JURNAL PENDIDIKAN VOKASIONAL TEKNIK ELEKTRO
Volume 8.
No.
1, 9-17
e_ISSN: 2622-7029 https://journal.
id/unj/index.
php/jvote/index RANCANG BANGUN PROTOTYPE FACE RECOGNITION BERBASIS YOLO11
DENGAN MENGGUNAKAN RASPBERRY PI
Listia Setiawati * Rafiuddin Syam Aodah Diamah Pendidikan Teknik Elektronika.
Universitas Negeri Jakarta.
Indonesia Pendidikan Teknik Elektronika.
Universitas Negeri Jakarta.
Indonesia Pendidikan Teknik Elektronika.
Universitas Negeri Jakarta.
Indonesia Info Artikel Catatan Artikel:
Diterima: 26 Mei 2025 Revisi: 01 Juni 2025 Disetujui: 08 Juni 2025 DoI : 10.
21009/jvote.
Kata Kunci:
Face recognition Prototype Raspberry Pi
YOLO11
Abstrak Penelitian ini bertujuan untuk merancang prototype face recognition berbasis YOLO11 dengan menggunakan Raspberry Pi.
Pembagian dataset adalah 80% .
gambar wajah untuk training, 8% .
gambar wajah untuk testing, dan 12% .
gambar wajah untuk validasi.
Berdasarkan hasil pengujian alat pada 10 video bergerak didapatkan nilai akurasi sebesar 95 %, presisi 100% recall 6%, dan F1-Score sebesar 94%.
Meskipun demikian, performa identifikasi rentan terhadap kondisi pencahayaan backlight, motion blur, dan pose wajah yang terlalu menoleh ekstrem dapat mengurangi akurasi deteksi.
Pengujian Task Success Rate untuk mengukur kinerja speaker mencapai 100%, menandakan fungsi notifikasi sistem dalam memberitahukan hasil identifikasi sesuai dengan hasil pembacaan info log, membuktikan kelayakan prototype face recognition berbasis YOLO11 dengan menggunakan Raspberry Pi.
Artikel : Listia Setiawati.
Rancang Bangun Prototype Face Recognition Berbasis Yolo11 Dengan Menggunakan Raspberry Pi.
Jurnal Pendidikan Vokasional Teknik Elektro, 8.
, 9-17
PENDAHULUAN
Perkembangan teknologi kecerdasan buatan (Artificial Intelligenc.
yang cukup signifikan telah menjadi perhatian untuk penerapan Personal Identification (Laia dkk.
, 2.
Dalam konteks ini.
Computer Vision, sebagai subkategori Artificial Intelligence, memegang peranan sentral dengan kemampuannya mengekstrak informasi berharga dari gambar (Obi dkk.
, 2.
Kecerdasan buatan (Artificial Intelligence/AI) secara umum dapat dikategorikan menjadi dua cabang utama, yaitu Machine Learning (ML) dan Deep Learning (DL).
Machine Learning berfokus pada pengembangan algoritma yang memungkinkan komputer belajar dari data empiris untuk membuat prediksi atau pengambilan keputusan secara otomatis (Mitchell, 1997.
Jordan & Mitchell.
Salah satu bentuk pengembangan lebih lanjut dari ML adalah Deep Learning, yang menggunakan arsitektur artificial neural network berlapis .
ultiple laye.
untuk memproses data dalam skala besar dan menyelesaikan tugas-tugas kompleks seperti deteksi objek, pengenalan suara, serta penerjemahan bahasa (LeCun et al.
, 2015.
Schmidhuber, 2.
Dalam konteks pemrosesan data sensor, baik ML maupun DL telah banyak diterapkan untuk analisis pola perilaku, sistem prediksi, hingga pendeteksian anomali karena kemampuannya dalam mengolah data berbasis waktu secara adaptif (Zhang et al.
, 2019.
Sari et al.
, 2.
