Semua kelas Silabus Pengenalan Wajah Tahan Oklusi · Episode 6 dari 6

▶ Video Praktik

Lihat semua langkah di atas dipraktikkan langsung, lengkap dengan narasi.

0 kali ditonton

Buku kelas

Halaman 1 / 8

Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah: Sampul: Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah

Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah: Sebelum mulai, daftar langkah, dan Langkah 1

Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah: Langkah 2: Apa yang membuat model tahan oklusi?

Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah: Langkah 3: Galeri karyawan & foto contoh

Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah: Langkah 4: Kalibrasi threshold open-set

Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah: Langkah 5–6: Aplikasi Streamlit: model & input

Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah: Langkah 7: Mencoba aplikasi absensi

Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah: Selesai: hasil akhir dan latihan lanjutan

Sampul: Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah

Klik halaman atau ◀ ▶ untuk membalik · geser di HP · untuk memperbesar

Ingin belajar lebih dalam?

Ikuti kursus kami atau tanyakan langsung lewat WhatsApp.

Unduh PDF· 0 kali diunduh Lihat silabus lengkap 6 episode Lihat Kursus Pengenalan Wajah Tanya via WhatsApp

Kelas yang direkomendasikan untuk Anda

Dipilih dari software, topik, dan level “Kelas Pengenalan Wajah Tahan Oklusi #6: Uji Ketahanan Oklusi & Aplikasi Absensi Wajah”.

6 episodeAda gratis

Python · Menengah–Mahir

Deteksi Deepfake Vision Transformer

6 episode video + PDF, total 1 jam 11 menit. Dimulai dari: Konsep Deepfake, Jenis Manipulasi & Dataset Wajah Asli vs Palsu.

1 jam 11 menit 0 0

Lihat kelas

18 episodeAda gratis

Python · Pemula–Mahir

Machine Learning Python

18 episode video + PDF, total 3 jam 41 menit. Dimulai dari: Pengenalan Machine Learning & Model Pertama.

3 jam 41 menit 61 0

Lihat kelas

6 episodeAda gratis

Python · Menengah–Mahir

Segmentasi Tumor Otak U-Net

6 episode video + PDF, total 1 jam 10 menit. Dimulai dari: Dataset MRI Otak & Mask Tumor: Memuat, Visualisasi & Pembagian per Pasien.

1 jam 10 menit 28 0

Lihat kelas

50 episodeAda gratis

Agentic AI · Pemula–Menengah

Agentic AI Tanpa Coding

50 episode video + PDF, total 14 jam 29 menit. Dimulai dari: Chatbot, Otomasi, dan AI Agent: Apa Bedanya?.

14 jam 29 menit 74 0

Lihat kelas

100 episodeAda gratis

Claude · Pemula–Mahir

Claude dari Nol sampai Mahir

100 episode video + PDF, total 15 jam 1 menit. Dimulai dari: Apa Itu Claude dan Bedanya dengan ChatGPT serta Gemini.

15 jam 1 menit 69 0

Lihat kelas

Deep Learning CNN-LSTM Deteksi Pneumonia

6 episodeAda gratis

Python · Menengah–Mahir

Deep Learning CNN-LSTM Deteksi Pneumonia

6 episode video + PDF, total 57 menit. Dimulai dari: Dataset Rontgen Dada: Memuat, Eksplorasi & Pembagian Data.

57 menit 22 0

Lihat kelas

Optimasi Multi-Objektif NSGA-II MOPSO Hybrid

6 episodeAda gratis

Python · Menengah–Mahir

Optimasi Multi-Objektif NSGA-II MOPSO Hybrid

6 episode video + PDF, total 59 menit. Dimulai dari: Optimasi Multi-Objektif: Pareto Front, Dominasi, dan Fungsi Uji ZDT/DTLZ.

59 menit 9 0

Lihat kelas

ANFIS Metaheuristik Peramalan Deret Waktu

6 episodeAda gratis

Python · Menengah–Mahir

ANFIS Metaheuristik Peramalan Deret Waktu

6 episode video + PDF, total 59 menit. Dimulai dari: Deret Waktu Non-Linear: Dataset, Stasioneritas, dan Pola.

59 menit 13 0

Lihat kelas

Butuh lebih dari video?

Pilihan lain dari kami untuk Python.

Belajar bareng mentor

Kursus AI & Kecerdasan Buatan terjadwal, dibimbing langsung, bersertifikat.

Kursus

Kursus Optimasi Multi-Objektif: NSGA-II, MOPSO & Algoritma Hybrid (Python)

Kursus

Kursus Klasifikasi Aritmia EKG dengan Wavelet & Deep Learning (PyTorch)

Kursus

Kursus ANFIS + PSO/GA untuk Peramalan Deret Waktu Non-Linear (Python)

Lihat semua AI & Kecerdasan Buatan →

Minta dibuatkan

Tidak sempat belajar Python? Tim kami bisa mengerjakan proyeknya.

