Analisis Komparatif Algoritma Deep Learning untuk Pengenalan Wajah: CNN, FaceNet, dan ArcFace

Ade Puspita Sari; Billy Hendrik

doi:10.37985/jer.v6i4.2178

Authors

Ade Puspita Sari Teknik Informatika, Universitas Putra Indonesia YPTK Padang Indonesia
Billy Hendrik Teknik Informatika, Universitas Putra Indonesia YPTK Padang Indonesia

DOI:

https://doi.org/10.37985/jer.v6i4.2178

Keywords:

Pengenalan Wajah, Deep Learning, CNN, FaceNet, Arcface

Abstract

Pengenalan wajah adalah teknologi yang digunakan untuk mengidentifikasi, mengklasifikasikan, atau memverifikasi individu berdasarkan karakteristik wajah. Teknologi ini sering diterapkan di berbagai bidang seperti keamanan, pemasaran, dan layanan pelanggan. Penelitian ini menggunakan pendekatan Systematic Literature Review (SLR) untuk menganalisis dan membandingkan tiga algoritma pengenalan wajah utama: Convolutional Neural Network (CNN), FaceNet, dan ArcFace. Penelitian ini bertujuan untuk memahami keakuratan dan efektivitas algoritma dalam berbagai kondisi seperti pencahayaan, ekspresi wajah, dan rotasi wajah. Hasil analisa menunjukkan bahwa CNN memberikan akurasi tertinggi pada berbagai kondisi pencahayaan hingga 99,84%, sedangkan FaceNet mencapai akurasi hingga 100% pada sistem absensi berbasis kamera. ArcFace unggul dalam menggunakan kumpulan data besar dengan akurasi hingga 98%. Penelitian ini diharapkan dapat memberikan panduan untuk pengembangan lebih lanjut dalam teknologi pengenalan wajah dengan memilih algoritma yang tepat berdasarkan kebutuhan spesifik aplikasi.

Downloads

Download data is not yet available.

References

Achmad, Y., Wihandika, R. C., & Dewi, C. (2019). Klasifikasi emosi berdasarkan ciri wajah menggunakan convolutional neural network. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(11), 10595–10604.

Aldiani, D., Dwilestari, G., Susana, H., Hamonangan, R., & Pratama, D. (2024). Implementasi Algoritma CNN dalam Sistem Absensi Berbasis Pengenalan Wajah. Jurnal Informatika Polinema, 10(2), 197-202.

Atmawijaya, R., & Radiyah, U. (2024). Perancangan Autentikasi Multi Faktor Dengan Pengenalan Wajah Dan Fido (Fast Identity Online). INTI Nusa Mandiri, 19(1), 46-53.

Cahyadi, B. N., Basuki, B. M., & Melfazen, O. (2024). Analisis Pengaruh Ekspresi Wajah Terhadap Akurasi Algoritma Pengenalan Wajah Berbasis Pemelajaran Struktural Mendalam Menggunakan Arsitektur Convolutional Neural Network. Science Electro, 17(3).

Cahya Rahmad, S. T., Kom, M., Syulistyo, A. R., Kom, S., Kom, M., & Wardana, A. R. (2022). Pengembangan Aplikasi Deep Learning Pengenalan Wajah Pada Media Online untuk Mengetahui Kehadiran Mahasiswa. Jurnal Informatika Polinema, 8(3), 8-14.

Dang, T. V. (2022). Smart home management system with face recognition based on ArcFace model in deep convolutional neural network. Journal of Robotics and Control (JRC), 3(6), 754-761.

Deng, J., Guo, J., Xue, N., & Zafeiriou, S. (2019). Arcface: Additive angular margin loss for deep face recognition. Dalam Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (hlm. 4690-4699).

Deng, J., & Zafeiriou, S. (2019). Arcface for disguised face recognition. Dalam Proceedings of the IEEE/CVF international conference on computer vision workshops (hlm. 0-0).

Dewi, N., & Ismawan, F. (2021). Implementasi deep learning menggunakan CNN untuk sistem pengenalan wajah. Faktor Exacta, 14(1), 34-43.

Faiq, H. A., & Sabita, H. (2024). Pengembangan Model Deep Learning Untuk Pengenalan Wajah pada Sistem Keamanan. TEKNIKA: Jurnal Ilmiah Bidang Ilmu Rekayasa, 18(1), 197-209.

Fiqihilmi, L., Ratnasari, D., & Ramadhani, C. (2023). Pengenalan Wajah Pada Aplikasi Presensi Perkuliahan Menggunakan FaceNet Berbasis Android. JEITECH (Journal Of Electrical Engineering And Information Technology), 1(1), 14-18.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436–444.

Li, N., Shen, X., Sun, L., Xiao, Z., Ding, T., Li, T., & Li, X. (2023). Chinese face dataset for face recognition in an uncontrolled classroom environment. IEEE Access.

Malakar, S., Chiracharit, W., & Chamnongthai, K. (2024). Masked Face Recognition with Generated Occluded Part using Image Augmentation and CNN Maintaining Face Identity. IEEE Access.

Maulana, I., Khairunisa, N., & Mufidah, R. (2023). Deteksi bentuk wajah menggunakan convolutional neural network (CNN). JATI (Jurnal Mahasiswa Teknik Informatika), 7(6), 3348-3355.

Natbais, Y. H., Warsito, A., Tarigan, J., & Umbu, A. B. S. (2024). Analisis Implementasi Smartphone Android Dan Modul Esp32-Cam Untuk Sistem Absensi Menggunakan Face Recognition. Jurnal Fisika: Fisika Sains Dan Aplikasinya, 9(2), 34-42.

Putra, G. P. S., Fatkhiyah, E., & Ariyana, R. Y. (2024). Analisis Perbandingan Algoritma Local Binary Patterns Histogram (LBPH) Dan Algoritma Convolutional Neural Network (CNN) Pada Sistem Pengenalan Wajah. Jurnal SCRIPT, 12(1), 39-48.

Schroff, F., Kalenichenko, D., & Philbin, J. (2015). Facenet: A unified embedding for face recognition and clustering. Dalam Proceedings of the IEEE conference on computer vision and pattern recognition (hlm. 815-823).

Sugeng, W., & Barus, D. (2023). Pengecekan Foto Pasport Menggunakan Metode Dnn Dan Facenet Sebagai Pengenalan Wajah. Jurnal Pekommas, 8(2), 169-180.

Suhartono, dkk. (2017). Systematic Literatur Review (SLR): Metode, Manfaat, dan Tantangan Learning Analitycs dengan Metode Data Mining di Dunia Pendidikan Tinggi. INFOKAM Vol. 13, No. 1.

Wihardi, Y., Junaeti, E., Setiawan, W., Wahyudin, W., & Erlangga, E. (2022). Smart Classroom System (SCS) Berbasis Kamera Untuk Memantau Keadaan Peserta Didik. Information System For Educators And Professionals: Journal of Information System, 6(1), 67-76.

Winarno, S., Nugraha, A., Muttaqin, A. N. I., Zarifa, Y., Salsabila, P. M., & Mumtaz, G. F. (2024). Comparison of ArcFace and Dlib Performance in Face Recognition with Detection Using YOLOv8. INOVTEK Polbeng-Seri Informatika, 9(2), 890-903.