Pemanfaatan algoritma deep Learning dalam computer vision telah merevolusi cara sistem pengenalan wajah beroperasi, memungkinkan identitas individu secara akurat berdasarkan karakteristik wajah (Goodfellow dkk.
, 2.
Pengenalan wajah .
ace recognitio.
telah Coressponding author:
Listia Setiawati Universitas Negeri Jakarta.
Indonesia .
istiastwt@gmail.
Jurnal Pendidikan Vokasional Teknik Elektro berkembang sebagai salah satu teknik biometric unggulan untuk otentikasi identitas dan telah banyak digunakan di berbagai bidang, seperti militer, keuangan, keamanan publik, dan kehidupan sehari-hari (Wang & Deng, 2.
Hasil studi yang ditulis oleh Rizqolima & Widhiantoro .
dalam jurnal yang berjudul analisis perbandingan Algoritma DeepFace.
YOLO dan Tensorflow dalam pengenalan wajah disimpukan bahwa algoritma YOLO sesuai untuk diterapkan pada aplikasi real-time yang menuntut latensi rendah, dimana jeda waktu antara deteksi wajah oleh kamera dan respon sistem harus Penelitian terdahulu telah menunjukkan keberhasilan implementasi berbagai versi YOLO (You Only Look Onc.
dalam deteksi dan pengenalan wajah.
Sebagai contoh YOLOv5 telah digunakan dalam sistem keamanan rumah dengan akurasi 80% (Nabilah et al.
, 2.
YOLOv7 juga menunjukkan akurasi tinggi dalam sistem pendeteksi identitas dengan rata-rata keakuratan 86,2% (Pamungkas et al.
, 2.
Penerapan Algoritma YOLOv8 dalam identifikasi wajah secara real-time mengguna CCTV untuk presensi siswa, memiliki nilai mAP (Mean Average Precisio.
yaitu 88,1%, precision 76,1%, dan recall 82,8% (Muntiari et al.
, 2.
Kemudian.
YOLOv9, menjanjikan peningkatan performa yang lebih canggih dan efisien, mencapai precision 95%, recall 98%, dan mAP 90% dalam deteksi wajah bergerak (Mahera & Islamadina, 2.
Selanjutnya YOLO11 merupakan versi terbaru dari seri model deteksi objek real-time Ultralytics YOLO.
Implikasinya adalah YOLO11 mampu mencapai kinerja state-of-the-art dengan jejak komputasi yang lebih kecil, menjadikannya ideal untuk penerapan pada perangkat edge untuk aplikasi real Ae time (Thakur.
Seiring dengan kemajuan algoritma, ketersediaan single Board Computer (SBC) seperti Raspberry Pi telah membuka peluang baru dalam pengembangan prototype sistem cerdas yang ringkas dan terjangkau (PT Ozami Inti Sinergi, 2.
Raspberry Pi menawarkan platform komputasi hemat daya dengan kapabilitas yang cukup untuk menjalankan model machine learning secara langsung (Duanti et al.
, 2.
, memungkinkan implementasi sistem di lingkungan edge computing atau perangkat mandiri.
Berdasarkan penelitian terdahulu, yang menunjukkan keberhasilan implementasi berbagai versi YOLO (You Only Look Onc.
dalam deteksi dan pengenalan wajah, penelitian ini memilih YOLO11 sebagai inti face recognition, dan InsightFace yang berfungsi sebagai face embedding.
Setelah YOLO11 mendeteksi wajah.
InsightFace akan mengekstrak vektor unik dari wajah yang nantinya akan dibandingkan dengan data wajah yang tersimpan pada database.
Sistem ini dirancang secara spesifik untuk perangkat dengan sumber daya terbatas seperti Raspberry Pi.
Integrasi antara algoritma YOLO11 dan platform edge computing yang efisien menjadi sangat Tujuannya adalah menciptakan solusi pengenalan wajah yang tidak hanya akurat, tetapi juga efisien, responsif, dan dapat diterapkan dalam berbagai skenario praktis dengan biaya relatif Oleh karena itu, penelitian ini berupaya merancang dan membangun prototype face recognition berbasis YOLO11 pada Raspberry Pi.
