Oleh : Cika Oktaviani, Mutiara Marsandia, Sekolah Tinggi Manajemen Informatika Komputer Tazkia Bogor
Abstrak
Sistem pengenalan wajah merupakan teknologi biometrik yang banyak digunakan dalam bidang keamanan, absensi, dan autentikasi identitas. Perkembangan deep learning, khususnya Convolutional Neural Network (CNN), memberikan peningkatan signifikan terhadap akurasi sistem pengenalan wajah. Penelitian ini bertujuan untuk menganalisis penerapan deep learning dalam sistem pengenalan wajah serta mengevaluasi kinerjanya.
ADVERTISEMENT
SCROLL TO RESUME CONTENT
Metode penelitian menggunakan pendekatan eksperimental dengan tahapan pengumpulan dataset wajah, preprocessing citra, pelatihan model CNN, serta pengujian akurasi sistem. Hasil penelitian menunjukkan bahwa model CNN mampu mengenali wajah dengan tingkat akurasi tinggi dan lebih stabil dibandingkan metode konvensional.
Sistem ini efektif digunakan dalam berbagai aplikasi identifikasi biometrik, meskipun masih memiliki keterbatasan terhadap variasi pencahayaan dan ekspresi wajah. Penelitian ini diharapkan dapat menjadi referensi pengembangan sistem pengenalan wajah yang lebih akurat dan aman.
Kata kunci: pengenalan wajah, deep learning, CNN, biometrik, computer vision.
Pendahuluan (Introduction)
Perkembangan teknologi informasi mendorong meningkatnya kebutuhan akan sistem identifikasi yang aman dan efisien. Salah satu teknologi yang banyak digunakan adalah sistem pengenalan wajah. Sistem ini memanfaatkan karakteristik unik wajah manusia sebagai identitas biometrik.
Metode pengenalan wajah konvensional masih memiliki keterbatasan dalam mengekstraksi fitur wajah secara kompleks. Oleh karena itu, deep learning menjadi solusi yang lebih unggul karena mampu mempelajari pola wajah secara otomatis dari data dalam jumlah besar. Kebaruan penelitian ini terletak pada pemanfaatan CNN sebagai metode utama untuk meningkatkan akurasi pengenalan wajah.
Rumusan masalah penelitian ini adalah bagaimana penerapan deep learning dalam sistem pengenalan wajah serta bagaimana kinerjanya dibandingkan metode konvensional. Tujuan penelitian adalah untuk menganalisis proses kerja sistem dan mengevaluasi tingkat akurasinya.
Manfaat penelitian ini secara teoretis menambah referensi dalam bidang computer vision, sedangkan secara praktis dapat diterapkan dalam sistem keamanan dan autentikasi digital.
2. Metode Penelitian (Methods)
Penelitian ini menggunakan pendekatan eksperimental.
Jenis dan Pendekatan
Jenis penelitian adalah kuantitatif dengan pendekatan eksperimen menggunakan model CNN.
Subjek/Objek Penelitian
Objek penelitian berupa citra wajah yang diperoleh dari dataset publik.
Teknik Pengumpulan Data
Data dikumpulkan melalui dataset citra wajah yang telah tersedia secara online.
Teknik Analisis Data
Analisis dilakukan berdasarkan hasil akurasi, presisi, dan tingkat kesalahan sistem.
Perangkat dan Algoritma
Algoritma utama yang digunakan adalah Convolutional Neural Network (CNN) dengan tahapan:
“`
Dataset Wajah
↓
Preprocessing
↓
CNN (Ekstraksi Fitur)
↓
Klasifikasi
↓
Hasil Pengenalan
“`
—
Hasil Penelitian (Results)
Hasil pengujian menunjukkan bahwa sistem mampu mengenali wajah dengan tingkat akurasi yang tinggi. Model CNN berhasil mengekstraksi fitur wajah secara otomatis tanpa perancangan manual.
Data pengujian menunjukkan:
* Akurasi pengenalan meningkat signifikan
* Kesalahan klasifikasi relatif rendah
* Sistem stabil pada data berjumlah besar
Diagram hasil pengujian menunjukkan peningkatan performa dibandingkan metode tradisional.
Pembahasan (Discussion)
Hasil penelitian menunjukkan bahwa CNN mampu mengenali pola wajah secara kompleks. Hal ini sejalan dengan penelitian sebelumnya yang menyatakan bahwa deep learning unggul dalam pengolahan citra.
Dibandingkan metode konvensional, CNN memberikan hasil yang lebih akurat dan konsisten. Implikasi penelitian ini adalah sistem dapat digunakan dalam berbagai aplikasi seperti absensi otomatis dan sistem keamanan.
Keterbatasan penelitian terletak pada sensitivitas sistem terhadap pencahayaan ekstrem, sudut wajah, serta penggunaan masker atau aksesoris.
Kesimpulan dan Saran
– Kesimpulan
Sistem pengenalan wajah menggunakan deep learning terbukti mampu meningkatkan akurasi identifikasi wajah. CNN efektif dalam mengekstraksi fitur wajah secara otomatis dan kompleks sehingga cocok diterapkan dalam sistem biometrik modern.
– Saran
Penelitian selanjutnya disarankan untuk:
* Menggunakan dataset lebih beragam
* Mengembangkan sistem tahan terhadap masker
* Mengintegrasikan sistem dengan perangkat real-time
Daftar Pustaka (APA Style)
Goodfellow, I., Bengio, Y., & Courville, A. (2016). *Deep Learning*. MIT Press.
Parkhi, O. M., Vedaldi, A., & Zisserman, A. (2015). Deep face recognition. *British Machine Vision Conference*.
Taigman, Y., Yang, M., Ranzato, M., & Wolf, L. (2014). DeepFace: Closing the gap to human-level performance in face verification. *IEEE Conference on Computer Vision and Pattern Recognition*.
Zhang, K., Zhang, Z., Li, Z., & Qiao, Y. (2016). Joint face detection and alignment using multitask cascaded convolutional networks. *IEEE Signal Processing Letters*, 23(10), 1499–1503.
Szeliski, R. (2010). *Computer Vision: Algorithms and Applications*. Springer.
—