Jasa

Jasa Machine Learning Python — Model Prediksi, Segmentasi Pelanggan, Deteksi Fraud & Aplikasi AI

Jasa

Jasa Pembuatan Gambar AI dengan Stable Diffusion — Produksi Visual Custom Tanpa Batas

★ 4.9

Jasa

Jasa Pembuatan Gambar & Video AI dengan Leonardo AI — Visual All-in-One untuk Bisnis

★ 4.9

Lihat semua AI & Kecerdasan Buatan →

Kabari saya kalau ada kelas Python baru

Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.

Transkrip

Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.

Tampilkan transkrip

Pembuka

Inilah hasil akhirnya, aplikasi absensi wajah yang tetap mengenali karyawan walau memakai masker, mencatat jam kehadirannya, dan menolak orang asing yang tidak terdaftar. Sebelumnya kita membuktikan dengan angka apa yang sebenarnya membuat model tahan oklusi. Hasilnya mungkin tidak seperti yang Anda duga. Ayo kita mulai. Halo, selamat datang di episode terakhir seri pengenalan wajah tahan oklusi. Kita sudah punya tiga model dan cara mengukur verifikasi. Hari ini pertanyaan utamanya, seberapa tahan model terhadap masker, kacamata, dan tangan, dan apa penyebabnya? Setelah itu kita hadapi masalah dunia nyata yang sering dilupakan, yaitu orang asing yang tidak terdaftar, lalu mengemas semuanya menjadi aplikasi absensi wajah.

Langkah 1: Uji pada empat kondisi oklusi

Buat file uji underscore oklusi dot pey. Fungsi akurasi membangun centroid galeri dari data latih, lalu mengenali setiap wajah uji. Kita siapkan empat versi data uji. Tanpa oklusi, semuanya bermasker, semuanya berkacamata hitam, dan semuanya tertutup tangan. Ketiga model dari episode 4 diuji pada keempat versi itu.

Langkah 2: Apa yang membuat model tahan oklusi?

Jalankan. Tanpa oklusi ketiga model setara, sekitar 95%. Dengan oklusi, model fusi multiskala dan skala tunggal yang dilatih dengan augmentasi oklusi tetap sekitar 90%. Tapi model fusi tanpa augmentasi oklusi jatuh drastis. Sekitar 60% untuk masker, 50% untuk tangan, dan hanya 20-40% untuk kacamata hitam. Inilah temuan terpenting seri ini. Kunci ketahanan oklusi adalah augmentasi oklusi saat pelatihan. Sedangkan fusi multiskala pada dataset sekecil LFWi memberi hasil yang setara dengan skala tunggal. Hasil yang jujur seperti ini penting dilaporkan dalam penelitian.

Langkah 3: Galeri karyawan & foto contoh

Sekarang persiapan absensi. Buat file data underscore asing.py yang memuat 600 wajah orang LFWi di luar galeri sebagai orang asing, dengan cacen.pz. Lalu buat file daftar underscore wajah.py. Setiap karyawan didaftarkan sebagai sentroid embedding dari foto-foto latihnya dan disimpan ke galeri.npz. Kita juga menyiapkan foto contoh untuk aplikasi. Tiga karyawan dari data uji, versi asli dan versi bermasker atau berkacamata, ditambah satu tamu yang tidak terdaftar. Jalankan.

Langkah 4: Kalibrasi threshold open-set

Buat file kalibrasi underscore asing.py. Tresol dari episode 5 dihitung antar orang yang sudah dikenal model. Untuk absensi, orang asing harus ditolak, padahal embedding mereka tidak pernah dilatih. Kita bandingkan skor karyawan, baik tanpa oklusi maupun teroklusi, dengan skor tertinggi orang asing ke galeri. Jalankan. Tabelnya memperlihatkan tarik-menarik, Tresol rendah menerima hampir semua karyawan tapi banyak orang asing lolos, Tresol tinggi menolak orang asing tapi lebih banyak karyawan bermasker yang ditolak. Kita pilih Tresol yang meloloskan maksimal 10% orang asing, sekitar 0,8, dan menyimpannya.

P Langkah 5: Aplikasi Streamlit: model & input

Sekarang aplikasinya. Buat file app underscore absensi.py dengan streamlit. Model, galeri, nama karyawan, dan Tresol absensi dimuat sekali dengan cacah resource. Halaman berisi select box foto contoh, file uploader, dan pilihan memakai webcam dengan kamera input, sehingga di laptop Anda absensi bisa langsung dari kamera.