Penelitian Relevan Penelitian terdahulu oleh Novita Ranti Muntiari, dkk .
dalam jurnal yang berjudul AuPenerapan Algoritma YOLOv8 Dalam Identifikasi Wajah Secara real-time menggunakan CCTV untuk Presensi SiswaAy.
Penelitian ini menggunakan algoritma YOLOv8 dalam mengidentifikasi wajah secara real-time.
Berdasarkan dataset dari 30 siswa SMK Negeri 4 Tarakan dengan pengambilan data menggunakan foto wajah, 120 foto data wajah dari 30 siswa.
Dengan data training yaitu 84 gambar, data valid yaitu 24 gambar, dan data testing 12 gambar.
Hasil performa model yaitu, nilai mAP yaitu 88,1%, precision 76,1%, dan recall 82,8% untuk pengolahan dataset (Muntiari et al.
, 2.
Penelitian terdahulu oleh Anisa Nabilah, dkk .
dalam jurnal yang berjudul AuPengembangan Teknologi Deteksi Wajah Menggunakan Metode You Only Look Once Version 5 Untuk Sistem Keamanan RumahAy.
Penelitian ini bertujuan untuk mengembangkan ssistem keamanan berbasis pengenalan wajah dalam sistem pemantauan camera CCTV, dengan menggunakan Arduino uno sebagai mikrokontroler, yang outputnya dihubungkan dengan perangkat buzzer sebagai penanda penghuni rumah ada orang yang tidak dikenal masuk ke wilayah rumah.
Hasil dari penelitian menunjukan bahwa YOLOv5 mampu mendeteksi wajah dengan tingkat akurasi tinggi sebesar 80% Jurnal Pendidikan Vokasional Teknik Elektro dan kecepatan yang memadai dengan rata-rata waktu deteksi 1.
44 detik untuk diterapkan pada sistem pengawasan pada CCTV.
(Nabilah et al.
, 2.
Penelitian terdahulu oleh Diki Putra Pamungkas, dkk.
dalam Jurnal yang berjudul Au Sistem Pendeteksi Identitas Dengan Pengenalan Wajah Menggunakan YOLO V7Ay.
Penelitian ini menggunakan Webcam untuk menangkap citra gambar untuk di proses pada python dan mencocokkan citra yang ditangkap tersebut terdaftar pada database atau tidak.
Perancangan deteksi identitas menggunakan YOLOv7 dilakukan dengan melatih dataset yang dibutuhkan.
Pada perancangan ini menggunakan 105 dataset, dengan class atau label sebanyak 19.
Dengan jumlah dataset tersebut akan mendeteksi 19 wajah yang berbeda.
Untuk format gambar yang digunakan sebagai dataset adalah JPG.
Sistem dapat mendeteksi wajah yang ada dengan akurasi yang tinggi dengan rata-rata keakuratan sebesar 86,2%, serta sistem tidak dapat mendeteksi wajah yang tidak ada dalam daftar dataset dan wajah yang memiliki penutup atau perlengkapan lain yang dapat menghambat kinerja sistem pendeteksian.
(Pamungkas et al.
, 2.
Penelitian terdahulu oleh Ulfa Mahera, dan Raihan Islamadina .
dalam jurnal yang berjudul AuImplementasi Metode Viola-Jones dan YOLOV9 untuk Mendeteksi wajah bergerak menggunakan OpenCVAy.
Penelitian ini menggunakan total 1.
250 Citra wajah untuk metode violajones, dan 1.
205 citra untuk model YOLOv9.
Dataset YOLOv9 dibagi kedalam tiga bagian: 83% .
000 citr.
untuk pelatihan, 12% .
untuk validasi, dan 5% .
untuk pengujian.
Dalam penelitian ini, metode Viola-Jones dan YOLOv9 diimplementasikan menggunakan OpenCV untuk mendeteksi wajah bergerak.
