CNN dapat digunakan untuk Face Recognition  

 

 

Untuk memperoleh hasil pencatatan kehadiran yang akurat, saat ini banyak digunakan beberapa metode untuk pencatatan absensi, seperti menggunakan mesin absensi yang telah banyak beredar. Mesin absensi ini menggunakan metode yang berbeda-beda pula dalam mengidentifikasi orang. Masing-masing metode identifikasi ini memiliki kekurangan dan kelebihannya sendiri. Jika ingin menggunakan mesin absensi, maka perusahaan harus mengeluarkan biaya untuk membeli mesin absensi tersebut, dan juga terdapat infrastruktur yang harus dibeli dan dipasang ketika perusahaan hendak menerapkan system ini. Selain itu jumlah karyawan yang akan menggunakan mesin absensi juga harus sebanding dengan jumlah mesin absensi itu sendiri, kalau tidak sebanding akan berdampak adanya antrian ketika secara bersamaan karyawan hendak mengakses mesin absensi tersebut, misalnya ketika jam masuk dan jam pulang kantor.

 

Mesin absensi menggunakan metode yang bebeda-beda untuk mengidentifikasi, salah satunya dengan metode biometric. Saat ini, penggunaan biometric recognition merupakan cara yang umum dan dapat diandalkan untuk mengotentikasi identitas seseorang yang hidup berdasarkan karakteristik fisiologis ataupun perilaku. Karakteristik fisiologis adalah suatu karakteristika fisik yang relatif stabil, seperti sidik jari, pola iris, wajah, dan siluet tangan. Pengukuran seperti ini pada dasarnya tidak berubah dan tidak dapat diubah tanpa paksaan yang signifikan, sehingga dapat mengurangi kecurangan yang dilakukan oleh karyawan dalam melakukan absensi. Teknik yang terbaru adalah menerapkan attendance wireless system menggunakan iris recognition, sistem ini memindai mata menggunakan sensor dan algoritma untuk iris recognition. Pada penerapan metode ini, didapatkan beberapa kekurangan yaitu iris recognition sulit dilakukan pada jarak yang jauh dikarenakan ukurannya yang kecil, iris recognition rentan terhadap kualitas gambar yang tidak memadai, dan penderita diabetes serta beberapa penyakit lain menyebabkan terjadinya perubahan pada iris mata sehingga sulit untuk melakukan scanning iris.

 

Teknik biometric yang lain adalah dengan mengembangkan system absensi otomatis menggunakan teknik verifikasi fingerprint yang dilakukan dengan ekstraksi teknik minutiae. Pada metode biometric fingerprint ini juga terdapat celah kecurangan untuk pendataan absensi, yaitu dapat dimanipulasi menggunakan jari buatan, fingerprint scanner melakukan scanning pada satu bagian dari jari seseorang, sehingga rentan terhadap kesalahan, dan fingerprint dapat tertinggal pada berbagai tempat sehingga ada kemungkinan dapat dicuri.

 

Dengan adanya kelemahan-kelemahan metode recognition tersebut, penggunaan face recognition dapat menjadi suatu solusi praktis, lebih flexible, dan dapat mengurangi human errors pada pengidentifikasi manusia. Teknologi face recognition adalah cabang penting dari biometrics dan juga merupakan focus studi pattern recognition dan computer vision, yang mana dapat diterapkan

oleh berbagai aplikasi potensial untuk sistem yang mampu mengenali wajah, seperti pengawasan, identifikasi pribadi, kontrol akses, dan pada video konferensi. Proses dari face recognition itu sendiri dapat dibagi menjadi beberapa langkah, langkah yang paling penting adalah face detection dan face recognition. Sistem absensi menggunakan face recognition ini sudah banyak diterapkan dengan berbagai macam metode, salah satunya menggunakan deep learning. Kemajuan yang sangat pesat dalam metode deep learning membuat tingkat akurasi terhadap pengenalan wajah semakin tinggi dengan menggunakan deep CNN (Convolutional Neural Network).

 

Convolutional Neural Network adalah salah satu metode machine learning dari pengembangan Multi-Layer Perceptron (MLP) yang didesain untuk mengolah data dua dimensi. CNN termasuk dalam jenis Deep Neural Network karena dalamnya tingkat jaringan dan banyak diimplementasikan dalam data citra. CNN memiliki dua metode; yakni klasifikasi menggunakan feedforward dan tahap pembelajaran menggunakan backpropagation. Cara kerja CNN memiliki kesamaan pada MLP, namun dalam CNN setiap neuron dipresentasikan dalam bentuk dua dimensi, tidak seperti MLP yang setiap neuron hanya berukuran satu dimensi. Operasi linear pada CNN menggunakan operasi konvolusi, dengan bobot yang tidak lagi satu dimensi saja, namun berbentuk empat dimensi yang merupakan kumpulan kernel konvolusi seperti pada gambar dibawah ini. Dimensi bobot pada CNN adalah: neuron input x neuron output x tinggi x lebar.

