PRATAMA, ROMEO MULIA (2026) IMPLEMENTASI DAN PERBANDINGAN MODEL DEEP LEARNING RESNET152V2 DAN VGG-19 UNTUK LOGIN BERBASIS WAJAH DALAM SISTEM UJIAN ONLINE. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
COVER.pdf Download (775kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
BAB1.pdf Restricted to Registered users only Download (447kB) |
|
|
Text (BAB II)
BAB2.pdf Restricted to Registered users only Download (755kB) |
|
|
Text (BAB III)
BAB3.pdf Restricted to Registered users only Download (822kB) |
|
|
Text (BAB IV)
BAB4.pdf Restricted to Registered users only Download (974kB) |
|
|
Text (BAB V)
BAB5.pdf Restricted to Registered users only Download (341kB) |
|
|
Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (321kB) |
|
|
Text (LAMPIRAN)
LAMPIRAN.pdf Restricted to Registered users only Download (1MB) |
Abstract
Online exam fraud remains a serious issue that can undermine academic integrity, particularly through impersonation or identity misuse during the login process. This study aims to implement and compare two deep learning architectures, ResNet152V2 and VGG-19, in developing a face recognition-based login system to minimize cheating in online examinations. Face recognition technology is chosen due to its ability to provide biometric authentication that is more secure, faster, and more difficult to falsify compared to conventional login methods. The research employs transfer learning using pre-trained weights from the ImageNet dataset, with LFW (Labeled Faces in the Wild) as the primary dataset, which is adapted into 525 facial images consisting of five distinct identity labels, each conPPtaining 105 images for training and testing. The data undergoes preprocessing and augmentation to ensure compatibility with the model architectures and to enhance generalization capability. Both models are evaluated using quantitative metrics such as accuracy, precision, recall, F1-score, and confusion matrix, alongside qualitative analysis to assess robustness under real-world conditions including variations in facial angles, lighting, and expressions, as well as user experience in system implementation. The research results show that the ResNet152V2 model achieved an accuracy of 98.08%, outperforming VGG-19 which achieved 94.23%. Nevertheless, VGG-19 demonstrated an advantage in computational efficiency, with an average inference time of 751 ms, considerably faster than ResNet152V2 which reached 1,928 ms, making VGG-19 the more optimal choice for implementation in an online exam login system that demands real-time responsiveness. Kata kunci: Face recognition, Deep learning, ResNet152V2, VGG-19, Transfer learning. Kecurangan dalam pelaksanaan ujian online masih menjadi permasalahan serius yang dapat merusak integritas akademik. Salah satu bentuk kecurangan yang sering terjadi adalah penggunaan joki atau penyalahgunaan identitas saat proses login. Penelitian ini bertujuan untuk mengimplementasi dan membandingkan dua arsitektur deep learning, yaitu ResNet152V2 dan VGG-19, dalam membangun sistem login berbasis pengenalan wajah untuk mengurangi potensi kecurangan pada sistem ujian online. Teknologi pengenalan wajah dipilih karena mampu memberikan autentikasi biometrik yang lebih aman, cepat, dan sulit dipalsukan dibandingkan dengan metode login konvensional. Metode yang digunakan dalam penelitian ini adalah transfer learning dengan bobot awal dari dataset ImageNet. Dataset yang digunakan adalah LFW (Labeled Faces in the Wild). Dalam penelitian ini, dataset tersebut disesuaikan menjadi 525 citra wajah yang terdiri dari 5 label identitas berbeda, di mana masing-masing label memiliki 105 data untuk proses pelatihan dan pengujian. Data wajah akan melalui proses pra-pemrosesan dan augmentasi untuk memastikan kompatibilitas dengan arsitektur model dan meningkatkan kemampuan generalisasi sistem. Kedua model akan dilatih dan dievaluasi menggunakan metrik kuantitatif seperti akurasi, presisi, recall, F1-score, dan confusion matrix. Selain itu, analisis kualitatif dilakukan untuk mengevaluasi ketahanan model terhadap kondisi nyata seperti sudut wajah berbeda, pencahayaan rendah, dan ekspresi wajah yang bervariasi dan untuk menilai pelaksanaan dan pengalaman pengguna terkait sistem login menggunakan pengenalan wajah. Hasil penelitian menunjukkan bahwa model ResNet152V2 mencapai akurasi sebesar 98,08%, unggul dibandingkan VGG-19 yang mencapai 94,23%. Meskipun demikian, VGG-19 menunjukkan keunggulan pada efisiensi komputasi dengan waktu inferensi rata-rata 751 ms, jauh lebih cepat dibandingkan ResNet152V2 yang mencapai 1.928 ms, sehingga VGG-19 dinilai lebih optimal untuk diimplementasikan pada sistem login ujian online yang menuntut responsivitas real-time. Kata kunci: Pengenalan Wajah, Deep learning, ResNet152V2, VGG-19, Transfer learning.
Actions (login required)
 |
View Item |