Viola-Jones dipilih berkat kecepatan dan akurasinya dalam deteksi wajah, berhasil mengidentifikasi 1.
204 dari 1.
250 citra wajah.
Ini menghasilkan akurasi, precision, recall masing masing 96%, serta F1-Score sebesar 97%.
Sedangkan YOLOv9 dipilih karena kemampuan deteksi yang canggih dan efisien hasil pengujian dengan confusion matrix menunjukan bahwa pendeteksi wajah ini mencapai tingkat precision 95%, recall 98, dan mAP (Mahera & Islamadina, 2.
Prototype Menurut (Saputri dkk.
, 2.
prototyping merupakan pendekatan dalam pengembangan sistem yang memanfaatkan purwarupa untuk memvisualisaikan sebuah sistem awal, memungkinkan pengguna atau pemilik sistem mendapatkan gambaran mengenai sistem yang akan Face Recognition Menurut (Wardana Bayu Syahputra & Soni, 2019 dalam jurnal (Arfiansyah Putra dkk.
, 2.
face recognition adalah tahapan pencarian dan pencocokan dengan sebuah basis data untuk mengenali identitas seseorang secara otomatis menggunakan sistem komputer.
Metode YOLO You Only Look Once (YOLO) adalah algoritma pendeteksi objek yang diperkenalkan pada tahun 2016 dalam sebuah makalah penelitian oleh Joseph Redmon.
Santosh Divvala.
Ross Girshick, dan Ali Farhadi.
Cara kerja YOLO (You Only Look Onc.
dimulai dengan membagi citra input kedalam beberapa grid, memprediksi kotak pembatas dan kelas objek di setiap sel grid, setelah itu menerapkan algoritma NMS (Non-Maximum Suppressio.
untuk menghilangkan bounding box yang tumpang tindih, dan akhirnya mempertahankan bounding box terbaik untuk setiap objek yang YOLO (You Only Look Onc.
mengutamakan kecepatan dan efisiensi dengan melakukan deteksi objek secara real-time dalam satu tahap proses (Alfarizi et al.
, 2.
Seiring dengan perkembangan teknologi, algoritma YOLO telah mengalami berbagai peningkatan dari versi pertamanya hingga versi YOLO11.
YOLO11 hadir dengan sejumlah peningkatan teknologi seperti penggunaan arsitektur convolutional yang lebih efisien serta penerapan teknologi Feature Pyramid dan Transformer Layers.
(Cahyani et al.
, 2.
Studi yang dilakukan oleh (Jegham et al.
, 2.
menyimpulkan bahwa model YOLO11 dan YOLOv10 .
ano,small, mediu.
merupakan pilihan optimal untuk aplikasi dengan sumber daya komputasi yang terbatas, seperti drone dan embedded Hal ini disebabkan oleh kombinasi akurasi yang tinggi, ukuran model yang ringkas, waktu inferensi rendah, serta konsumsi sumber daya minimal.
InsightFace InsightFace adalah proyek open source analisis wajah dalam 2D&3D, terutama berdasarkan PyTorch dan MXNet (Guo et al.
, 2.
Kedua DNN (Deep Neural Networ.
ini menggunakan gambar wajah yang diesktrak dari bounding box menghitung feature embedding berdimensi 512, | 11 Jurnal Pendidikan Vokasional Teknik Elektro yang dapat dibandingkan menggunakan jarak Euclidean atau kosinus untuk mendapat ukuran kemiripan antara 2 wajah.
(Baltanas et al.
, 2.
Library InsightFace menyediakan berbagai model pra-terlatih yang mencakup analisis wajah, termasuk deteksi wajah .
otak pembata.
, pengenalan .
, penyelarasan (Landmar.
, dan atribut seperti jenis kelamin dan usia.
(ARRJVV, 2.
Pada penelitian ini menggunakan model InsightFace model buffalo_l untuk embedding extraction.
