Implementasi backbone CSPDarknet53 pada algoritma YOLOv4 sebagai sistem pendeteksi wajah manusia
Main Article Content
Abstract
Sistem pendeteksi wajah manusia merupakan salah satu teknologi yang banyak digunakan pada bidang komputer vision. Algoritma YOLOv4 merupakan algoritma yang dapat digunakan sebagai object detector. Algoritma YOLOv4 mampu mendeteksi secara realtime sebuah object benda termasuk pada wajah manusia. Algoritma YOLOv4 mempunyai beberapa struktur salah satunya adalah backbone yang akan digunakan pada penelitian ini. Backbone yang digunakan pada penelitian ini adalah CSPDarknet53. CSPDarknet53 merupakan struktur yang optimal sebagai ekstrasi fitur detector. Pada penelitian ini sistem pendeteksi wajah manusia dirancang menggunakan algoritma YOLOv4 dengan struktur backbone CSPDarknet53 yang dimana sistem ini diuji untuk mendapatkan nilai akurasi dan kecepatan respon deteksi dari jarak yang ditentukan. Hasil pengujian deteksi dan kecepatan respon mendapatkan nilai akurasi terbesar pada pengujian pendeteksian jarak 1meter dengan nilai akurasi sebesar 89.6% dan kecepatan respon sebesar 0.433 detik.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
Abidin, S. (2018). Deteksi Wajah Menggunakan Metode Haar Cascade Classifier Berbasis Webcam Pada Matlab. Jurnal Teknologi Elekterika. 2018, Volume 15 (1): 21-27.
Arief, R. W. (2021). Sistem Deteksi dan Pengenalan Rambu Lalu Lintas Di Indonesia Mengunakan Algoritma YOLOv4= Traffic Sign Detection and Recognition System in Indonesia Using the YOLOv4 Algorithm (Doctoral dissertation, Universitas Hasanuddin).
Bhanushree K. J., M. M. (2020). Feature Based Face Recognition using Machine. International Journal of Recent Technology and Engineering (IJRTE), 1-5.
Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. CoRR, abs/2004.1. https://arxiv.org/abs/2004.10934
Dai, T., Cong, S., & Zhang, J. (2022). Microscopic image recognition method of stomata in living leaves based on improved YOLO-X. Research Square.
Hasman, E. P. (2021). Haar Cascade dan Algoritma Eignface Untuk Sistem Pembuka Pintu Otomatis.
JSAI : Journal Scientific and Applied Informatics.
Justitian, E. R., Purbasari, I. Y., & Anggraeny, F. T. (2022). Perbandingan Akurasi Deteksi Kelelahan pada Pengendara Menggunakan YOLOv3-Tiny YOLOv4-Tiny. Jurnal Informatika dan Sistem Informasi, 3(1), 21-30.
Koech, K. E. (2020). Object Detection Metrics With Worked Example. Towards Data Science. https://towardsdatascience.com/on-object-detection-metrics-with-worked-example- 216f173ed31e
Nurhasanah, Y. I., & Admaja, A. D. (2022). Perbandingan Pengenalan Huruf Bahasa Isyarat Indonesia (Bisindo) Secara Real Time Menggunakan Algoritma Yolov3 Dan Yolov4. FTI.
Redmon, J., Divvala, S. K., Girshick, R. B., & Farhadi, A. (2015). You Only Look Once: Unified, Real- Time Object Detection. CoRR, abs/1506.0. http://arxiv.org/abs/1506.02640
Ramli, A., Salamah, K. S., & Yuliza, Y. (2021). Perancangan Sistem Conformal Coating Inspection Circuit Board Menggunakan Metode Jaringan Saraf Tiruan Berbasis Matlab. Jurnal Teknologi Elektro, 12(2), 50-58.
Setyaningsih, E. R., & Edy, M. S. (2022). YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi. Teknika, 11(1), 45–52. https://doi.org/10.34148/teknika.v11i1.419
Sulistyo, W. Y., Riadi, I., & Yudhana, A. (2018, November). Analisis Deteksi Keaslian Citra Menggunakan Teknik Error Level Analysis Dengan Forensicallybeta. In Seminar Nasional Informatika (SEMNASIF) (Vol. 1, No. 1).
Thoriq, M. Y. A., Siradjuddin, I. A., & Permana, K. E. (2023). Deteksi Wajah Manusia Berbasis One Stage Detector Menggunakan Metode You Only Look Once (YOLO). Jurnal Teknoinfo, 17(1), 66-73.
Wang, C., Zhou, Y., & Li, J. (2022). Lightweight Yolov4 Target Detection Algorithm Fused with ECA Mechanism. Processes, 10(7). https://doi.org/10.3390/pr10071285