pp. 135–145, 2024.
  16. P. Studi, T. Informatika, F. Sains, D. A. N. Teknologi, U. Islam, and N. Syarif, “Klasifikasi Deepfake Video Menggunakan Random Forest dan Stochastic Gradient Descent Dengan Metode Pendekatan Triplet Loss Approach Algoritma MTCNN Klasifikasi Deepfake Video Menggunakan Random Forest dan Stochastic Gradient Descent Dengan Metode Pendekat,” 2023.
  17. Riswan, “PENGENALAN POLA WAJAH GENDER FACE RECOGNITION MENGGUNAKAN METODE COSINE SIMILARITY,” Proposal, pp. 4–6, 2024.
  18. P. B. Utomo, A. Komunitas, N. Putra, and S. Fajar, “Deteksi Gerak Tangan sebagai Pengenal Bahasa Isyarat menggunakan Mediapipe dan Long-Short Term Memory Deteksi Gerak Tangan sebagai Pengenal Bahasa Isyarat menggunakan Mediapipe dan Long-Short Term Memory,” no. June, 2024, doi: 10.24176/simet.v15i1.10505.