Dataset Pada perancangan ini akan memakai total 250 gambar wajah, dari 10 orang dengan masingmasing diambil 25 gambar wajah berdasarkan penelitian yang dilakukan oleh Mahera & Islamadina, 2024, diamana masing-masing orang diambil 25 wajah dari berbagai sudut yang berbeda, seperti depan, samping kanan,samping kiri atas, samping kiri, atas, bawah, dan juga beberapa yang menggunakan aksesoris seperti kacamata.
Pada penelitian ini pembagian dataset adalah 80% .
gambar wajah untuk training, 8% .
gambar wajah untuk testing, dan 12% .
gambar wajah untuk validasi,.
Sistem hanya dapat mendeteksi wajah yang sudah ada dalam dataset, serta sistem tidak dapat mendeteksi wajah yang tidak ada dalam daftar dataset dan wajah yang memiliki penutup atau perkengkapan lain yang dapat menghambat kinerja sistem Modul Kamera Raspberry Pi v2 Modul kamera resmi dari Raspberry Pi umumnya digunakan untuk merekam video dengan kualitasnHigh Definition (HD).
Untuk menghubungkan modul kamera ke board Raspberry Pi, tersedia port CSI (Camera Serial Interfac.
yang terletak pada belakang port ethernet, dan pastikan untuk mengaktifkan pengaturan kamera (Pramono et al.
, 2.
Raspberry Pi Raspberry Pi adalah komputer papan tunggal .
ingle-board computer-SBC), yang seluruh komponennya hanya dimuat dalam satu cetakan papan sirkuit seukuran kartu kredit.
Berfungsi layaknya komputer pada umumnya.
Raspberry Pi dilengkapi dengan input digital port seperti pada board microcontroller, namun berbeda dengan microcontroller pada umumnya Raspberry Pi memiliki port untuk tv/monitor, audio output untuk speaker, serta koneksi USB untuk keyboard dan mouse yang tidak dimiliki oleh microcontroller pada umumnya (Nugroho, 2.
METODE
Metode penelitian yang digunakan dalam rancang bangun prototype face recognition berbasis YOLO11 dengan menggunakan Raspberry Pi adalah Research and Development (R&D), serta menggunakan model pengembangan yaitu Borg & Gall.
Metode Borg & Gall memiliki 10 tahap, namun yang digunakan dalam merancang bangun prototype face recognition berbasis YOLO11 dengan menggunakan raspeberry pi hanya 4 tahap.
Berikut merupakan tahapan metode R&D model Borg & Gall yang akan digunakan dalam penelitian, dapat dilihat pada Gambar 1.
Gambar 1 Tahapan yang dilakukan dalam penelitian Research and Information Collecting Pada tahap ini peneliti mengumpulkan informasi dan data yang diperlukan untuk merancang prototype face recognition berbasis YOLO11 menggunakan Raspberry Pi.
Informasi dan data yang dibutuhkan dalam penelitian, meliputi prinsip kerja dari sistem yang dibuat, spesifikasi dari komponen-komponen yang dibutuhkan dalam penelitian, serta alat dan bahan yang dibutuhkan.
Komponen-komponen penelitian yang digunakan pada perancangan prototype face recognition berbasis YOLO11 menggunakan Raspberry Pi sebagai mikroprosesor dan Kamera Pi v2 sebagai perangkat input untuk menangkap image visual, sedangkan output prototype ini berupa pemberitahuan hasil identifikasi face recognition dalam format audio melalui speaker.
Planning, merupakan tahap krusial dalam penelitian, perencanaan yang matang sangat diperlukan untuk mencapai tujuan penelitian, dan mempermudah perancangan sistem.
Tahap Jurnal Pendidikan Vokasional Teknik Elektro perencanaan mencakup proses merencanakan dan merancang desain produk yaitu perancangan perangkat keras dan perancangan perangkat lunak.
