Komparasi Metode Artificial Neural Network dan K-Nearest Neighbor Pada Klasifikasi Citra Wajah Untuk Rentang Usia

Comparison Of Artificial Neural Network And K-Nearest Neighbor Methods On Facial Image Classification For Age Ranges

Klasifikasi rentang usia dibentuk berdasarkan karakteristik dari fitur wajah. Agar klasifikasi usia berdasarkan citra wajah dapat membantu dalam sistem pengenalan wajah manusia secara efektif, penelitian ini berupaya untuk melakukan peningkatan kinerjanya. Namun, ketidakseimbangan dataset UTKFace menjadi kendala yang dapat menurunkan kinerja klasifikasi. Selain itu, pengenalan wajah seringkali juga mengalami sejumlah kesulitan dan tantangan karena variabilitas wajah seperti keriput, ekspresi, variasi kumis dan lain-lain. Oleh karena itu, penelitian ini menerapkan undersample data secara acak agar data menjadi seimbang. Kemudian, pretrained CNN menggunakan arsitektur VGG16 digunakan sebagai fitur ekstraktor yang mampu digunakan sebagai detektor ciri dengan kemampuan mengeliminasi parameter variabilitas wajah yang dinilai sering menggangggu dalam proses pengenalan wajah. Dengan penggunaan pretrained CNN arsitektur VGG16 sebagai fitur ekstraktor terbukti cukup baik digunakan untuk mengatasi permasalahan agar pengenalan usia berdasarkan wajah dapat dilakukan dengan lebih akurat. Hasil penelitian menunjukkan bahwa penerapan pretrained CNN arsitektur VGG16 sebagai ekstraktor fitur pada masalah pengenalan usia berbasis citra wajah berhasil mencapai akurasi sebesar 87% dan tingkat kesalahan sebesar 12% setelah melakukan percobaan tuning sebanyak 70 kali pada saat training dengan menggunakan metode Artificial Neural Network dan mencapai akurasi sebesar 80% dan tingkat kesalahan sebesar 20% untuk metode K-Nearest Neighbor dengan nilai k=14. Perhitungan akurasi didapatkan dengan melakukan pengujian confusion matrix. Dengan demikian penerapan pretrained CNN arsitektur VGG16 pada metode Artificial Neural Network dan K-Nearest Neighbor untuk masalah pengenalan usia berdasarkan citra wajah cukup akurat dan dapat diimplementasikan.

The age range classification is formed based on the characteristics of the facial features. In order for age classification based on facial imagery to help the human face recognition system effectively, this study seeks to improve its performance. However, the imbalance of the UTKFace dataset is an obstacle that can reduce classification performance. In addition, facial recognition often experiences a number of difficulties and challenges due to facial variability such as wrinkles, expressions, mustache variations and others. Therefore, this study applies random undersample data so that the data becomes balanced. Then, the pretrained CNN using the VGG16 architecture is used as a feature extractor that can be used as a feature detector with the ability to eliminate facial variability parameters which are considered to often interfere with the face recognition process. By using pretrained CNN, the VGG16 architecture as an extractor feature has proven to be good enough to be used to overcome the problem so that age recognition based on faces can be carried out more accurately. The results showed that the application of the pretrained CNN architecture VGG16 as a feature extractor on facial image-based age recognition problems achieved an accuracy of 87% and an error rate of 12% after conducting 70 tuning experiments during training using the Artificial Neural Network method and achieving accuracy. of 80% and an error rate of 20% for the K-Nearest Neighbor method with a value of k=14. Calculation of accuracy is obtained by testing the confusion matrix. Thus the application of pretrained CNN VGG16 architecture to the Artificial Neural Network and K-Nearest Neighbor methods for age recognition problems based on facial images is quite accurate and can be implemented.