PENGUJIAN PENGENALAN WAJAH REAL-TIME DENGAN DLIB PADA RASPBERRY PI 5
DOI:
https://doi.org/10.71282/jurmie.v2i6.442Keywords:
Raspberry Pi 5, Pengenalan Wajah Real-Time, HOG (Histogram of Oriented Gradients), dlibAbstract
Penelitian ini membahas pengujian sistem pengenalan wajah berbasis Raspberry Pi 5 menggunakan pustaka dlib dengan metode Histogram of Oriented Gradients (HOG). Tujuan utama pengujian ini adalah mengevaluasi performa sistem dalam berbagai kondisi pencahayaan dan jarak. Pengujian dilakukan terhadap dua sampel wajah dalam empat skenario: dekat-terang, jauh-terang, dekat-gelap, dan jauh-gelap. Hasil menunjukkan bahwa sistem bekerja optimal pada kondisi terang dan jarak dekat, namun performanya menurun pada pencahayaan rendah dan jarak jauh. Tingkat akurasi yang diperoleh adalah 25% untuk sampel pertama dan 50% untuk sampel kedua. Kelebihan sistem ini terletak pada efisiensi komputasi karena seluruh proses dilakukan secara lokal di Raspberry Pi 5 tanpa koneksi ke server eksternal. Kekurangannya adalah sensitivitas terhadap variasi pencahayaan dan sudut pandang wajah. Penelitian ini menunjukkan bahwa pengenalan wajah real-time pada perangkat edge dapat dilakukan secara cost-effective, dan direkomendasikan pengembangan lebih lanjut melalui peningkatan dataset serta integrasi dengan sensor cahaya untuk adaptasi otomatis terhadap kondisi lingkungan.
Downloads
References
Ahmad, S., Rahman, M. A., & Junaidi, E. (2022). Comparative Study of Face Recognition Libraries on Edge Devices. IEEE Access, 10, 12451–12460.
Raspberry Pi Foundation. (2023). Raspberry Pi 5 Hardware Overview. https://www.raspberrypi.com/
Sengupta, S., et al. (2020). "Lightweight Face Recognition on Edge Devices: A Comparative Study of Dlib, OpenCV, and MobileNet." IEEE International Conference on Embedded Systems (ICES), 1-6.
Raspberry Pi Foundation. (2023). "Raspberry Pi 5 Documentation: Technical Specifications." [Online]. from : https://www.raspberrypi.com/documentation/
Patel, K., & Smith, R. (2020). "Real-Time Computer Vision: From Algorithms to Applications." IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(6), 1289-1305.
King, D. E. (2015). "Dlib-ml: A Machine Learning Toolkit." Journal of Machine Learning Research, 16, 1239-1244.
Sze, V., Chen, Y., Yang, T., & Emer, J. (2017). "Efficient Processing of Deep Neural Networks: A Tutorial and Survey." Proceedings of the IEEE, 105(12), 2295-2329.
Dalal, N., & Triggs, B. (2005). Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), vol. 1, pp. 886–893
Parkhi, O. M., Vedaldi, A., & Zisserman, A. (2015). Deep Face Recognition. British Machine Vision Conference (BMVC).
Pandey, S., & Gupta, A. (2021). Comparative Performance Evaluation of USB and Pi Cameras for Edge AI Applications. Journal of Embedded Systems and Applications, 8(2), 55–61.
Ghosh, T., & Ali, M. (2020). Optimization of Face Recognition on Low-Cost Embedded Systems. International Journal of Computer Applications, 177(38), 1–6.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Syarif Husin, Iskandar Lutfi, Masayu Anisah (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
