Pengembangan Teknologi Deteksi Wajah Menggunakan Metode You Only Look Once Version 5 untuk Sistem Keamanan Rumah
DOI:
https://doi.org/10.33503/paradigma.v29i2.1266Keywords:
Keamanan, Yolov5, Kamera, CCTV, BuzzerAbstract
Keamanan rumah merupakan salah satu aspek penting dalam menjaga keselamatan penghuni dari ancaman kejahatan. Dalam upaya pengamanan hampir 24 jam teknologi yang dapat kita andalkan adalah kamera CCTV. Perkembangan teknologi semakin pesat dari zaman ke zaman, Salah satu metode yang dapat digunakan untuk meningkatkan sistem keamanan adalah dengan menggunakan teknologi deteksi wajah yang di gabungkan dengan teknologi kamera CCTV. Pengenalan wajah ini akan merespon wajah tidak di kenal dengan membunyikan buzzer sebagai penanda terdapat orang asing yang masuk ke wilayah penghuni. Penelitian ini bertujuan untuk meningkatkan efisiensi dan akurasi dalam pengawasan keamanan. YOLOv5, yang dikenal dengan kecepatan dan akurasi tinggi dalam mendeteksi objek, diaplikasikan untuk mendeteksi wajah pada rekaman video atau gambar yang diambil oleh kamera pengawas (CCTV). Dalam penelitian ini, dilakukan pelatihan model dengan dataset wajah yang beragam dan diterapkan pada berbagai kondisi pencahayaan serta sudut pengambilan gambar. Hasil dari penelitian menunjukkan bahwa YOLOv5 mampu mendeteksi wajah dengan tingkat akurasi yang tinggi dan kecepatan yang memadai untuk diterapkan pada sistem pengawasan pada CCTV. Diharapkan sistem ini dapat menjadi solusi efektif dalam meningkatkan sistem keamanan, dengan kemampuan deteksi wajah yang lebih cepat dan presisi tinggi, serta potensi untuk diterapkan pada perangkat pengawasan cerdas.
References
Zhang, X., Zhang, J., & Li, L. (2021). Face detection in surveillance video based on deep learning. Journal of Computer Vision and Image Processing, 12(1), 24-36.
Hassner, T., Harel, S., & Basri, R. (2015). Effective face detection using deep learning. Proceedings of the IEEE International Conference on Computer Vision, 1631-1638.
Jocher, G., Stoken, A., & Chien, M. (2020). YOLOv5: A new model for object detection. GitHub repository. Retrieved from https://github.com/ultralytics/yolov5.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 779-788.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.
Wang, C., Zhang, Q., Zhang, X., & Zheng, N. (2020). YOLOv5: A Highly Performant and Efficient Object Detection System for Real-Time Applications. arXiv preprint arXiv:2006.15161.
Mukherjee, D., Ghosh, S., & Bhattacharya, S. (2021). Automated Attendance System Using Face Recognition. International Journal of Advanced Computer Science and Applications, 12(4), 296-301.
Sharma, A., & Singh, P. K. (2023). Face Detection and Recognition System Using Deep Learning Techniques: A Review. Journal of King Saud University - Computer and Information Sciences.
Liao, S., Li, Z., & Lei, Z. (2017). A Survey of Deep Learning-based Face Recognition. arXiv preprint arXiv:1703.08377.
Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv5: Improved Real- Time Object Detection. arXiv preprint arXiv:2005.03654.
Deng, J., Guo, J., Zhou, Y., Yu, J., Kotsia, I., & Zafeiriou, S. (2019). ArcFace: Additive Angular Margin Loss for Deep Face Recognition. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 4690-4699.
Pardamean, B., & Zulfikar, S. (2020). Face Recognition-based Attendance System for Learning Management System. In Proceedings of the 2020 International Conference on Computing and Artificial Intelligence (ICCAI).
Liu, W., & Han, X. (2018). An Overview of Face Recognition System and Its Applications in E-Learning Systems. In International Journal of E-Learning and Educational Technologies.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
