Review of State of the Art for Face Recognition and Face Detection Techniques in Academic Attendance Problem
- Pengantar
Pada paper ini akan membahas tentang cara yang dapat digunakan untuk melakukan deteksi pada wajah dan juga pengenalan pada wajah. Pengenalan wajah pada komputer sudah ada sejak cukup lama dan dapat menjadi salah satu alternatif untuk membantu dalam berbagai masalah. Salah satu contoh masalah yang nyata adalah masalah kehadiran pada institusi sekolah dan perkuliahan. Dimana pada institusi sekolah dan perkuliahan para siswa/i dan juga mahasiswa/i seringkali bolos kelas maupun sekolah untuk melakukan kegiatan lainnya. Teknik pengenalan wajah dan juga deteksi wajah ini dapat membantu untuk mengurangi kemungkinan agar para siswa/i dan mahasiswa/i untuk bolos dari kelas tersebut karena wajah mereka harus muncul pada kelas tersebut dan masuk ke dalam gambar yang ada di kamera tersebut.
- Latar Belakang Masalah
Pada bagian ini menjelaskan berbagai macam masalah yang terjadi sehingga muncul salah satu cara untuk menyelesaikan masalah tersebut. Pada masalah kehadiran di institusi dan industri seperti misalnya di pabrik ataupun dunia perkantoran terkadang dapat terjadi kecurangan bahwa siswa atau karyawan masuk ke dalam absensi tetapi kehadirannya tidak ada pada saat itu. Maka dari masalah tersebut bagaimana cara untuk mengetahui bahwa siswa atau karyawan dapat dipastikan hadir dan ada pada tempat yang seharusnya dan melakukan kegiatan yang mereka seharusnya lakukan.
Persyaratan dari masalah ini adalah wajah harus terlihat semua dan tidak menggunakan penutup muka, data wajah siswa atau karyawan harus terdaftar pada sistem, dan pendeteksian dapat dilakukan di berbagai tempat yang cukup cahaya.
- Pendekatan terhadap masalah dalam Face Recognition
Penerapan sistem pengambilan absensi dalam konsep pengenalan wajah menjadi aspek yang lebih sering diperhatikan khususnya pada bidang keamanan, namun terdapat beberapa faktor eksternal yang menyebabkan berkurangnya performa sistem tersebut (Son et al., 2020). Kehadiran faktor tersebut mengharuskan penerapan metode baru yang dapat mengakomodir halangan tersebut. Son et al (2020) mengusulkan metode detektor berbasis Multi-Task Cascaded Convolutional Neural Network (ArcFace dan FaceNet) dan mengimplementasikan beberapa model klasifikasi seperti Linear Support Vector Machine, Radial Basis Function Support Vector Machine, Naive Bayes, hingga Weighted K-Nearest Neighbor. Dengan dataset berupa 7490 gambar yang telah diberikan label, dan data testing berupa gambar 120 mahasiswa/mahasiswi universitas FPT Polytechnic, didapatkan akurasi untuk masing – masing detektor yang dapat dilihat pada tabel (1).
Konsep pengenalan wajah untuk pengambilan absensi sendiri perlu diterapkan untuk mengurangi waktu untuk memproses data absensi dengan data yang banyak dan seringkali membebani staf yang bertugas. Lukas et al (2016) mengusulkan metode klasifikasi Radial Basis Function Network yang didukung oleh proses ekstraksi data berupa Discrete Wavelet Transforms dan Discrete Cosine Transforms untuk melakukan proses pengenalan wajah untuk pengumpulan absensi mahasiswa/mahasiswi. Dengan menerapkan 148 kombinasi gambar wajah dari 16 siswa/siswi, model yang diusulkan berhasil memberikan rata – rata akurasi sebesar 82%.
Kar et al (2012) juga menerapkan konsep pengenalan wajah dengan tujuan membuat sistem pengambilan absensi otomatis yang sekaligus menyimpan catatan absensi untuk analisa kedepannya. Model yang diusulkan ada metode klasifikasi HaarCascade yang didukung dengan metode ekstraksi data wajah berupa framework Paul-Viola. Data yang digunakan berupa 30 gambar wajah dari 10 orang yang berbeda, dan dengan metode yang diusulkan, didapat hasil berupa akurasi sebesar 95% pada pengenalan wajah secara langsung.
Bhattacharya et al., (2018) juga membuat pengenalan wajah secara otomatis untuk mengecek absensi pada setiap kelas yang menggunakan teknik CNN untuk melakukan klasifikasi dan back-propagation untuk meningkatkan prediksi kemiripan antara gambar yang didapatkan pada kamera dengan dataset yang ada pada database wajah yang dibuat. Dataset yang dibuat memiliki gambar wajah antara 90 hingga +90 derajat. Melakukan normalisasi pada gambar untuk mendapatkan tingkat ketajaman gambar sehingga mengurangi kemungkinan mendapatkan gambar yang blur. Serta melakukan normalisasi pada ukuran gambar untuk memperbesar ukuran wajah yang ada pada gambar. Lalu dilakukan klasifikasi. Dengan hasil yang diberikan 80% untuk wajah yang paling mirip dengan dataset yang ada untuk peringkat 1 dan setiap menjadi peringkat 5 dan 10 mendapatkan kenaikan sekitar 10% setiap rank 5 dan rank 10.
