Cyberspace: Jurnal Pendidikan Teknologi informasi Volume 8.
Nomor 2.
Oktober 2024, hal.
16 - 32
ISSN 2598-2079 .
| ISSN 2597-9671 .
IMPLEMENTASI METODE VIOLA-JONES DAN YOLOV9 UNTUK MENDETEKSI WAJAH BERGERAK MENGUNAKAN OPENCV 1Ulfa Mahera, 2Raihan Islamadina Pendidikan Teknologi Informasi.
Fakultas Tarbiyah dan Keguruan.
Univesitas Islam Negeri Ar-Raniry.
Jl.
Syeikh Abdul Rauf Darussalam.
Banda Aceh, 23111.
Indonesia E-mail: 200212009@student.
ar-raniry.
Abstract This research implements the Viola-Jones and YOLOv9 methods to detect moving faces using OpenCV.
This research uses a total dataset consisting of 1,250 facial images for the Viola-Jones method, and 1,205 images for the YOLOv9 model.
The YOLOv9 dataset is divided into three categories: train .
% or 1,000 image.
, valid .
% or 145 image.
, and test .
% or 60 image.
The method applied in this research is the Viola-Jones method and YOLOv9 to detect moving faces using OpenCV.
The Viola-Jones method was chosen because of its speed and accuracy in face detection, while YOLOv9 was chosen because of its advanced and efficient detection capabilities.
The YOLOv9 model was trained four times by comparing epoch parameters to produce the best accuracy.
From four experiments, the parameter that produced the best accuracy used epoch 100 in batch 16.
The ViolaJones method succeeded in detecting 1,204 of 1,250 facial images, producing accuracy, precision and recall of 96% each, and an F1-Score of 97%.
For the YOLOv9 model, test results using the confusion matrix show that the face detector reaches a precision level of 95%, recall of 98%, and mAP50 of 99%.
Based on these results, it can be concluded that the implementation of these two methods is effective for detecting moving faces with a high level of accuracy and performance.
Keywords: Face Detection.
YOLOv9.
Viola-Jones.
Citra.
Accuracy Abstrak Penelitian ini mengimplementasikan metode Viola-Jones dan YOLOv9 untuk mendeteksi wajah bergerak menggunakan OpenCV.
Penelitian ini menggunakan total dataset yang terdiri dari 1.
250 citra wajah untuk metode Viola-Jones, dan 1.
citra untuk model YOLOv9.
Dataset YOLOv9 dibagi kedalam tiga kategori: train .
% atau 1.
000 citr.
, valid .
% atau 145 citr.
, dan test .
% atau 60 citr.
Metode yang diterapkan dalam penelitian ini adalah metode viola-jones dan YOLOv9 untuk mendeteksi wajah bergerak menggunakan OpenCV.
Metode ViolaJones dipilih karena kecepatan dan akurasinya dalam deteksi wajah, sedangkan YOLOv9 dipilih karena kemampuan deteksinya yang canggih dan efisien.
Pelatihan model YOLOv9 dilakukan sebanyak empat kali percobaan dengan membandingkan parameter epoch untuk menghasilkan akurasi terbaik.
Dari empat kali percobaan, parameter yang menghasilkan akurasi terbaik menggunakan epoch 100 pada batch Metode Viola-Jones berhasil mendeteksi 1.
204 dari 1.
250 gambar wajah, menghasilkan akurasi, precision, dan recall masing-masing sebesar 96%, serta F1Score sebesar 97%.
Untuk model YOLOv9, hasil pengujian menggunakan confusion matrix menunjukkan bahwa pendeteksi wajah mencapai tingkat precision sebesar 95%, recall sebesar 98%, dan mAP50 sebesar 99%.
Berdasarkan hasil ini, dapat disimpulkan bahwa implementasi kedua metode tersebut efektif untuk mendeteksi IMPLEMENTASI METODE VIOLA-JONES DAN YOLOV9
UNTUK MENDETEKSI WAJAH BERGERAK MENGUNAKAN OPENCV
wajah bergerak dengan tingkat akurasi dan performa yang tinggi.
Kata Kunci: Pendeteksi Wajah.
YOLOv9.
Citra.
Viola-Jones.