Perencanaan Perangkat Keras Perancangan perangkat keras pada prototype face recognition berbasis YOLO11 menggunakan Raspberry Pi sebagai processor utama, input sistem ini menggunakan Kamera Pi v2 untuk menangkap image visual dan output berupa pemberitahuan identitas berupa nama dari hasil identifikasi sistem face recognition melalui speaker.
Perencanaan Perangkat Lunak.
Perencanaan perangkat lunak dilakukan dalam proses penelitian bertujuan untuk melakukan pemrograman face recognition berbasis YOLO11.
Pemrograman dilakukan dengan menggunakan python 3.
5, dengan menggunakan software visual studio code dan Google Colab untuk training dataset.
Sistem ini mengintegrasikan Pustaka InsightFace untuk face pengenalan identitas.
Setelah YOLO11 berhasil mendeteksi dan melokalisasi wajah dalam citra, citra wajah akan diteruskan ke InsightFace.
Kemudian InsightFace melakukan face embedding dan mengekstrak fitur unik dari setiap wajah.
Embedding ini akan dibandingkan dengan embedding wajah yang tersimpan pada database.
Penggunaan Insightface memungkinkan sistem tidak hanya mendeteksi keberadaan wajah, tetapi juga mengenli siapa individu tersebut.
Develop Preliminary From of Product, merupakan tahap pengembangan produk awal termasuk menentukan komponen pendukung dan mengevaluasi komponen pendukung tersebut.
Dilakukan prosedur penelitian dengan tahapan sebagai berikut:
Merancang prototype face recognition menggunakan input Kamera Pi v2 dengan Raspberry Pi.
Membuat dataset face sebanyak 10 class dengan total 250 foto menggunakan Roboflow untuk anotasi gambar.
Melatih dataset menggunakan Google Colabolatory.
Instalasi sistem face recognition berbasis YOLO11 pada Raspberry Pi Menguji produk yaitu mengukur dan menganalisis apakah prototype face recognition berbasis YOLO11 dapat berjalan sesuai perancangan atau tidak.
Pengujian produk dilakukan dengan menggunakan 10 video pendek berdurasi 30 detik, dengan berbagai kondisi pencahayaan dan objek bergerak.
Preliminary Field Testing.
Pada tahap ini, melakukan uji coba awal dalam skala terbatas terhadap produk yang dikembangkan.
Tahap pengujian dan pengambilan data adalah pelaksanaan pengujian untuk memastikan kinerja dan efektivitas sistem yang dibuat, serta pengumpulan data selama periode pengujian sistem.
Data yang dikumpulkan akan dianalisis untuk mengukur kinerja dan efektivitas sistem yang dibuat.
HASIL DAN DISKUSI
Hasil Rancangan Prototype Face Recognition Gambar 2.
Tampilan Depan Prototype Face Recognition | 13 Jurnal Pendidikan Vokasional Teknik Elektro Dari Gambar 2 Diatas, berikut adalah komponen yang digunakan dalam prototype face recognition Berbasis YOLO11 menggunakan Raspberry Pi.
Raspberry Pi 4B Raspberry Kamera Pi Module 2 Power Supply Battery Management System 5V Battery 18650 2pcs INA 219 Module Kabel power DC to Type C Kabel Power DC to USB Adapter 5V 3A Pengujian face recognition menggunakan metode confusion matrix Pengujian sistem dilakukan dengan menguji fungsionalitas alat dengan melakukan pengujian pada 10 video bergerak dengan mencakup 5 identitas sudah terdaftar dan 5 identitas belum Selanjutnya pengambilan data dilakukan di Laboratorium Instrumentasi Kendali Elektronika.
Gedung L,Teknik Elektro.
Program Studi Pendidikan Teknik Elektronika.
Fakultas Teknik.
Universitas Negeri Jakarta.
Dari 10 video diambil data pengujian sebanyak 60 hasil identifikasi.
Didapatkan nilai keseluruhan 4 parameter True Positive (TP).
True Negative (TN).
False Positive (FP) dan False Negative (FN).
