Komparasi Algoritma CNN Dan Transfer Learning Untuk Identifikasi Ekspresi Wajah Potensi Kejahatan
Abstract
Penelitian ini bertujuan untuk mengembangkan dan menerapkan algoritma Convolutional Neural Network (CNN) guna mendeteksi ekspresi wajah mencurigakan dalam rangka pencegahan tindak kejahatan di fasilitas publik. Menghadapi tantangan dalam mendeteksi perilaku kriminal secara cepat dan akurat, penelitian ini merancang sistem prediksi ekspresi wajah untuk mendukung petugas keamanan dalam mencegah kejahatan, mengevaluasi efektivitas model deep learning pada rekaman CCTV, serta menerapkan langkah-langkah keamanan siber untuk melindungi sistem dari akses yang tidak sah. Penelitian ini juga melakukan komparasi antara model CNN tradisional dengan metode transfer learning seperti ResNet50, MobileNetV2, dan VGG16. Hasil penelitian menunjukkan bahwa CNN tradisional tidak hanya memiliki akurasi tinggi dalam mendeteksi ekspresi wajah mencurigakan, tetapi juga lebih stabil dan efektif dalam menghindari overfitting dibandingkan dengan model-model transfer learning. Selain itu, langkah-langkah keamanan siber yang diterapkan terbukti efektif dalam melindungi sistem dari ancaman eksternal. Penelitian ini memberikan kontribusi signifikan dalam meningkatkan keamanan publik melalui teknologi deteksi ekspresi wajah yang canggih dan aman.
References
Alamsyah, D., & Pratama, D. (2020). Implementasi Convolutional Neural Networks (Cnn) Untuk Klasifikasi Ekspresi Citra Wajah Pada Fer-2013 Dataset. Jurnal Teknologi Informasi, 4(2).
Andi Agustinus, Rudi Kurniawan, & Harma Oktafia Lingga Wijaya. (2023). Klasifikasi Emosi Melalui Ekspresi Wajah Menggunakan Algoritma Deep Learning (Vol. 2). Built Environment Research Unit, University of Wolverhampton.
Ardiyanti, H. (2016). Cyber-Security Dan Tantangan Pengembangannya Di Indonesia. http://kominfo.go.id/index.php/content/detail/3980/
Arsal, M., Agus Wardijono, B., & Anggraini, D. (2020). Face Recognition Untuk Akses Pegawai Bank Menggunakan Deep Learning Dengan Metode CNN. Jurnal Nasional Teknologi Dan Sistem Informasi, 6(1), 55–63. https://doi.org/10.25077/teknosi.v6i1.2020.55-63
Corneanu, C. A., Simón, M. O., Cohn, J. F., & Guerrero, S. E. (2016). Survey on RGB, 3D, Thermal, and Multimodal Approaches for Facial Expression Recognition: History, Trends, and Affect-Related Applications. IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(8), 1548–1568. https://doi.org/10.1109/TPAMI.2016.2515606
Fadlil, A., Prayogi, D., Dahlan, A., & Penulis Korespondensi, Y. (2022). Sistem Pengenalan Wajah pada Keamanan Ruangan Berbasis Convolutional Neural Network. In Jurnal Sains Komputer & Informatika (J-SAKTI (Vol. 6, Issue 2).
Galuh Sembodo, F., Fadila Fitriana, G., & Prasetyo, N. A. (2021). Evaluasi Usability Website Shopee Menggunakan System Usability Scale (SUS). In Journal of Applied Informatics and Computing (JAIC) (Vol. 5, Issue 2). http://jurnal.polibatam.ac.id/index.php/JAIC
Hermawan, E. (2021). Klasifikasi Pengenalan Wajah Menggunakan Masker atau Tidak Dengan Mengimplementasikan Metode CNN ( Convolutional Neural Network ).
Hu, Q., Ma, L., & Zhao, J. (2018). DeepGraph: A PyCharm Tool for Visualizing and Understanding Deep Learning Models. Proceedings - Asia-Pacific Software Engineering Conference, APSEC, 2018-December, 628–632. https://doi.org/10.1109/APSEC.2018.00079
Jamhari, A., Mukti Wibowo, F., & Andi Saputra, W. (2020). Perancangan Sistem Pengenalan Wajah Secara Real-Time pada CCTV dengan Metode Eigenface. 2(2), 20–032. https://doi.org/10.20895/INISTA.V2I2
Mollahosseini, A., Chan, D., & Mahoor, M. H. (2016). Going Deeper in Facial Expression Recognition using Deep Neural Networks.
Muharram, R. F., Suryadi, A., Raya, J., No, T., Gedong, K., Rebo, P., & Timur, J. (2022). Implementasi Artificial Intelligence Untuk Deteksi Masker Secara Realtime Dengan Tensorflow Dan Ssdmobilenet Berbasis Python. Jurnal Widya, 3(2), 281–290. https://jurnal.amikwidyaloka.ac.id/index.php/awl
Nathasya, Y., & Ginting, B. (2023). Deteksi Emosi Anak Dari Ekspresi Wajah Dengan Deep Learning Untuk Menilai Kesehatan Mental.
Parlika, R., Ardhian Nisaa’, T., Ningrum, S. M., & Haque, B. A. (2020). Studi Literatur Kekurangan dan Kelebihan Pengujian Black Box. TEKNOMATIKA, 10(02), 1–5.
Pratala, C. T., Asyer, E. M., Prayudi, I., & Saifudin, A. (2020). Pengujian White Box pada Aplikasi Cash Flow Berbasis Android Menggunakan Teknik Basis Path. Jurnal Informatika Universitas Pamulang, 5(2), 111. https://doi.org/10.32493/informatika.v5i2.4713
Purba, G. E. P., Hadi Wijoyo, S., & Setiawan, N. Y. (2017). Pengaruh Transfer Learning Resnet Dan Densenet Terhadap Performa Klasifikasi Ekspresi Wajah Menggunakan Dataset Fer-2013 (Vol. 1, Issue 1). http://j-ptiik.ub.ac.id
Rahmat, A., Syafiih, M., & Faid, M. (2023). Implementasi Klasifikasi Potensi Penyakit Jantung Dengan Menggunakan Metode C4.5 Berbasis Website ( Studi Kasus Kaggle.Com ). INFOTECH Journal, 9(2), 393–400. https://doi.org/10.31949/infotech.v9i2.6295
Sanner, M. F. (1999). Python: A Programming Language For Software Integration And Development. http://www.python.org/doc/Comparisons.html
Shah, N., Bhagat, N., & Shah, M. (2021). Crime forecasting: a machine learning and computer vision approach to crime prediction and prevention. In Visual Computing for Industry, Biomedicine, and Art (Vol. 4, Issue 1). Springer. https://doi.org/10.1186/s42492-021-00075-z
Siswidiyanto, S., Munif, A., Wijayanti, D., & Haryadi, E. (2020). Sistem Informasi Penyewaan Rumah Kontrakan Berbasis Web Dengan Menggunakan Metode Prototype. Jurnal Interkom: Jurnal Publikasi Ilmiah Bidang Teknologi Informasi Dan Komunikasi, 15(1), 18–25. https://doi.org/10.35969/interkom.v15i1.64
Yam, J. H., & Taufik, R. (2021). Hipotesis Penelitian Kuantitatif. 3(2).
Refbacks
- There are currently no refbacks.
Jl. Auri No. 14-16 Kota Madiun 63118
Lt 3 Kantor Program Studi Teknik Informatika
email : senatik@unipma.ac.id
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.