Detail Cantuman

Teknologi pengenalan wajah merupakan salah satu metode autentikasi biometrik yang banyak digunakan pada berbagai sektor, seperti keamanan dan pendidikan. Dibandingkan metode konvensional seperti kartu identitas atau kata sandi, pengenalan wajah memiliki keunggulan karena memanfaatkan karakteristik biometrik yang melekat pada individu. Namun, kinerja sistem pengenalan wajah masih dipengaruhi oleh berbagai faktor, seperti variasi pencahayaan, jarak pengambilan citra, serta sudut wajah, yang dapat menurunkan tingkat akurasi pengenalan. Penelitian ini mengimplementasikan sistem pengenalan wajah berbasis Convolutional Neural Network (CNN) yang diawali dengan tahap deteksi wajah menggunakan Haar-Cascade Classifier. Untuk meningkatkan kualitas citra, diterapkan tahapan pra-pemrosesan berupa Contrast Limited Adaptive Histogram Equalization (CLAHE) dan augmentasi data. Selain itu, dilakukan perbandingan kinerja model dengan dan tanpa optimasi hyperparameter menggunakan Optuna. Pengujian dilakukan pada delapan skenario yang merupakan kombinasi penggunaan CLAHE, augmentasi data, dan optimasi hyperparameter, dengan evaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa penerapan CLAHE pada tahap pengujian meningkatkan persentase pengenalan benar dari 75% menjadi 86,11% pada variasi kondisi pencahayaan dan jarak. Pada tahap evaluasi kinerja, skenario augmentasi tanpa CLAHE dan tanpa optimasi hyperparameter (Aug, NoCLAHE, NoOptuna) menghasilkan kinerja terbaik pada dataset yang digunakan. Hasil penelitian ini menunjukkan bahwa variasi pencahayaan dan karakteristik dataset memengaruhi kinerja sistem pengenalan wajah berbasis CNN, serta bahwa penerapan pra-pemrosesan tertentu dapat memberikan perbedaan hasil pengenalan.