Chintalapati & Raghunadh menerapkan sistem kehadiran otomatis dengan menggunakan berbagai jenis ekstraksi wajah dan juga classifier yang digabungkan dan menemukan penggabungan yang terbaik (Chintalapati & Raghunadh, 2013). Dataset yang digunakan pada eksperimen tersebut menggunakan dataset dari NITW-database yang berisi 80 individu yang masing-masing berisi 20 gambar. Hasil Performa dari penggabungan ekstraksi wajah dan classifier menunjukkan bahwa penggabungan LBPH dengan distance classifier menghasilkan performa pengenalan yang terbaik di kedua realtime dan juga gambar statis, pada angka masing-masing di 78% dan juga 95%.
Tabel 1. Face Recognition attendance
| No | Tahun | Judul Paper | Method | Dataset | Hasil Evaluasi |
| 1 | 2020 | Implementing CCTV-Based Attendance Taking Support System Using Deep Face Recognition: A Case Study at FPT Polytechnic College | Ekstraksi wajah : FaceNet & ArcFace
Classifier : Linear SVM, RBF SVM, Naive Bayes, Weighted – KNN |
Training:
120 mahasiswa/ mahasiswi FPT Polytechnic College Testing : 7490 gambar -gambar berlabel yang diambil menggunakan kamera video |
FaceNet
Linear SVM : 0.643 RBF SVM : 0.638 Naive Bayes : 0.6 Weighted – KNN : 0.652
ArcFace Linear SVM : 0.886 RBF SVM : 0.803 Naive Bayes : 0.75 Weighted – KNN : 0.913 |
| 2 | 2016 | Student Attendance System in Classroom Using Face Recognition Technique | Ekstraksi Data : Discrete Wavelet Transforms, Discrete Cosine Transforms
Klasifikasi : Radial Basis Function Network |
148 kombinasi gambar wajah dari 16 siswa/siswi | Total akurasi pengenalan wajah terbaik sebesar 82% |
| 3 | 2012 | Study of Implementing Automated Attendance System Using Face Recognition Technique | Ekstraksi wajah : Paul-Viola Classifier : HaarCascade | Training :
30 gambar yang berbeda dari 10 orang |
Akurasi pada wajah secara langsung 95% |
| 4 | 2018 | Smart Attendance Monitoring System (SAMS): A Face Recognition Based Attendance System for Classroom Environment
|
Ekstrasi wajah: Paul-Viola Classifier: CNN Menggunakan Back-Propagation untuk minimize atau maximize nilai prediksi seberapa dekat dengan orang aslinya |
Wajah dengan angle 90 hingga 180 derajat | Dari hasil yang diberikan mendapatkan banyak wajah yang sama sehingga dibagi menjadi beberapa tingkat untuk wajah yang paling mirip dengan wajah yang akan dideteksi. Kemungkinan untuk mendapatkan wajah yang sama masih tinggi jika dibandingkan dengan 5 atau 10 orang termirip. Tingkat akurasi pada 80% untuk wajah yang peringkat 1 paling mirip. |
| 5 | 2013 | Automated Attendance Management System Based On Face Recognition Algorithms | Ekstraksi wajah :
-Principal Component Analysis(PCA) -Linear Discriminant Analysis(LDA) -Local Binary Pattern Histogram(LBPH) Classifier : -Support Vector Machine(SVM) -Bayesian -Distance |
Training :
80 individual yang terdiri atas 20 gambar masing-masing |
Realtime
PCA + Distance : 61% LDA + Distance : 58% PCA + SVM : 68% PCA + Bayes : 65% LBPH + Distance 78% Gambar statis PCA + Distance : 93% LDA + Distance : 91% PCA + SVM : 95% PCA + Bayes : 94% LBPH + Distance 95% |
Referensi
Bhattacharya, S., Nainala, G. S., Das, P., & Routray, A. (2018). Smart attendance monitoring system (SAMS): a face recognition based attendance system for classroom environment. 2018 IEEE 18th International Conference on Advanced Learning Technologies (ICALT), 358–360.
Chintalapati, S., & Raghunadh, M. v. (2013). Automated attendance management system based on face recognition algorithms. 2013 IEEE International Conference on Computational Intelligence and Computing Research, 1–5.
Kar, N., Debbarma, M. K., Saha, A., & Pal, D. R. (2012). Study of implementing automated attendance system using face recognition technique. International Journal of Computer and Communication Engineering, 1(2), 100.
Lukas, S., Mitra, A. R., Desanti, R. I., & Krisnadi, D. (2016). Student attendance system in classroom using face recognition technique. 2016 International Conference on Information and Communication Technology Convergence (ICTC), 1032–1035.
Son, N. T., Anh, B. N., Ban, T. Q., Chi, L. P., Chien, B. D., Hoa, D. X., Thanh, L. van, Huy, T. Q., Duy, L. D., & Hassan Raza Khan, M. (2020). Implementing CCTV-based attendance taking support system using deep face recognition: A case study at FPT polytechnic college. Symmetry, 12(2), 307
Bernard Calvin – 2201736113
Jonathan Pangesta – 2201729543
Owen Jackson Dharmadinata – 2201759193