Systematic Literature Review dan Meta-Analisis Algoritma Berbasis Vision untuk Sistem Pengenalan Wajah IoT

Studi ini melakukan tinjauan literatur sistematis dan meta-analisis terhadap empat algoritma berbasis vision terkemuka Haar Cascade, YOLO, SSD, dan CNN dalam konteks sistem keamanan pengenalan wajah berbasis IoT. Meskipun setiap algoritma telah menunjukkan kemajuan yang signifikan, penelitian yang terbatas memberikan evaluasi komprehensif tentang kinerja mereka di bawah kendala IoT tipikal, termasuk sumber daya komputasi yang terbatas, efisiensi daya, akurasi deteksi, dan latensi respons. Mengikuti pedoman PRISMA dan menggunakan kerangka kerja PICOC, studi ini menganalisis 703 artikel yang ditinjau sejawat dari basis data akademis terkemuka. Temuan menyoroti bahwa meskipun Haar Cascade berkinerja baik dalam hal kecepatan dan efisiensi energi, ia kesulitan dalam kondisi pencahayaan dan orientasi wajah yang bervariasi. YOLO dan CNN memberikan akurasi tinggi tetapi membutuhkan sumber daya komputasi yang substansial, sehingga lebih cocok untuk komputasi edge atau cloud. SSD menawarkan kompromi antara kecepatan dan akurasi tetapi kurang stabil di lingkungan yang dinamis. Studi ini menekankan nilai arsitektur hibrida yang menggabungkan deteksi lokal yang ringan dengan validasi berbasis cloud yang lebih kuat, sehingga meningkatkan efisiensi energi dan ketahanan terhadap pemalsuan. Temuan ini memberikan wawasan praktis untuk merancang sistem pengawasan IoT yang skalabel dan aman. Penelitian selanjutnya harus fokus pada pengembangan model pembelajaran mendalam yang sangat ringan dan algoritma adaptif yang disesuaikan untuk aplikasi waktu nyata dengan keterbatasan sumber daya.