Akurasi Pendahuluan Wajah karena keunikannya, merupakan alat penting untuk mengidentifikasi seseorang dan menentukan identitasnya.
Tujuan mendeteksi wajah berarti mengidentifikasi seluruh bagian wajah .
Mengidentifikasi lokasi wajah dalam sistem deteksi wajah sangatlah penting karena wajah dapat muncul pada gambar dengan latar belakang dan ukuran yang berbeda .
Deteksi wajah adalah bidang penelitian penting dalam pemrosesan gambar digital dan visi komputer.
Dengan kemajuan teknologi, permintaan akan sistem deteksi wajah yang cepat, akurat, dan efisien terus meningkat, terutama dalam aplikasi seperti pengawasan keamanan, interaksi manusia-komputer, dan sistem verifikasi identitas berbasis biometrik .
Untuk mencapai tujuan tersebut, berbagai metode telah dikembangkan, yang paling menonjol adalah metode Viola-Jones dan model YOLO (You Only Look Onc.
Metode viola-jones, yang diperkenalkan oleh Paul Viola dan Michael Jones pada tahun 2001, ialah algoritma pendeteksi wajah yang sangat efektif.
Algoritma ini menggunakan fitur Haar dan algoritma pembelajaran mesin.
AdaBoost untuk mencapai deteksi wajah yang cepat dan real-time.
Kelebihan metode ini adalah dapat mendeteksi wajah dengan kecepatan tinggi.
Di sisi lain.
YOLOv9, versi terbaru YOLO, dirilis pada Februari 2024 oleh Chien-Yao Wang.
I-Hau Yeh, dan Hong-Yuan Mark Liao, memberikan kemampuan deteksi objek yang lebih kompleks dengan memanfaatkan jaringan saraf konvolusional.
YOLOv9 dapat mendeteksi objek secara real time dengan akurasi sangat tinggi, sehingga ideal untuk aplikasi yang membutuhkan deteksi cepat dan Keunggulan YOLOv9 adalah kemampuannya menangani berbagai objek dalam berbagai kondisi lingkungan.
Penelitian ini bertujuan untuk mengimplementasikan metode Viola-Jones dan YOLOv9 untuk mendeteksi wajah bergerak menggunakan OpenCV.
OpenCV (Open Source Computer Vision Librar.
ialah pustaka perangkat lunak yang luas penggunaannya dalam berbagai computer vision.
Dengan kekuatan Viola-Jones dan YOLOv9, diharapkan sistem ini mampu mendeteksi wajah dengan lebih baik dalam kondisi nyata, termasuk pada wajah yang bergerak.
Rumusan masalah yang akan dibahas dalam penelitian ini adalah bagaimana pendekatan metode Viola-Jones dan YOLOv9 dapat digunakan secara efektif untuk mendeteksi wajah bergerak, serta bagaimana pelaksanaan pendeteksian wajah menggunakan kedua metode tersebut.
Kajian Pustaka 1 Citra Digital Gambar digital adalah rangkaian data gambar digital dua dimensi yang disimpan dalam bentuk angka atau tabel digital yang diperoleh dengan menghitung tingkat kecerahan setiap pixel penyusun gambar.
Pixel merupakan istilah yang digunakan untuk menjelaskan gambar digital yang disimpan dalam array dua dimensi .
Karena karakteristiknya yang unik, wajah manusia menjadi alat penting untuk mengidentifikasi dan mendefinisikan identitas seseorang.
Langkah pertama adalah mengidentifikasi wajah pada sistem pengenalan wajah otomatis.
Tujuan dari pengenalan wajah adalah untuk mengenali seluruh bagian wajah agar dapat mengenali wajah .
Mendeteksi letak wajah pada sistem pengenalan wajah 17 | Cyberspace: Jurnal Pendidikan Teknologi Informasi Ulfa Mahera.
Raihan Islamadina sangatlah penting karena wajah bisa muncul pada gambar dengan latar belakang juga ukuran yang berbeda .
2 Metode Viola-Jones Metode Viola-Jones merupakan teknik pengenalan wajah yang cepat juga akurat yang digunakan untuk mengklasifikasikan citra berdasarkan fitur-fitur tersebut .
Metode ini dikemukakan Pada tahun 2001.
Paul Viola dan Michael Jones mengembangkan algoritma Viola-Jones, yang terdiri dari empat proses utama.
