UIN Ar-RaniryUIN Ar-Raniry

Cyberspace: Jurnal Pendidikan Teknologi InformasiCyberspace: Jurnal Pendidikan Teknologi Informasi

Penelitian ini mengimplementasikan metode Viola-Jones dan YOLOv9 untuk mendeteksi wajah bergerak menggunakan OpenCV. Penelitian ini menggunakan total dataset yang terdiri dari 1.250 citra wajah untuk metode Viola-Jones, dan 1.205 citra untuk model YOLOv9. Dataset YOLOv9 dibagi kedalam tiga kategori: train (83% atau 1.000 citra), valid (12% atau 145 citra), dan test (5% atau 60 citra). Metode yang diterapkan dalam penelitian ini adalah metode viola-jones dan YOLOv9 untuk mendeteksi wajah bergerak menggunakan OpenCV. Metode Viola-Jones dipilih karena kecepatan dan akurasinya dalam deteksi wajah, sedangkan YOLOv9 dipilih karena kemampuan deteksinya yang canggih dan efisien. Pelatihan model YOLOv9 dilakukan sebanyak empat kali percobaan dengan membandingkan parameter epoch untuk menghasilkan akurasi terbaik. Dari empat kali percobaan, parameter yang menghasilkan akurasi terbaik menggunakan epoch 100 pada batch 16. Metode Viola-Jones berhasil mendeteksi 1.204 dari 1.250 gambar wajah, menghasilkan akurasi, precision, dan recall masing-masing sebesar 96%, serta F1-Score sebesar 97%. Untuk model YOLOv9, hasil pengujian menggunakan confusion matrix menunjukkan bahwa pendeteksi wajah mencapai tingkat precision sebesar 95%, recall sebesar 98%, dan mAP50 sebesar 99%. Berdasarkan hasil ini, dapat disimpulkan bahwa implementasi kedua metode tersebut efektif untuk mendeteksi wajah bergerak dengan tingkat akurasi dan performa yang tinggi.

Metode Viola-Jones berhasil diimplementasikan untuk mendeteksi wajah bergerak dalam video secara real-time, dengan parameter optimal menggunakan 25 tangkapan per frame.Sementara itu, pendeteksian wajah secara real-time menggunakan model YOLOv9 juga berhasil diimplementasikan dengan baik, mendeteksi 1.205 gambar wajah dari dataset yang sama.Model ini menunjukkan performa optimal dengan 100 epoch dan 16 batch, serta menghasilkan precision sebesar 95%, recall sebesar 98%, dan mAP50 sebesar 99%.

Untuk penelitian lanjutan, dapat dilakukan perbandingan antara metode Viola-Jones dan YOLOv9 dengan metode deteksi wajah lainnya, seperti SSD (Single Shot MultiBox Detector) atau MTCNN (Multi-Task Cascaded Convolutional Neural Network), untuk menentukan metode mana yang paling efektif dan efisien dalam mendeteksi wajah bergerak. Selain itu, dapat juga dilakukan penelitian tentang optimasi parameter-parameter dalam metode YOLOv9 untuk meningkatkan akurasi dan performa deteksi wajah, serta mengeksplorasi penggunaan teknik-teknik pengolahan citra tambahan, seperti normalisasi citra atau peningkatan kontras, untuk meningkatkan kualitas citra wajah sebelum proses deteksi.

Read online
File size1.29 MB
Pages17
DMCAReport

Related /

ads-block-test