Peningkatan Akurasi Pengenalan Wajah Menggunakan Zero-DCE++ Pada Sistem Pengenalan Wajah Di Raspberry Pi

Adhyaksa Waruna Putro, Dr. Dyah Aruming Tyas, S.Si.

2026 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Teknologi pengenalan wajah banyak diadaptasi pada sistem pengawasan, namun kondisi pencahayaan rendah dapat mempengaruhi akurasi dalam proses pengenalan wajah yang terdeteksi oleh sistem. Oleh karena itu, penelitian ini mengembangkan sistem pengenalan wajah yang mengutilisasi tahap prapemrosesan menggunakan metode Zero-DCE++ untuk meningkatkan akurasi pengenalan wajah pada kondisi pencahayaan rendah yang dijalankan di perangkat Raspberry Pi 4 dengan sumber daya terbatas.

Penelitian ini mengimplementasikan sistem pengenalan wajah pada Raspberry Pi 4 untuk kondisi pencahayaan rendah menggunakan arsitektur MediaPipe (deteksi), Zero-DCE++ (pencerahan), serta FaceNet dan SVM (pengenalan). Penelitian ini berhasil membentuk model untuk sistem pengenalan wajah dengan nilai akurasi 94,6%. Model tersebut mengalami peningkatan pada dataset subset pencahayaan rendah yang awalnya memiliki nilai 71,8% menjadi 89,7%. Selain itu, penelitian juga berhasil meningkatkan pengujian pada kondisi pencahayaan rendah dari 52% menjadi 88% pada kondisi sudut pandang optimal dan meningkatkan akurasi dari 40% menjadi 84% pada kondisi sudut pandang kurang menguntungkan. Meskipun berjalan pada perangkat edge dengan sumber daya terbatas, sistem mampu mempertahankan performa inferensi pada kecepatan 1–2 FPS pada video stream 12 FPS.

Face recognition technology has been widely adopted in surveillance systems. However, low-light conditions can affect the accuracy of recognizing faces detected by the system. Therefore, this study develops a face recognition system that utilizes a preprocessing stage using the Zero-DCE++ method to improve face recognition accuracy under low-light conditions, implemented on a resource-constrained Raspberry Pi 4 device.

This study implements a face recognition system on a Raspberry Pi 4 for low-light conditions using the MediaPipe architecture (detection), ZeroDCE++ (enhancement), and FaceNet with SVM (classification). The study successfully developed a model for the face recognition system with an accuracy of 94.6%. The model showed improvement on the low-light subset dataset, increasing from 71.8% to 89.7%. In addition, the study improved testing performance under low-light conditions from 52% to 88% under optimal viewing angles and increased accuracy from 40% to 84% under less favorable viewing angles. Despite running on an edge device with limited computational resources, the system was able to maintain inference performance at a speed of 1–2 FPS on a 12 FPS video stream.

Kata Kunci : FaceNet, pencahayaan rendah, pengenalan wajah, Raspberry Pi 4, Zero-DCE++