Salah satunya adalah fitur Haar-like, yang dapat mengidentifikasi perubahan skala abu-abu dari fitur lokal yang diinginkan.
Metode Viola-Jones menggunakan fungsi Haar.
Ini memiliki nilai rentang tinggi dan rendah dan fungsi ini berguna untuk perhitungan cepat .
-Integral image: Proses penghitungan nilai pixel .
dengan menggabungkan nilai pixel sebelumnya .
, gambar terintegrasi dapat menghasilkan nilai haar-like.
-Adaptive Boosting: tujuannya adalah untuk memilih fitur-fitur penting dan melatih pengklasifikasi yang berbeda untuk dibentuk, dan Cascade of Classifiers: untuk memilih fitur-fitur penting dan mengoptimalkan proses deteksi untuk proses pengenalan wajah secara umum.
3 YOLO
YOLO (You Only Look Onc.
adalah salah satu pendekatan sistem pengenalan objek terbaru yang sangat cepat dibandingkan dengan metode CNN.
YOLO
menggunakan model regresi tunggal yang sederhana dan membentuk kotak pembatas .
ounding bo.
di setiap pixel gambar dengan spasial yang berbeda dan probabilitas kelas yang terkait.
4 YOLOv9 YOLOv9 adalah varian terbaru dari serangkaian model YOLO (You Only Look Onc.
dirancang untuk memungkinkan objek ditemukan dalam pengolahan gambar dan video.
Konsep utama YOLO, yaitu deteksi objek secara real-time dengan kecepatan dan akurasi yang tinggi, adalah dasar dari model ini.
YOLOv9 terkenal karena menggunakan teknik arsitektur jaringan saraf konvolusi terbaru, yang memungkinkannya mencapai tingkat deteksi objek yang lebih baik dan kecepatan.
4 OpenCV OpenCV (Open Source Computer Vision Librar.
merupakan perpustakaan visi komputer dikembangkan secara open source oleh Intel dengan fokus pada penyederhanaan pemrograman gambar digital.
Pengenalan wajah, pelacakan wajah, pengenalan objek, pemfilteran Kalman dan berbagai teknologi kecerdasan buatan adalah beberapa fiturnya .
5 Pengukuran Performance Hasil pengujian dapat dihitung mengunakan persamaan yaitu.
ycNycNycNycN ycNycNycNycN
Akurasi = ycNycNycNycN yayayaya yayayaya ycNycNycNycN
ycNycNycNycN
Presisi = ycNycNycNycN yayayaya
Cyberspace: Jurnal Pendidikan Teknologi Informasi | 18
IMPLEMENTASI METODE VIOLA-JONES DAN YOLOV9
UNTUK MENDETEKSI WAJAH BERGERAK MENGUNAKAN OPENCV
ycNycNycNycN Recall = ycNycNycNycN yayayaya ycIycIycIycIycIycIycIycIycIycIycIycI ycuycu ycyycyycyycyycyycyycyycyycyycyycyycyycyycy F-1 Score = 2 ycUycU ycIycIycIycIycIycIycIycIycIycIycIycI ycyycyycyycyycyycyycyycyycyycyycyycyycyycy .
Untuk menghitung nilai akurasi, persamaan .
sangat penting.
Nilai akurasi sendiri merupakan bukti kemampuan model yang sangat penting dalam mengategorikan gambar.
Dengan cara ini, setiap persamaan menggambarkan berbagai aspek kinerja model yang berbeda, memberikan gambaran yang lebih luas tentang kemampuan klasifikasi masing-masing model.
True Positif (TP) Detektor wajah berhasil mendeteksi wajah di area yang benar, dan memang ada wajah di area tersebut.
Sebaliknya True Negatif (TN) Detektor wajah tidak mendeteksi wajah di area yang benar-benar tidak ada False Positif (FP) Detektor wajah mendeteksi wajah di aerea yang sebenarnya tidak ada wajah.
Sedangkan False Negatif (FN) Detektor wajah gagal mendeteksi wajah yang sebenarnya ada di area tersebut.
Metode Penelitian 1 Rancangan sistem penelitian Viola-jones Rancangan penelitian ditunjukan pada gambar 3.
1 dibawah.
