TUTUP
SCROLL UNTUK MELANJUTKAN MEMBACA
Gabung di IDN Times

Mahasiswa UNY Buat Aplikasi Khusus Deteksi Wajah dan Jenis Kelamin   

Gunakan algoritma dan metode pengolahan citra digital

Mahasiswa UNY buat aplikasi pendeteksi wajah menggunakan algoritma dan metode pengolahan citra digital. Dok: istimewa

Sleman, IDN Times - Sekelompok mahasiswa Program Studi Statistika, Fakultas MIPA, Universitas Negeri Yogyakarta (UNY) membuat aplikasi pendeteksi jenis kelamin serta usia seseorang. Sekelompok mahasiswa UNY tersebut terdiri dari Anthony Fioren H, Mohammad Damarjati P dan Syukron Abdul A.

1. Gunakan algoritma dan metode pengolahan citra digital

IDN Times/Arief Rahmat

Anthony Fioren menjelaskan, penentuan jenis kelamin serta usia dari citra dilakukan dengan menggunakan algoritma dan metode pengolahan citra digital. Cara kerjanya adalah, mengekstrak bagian wajah manusia dalam gambar lalu diolah sehingga memunculkan output yang dikeluarkan adalah usia serta jenis kelamin.

"Langkah awal dalam pemrosesan data menggunakan ekstraksi wajah, split data dan augmentasi gambar. Permodelannya menggunakan snapshot ensemble karena dapat menyimpan beberapa model sekaligus dalam satu kali proses training,” katanya.

Baca Juga: Mahasiswa UNY Ubah Sampah Plastik Jadi Cop Busi Minim Resistensi 

2. Gunakan Algoritma MTCNN untuk ekstrasi wajah

Pexels/Kaique Rocha

Syukron Abdul menerangkan, untuk mengekstraksi wajah digunakan Algoritma Multi-Task Cascaded Convolutional Neural Network (MTCNN) karena mampu mengenali wajah dari berbagai angle.

Data yang dapatkan dibagi menjadi dua yaitu data train yang nantinya akan menjadi data yang akan dibaca atau dipelajari oleh mesin, serta data validation yang menjadi alat uji dan pengecekan dalam proyek yang dilakukan. Data validasi diperlukan untuk mengecek keakuratan model yang dibangun.

Pemodelan klasifikasi jenis kelamin dan prediksi usia dapat dilakukan menggunakan model snapshot ensemble dengan arsitektur Convolutional Neural Network (CNN) yang sama dalam satu kali proses training, sehingga dapat mengurangi computational cost.

“Model snapshot ensemble dapat meningkatkan nilai F1 score serta memperkecil Mean Square Error (MSE) dengan lebih efisien," terangnya.

Berita Terkini Lainnya