Apabila identitas yang terdeteksi kamera sama dengan identitas yang ada pada database maka didapatkan nilai True Positive (TP).
Apabila identitas yang terdeteksi kamera tidak sama dengan identitas yang ada pada database, tetapi sistem salah mengenali dengan identitas yang ada di sistem maka didapatkan nilai False Positive (FP).
Apabila identitas yang terdeteksi kamera seharusnya sama dengan identitas yang ada pada database, tetapi tidak dikenali oleh sistem maka didapatkan nilai False Negative (FN).
Apabila identitas yang terdeteksi kamera tidak sama dengan identitas yang ada pada database, dan sistem tidak mengenalnya maka didapatkan nilai True Negative (TN).
Akurasi yang tinggi menunjukkan kedekatan nilai terdeteksi dengan nilai aktual.
Presisi mengukur seberapa tepat informasi yang diminta pengguna dengan jawaban yang diberikan oleh sistem.
Recall menunjukkan kemampuan sistem untuk menemukan kembali informasi tersebut dengan F1Score adalah rata- rata nilai harmonic yang dihasilkan dari Presisi dan Recall.
ycNycE ycNycA
y 100 A 1
ycNya
yaycaycaycycycaycayc = y 100% yaycaycaycycycaycayc = 95 % yaycaycaycycycaycayc = ycNycE
y 100% A 2
ycNycE yaycE
ycEycyceycaycnycycycnycuycu = y 100% 26 0
ycEycyceycaycnycycycnycuycu = 100 % ycEycyceycaycnycycycnycuycu = ycNycE
A 3
ycNycE yaycA ycIyceycaycaycoyco = 26 3 ycIyceycaycaycoyco = 89,6 % ycIyceycaycaycoyco = 2 ycEycyceycaycnycycycnycuycu y ycIyceycaycaycoyco ycEycyceycaycnycycycnycuycu ycIyceycaycaycoyco y 100% A .
y 0,.
ya1 Oe ycIycaycuycyce = y 100% .
ya1 Oe ycIycaycuycyce = 94% ya1 Oe ycIycaycuycyce = Berdasarkan pengujian face recognition pada 10 video yang sudah diambil dan di uji, didapatkan nilai akurasi sebesar 95 %, presisi 100% recall 89,6%, dan F1-Score sebesar 94%.
Pada identifikasi video 2, terdapat nilai true negative hal ini, dikarenakan kamera tidak mendeteksi wajah karena pada awal video menunjukkan objek deteksi terdapat backlight dan ada bayangan tajam yang menutupi wajah.
Pada identifikasi video 3 terdapat 2 False Negative dimana berdasarkan info log face detection kamera Pi dapat mendeteksi secara tepat tetapi sistem tidak dapat megenalinya dikarenakan yang tercapture oleh kamera ketika objek dalam video melakukan Gerakan cepat menyebabkan motion blur.
Selanjutnya pada identifikasi video 4 terdapat 1 bernilai False Negative yaitu ketika pose wajah terlalu menoleh tajam, sehingga profil sampingnya tidak terlihat jelas Analisis Jurnal Pendidikan Vokasional Teknik Elektro Berdasarkan pengujian produk sistem face recognition pada video wajah bergerak yang sudah diambil dan di uji, didapatkan nilai akurasi sebesar 95 %, presisi 100% recall 89,6%, dan F1-Score sebesar 94%.
Hasil ini menunjukkan bahwa sistem memiliki kemampuan yang tinggi dalam mengidentifikasi individu secara tepat.
Presisi 100% mengindikasikan bahwa setiap deteksi positif yang dilakukan oleh sistem adalah benar, artinya tidak ada false positive dimana sistem mengidentifikasi wajah sebagai orang lain atau menganggap sesuatu sebagai wajah.
Namun meskipun demikian, terdapat beberapa kasus spesifik yang mempengarugi performa recall dan F1score, yaitu:
Identifikasi video ke-2, terdapat satu kasus true negative, disebabkan oleh kondisi pencahayaan yang tidak ideal, yakni terjadi backlight yang kuat dan bayangan tajam yang menutupi wajah sehingga kamera tidak dapat mendeteksi wajah.