Kamera laptop Viola-Jones Pendeteksi wajah Haar-Like Feature Integral Image Hasil Adaptive Boosting Cascade Classifier Gambar 3.
1 Flowchart Rancangan Sistem Penelitian Viola-Jones Berikut penjelasan dari flowchart tahapan-tahapan penelitian:
Komputer laptop, pada tahap ini mengunakan command promnt untuk menjalankan sistem mengaktifkan kamera laptop.
pendeteksi wajah, tahap ini akan memulai ketahap pendeteksian wajah apakah ada wajah atau tidak didepan layar kamera laptop.
haar-like feature, tahap ini mendetekai ketika ada fitur wajah pada gambar, langkah pertama yang dilakukan oleh algoritma Viola-Jones adalah mengubah gambar menjadi gambar skala abu-abu.
integral image, untuk 19 | Cyberspace: Jurnal Pendidikan Teknologi Informasi Ulfa Mahera.
Raihan Islamadina menghitung jumlah pixel di area yang diidentifikasi oleh fitur.
adaptive boosting.
Untuk menentukan apakah terdapat fitur wajah di dalam area klasifikasi fitur lemah.
Perhitungan, perbandingan acak, dan penggabungan dilakukan pada classifier lemah untuk membentuk kombinasi linier.
cascade classifier, pada tahap ini Cascade classifier melakukan klasifikasi bertingkat, termasuk klasifikasi filter pertama.
hasilnya memenuhi harapan pada tahap ini akan menghasilkan hasil deteksi wajah atau bukan wajah.
Jika ada wajah yang terdeteksi, rectangle akan ditandai pada gambar, dan jika tidak ada wajah rectangle tidak akan ditandai.
Pada tahap akhir, hasil pendeteksian wajah dengan teknik Viola-Jones akan ditunjukkan, yang menampilkan wajah yang sudah berskala abu-abu dan risaze sesuai wajah yang ter rectangle.
2 Dataset Viola-Jones Gambar 3.
2 Dataset Viola-Jones jarak 2,5 Meter Pada jarak 2,5 meter, wajah masih dapat terdeteksi dengan baik, menunjukkan bahwa sistem deteksi wajah mampu mengenali objek wajah meski pada jarak relatif Gambar 3.
3 Dataset Viola-Jones jarak 2 Meter Pada jarak 2 meter, sistem juga berhasil mendeteksi wajah dengan akurasi yang memadai, menunjukkan bahwa jarak ini masih dalam batas efektif untuk deteksi wajah yang optimal.
Gambar 3.
4 Dataset Viola-Jones jarak 40cm
Cyberspace: Jurnal Pendidikan Teknologi Informasi | 20
IMPLEMENTASI METODE VIOLA-JONES DAN YOLOV9
UNTUK MENDETEKSI WAJAH BERGERAK MENGUNAKAN OPENCV
Pada jarak 40 cm, sistem mampu mendeteksi wajah dengan sangat baik, menghasilkan gambar yang lebih jelas dan detail, sehingga kualitas deteksi meningkat secara signifikan.
Pengumpulan dataset menggunakan tangkapan video wajah dengan sekali run mendeteksi 25 kali tangkapan.
Namun selama pengambilan deteksi wajah dalam video jika ada wajah dalam frame maka akan terdeteksi semua sebanyak 25 capture sekali run, tetapi jika dalam proses pendeteksian muka dihalangi dengan benda lain yang menutupi wajah maka tidak akan tertangkap sebanyak 25 capture dan akan menangkap sesuai object wajah yang tampak di depan kamera laptop.
Pada dataset jarak deteksi yang penulis gunakan 40cm, 2 meter, dan 2,5 meter.
3 Rancangan Sistem Penelitian YOLOv9 Rancangan penelitian ini dapat dilihat pada gambar 3.
5 di bawah:
Gambar 3.
5 Flowchart Rancangan Sistem Penelitian YOLOv9 Berikut penjelasan dari flowchart tahapan-tahapan penelitian:
Dataset.
Data gambar wajah diperoleh di Fakultas Tarbiyah dan Keguruan UIN Ar-Raniry Banda Aceh dan digunakan sebagai input untuk proses YOLOv9 dalam penelitian ini, pengambilan dataset mengunakan metode Viola-Jones.