 

CNN merupakan pengembangan lebih lanjut dari MLP karena menggunakan metode yang mirip dengan dimensi yang lebih banyak. Di algoritma CNN ini, input dari layer sebelumnya bukan array 1 dimensi melainkan array 2 dimensi. Jika di analogikan dengan fitur dari wajah manusia, layer pertama merupakan refleksi goresan-goresan berbeda arah, pada layer kedua fitur seperti bentuk mata, hidung, dan mulut mulai terlihat, hal ini karena di lakukan pooling/penggabungan dari layer

pertama yang masih berupa goresan-goresan, pada layer ketiga akan terbentuk kombinasi fitur-fitur mata, hidung, dan mulut yang nantinya akan disimpulkan dengan wajah orang tertentu.

Sama halnya dengan Neural Network pada umumnya, CNN memiliki beberapa lapisan tersembunyi (hidden layers) dari sebuah input berupa vector tunggal. Pada gambar diatas, dengan input berupa citra yang dijadikan vektor tunggal 32 × 32. Di tiap hidden layer, terdapat beberapa neuron layaknya empat feature maps C1 pada gambar tersebut. Neuron-neuron pada C1 dihubungkan dengan neuron di S1, dan seterusnya. Lapisan terakhir yang terhubung dengan lapisan-lapisan tersembunyi sebelumnya disebut dengan output layer dan merepresentasikan hasil

akhir klasifikasi kelas. Keseluruhan skala dalam objek sangat penting agar input tidak kehilangan informasi spasialnya yang akan diekstraksi fitur dan diklasifikasikan. Hal ini akan menambah tingkat akurasi dan optimum algoritma CNN. Jika hanya menggunakan Neural Network biasa, mungkin hanya memuat skala panjang dan tinggi. Namun CNN bisa memuat semua informasi dari keseluruhan skala yang bisa mengklasifikasikan objek dengan lebih akurat karena bisa menggunakan skala lebarnya juga (yang mungkin tidak akan terlihat oleh Neural Network lainnya yang berdimensi dua). Dengan CNN diharapkan pengklasifikasian objek pada penelitian ini dapat menghasilkan hasil yang lebih akurat.

 

Umumnya, face recognition dilakukan dari sisi depan dengan pencahayaan yang merata ke seluruh wajah. Face recognition adalah satu teknik identifikasi teknologi biometrik dengan menggunakan wajah individu yang bersangkutan sebagai parameter utamanya. Secara garis besar, proses pengenalan wajah terdiri dari empat proses utama, yaitu deteksi wajah (face detection), alignment (face landmarks dan face positioning), ekstraksi ciri atau wajah (face atau feature extraction), pengenalan wajah (face recognition).

Face detection merupakan langkah awal untuk melakukan identifikasi wajah atau face recognition. Pendeteksi wajah yang ideal seharusnya mampu untuk mengidentifikasi dan menemukan lokasi dan luas semua wajah yang ada di dalam sebuah gambar tanpa memperhatikan pose, skala wajah, orientasi, umur seseorang, dan ekspresi. Face detection mempunyai beragam algoritma yang dapat diterapkan dengan tujuan untuk memberikan kecepatan dan akurasi dalam mendeteksi wajah seperti Haar Cascade Face Detector, HOG Face Detector, dan Convolutional Neural Network (CNN) Cascade. Setelah wajah di deteksi, proses selanjutnya adalah face alignment.

 

Face alignment bertujuan untuk memdapatkan akurasi yang lebih baik dan tinggi untuk lokalisasi dan normalisasi citra wajah, karena deteksi wajah menyediakan batas lokasi dan skala dari setiap citra wajah yang dapat terdeteksi. Setelah wajah dilakukan normalisasi, dilakukanlah face extraction yang digunakan untuk mengambil data yang efektif dan berguna untuk memisahkan antara citra-citra wajah dan orang-orang yang berbeda satu sama lain.

 

Tahap terakhir adalah face recognition atau pencocokan wajah. Proses ini dilakukan dengan cara melakukan pencocokan fitur yang telah diekstraksi dengan citra wajah yang telah tersimpan sebagai database wajah.

 

Jadi CNN dapat digunakan untuk face recognition pada step atau proses pertama face recognition yaitu face detection.

Benfano Soewito