Comparative Study of VGG16 and MobileNetV2 for Masked Face Recognition

Adhinata, Faisal Dharma; Tanjung, Nia Annisa Ferani; Widayat, Wahyu; Pasfica, Gracia Rizka; Satura, Fadlan Raka

doi:10.26555/jiteki.v7i2.20758

Cited by 11 publications

(2 citation statements)

References 20 publications

(23 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Fast the feature extraction process used transfer learning techniques. Unlike the case with deep learning, transfer learning techniques do not require much data during the training process [25] [26]. Transfer learning was carried out in the previous training process with the ImageNet dataset and tested for accuracy [27].…”

Section: Feature Extractionmentioning

confidence: 99%

Improving Accuracy of Cloud Images using DenseNet-VGG19

Fitriana¹,

Arifa²,

Prasetiadi³

et al. 2023

Int. J. Adv. Sci. Eng. Inf. Technol.

View full text Add to dashboard Cite

Weather classification has become a significant challenge due to the unpredictable nature of climate conditions. For farmers, predicting the start of the rainy season is very important. This is because it is related to the cost factor that must be incurred, and also, the waiting time for the harvest has an effect if the weather is not supportive. Farmers also have to prepare seeds for the start of their farming. Therefore, farmers who start nurseries early in the rainy season will miss significant planting time. Based on these problems, this study uses a convolutional neural network (CNN) for weather classification using cloud imagery. CNN is shown to classify different spectro-temporal features of sound and is thus suitable for cloud image classification. We collect cloud image data using secondary data. Our model used a layer based on the convolution CNN architecture with a pooling layer and a solid layer as the output layer. The cloud dataset used is 1230 data divided into five classes, namely cloudy, foggy, rain, shine, and sunrise, which we use to train our model in research for the feature extraction process using DenseNet and VGG19. We use two types of classification, namely fully connected and Global Average Pooling (GAP). Our model can achieve a classification accuracy of 90.8% DenseNet-Fully Connected from our training process. From our testing process, our model can reach 95.7% using DenseNet-Fully Connected classification accuracy. Thus, the CNN model proved very accurate in classifying cloud images.

show abstract

Section: Feature Extractionmentioning

confidence: 99%

Improving Accuracy of Cloud Images using DenseNet-VGG19

Fitriana¹,

Arifa²,

Prasetiadi³

et al. 2023

Int. J. Adv. Sci. Eng. Inf. Technol.

View full text Add to dashboard Cite

show abstract

“…1 Perbandingan Jumlah Mahasiswa dan Jumlah Dosen Institut Teknologi Telkom Purwokerto Berdasarkan grafik perbandingan jumlah mahasiswa dan dosesn pada tahun 2014 sampai dengan tahun 2017, didapatkan hasil bahwa jumlah mahasiswa IT Telkom Purwokerto semakin meningkat setiap tahunnya. Sebagai perguruan tinggi swasta yang semakin diminati, IT Telkom membutuhkan sistem yang dapat menunjang kelancaran kegiatan mata kuliah, dengan melihat permasalahan tersebut penulis berusaha mengembangkan sistem presensi dengan menggunakan teknologi face recognition [2]. Face recognition banyak diterapkan pada banyak bidang, salah satunya pada sistem presensi kehadiran, tentunya dengan menggunakan berbagai macam metode berbeda, seperti : jaringan syaraf tiruan [3], principal component analysis [4], template matching [5], learning vector quantization [6], dan euclidean [7].…”

unclassified

Penerapan Face Recognition Berbasis GUI Visual Studio 2012 Menggunakan Algoritma Eigenface dan Metode Pengembangan Waterfall Pada Sistem Absensi Mahasiswa IT Telkom Purwokerto

Fauzi¹,

Junaidi²,

Saputra³

2022

JournalofDinda.DataScience.IT.DataAnalytics

View full text Add to dashboard Cite

Setiap manusia memiliki karakter yang berbeda antara satu dengan yang lainnya, salah satunya adalah karakteristik alami yang dimiliki oleh manusia yaitu wajah. Wajah manusia tentu saja memiliki ciri unik yang membedakan satu dengan lainnya, sehingga dapat dikenali oleh manusia lain maupun oleh suatu sistem yang memiliki kemampuan tersebut. Pengenalan wajah berkaitan erat dengan biometrik manusia, hal tersebut dikarenakan terdapat informasi unik yang terkandung di dalamnya. Teknologi pengenalan wajah dapat dimanfaatkan salah satunya pada sistem presensi kehadiran. Banyak metode yang digunakan pada proses pengenalan wajah, salah satunya dengan menggunakan algoritma eigenface. Eigenface berfungsi untuk menghitung eigenvalue dan eigenvector yang akan digunakan sebagai fitur dalam melakukan pengenalan wajah. Citra akan direpresentasikan dalam sebuah gabungan vektor yang dijadikan satu matriks tunggal. Dari matriks tunggal ini akan di ekstrasi suatu ciri utama yang membedakan antara citra wajah satu dengan citra wajah yang lainnya. Untuk dapat mengenali dan mengidentifikasi wajah seseorang maka pada penelitian ini diperlukan sebuah tools tambahan berupa web camera atau sering kita kenal dengan istilah WebCam dan aplikasi yang akan digunakan adalah Visual Studio 2012. Teknologi pengenalan wajah ini dapat dimanfaatkan oleh IT Telkom Purwokerto sebagai sistem presensi kehadiran mahasiswa. Salah satu hasil evaluasi perlunya pemanfaatan teknologi face recognition sebagai sistem presensi kehadiran mahasiswa dikarenakan belum optimalnya pemanfaatan sistem absensi berbasis RFID yang sebelumnya telah digunakan, berbagai permasalahan teknis yang dihadapi oleh sistem absensi tersebut mengakibatkan proses absensi kembali dilakukan secara manual menggunakan kertas absensi yang diberikan oleh Dosen. Kata kunci: Citra, Eigenface, Face recognition, Image Processing, C#, Sistem Absensi

show abstract