Langkah 6: Pengenalan, pencatatan & menjalankan

Bagian pengenalan, landmark dideteksi dengan unit, wajah diselaraskan ke 112 piksel, embedding dihitung, lalu dibandingkan dengan semua sentroid. Bila skor tertinggi melewati Tresol, nama karyawan ditampilkan dan kehadirannya dicatat ke absensi.csv beserta tanggal dan jamnya, satu kali per hari. Bila tidak, wajah dianggap tidak dikenal. Kita jalankan dengan streamlit run dan membukanya di browser.

Langkah 7: Ya aplikasi absensi

Aplikasinya tampil. Foto pertama, Serena Williams tanpa masker, langsung dikenali dan kehadirannya dicatat. Kita pilih Junichiro Koizumi yang memakai masker, tetap dikenali dengan skor tinggi dan masuk ke daftar hadir. Terakhir, tamu yang tidak terdaftar, skor tertingginya jauh di bawah Tresol, sehingga ditolak dan tidak dicatat. Untuk dipakai di kantor, latih ulang dengan foto karyawan sendiri dan kalibrasi ulang Tresolnya.

Selesai!

Selesai, dan selesai pula seri ini. Kita sudah membangun penelitian pengenalan wajah tahan oklusi secara lengkap, detaset LFW dan oklusi sintetis, deteksi dan penyelarasan wajah, fitur piramid, fusi multiskala dengan arc face loss, verifikasi dengan ROC dan IIR, uji ketahanan oklusi, kalibrasi open set, sampai aplikasi absensi. Untuk penelitian lanjutan, coba detaset yang jauh lebih besar seperti kasia web face, oklusi nyata seperti detaset wajah bermasker, atau attention spasial yang belajar mengabaikan ria tertutup. Terima kasih sudah mengikuti seri ini. Sedang menyusun skripsi, tesis, atau riset AI di bidang pengenalan wajah dan biometrik? Cerdas inovasi digital membantu implementasi deep learning, dari oklusi sintetis, penyelarasan wajah, fitur piramid, arc face, verifikasi dan ROC, sampai aplikasi absensi wajah, serta membuka kursus deep learning dengan PyTor. Ingin menguasai seluruh seri ini? Dari detaset wajah sampai aplikasi absensi? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya. Terima kasih telah menonton,

Tanya materi kelas

Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.

Catatan saya

Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.

Tanya jawab

Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.

Belum ada pertanyaan.

Pengajar

Tim Cerdas Inovasi Digital

Pengembang software, engineer BIM & 3D, dan praktisi AI

53 kelas video1.296 episode

Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.

Lihat klien kami →

Memuat

▶ Video Praktik

Kelas yang direkomendasikan untuk Anda

Butuh lebih dari video?

Transkrip

0:03Pembuka

0:53Langkah 1: Uji pada empat kondisi oklusi

5:29Langkah 2: Apa yang membuat model tahan oklusi?

6:15Langkah 3: Galeri karyawan & foto contoh

12:39Langkah 4: Kalibrasi threshold open-set

19:20P Langkah 5: Aplikasi Streamlit: model & input

22:43Langkah 6: Pengenalan, pencatatan & menjalankan

27:39Langkah 7: Ya aplikasi absensi

28:09Selesai!

Tanya materi kelas

Catatan saya

Tanya jawab

Pengajar

▶ Video Praktik

Kelas yang direkomendasikan untuk Anda

Butuh lebih dari video?

Transkrip

0:03Pembuka

0:53Langkah 1: Uji pada empat kondisi oklusi

5:29Langkah 2: Apa yang membuat model tahan oklusi?

6:15Langkah 3: Galeri karyawan & foto contoh

12:39Langkah 4: Kalibrasi threshold open-set

19:20P Langkah 5: Aplikasi Streamlit: model & input

22:43Langkah 6: Pengenalan, pencatatan & menjalankan

27:39Langkah 7: Ya aplikasi absensi

28:09Selesai!

Tanya materi kelas

Catatan saya

Tanya jawab

Pengajar

Pembuka

Langkah 1: Uji pada empat kondisi oklusi

Langkah 2: Apa yang membuat model tahan oklusi?

Langkah 3: Galeri karyawan & foto contoh

Langkah 4: Kalibrasi threshold open-set

P Langkah 5: Aplikasi Streamlit: model & input

Langkah 6: Pengenalan, pencatatan & menjalankan

Langkah 7: Ya aplikasi absensi

Selesai!

Pembuka

Langkah 1: Uji pada empat kondisi oklusi

Langkah 2: Apa yang membuat model tahan oklusi?

Langkah 3: Galeri karyawan & foto contoh

Langkah 4: Kalibrasi threshold open-set

P Langkah 5: Aplikasi Streamlit: model & input

Langkah 6: Pengenalan, pencatatan & menjalankan

Langkah 7: Ya aplikasi absensi

Selesai!