Mahasiswa UNY Buat Aplikasi Khusus Deteksi Wajah dan Jenis Kelamin
Mahasiswa UNY buat aplikasi pendeteksi wajah menggunakan algoritma dan metode pengolahan citra digital. Dok: istimewa
Follow IDN Times untuk mendapatkan informasi terkini. Klik untuk follow WhatsApp Channel & Google News
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 RahmatAnthony 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.
2. Gunakan Algoritma MTCNN untuk ekstrasi wajah
Pexels/Kaique RochaSyukron 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.
Baca Juga: Mahasiswa UNY Ubah Sampah Plastik Jadi Cop Busi Minim Resistensi
3. Dapat diaplikasikan pada gambar lain di luar data training
freepik.comF1 score digunakan untuk mengukur seberapa akurat model yang digunakan, semakin nilainya mendekati 1 atau 100 persen maka model semakin baik. Sedangkan MSE mengukur keakuratan usia, semakin kecil nilainya maka model yang dikembangkan semakin baik. Model snapshot ensemble yang telah dibangun dapat diaplikasikan pada gambar lain di luar data training dan testing.
Proses implementasi diawali dengan ekstraksi wajah menggunakan MTCNN, rescale gambar ke dalam rentang prediksi dari snapshot model dan check point model yang menghasilkan meta feature, dan prediksi menggunakan LightGBM dari meta feature yang dihasilkan.
LightGBM digunakan sebagai base model karena LightGBM dapat menghasilkan akurasi yang lebih baik dibandingkan dengan model gradient boosting lainnya pada kasus home credit. Selain itu, LightGBM juga berjalan 20 kali lebih cepat dibandingkan dengan model gradient boosting konvensional.
“Kami rekomendasikan untuk menambah data training, terutama pada citra dengan usia di bawah 15 tahun dan di atas 45 tahun, juga menggunakan model snapshot ensemble jika fokus pada performa dan model single CNN jika fokus pada kecepatan," katanya.
Prediksi usia pada seseorang dapat diketahui melalui citra dengan bantuan machine learning. Model yang dapat digunakan dalam prediksi usia adalah model snapshot ensemble yang terbukti dapat memberikan hasil lebih baik dengan memberikan nilai MSE lebih kecil dibandingkan dengan model CNN individual.