Ukuran dataset gambar wajah adalah 640x480 pixel dan resolution 96 dpi.
Kemudian di resize sesuai terdeteksinya wajah.
Dataset berjumlah 1.
205 data wajah dari 50 orang, setiap orangnya memiliki 25 gambar wajah yang di capture.
Dataset dibagi menjadi 3 kategori: training sebesar 83%.
, testing sebesar 5%.
dan validasi sebesar 12%.
Setiap foto gambar wajah memiliki beberapa sudut yang berbeda, seperti depan, samping kanan, dan samping kiri, atas dan bawah.
Preprocessing.
Dataset pada tahap preprocessing dilakukan proses pelabelan gambar dengan 2 class yaitu wajah-perempuan dan wajah laki-laki.
Pada tahap berikutnya, dataset akan dibagi menjadi tiga kategori: data training sebesar 83%, data testing sebesar 5%, dan data validasi sebesar 12% (Madiraju, 2.
Dengan 21 | Cyberspace: Jurnal Pendidikan Teknologi Informasi Ulfa Mahera.
Raihan Islamadina total dataset sebanyak 1.
205 gambar wajah, maka data training berjumlah 1.
gambar wajah, data testing berjumlah 60 gambar wajah, dan data validasi berjumlah 145 gambar wajah.
Tahap preprocessing dimaksudkan untuk membuat dataset siap untuk digunakan oleh model selama proses pembelajaran.
Training, adalah proses untuk mempelajari model data.
Data yang digunakan merupakan data pelatihan yang telah disiapkan sebelumnya dalam tahap preprocessing oleh ViolaJones dan sudah dilabeli serta dibagi datasetnya.
Pada penelitian ini, digunakan 000 gambar wajah untuk data training.
Hasil dari proses training mengukur kemampuan model untuk mengidentifikasi dan memprediksi data secara akurat.
Semakin tinggi nilai mAP50, maka semakin baik kinerja modelnya.
Validasi, adalah bagian terpisah dari bagian data yang akan digunakan selama trainig dan testing untuk mengetahui seberapa baik kinerja model pada gambar yang tidak digunakan dalam training dan juga testing.
Data Validasi, yang terdiri dari 145 foto wajah, telah digunakan.
Testing.
Setelah proses training selesai, dilakukan testing model.
Data yang digunakan untuk testing merupakan data testing yang telah disiapkan sebelumnya yaitu 60 gambar wajah.
Model.
Algoritma YOLOv9 menerapkan jaringan saraf pada gambar dan membagi input gambar menjadi gridgrid tertentu, untuk kemudian memprediksi bounding box serta probabilitas untuk masing-masing grid, bounding box untuk class wajah-perempuan dan wajah-lakilaki.
Proses konvolusi dari input gambar dilakukan untuk mendapatkan bounding box, sehingga ukuran akhirnya adalah SxSx(B*5 C), di mana B merupakan jumlah bounding box dalam setiap grid, dan C merupakan jumlah kelas yang dapat Angka 5 dikalikan karena setiap bounding box memuat lima nilai .
oordinat x, koordinat y, lebar, tinggi, dan confidence scor.
Semua atribut pada bounding box mengalami proses normalisasi, sehingga nilainya berada di antara 0 Koordinat x dan y dinormalisasi dengan mengacu pada titik kiri atas dari grid terkait, sedangkan lebar dan tinggi dinormalisasi sesuai dengan ukuran gambar.
Hasil.
Analisis dilakukan untuk mengevaluasi kinerja masing-masing model pada tahap evaluasi akhir penelitian.
Perhitungan menggunakan confusion matrix, recall, precision, f1-curva, dan mAP50 dimasukkan dalam evaluasi ini.
4 Dataset YOLOv9 Pada dataset ini berisikan data gambar berjumlah 1.
205 data gambar, dengan pembagian 83%.
gambar wajah untuk training, 5%.
gambar wajah untuk testing, dan 12%.
sisanya untuk Validasi.
Dataset dapat dilihat pada gambar 6, gambar 3.
7, dan gambar 3.
Gambar 3.
6 data training Gambar 3.
