<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="2183">
 <titleInfo>
  <title>IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN METODE DEEP CONVOLUTION NETWORK</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Agustri Situmeang</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">BEKASI</placeTerm>
  </place>
  <publisher>USNI</publisher>
  <dateIssued>2022</dateIssued>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Text</form>
  <extent></extent>
 </physicalDescription>
 <note>Sistem pengenalan wajah merupakan salah satu dari teknik biometrik yang memanfaatkan wajah untuk proses identifikasi maupun verifikasi data seseorang. Sistem pengenalan wajah semakin berkembang dengan menggunakan berbagai metode, pengaplikasian sistem pengenalan wajah biasanya digunakan untuk sistem pemantauan dan sistem absensi serta bisa juga diterapkan untuk sistem pengenalan wajah di kondisi ramai. Masalah yang sering dihadapi pada sistem pengenalan wajah pada umumnya yaitu banyak dari sistem pengenalan wajah yang tidak bisa mengenali wajah dengan posisi tertentu dan jauh dari objek yang ingin diidentifikasi. Oleh karena itu, pada penelitian ini penulis memilih metode deep learning, dimana deep learning dapat menghasilkan sistem pengenalan wajah yang lebih akurat dalam mengenali wajah dengan posisi yang berbeda-beda khususnya yang akan diimplementasikan untuk sistem pengenalan wajah di kondisi keramaian. Pada perancangan sistem, training data menggunakan metode pembelajaran deep learning dengan model CNN (Convolutional Neural Network) dan mendapatkan model terbaik dengan akurasi validasi sebesar 99.28 % serta loss validasi sebesar 0.02 setelah melalui 33 percobaan dengan beberapa layer (lapisan) CNN. Dan dari pengujian yang telah dilakukan pada penelitian ini, diperoleh presentase akurasi sistem sebesar 95 % dalam mengidentifikasi wajah</note>
 <note type="statement of responsibility">Agustri Situmeang</note>
 <subject authority="">
  <topic>Teknik Informatika</topic>
 </subject>
 <classification>NONE</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>Institutional Repository USNI Universitas Satya Negara Indonesia</physicalLocation>
  <shelfLocator></shelfLocator>
  <holdingSimple>
   <copyInformation>
    <numerationAndChronology type="1">8220170</numerationAndChronology>
    <sublocation>Perpustakaan USNI Kampus B</sublocation>
    <shelfLocator></shelfLocator>
   </copyInformation>
  </holdingSimple>
 </location>
 <slims:digitals>
  <slims:digital_item id="2201" url="" path="/bdef5036905e014712730cbb05517a58.pdf" mimetype="application/pdf">IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN METODE DEEP CONVOLUTION NETWORK</slims:digital_item>
 </slims:digitals>
 <recordInfo>
  <recordIdentifier>2183</recordIdentifier>
  <recordCreationDate encoding="w3cdtf">2022-08-01 13:39:15</recordCreationDate>
  <recordChangeDate encoding="w3cdtf">2022-08-16 11:23:06</recordChangeDate>
  <recordOrigin>machine generated</recordOrigin>
 </recordInfo>
</mods>
</modsCollection>