PENERAPAN DEEP LEARNING PADA FACE RECOGNITION (LITERATURE REVIEW)

Penulis

  • Zelvi Gustiana
  • Ananda Hadi Elyas

DOI:

https://doi.org/10.46576/djtechno.v5i1.4541

Abstrak

Penelitian ini mengkaji penggunaan teknologi Convolutional Neural Networks (CNN) untuk pengenalan wajah, dengan fokus pada penerapan teknologi 3D, Generative Adversarial Networks (GAN), dan Deep Convolutional Neural Networks (DCNN). Teknologi 3D menawarkan solusi atas batasan metode 2D, memperbaiki akurasi pengenalan di kondisi pencahayaan yang beragam dan orientasi wajah yang berubah-ubah. Integrasi GAN dan DCNN meningkatkan kemampuan generalisasi model, yang esensial dalam menghadapi variasi data nyata. Penelitian ini juga mengeksplorasi pengembangan CNN yang ringan, cocok untuk aplikasi mobile, yang mengoptimalkan kinerja tanpa mengorbankan efisiensi penggunaan sumber daya. Kajian ini menyoroti pentingnya mengembangkan dataset yang variatif untuk melatih model dengan efektif, mendorong keakuratan yang lebih tinggi dalam pengenalan wajah. Hasil dari penelitian ini menunjukkan bahwa teknologi pengenalan wajah memiliki potensi besar untuk diterapkan dalam berbagai aplikasi, mulai dari keamanan hingga layanan personalisasi, memperkuat perlunya penelitian lebih lanjut untuk terus meningkatkan teknologi ini.

Referensi

Adjabi, I. (2020). Past, Present, and Future of Face Recognition: A Review.

Alturki, R., Alharbi, M., & Alanzi, F. (2021). Deep learning techniques for detecting and recognizing face masks : A survey. March 2020.

Chowanda, A. (2021). Separable convolutional neural networks for facial expressions recognition. Journal of Big Data. https://doi.org/10.1186/s40537-021-00522-x

Cnn, D. M., Arsal, M., Agus, B., & Anggraini, D. (2020). Jurnal Nasional Teknologi dan Sistem Informasi Face Recognition Untuk Akses Pegawai Bank Menggunakan Deep Learning. 01, 55–63.

Dewi, N., & Ismawan, F. (2021). Implementasi Deep Learning Menggunakan Convolutional Neural Network untuk Sistem Pengenalan Wajah. 14(1), 34–43. https://doi.org/10.30998/faktorexacta.v14i1.8989

Febriya, F., & Network, C. C. N. (2023). PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK. 2(2).

Fime, A. A., Sikder, D., Rabbi, J., Al-rakhami, M. S., Sen, O., & Fuad, M. (2021). Recent Advances in Deep Learning Techniques for Face Recognition. July.

He, L., He, L., & Peng, L. (2023). applied sciences CFormerFaceNet : Efficient Lightweight Network Merging a CNN and Transformer for Face Recognition.

Liu, W., Zhou, L., & Chen, J. (2021). Face Recognition Based on Lightweight Convolutional Neural Networks.

Setiawan, D. (n.d.). 66 Dhanny S., Andikha D.P., Kezia S., Jenisa F. 66–79.

Wiguna, C. W., Irawan, J. D., Orisa, M., & Industri, F. T. (2022). PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK PADA APLIKASI DETEKSI WAJAH BURONAN BERBASIS WEB. 6(2).

Unduhan

Diterbitkan

2024-04-30

Terbitan

Vol 5 No 1 (2024): April

Bagian

Articles

Lisensi

Pernyataan Hak Cipta dan Lisensi

  1. Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
  2. Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada  Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Djtechno sebagai media Publikasi pertama atas karya tersebut.
  3. Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Djtechno sebagai media publikasi pertama atas karya dimaksud.
  4. Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.