Identifikasi video ke-3, terjadi 2 kasus false negative, dimana log sistem menunjukkan bahwa kamera raspberry pi berhasil mendeteksi wajah, namun sistem gagal mengenali nya.
Hal ini dikarenakan objek dalam video melakukan Gerakan cepat yang menyebabkan terjadinya motion Sehingga fitur wajah yang tertangkap tidak dapat dikenali oleh sistem.
Identifikasi video ke- 4 ditemukan kasus false negative akibat pose yang terlalu menoleh tajam sehingga bagian profil wajah tidak tampak jelas dan menyulitkan proses idenifikasi.
Meskipun nilai recall sedikit lebih rendah dibandingkan dengan YOLOv9 yang digunakan pada penelitian Mahera &islamadina yang diuji dalam kondisi ideal, performa keseluruhan sistem dalam mengidentifikasi identitas terdaftar pada perangkat Raspberry Pi tetap sangat baik, bahkan jika dibandingkan dengan penelitian Nabilah et al.
, 2023, yang sama-sama mengintegrasikan algoritma YOLO dengan algoritma face embedded penelitina ini mendapatkan nilai akurasi yang lebih tinggi yaitu 96%.
Hal ini merupakan pencapaian yang signitikan mengingat Batasan sumber daya yang Tabel 4.
4 merangkun perbandingan hasil dengan penelitian relavan.
Tabel 1.
Analisis Perbandingan hasil penelitian dengan penelitian terdahulu Penelitian/Model Akurasi Presi Recall F1Catatan Score (%) / mAP
(%)
(Nabilah et al.
, 2.
Sistem pemantauan kamera (YOLOv5 dan FaceNe.
CCTV, dan arduino (Pamungkas et al.
, 2.
Sistem pendeteksi identitas, (YOLOv.
webcam dan laptop (Muntiari et al.
, 2.
Presensi siswa menggunakan (YOLOv.
AP) CCTV dan PC (Mahera & Islamadina, 96 90 .
AP) Deteksi wajah bergerak, menggunakan OpenCv dan (YOLOv.
Penelitian Ini Prototype face recognition (YOLO11 dan dengan Raspberry Pi InsightFac.
KESIMPULAN Berdasarkan rumusan masalah penelitian dan telah dilaksanakannya penelitian rancang bangun prototype face recognition berbasis YOLO11 menggunakan Raspberry Pi, penelitian ini menggunakan metodologi penelitian dan pengembangan (R&D) dapat disimpulkan bahwa sistem telah berhasil dirancang sesuai dengan tujuan penelitian yang diharapkan oleh peneliti, yaitu mengidentifikasi identitas berdasarkan face recognition dengan data yang sudah tersimpan pada database sebelumnya.
Penelitian ini menggunakan 250 foto dari 10 orang.
Dengan dataset tersebut akan mengidentifikasi 10 identitas wajah.
Pembagian dataset adalah 80% .
gambar wajah untuk training, 8% .
gambar wajah untuk testing, dan 12% .
gambar wajah untuk validasi.
Berdasarkan hasil pengujian menggunakan Confusion Matrix dengan menggunakan 10 video wajah
| 15
Jurnal Pendidikan Vokasional Teknik Elektro bergerak dengan pembagian 5 identitas terdaftar dan 5 identitas belum terdaftar.
Didapatkan akurasi sebesar 95 %, presisi 100% recall 89,6%, dan F1-Score sebesar 94%.
Dan hasil percobaan Task Success Rate untuk mengetahui nilai persentase kinerja speaker mengeluarkan pemberihauan identitas ketika kamera berhasil mendeteksi gambar sebesar 100% sehingga uji performa pada alat berjalan dengan semestinya.
Sistem stabil pada Raspberry Pi 4B dengan konsumsi daya minimal REFERENSI