Anda belum login :: 23 Nov 2024 12:19 WIB
Detail
BukuMesin Presensi berbasis Metode Pengenalan Wajah Histogram of Oriented Gradients berbantuan Proses Klasifikasi Linear Support Vector Machine pada Sistem Tertanam Raspberry Pi 4B
Bibliografi
Author: Budiyanta, Nova Eka (Advisor); Matthew, Samuel
Topik: Pengenalan wajah; Histogram of Oriented Gradients; linear Support Vector Machine; OpenCV; Raspberry Pi; sistem presensi.
Bahasa: (ID )    
Penerbit: Program Studi Teknik Elektro Fakultas Teknik Unika Atma Jaya     Tempat Terbit: Jakarta    Tahun Terbit: 2021    
Jenis: Theses - Undergraduate Thesis
Fulltext:
Abstract
Di dalam daerah perkantoran, salah satu benda yang sering disentuh adalah alat presensi/pencatat kehadiran. Kontak fisik terhadap alat presensi dapat dihilangkan dengan mengganti metode presensi menggunakan metode pengenalan wajah. Studi ini bertujuan untuk menerapkan sistem presensi berbasis metode pengenalan wajah menggunakan Raspberry Pi dan kamera dilengkapi dengan sensor pendeteksi suhu tubuh berbantuan aplikasi web. Pendekatan pengenalan wajah yang dilakukan dalam studi ini adalah Histogram of Oriented Gradients didukung dengan linear Support Vector Machine. Pengujian dilakukan guna mendapatkan jumlah data yang optimal untuk digunakan di dalam dataset. Hasil yang didapatkan dalam studi ini berupa sebuah mesin presensi yang mampu mengenali wajah pengguna yang sudah terdaftar dengan tingkat akurasi sebesar 98% pada 43,02 frame per detik (idle) dan 2,90 frame per detik (aktif) dengan menggunakan dataset berisikan 20 data tiap wajah (20 data x 20 wajah = 400 data). Sensor yang digunakan dapat mengukur suhu dengan akurasi ±0,5°C. Daftar kehadiran dapat diakses oleh pihak yang berkepentingan melalui situs web yang menampilkan data dari basis data. Untuk menanggulangi kesalahan sistem pada saat uji coba, presensi secara manual dapat dilakukan melalui aplikasi berbasis web.
Opini AndaKlik untuk menuliskan opini Anda tentang koleksi ini!

Lihat Sejarah Pengadaan  Konversi Metadata   Kembali
design
 
Process time: 0.171875 second(s)