Jasa Skripsi Tesis Disertasi C++ | “Implementasi Algoritma Deep Learning Berbasis C++ untuk Pengenalan Wajah dalam Sistem Keamanan Digital”

Silabus 20 Sesi: Implementasi Algoritma Deep Learning Berbasis C++ untuk Pengenalan Wajah dalam Sistem Keamanan Digital

Tujuan Kursus:

Peserta akan memahami konsep deep learning, pengolahan citra, serta mampu mengimplementasikan model pengenalan wajah menggunakan C++ dan OpenCV.

Sesi 1-5: Pengantar dan Persiapan Lingkungan

Sesi 1: Pendahuluan tentang Deep Learning dan Pengenalan Wajah

• Konsep dasar Deep Learning dalam pengenalan wajah
• Perbedaan Face Detection vs. Face Recognition
• Algoritma umum: Eigenfaces, Fisherfaces, LBPH, CNN
• Studi kasus penggunaan dalam sistem keamanan

Sesi 2: Mempersiapkan Lingkungan Pengembangan di C++

• Instalasi CMake, OpenCV, dan Dlib
• Konfigurasi Visual Studio Code / CLion / Qt Creator
• Menggunakan CUDA untuk akselerasi GPU (jika tersedia)

Sesi 3: Dasar-Dasar Pemrograman C++ untuk AI

• Struktur dasar kode C++ untuk AI
• Manajemen memory allocation dan optimasi kinerja
• Pemanfaatan STL (Standard Template Library) dalam deep learning

Sesi 4: Pemrosesan Citra Digital dengan OpenCV di C++

• Membaca dan menampilkan gambar & video menggunakan cv::imread()
• Operasi dasar grayscale, thresholding, edge detection
• Penerapan histogram equalization untuk preprocessing

Sesi 5: Deteksi Wajah Menggunakan OpenCV Haar Cascade & DNN

• Implementasi Haar Cascade Classifier
• Deteksi wajah menggunakan pretrained DNN (ResNet, MobileNet)
• Evaluasi kecepatan dan akurasi metode

Sesi 6-10: Implementasi Model Deep Learning

Sesi 6: Pengenalan Model CNN untuk Pengenalan Wajah

• Struktur dasar Convolutional Neural Networks (CNN)
• Arsitektur model VGG16, ResNet, MobileNet
• Perbedaan Feature Extraction vs. End-to-End Training

Sesi 7: Melatih Model CNN untuk Pengenalan Wajah

• Dataset yang digunakan: LFW, CASIA-WebFace, VGGFace2
• Augmentasi data dengan OpenCV
• Training model CNN menggunakan PyTorch / TensorFlow C++ API

Sesi 8: Integrasi Model Deep Learning dengan C++

• Konversi model TensorFlow/PyTorch ke ONNX
• Menggunakan OpenCV DNN Module untuk inferensi
• Optimasi model untuk kecepatan dan efisiensi

Sesi 9: Penerapan Face Embeddings untuk Verifikasi Wajah

• Konsep Face Embeddings dengan FaceNet / ArcFace
• Implementasi cosine similarity untuk perbandingan wajah
• Uji coba sistem dengan dataset uji

Sesi 10: Menggunakan Dlib untuk Pengenalan Wajah

• Implementasi Histogram of Oriented Gradients (HOG)
• Deep Learning Face Recognition API dari Dlib
• Perbandingan dengan model CNN berbasis OpenCV

Sesi 11-15: Optimasi dan Real-Time Deployment

Sesi 11: Optimasi Model Deep Learning dengan TensorRT

• Konsep TensorRT untuk akselerasi inferensi
• Konversi model ONNX ke TensorRT
• Benchmark kecepatan eksekusi model

Sesi 12: Menerapkan Sistem Real-Time Face Recognition

• Integrasi dengan kamera real-time
• Penggunaan multithreading di C++ untuk efisiensi
• Implementasi bounding box & overlay informasi

Sesi 13: Menangani Variasi Pose, Cahaya, dan Ekspresi

• Augmentasi dataset untuk meningkatkan ketahanan model
• Penggunaan alignment wajah (landmark detection)
• Evaluasi performa model dengan ROC Curve

Sesi 14: Sistem Manajemen Data Wajah

• Penyimpanan embedding wajah dalam SQLite/MySQL
• Implementasi fitur enrollment (daftar pengguna baru)
• Optimasi pencarian dengan KD-Tree atau BallTree

Sesi 15: Integrasi Sistem Keamanan Digital

• Autentikasi pengguna berbasis wajah
• Integrasi dengan RFID atau Password sebagai faktor kedua
• Implementasi logging akses berbasis waktu

Sesi 16-20: Implementasi Lanjutan dan Studi Kasus

Sesi 16: Implementasi GUI dengan Qt untuk Sistem Keamanan

• Membangun antarmuka dengan Qt Creator
• Menampilkan video streaming & hasil deteksi wajah
• Tombol “Enroll User” dan “Verify User”

Sesi 17: Implementasi Sistem Deteksi Spoofing (Anti-Penipuan Wajah)

• Konsep Presentation Attack Detection (PAD)
• Menggunakan Depth Map & Eye Blink Detection
• Implementasi metode liveness detection dengan OpenCV

Sesi 18: Evaluasi Kinerja Sistem

• Mengukur akurasi, precision, recall, F1-score
• Uji coba di lingkungan nyata (kantor, kampus, dll.)
• Identifikasi kendala dan solusi perbaikan

Sesi 19: Deployment dalam Embedded System (Jetson Nano/Raspberry Pi)

• Konfigurasi Jetson Nano / Raspberry Pi untuk deep learning
• Optimalisasi model untuk perangkat keras terbatas
• Uji performa di hardware low-power

Sesi 20: Final Project: Sistem Keamanan Berbasis Pengenalan Wajah

• Pembuatan sistem pengenalan wajah end-to-end
• Integrasi dengan door lock system / API keamanan
• Presentasi dan diskusi hasil proyek

Hasil Akhir:

✅ Peserta dapat mengembangkan sistem pengenalan wajah berbasis deep learning menggunakan C++
✅ Memahami cara kerja model CNN, FaceNet, dan Dlib untuk face recognition
✅ Mampu mengoptimalkan model dengan TensorRT dan OpenCV
✅ Dapat mengintegrasikan GUI dan hardware untuk sistem keamanan nyata