ABSTRAK Radifa Akbar Abhesa
PUBLIC Alice Diniarti
COVER Radifa Akbar Abhesa
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 1 Radifa Akbar Abhesa
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 2 Radifa Akbar Abhesa
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 3 Radifa Akbar Abhesa
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 4 Radifa Akbar Abhesa
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
PUSTAKA Radifa Akbar Abhesa
PUBLIC Alice Diniarti
Sistem pemindaian biometrik merupakan suatu teknologi yang digunakan untuk mengidentifikasi seseorang ke dalam data digital berdasarkan keunikan biologi khusus yang dimiliki seseorang tersebut. Rekognisi wajah dua dimensi sebagai sistem identifikasi biometric saat ini banyak digunakan karena kemudahan dan tingkat akurasinya yang tinggi dalam proses identifikasi. Terlepas dari kelebihan tersebut, masih ada kekurangan sistem rekognisi wajah 2D dengan penggunaan kamera RGB dalam pemindaian yang dapat menyebabkan masalah keamanan. Untuk itu kami mengajukan sebuah sistem rekognisi wajah yang dibuat dengan merancang sistem pemindaian tiga dimensi berbasis point cloud dengan memanfaatkan kamera stereo vision (kinect model 1414) beserta algoritma pendeteksi wajah dengan bahasa pemrograman Python menggunakan metode Deep Learning.
Secara khusus, buku tugas akhir ini menjelaskan proses pelatihan model 3D Face Recognition menggunakan algoritma deep learning beserta evaluasinya menggunakan metode Confusion Matrix. Model deep learning yang diperoleh merupakan model hasil training menggunakan library Python ImageAI dengan model pelatihan YOLOv3. Variasi model yang diuji berupa jumlah subjek yang berbeda dan dampaknya terhadap berbagai parameter. Pengujian parameter yang dilakukan berupa pengukuran akurasi, kesalahan, presisi, dan sensitifitas model. Hasil akhir yang diperoleh merupakan model pengenalan wajah dengan rentang akurasi 42,25 – 57%.