Pengenalan Wajah  dengan Menggunakan Extreme Learning Machine

Pengenalan Wajah  dengan Menggunakan Extreme Learning Machine

Author; Sri Sumaryani

Wajah adalah rangsangan visual multidimensi dan menyediakan berbagai informasi seperti individu sebagai identitas, jenis kelamin, usia, ras, suasana hati dan niat. Pengenalan wajah adalah salah satu metode biometrik yang cukup populer. Wajah lebih sulit untuk ditiru, dimodifikasi, atau dicuri jika dibandingkan dengan kunci atau password pada keamanan non-biometrik.Salah satu metode jaringan syaraf tiruan yang dapat digunakan untuk pengenalan wajah adalah Extreme Learning Machine.  Ekspresi wajah dapat dibedakan menjadi 7, yaitu senang, sedih, marah, jijik, takut, terkejut dan netral.Proses pengujian pada penelitian ini menggunakan 150 citra wajah untuk data latih dan 60 citra wajah untuk data uji. Pengujian dilakukan dengan menggunakan beberapa 3 pilihan parameter jumlah hidden neuron, yaitu 10, 30 dan 50. Serta 5 parameter kondisi citra, yakni normal, ekspresif, arah wajah, pencahayaan redup, dan jarak ke webcam. Hasil akurasi sistem dalam pengenalan wajah adalah 90% dengan menggunakan jumlah hidden neuron 50.Ciri khas tersebut dapat dilihat dari karakteristik fisik, seperti sidik jari, raut wajah, retina mata, dan suara. 

Dalam Pengenalan Wajah  dengan Menggunakan Extreme Learning Machine Penganalisis wajah adalah perangkat lunak yang mengidentifikasi atau mengonfirmasi identitas seseorang menggunakan wajah mereka. Penganalisis wajah berfungsi untuk mengidentifikasi dan mengukur fitur wajah dalam sebuah citra. Pengenalan wajah dapat mengidentifikasi wajah manusia dalam citra atau video, menentukan apakah wajah dalam dua citra milik orang yang sama, atau mencari wajah di antara banyak kumpulan citra yang ada. Sistem keamanan biometrik menggunakan pengenalan wajah untuk mengidentifikasi individu secara unik selama orientasi pengguna atau masuk serta memperkuat aktivitas autentikasi pengguna. Perangkat seluler dan pribadi juga umumnya menggunakan teknologi penganalisis wajah untuk keamanan perangkat. Pengenalan wajah dapat mengidentifikasi seseorang dengan membandingkan wajah di dua citra atau lebih dan menilai kemungkinan kecocokan wajah. Misalnya, teknologi ini dapat memverifikasi bahwa wajah hasil swafoto yang diambil dari kamera ponsel cocok dengan wajah dalam citra ID yang dikeluarkan pemerintah seperti SIM atau paspor, serta memverifikasi bahwa wajah yang ditampilkan di swafoto tersebut tidak cocok dengan wajah di kumpulan wajah yang diambil sebelumnya.

baca juga; Bill Gates Ungkap Teknologi Baru ‘Kiamat’ Smartphone nyata

  Pada penelitian lain, Extreme Learning Machine (ELM) dimanfaatkan untuk memodifikasi CNN pada lapisan klasifikasi untuk mengatasi waktu pelatihan yang lama. Penelitian ini menggabungkan metode yang sudah diteliti sebelumnya dengan memanfaatkan kelebihan masing-masing metode. Citra LTP digunakan untuk mengatasi masalah pencahayaan. Kemudian, citra LTP tersebut digunakan sebagai input pada arsitektur CNN untuk proses ekstraksi fitur. Pada lapisan klasifikasi, CNN dimodifikasi dengan menghilangkan lapisan fully connected dan menggantinya dengan metode ELM. Tujuan dari modifikasi CNN tersebut adalah untuk mengatasi pelatihan yang memakan waktu pada backpropagation. Pendekatan berbasis Neural networks untuk pengenalan wajah mengandalkan teknik dari machine learning dengan karakteristik gambar wajah. Konvensional, gambar wajah adalah digunakan backpropagation validation.Literature Pengenalan wajah banyak digunakan dalam penelitian yang di tuangkan di dalam mengenai review face recognition seperti penelitian sebelumnya. Menemukan metode untuk pengenalan wajah yang secara signifikan dapat meningkatkan efisiensi selama proses deteksi wajah. Penelitian lain mengetahui bagian mana dari wajah manusia yang lebih penting untuk mencapai tingkat akurasi yang tinggi dengan bantuan convolutional neural network.

Bagi teman- teman yang mau belajar lebih dalam seputar dunia teknologi dan informasi lainya bisa mampir ke prodi informatika dan sistem informasi terbaik di universitas alma ata yogyakarta”:

Refrensi

https://p3m.sinus.ac.id/jurnal/index.php/TIKomSiN/article/viewFile/463/424