TY  - GEN
CY  - UNIVERSITAS LAMPUNG
ID  - eprints89402
UR  - http://digilib.unila.ac.id/89402/
A1  - AZZAHRA NABILA , WIBIRASYA 
Y1  - 2024/12/19/
N2  - Di Indonesia, kriminalitas telah menjadi masalah sosial yang cukup serius beberapa
dekade terakhir. Sebagian besar kejahatan terutama kejahatan dijalanan, melibatkan
pelaku yang berusaha menyembunyikan identitas mereka, salah satunya dengan
menggunakan helm. Oleh karena itu, penting untuk memiliki teknologi yang dapat
mengidentifikasi wajah pengendara yang menggunakan helm. Salah satu
pendekatan deteksi objek berbasis wilayah yang efisien dalam proses deteksi adalah
Faster R-CNN. Penelitian ini mengimplementasikan Faster R-CNN untuk
klasifikasi wajah pengendara sepeda motor, khususnya pada data asli dan data yang
telah diaugmentasi dengan rotasi 10°, dan rotasi -10°. Model ini menggabungkan
deep fully convolutional network (FCN), region proposal network (RPN), dan Fast
R-CNN, serta memanfaatkan transfer learning dengan model ResNet-50 sebagai
ekstraktor fitur. Pengujian dilakukan pada beberapa kategori, seperti pengendara
tanpa helm, pengendara dengan helm double visor (tertutup penuh, sebagian, atau
dengan masker). Hasil menunjukkan kinerja yang unggul dengan presisi 96,34%
recall 91,55%, dan F1-score 93,82%. Evaluasi juga menggunakan confusion matrix
untuk memastikan akurasi model dalam mengenali wajah pengendara di berbagai
kondisi.
Kata kunci : Faster R-CNN, Pengenalan Wajah, ResNet50.

In Indonesia, crime has become a serious social problem in recent decades. Most
crimes, especially street crimes, involve perpetrators trying to hide their identity,
one of which is by wearing a helmet. Therefore, it is important to have a technology
that can identify the faces of riders wearing helmets. One of the efficient regionbased
object detection approaches in the detection process is Faster R-CNN. This
research implements Faster R-CNN for motorcyclist face classification, specifically
on the original data and data that has been augmented with 10° rotation, and -10°
rotation. This model combines deep fully convolutional network (FCN), region
proposal network (RPN), and Fast R-CNN, and utilizes transfer learning with
ResNet-50 model as a feature extractor. Tests were conducted on several
categories, such as riders without helmets, riders with double visor helmets (fully,
partially, or with masks). Results show superior performance with 96.34%
precision 91.55% recall, and 93.82% F1-score. The evaluation also uses confusion
matrix to ensure the accuracy of the model in recognizing the rider's face in various
conditions.
Keywords: Faster R-CNN, Face recognition, ResNet50.
PB  - FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
TI  - KLASIFIKASI WAJAH PADA PENGENDARA SEPEDA MOTOR RODA
DUA MENGGUNAKAN FASTER REGION-BASED CONVOLUTIONAL
NEURAL NETWORK (FASTER R-CNN)
AV  - restricted
ER  -