6 adalah bagian dari kumpulan data yang digunakan untuk pelatihan Cyberspace: Jurnal Pendidikan Teknologi Informasi | 22
IMPLEMENTASI METODE VIOLA-JONES DAN YOLOV9
UNTUK MENDETEKSI WAJAH BERGERAK MENGUNAKAN OPENCV
model, terdiri dari 1000 gambar wajah atau 83%.
Gambar 3.
7 data Testing Gambar 3.
7 merupakan bagian dari dataset yang digunakan untuk proses pengujian guna mengukur kinerja model setelah dilakukan proses pelatihan dengan menggunakan citra wajah sebanyak 5% dari total dataset yaitu 60 citra wajah.
Gambar 3.
8 data validasi Gambar 3.
7 merupakan bagian dari dataset yang digunakan untuk proses validasi, guna memastikan keakuratan dan konsistensi model sebelum diaplikasikan lebih Menggunakan dataset sebanyak 145 citra wajah atau 12% dari total citra wajah yang ada.
Hasil dan Pembahasan 1 Hasil dan Pembahasan Viola-Jones 1 persiapan sofware Notepad Notepad merupakan sebuah editor teks dan kode sumber Notepad sudah dilengkapi dengan berbagai fitur yang berguna untuk pengembangan kode Python.
CMD
CMD adalah aplikasi Command Line Interpreter (CLI) berbasis pada sistem operasi Microsoft Windows.
Peran utama CMD adalah menjalankan berbagai perintah pada sistem operasi Windows, dengan fungsi yang dapat disesuaikan tergantung pada jenis perintah yang digunakan.
2 Tahapan Membangun Sistem Viola-Jones Menginstal Aupip install opencv-pythonAy dan Aupython Aem pip install Aeupgrade opencv-contrib-pythonAy.
Membuat sistem face detection untuk mendeteksi wajah A File dan folder yang diperlukan 23 | Cyberspace: Jurnal Pendidikan Teknologi Informasi Ulfa Mahera.
Raihan Islamadina Gambar 4.
1 folder dan file yang perlu disiapkan 2 Hasil Tingkat pengujian akurasi deteksi, recall, persicion, f1-score dari pendeteksi Tabel 4.
1 merupakan tabel citra sampel yang terdeteksi wajah dengan tepat, dan keterangan jumlah tidak terdeteksi dengan tepat dari metode metode Viola-Jones.
Pengujian ini dilakukan untuk mendapatkan nilai keakurasian, persicion, recall dan F1-score dari pendeteksian wajah dengan menggunakan metode Viola-jones.
Table 4.
1 hasil deteksi wajah Viola-Jones Foto Terdeteksi Jumlah Terdeteksi Jumlah Tidak terdeteksi Cyberspace: Jurnal Pendidikan Teknologi Informasi | 24
IMPLEMENTASI METODE VIOLA-JONES DAN YOLOV9
UNTUK MENDETEKSI WAJAH BERGERAK MENGUNAKAN OPENCV
Pada tabel 4.
1, ditampilkan 10 sampel hasil deteksi wajah menggunakan metode Viola-Jones.
Tabel tersebut menunjukkan foto deteksi yang diambil dari dataset yang sudah terkumpul.
Dalam tabel tersebut, terdapat kolom yang menunjukkan jumlah wajah yang terdeteksi dan jumlah yang tidak terdeteksi dalam sekali run.
Setiap kali perintah dijalankan, metode Viola-Jones dapat meng-capture hasil deteksi hingga 25 wajah.
Oleh karena itu, kolom jumlah terdeteksi mencatat berapa banyak wajah yang berhasil terdeteksi dari total 25 capture, sementara kolom jumlah tidak terdeteksi mencatat berapa banyak wajah yang tidak berhasil terdeteksi dalam run tersebut.
Data ini memberikan gambaran tentang efektivitas metode Viola-Jones dalam mendeteksi citra wajah pada setiap sampel yang diuji.
Grafik Hasil Akurasi Persisi Recall f1-score Gambar 4.
2 Grafik akurasi, persisi, recall pendeteksi wajah Hasil pendeteksi ini didapat nilai akurasi, persisi, dan recall seperti pada gambar 3 Pada metode Viola-Jones didapat akurasi 96%, persisi 96%, recall 96% dan F1score 97% dari 1204 foto wajah uji yang digunakan.
