Detail Cantuman

Pengenalan wajah di berbagai aplikasi keamanan digital sering kali terganggu oleh pencahayaan yang rendah, yang dapat menyebabkan penurunan kinerja hingga 30%. Masalah ini biasanya muncul akibat noise dan distorsi warna pada citra wajah. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan memanfaatkan teknologi RetinexFormer untuk meningkatkan kualitas citra pada kondisi cahaya rendah, kemudian mengintegrasikannya dengan model FaceNet untuk ekstraksi fitur dan klasifikasi wajah. Data yang digunakan dalam penelitian ini terdiri dari 1.000 citra wajah yang diambil pada intensitas cahaya antara 10 hingga 13 lux, dengan 10 subjek berbeda. Dalam eksperimen ini, dua pendekatan dibandingkan: penggunaan citra asli tanpa perbaikan dan citra yang telah ditingkatkan dengan RetinexFormer. Hasil eksperimen menunjukkan peningkatan setelah penerapan RetinexFormer, dengan akurasi model yang meningkat dari 45,5% menjadi 98%, dan F1-score yang naik dari 62,5% menjadi 98,97%. Penelitian ini menegaskan bahwa penggunaan RetinexFormer sebagai teknik prapemrosesan citra terbukti efektif dalam meningkatkan kinerja pengenalan wajah pada kondisi pencahayaan yang buruk, sehingga berpotensi untuk diimplementasikan pada sistem keamanan dan absensi yang memerlukan akurasi tinggi dalam situasi pencahayaan minim.