ANALISIS PENGARUH CLAHE PADA DETEKSI WAJAH SPOOFING MENGGUNAKAN YOLOV8 DAN MOBILENETV2

Uraidli, Muhammad Mustaqim Adibatz (2026) ANALISIS PENGARUH CLAHE PADA DETEKSI WAJAH SPOOFING MENGGUNAKAN YOLOV8 DAN MOBILENETV2. Diploma thesis, Universitas Nasional.

	Text Cover.pdf Download (792kB)
	Text BAB 1.pdf Download (279kB)
	Text BAB 2.pdf Download (565kB)
	Text BAB 3.pdf Download (572kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (251kB)
	Text Lampiran.pdf Download (875kB)

Abstract

Spoofing wajah adalah serangan untuk menipu sistem verifikasi wajah melalui
media fisik dan media digital. Rendahnya kualitas citra dan resolusi kamera masih
menjadi kendala. Kondisi ini menuntut model deteksi wajah memiliki ketahanan
terhadap berbagai variasi serangan serta penurunan kualitas citra. Oleh karena itu,
penelitian ini menerapkan enam variasi konfigurasi berbeda pada preprocessing
CLAHE untuk dianalisis efektivitasnya berdasarkan karakteristik dataset dan
peningkatan performa model pada dataset yang didominasi kondisi pencahayaan
rendah. Model klasifikasi yang digunakan adalah MobileNetV2 serta YOLOv8
sebagai pendeteksi dan alat potong area wajah. Dataset yang digunakan berasal dari
gabungan enam sumber publik dan lokal sebanyak 5500 gambar yang telah melalui
simulasi pencahayaan rendah. Sementara itu, dataset YOLOv8 berisi 2699 gambar
wajah. Hasil pengujian menunjukkan bahwa model YOLOv8 mampu mendeteksi
wajah dengan sangat baik, mencapai mAP@0.5 sebesar 0,9948. Sedangkan hasil
evaluasi pada MobileNetV2 membuktikan bahwa penerapan CLAHE mampu
meningkatkan performa model dibandingkan tanpa preprocessing. Skenario terbaik
diperoleh pada konfigurasi CLAHE Clip Limit 2,0 dan Grid Size 8x8, yang
menghasilkan akurasi sebesar 87,5% dan Half Total Error Rate (HTER) terendah
sebesar 12,5%. Hasil ini lebih unggul dibandingkan model NON-CLAHE yang
hanya mencapai akurasi 85,5% dengan HTER 14,4%. Analisis karakteristik citra
juga menunjukkan adanya batasan optimal peningkatan kontras, di mana nilai RMS
Contrast di bawah 46,0 terbukti paling efektif dalam memaksimalkan akurasi tanpa
menyebabkan performa model menurun. Penelitian ini juga mengimplementasi
hasil kedua model ke dalam website menggunakan Flask untuk menampilkan hasil
klasifikasi.

Item Type:	Thesis (Diploma)
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Vira Desintha Larasati
Date Deposited:	12 May 2026 02:55
Last Modified:	12 May 2026 02:55
URI:	https://repository.unas.ac.id/id/eprint/15906

Actions (login required)

View Item