3 Hasil dan Pembahasan YOLOv9 1 Persiapan Software YOLOv9 model yang digunakan Roboflow diperlukan untuk pelebelan citra gambar Google Colaboraty 25 | Cyberspace: Jurnal Pendidikan Teknologi Informasi Ulfa Mahera.
Raihan Islamadina 2 Pengambilan dataset Dataset penelitian ini terdiri dari citra wajah dari 40 perempuan dan 10 lakilaki.
Dataset ini telah diambil secara langsung di gedung Tarbiyah dan Keguruan UIN Ar-Raniry, dengan jumlah total 1.
205 gambar.
3 Data Prepocessing Tahap preprocessing data bertujuan untuk menyiapkan dataset agar siap untuk digunakan untuk studi model.
Pada titik ini, beberapa proses yang terjadi adalah sebagai berikut:
Pelebelan gambar (Image Annotatio.
Pelebelan gambar atau image annotation, adalah proses melabeli setiap objek dalam sebuah gambar sesuai dengan kelas yang telah ditentukan sebelumnya, seperti wajah perempuan dan wajah laki-laki.
Software yang digunakan untuk melakukan pelabelan gambar adalah Roboflow.
Proses pelabelan dilakukan secara manual untuk 1.
205 gambar Berikut adalah langkah-langkah untuk melabeli gambar dari dataset yang akan dilatih.
Gambar 4.
3 sebelum pelebelan image Gambar 4.
4 Sesudah pelebelan image Splitting dataset Pada bagian ini, dilakukan evaluasi data berdasarkan pembagian dataset.
Jumlah data citra wajah yang digunakan sebanyak 1205 gambar, dengan 2 class yaitu wajah-perempuan dan wajah-laki-laki.
Untuk membandingkan akurasi dalam mengklasifikasikan data, penelitian ini melakukan pembagian data dengan rincian: 83% .
untuk train set, 12% .
untuk valid set, dan 5% .
untuk test set.
4 Implementasi Pemodelan Google Colaboratory Google Colaboratory adalah lingkungan notebook Jupyter berbasis cloud yang tersedia untuk digunakan dalam pengembangan kode Python.
Untuk memulai.
Google Colab sudah tersedia dan menawarkan akses gratis ke GPU dan TPU untuk mempercepat pengembangan model.
Kunjungin halaman website https://colab.
Pilih opsi AuNew NotebookAy Cyberspace: Jurnal Pendidikan Teknologi Informasi | 26
IMPLEMENTASI METODE VIOLA-JONES DAN YOLOV9
UNTUK MENDETEKSI WAJAH BERGERAK MENGUNAKAN OPENCV
Setelah itu, ubah jenis runtime gunakan T4 GPU.
Pilih menu AuruntimeAy, lalu pilih "Change runtime type" dan pilih "GPU" dengan jenisT4 GPU.
Gambar 4.
4 Runtime Gambar 4.
5 Ubah jenis runtime .
GPU(Graphics Processing Uni.
GPU(Graphics Processing Uni.
adalah jenis prosesor khusus yang dirancang untuk memproses grafik dan tugas komputasi parallel.
Dalam konteks penggunaan YOLOv9.
GPU memiliki peran krusial dalam meningkatkan kecepatan pelatihan dan inferensi model implementasi objek.
Memanggil YOLOv9 menggunakan GPU dapat mempercepat proses implementasi objek, terutama saat berurusan dengan dataset yang besar dan tugas yang memerlukan daya komputasi tinggi seperti penglihatan komputer.
Menghubungkan google drive ke google colaboraty Menghubungkan google drive ke google colab yang nantinya akan penulis gunakan untuk menyimpan hasil install paket yolov9.
Dan juga penyimpan dataset dalam google drive untuk mudahkan mengelola kumpulan .
Kloning dan menginstal yolov9 Yolov9 adalah pustaka sumber terbuka yang menyediakan implementasi YOLOv9, sebuah arsitektur implementasi objek yang terkenal dalam bidang penglihatan komputer.
27 | Cyberspace: Jurnal Pendidikan Teknologi Informasi Ulfa Mahera.
Raihan Islamadina .
Unduh model weights Semua file model yang digunakan oleh YOLOv9 didownload untuk mendeteksi objek.
Custom Training Pada custom training mengatur semua parameter yang diperlukan untuk melatih model YOLOv9 dengan konfigurasi dan data yang telah disediakan.
training dilakukan 4 kali percobaan untuk melatih model YOLOv9 dengan jumlah epochs 20, 40, 60 dan 100.
Hasil dari training setelah proses pelatihan model YOLOv9 untuk implementasi objek pada dataset wajah.
Isi dari direktori tersebut mencakup berbagai file dan juga folder, seperti folder weights .
dan last.
, confusion_matrix.
file yml, excel result.
F1_curve.
Labels_correlogram.
P_curve.
PR_curva,R_curve,result.
png,train_batch0.
jpg,train_batch1.
jpg,train_batch2.
pg,val_batch0_pred.
jpg,val_batch1_pred.
jpg,val_batch2_pred.
jpg,val_batch0_l jpg, val_batch1_labels.
jpg, dan val_batch2_labels.
Confusion Matrix Hasil implementasi objek menggunakan model YOLOv9 pada dataset Confusion matrix memberikan pandangan tentang sejauh mana model dapat membedakan antara kelas objek yang berbeda.
Dengan menampilkan gambar ini, dapat melakukan analisis visual terhadap performa model dalam hal implementasi objek pada data latih.
Lebar gambar ditentukan oleh parameter width yang diatur menjadi 600 pixel agar sesuai dengan tampilan di dalam Berikut ini merupakan output epoch 20, 40, 60, dan 100.
Gambar 4.
6 confusion matrix epochs 20
Cyberspace: Jurnal Pendidikan Teknologi Informasi | 28
IMPLEMENTASI METODE VIOLA-JONES DAN YOLOV9
UNTUK MENDETEKSI WAJAH BERGERAK MENGUNAKAN OPENCV
Gambar 4.
7 confusion matrix epochs 40 Gambar 4.
8 confusion matrix epochs 60 29 | Cyberspace: Jurnal Pendidikan Teknologi Informasi Ulfa Mahera.
Raihan Islamadina Gambar 4.
8 confusion matrix epochs 100.
Tabel 4.
2 Hasil training custom epochs 20,40,60 dan 100 epoch Persicion Recall mAP50 .
Custom Validate Menjalankan validasi pada model YOLOv9 setelah pelatihan.
Perintah ini melakukan validasi pada model YOLOv9 yang telah dilatih menggunakan file model berat best.
validasi ini akan memberikan metrik kinerja seperti presisi, recall, mAP .
ean Average Precisio.
, dan lainnya, berdasarkan dataset validasi yang ditentukan dalam file data.
Table 4.
3 hasil validasi best.
py epochs 100 Epoch presisi recall mAP50 .
Custom deteksi mp4 Perintah dibawah untuk melakukan deteksi objek pada video yang terdapat dalam direktori /content/drive/MyDrive menggunakan model YOLOv9 yang telah dilatih dan disimpan dalam file best.
pt epochs 60.
Cyberspace: Jurnal Pendidikan Teknologi Informasi | 30
IMPLEMENTASI METODE VIOLA-JONES DAN YOLOV9
UNTUK MENDETEKSI WAJAH BERGERAK MENGUNAKAN OPENCV
Gambar 4.
9 output custom detection mp4 Kesimpulan Kesimpulan dari penelitian :
Berdasarkan hasil penelitian, implementasi metode Viola-Jones dan YOLOv9 untuk mendeteksi wajah bergerak menggunakan OpenCV menunjukkan hasil yang sangat baik.
Metode Viola-Jones berhasil diimplementasikan untuk mendeteksi wajah bergerak dalam video secara real-time, dengan parameter optimal menggunakan 25 tangkapan per frame.
Dari total dataset yang terdiri dari 1.
gambar wajah, metode ini berhasil mendeteksi 1.
204 gambar wajah, menghasilkan akurasi, precision, dan recall masing-masing sebesar 96%, serta F1-Score sebesar Sementara itu, pendeteksian wajah secara real-time menggunakan model YOLOv9 juga berhasil diimplementasikan dengan baik, mendeteksi 1.
205 gambar wajah dari dataset yang sama.
Model ini menunjukkan performa optimal dengan 100 epoch dan 16 batch, serta menghasilkan precision sebesar 95%, recall sebesar 98%, dan mAP50 sebesar 99%.
Daftar Pustaka