1I Putu Arya Dharmaadi
1Program Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana Badung, Bali, Indonesia
2Gusti Made Arya Sasmita
2Program Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana Badung, Bali, Indonesia
Abstract—Foto digital sering menjadi arsip pribadi yang dikoleksi sejak dulu dan disimpan pada media penyimpanan yang cukup besar seperti harddisk eksternal atau flashdisk. Permasalahan muncul ketika seseorang ingin mencari beberapa foto dirinya sendiri atau foto orang lain pada koleksi foto yang jumlahnya cukup banyak. Pencarian dengan cara manual, yakni membuka file atau folder foto satu per satu tentunya akan sangat merepotkan. Berdasarkan permasalahan tersebut, penelitian ini merancang sebuah aplikasi yang mampu mencari foto-foto tertentu berdasarkan kemiripan foto wajah yang dimasukkan. Aplikasi yang dibangun untuk perangkat komputer atau laptop ini menggunakan bahasa pemrograman Python dengan menerapkan metode Face Recognition yang mengkombinasikan Convolutional Neural Network (CNN), FaceNet Embedding, dan Triplet Loss untuk pencocokan wajahnya. Dengan demikian, aplikasi ini akan membantu pengguna laptop atau PC yang ingin mencari foto-foto seseorang dengan cepat pada media penyimpanan elektronik.
Kata Kunci— pencarian, foto, face, recognition, cnn.
I. PENDAHULUAN
Perubahan akibat adanya kemajuan teknologi informasi telah masuk ke berbagai sektor kehidupan. Seperti misalnya pada bidang fotografi, dari yang dulunya menggunakan teknologi kamera analog yang hasilnya tersimpan pada film seluloid (klise/film negatif), menjadi kamera digital yang datanya terekam secara elektronik atau digital.
Mengingat berbagai kemudahan yang diberikan, pemanfaatan kamera digital secara otomatis telah mengubah budaya hidup seseorang, terutama jumlah foto yang dihasilkan oleh seorang pengguna sangat banyak dibandingkan dengan kamera analog dimana penggunanya cenderung berhati-hati. Akibatnya, pengguna terpaksa harus memiliki penyimpanan eksternal (flashdisk atau harddisk) dengan ukuran yang besar untuk menyimpan semua hasil-hasil foto digital tersebut.
Masalah utama dari pengelolaan arsip digital tersebut adalah pengguna sering kali kesulitan untuk menemukan foto-foto seseorang yang diinginkan dari ribuan koleksi gambar yang dimiliki. Mengingat nama arsip foto umumnya berupa angka-angka yang berurutan sehingga pencarian berdasarkan nama tidak mungkin dilakukan, satu-satunya cara untuk mencari foto tertentu adalah membuka dan mengamati satu per satu koleksi gambar yang dimiliki. Dengan demikian, dibutuhkan sebuah aplikasi yang mampu mencari foto seseorang dari koleksi foto yang ada berdasarkan
041-2
foto wajah yang dimasukkan ke sistem. Aplikasi yang diusulkan akan menerapkan metode face recognition berbasis convolutional neural network guna mengimplementasikan fitur pencarian foto berbasis wajah.
II. FACE RECOGNITION
Face recognition merupakan salah satu cabang ilmu dalam computer vision yang berperan dalam memberikan pengetahuan kepada komputer untuk bisa membedakan wajah seseorang dengan orang lainnya. Banyak akademisi tertarik mengeksplorasi lebih mendalam mengenai teknik ini karena nyatanya ada banyak informasi yang bisa diekstraksi dari sebuah foto wajah. Misalnya dari penggunaan teknik yang tepat akan didapatkan informasi kecocokan wajah, jenis kelamin, usia, ras, dan ekspresi perasaan seseorang (Mohammed & Sajjanhar, 2016). Sejak puluhan tahun lalu, para peneliti berusaha mengembangkan berbagai macam teknik dan alat untuk membuat komputer bisa secara otomatis mengenali wajah seseorang. Pengenalan wajah menjadi teknik yang rumit karena membutuhkan teknik dan metode yang tepat untuk mendeteksi dan mengenali wajah dengan tantangan berupa bervariasinya ekspresi dan pose wajah manusia disertai dengan beranekaragam pencahayaan dan resolusi foto wajah (Singh & Prasad, 2018).
Pengenalan wajah juga tidak hanya terpaku pada media foto atau gambar, namun juga bisa dilakukan pada video realtime. Pendekatan berbasis FaceNet model merupakan solusi pengenalan wajah yang paling presisi saat ini.
FaceNet merupakan teknik pengenalan wajah yang merupakan pengembangan dari pendekatan neural network yang dipadukan dengan teknik konvolusi citra untuk mendapatkan ciri sebuah citra wajah dan dilatih (trained) dengan teknik triplet loss. FaceNet adalah model yang secara langsung mempelajari pemetaan dari gambar wajah ke ruang Euclidean yang ringkas di mana jarak secara langsung berhubungan dengan ukuran kesamaan wajah (Schroff, Kalenichenko, & Philbin, 2015). Setelah ruang ini diproduksi, tugas-tugas seperti pengenalan wajah, verifikasi dan pengelompokan dapat dengan mudah diimplementasikan menggunakan teknik standar dengan facenet embedding.
Untuk menghasilkan face recognition yang akurat, dibutuhkan dataset foto yang sangat besar dimana data ini umumnya dimiliki oleh perusahaan internet global seperti Google dan Facebook (Parkhi, Vedaldi, & Zisserman, 2015). Dengan data latih yang besar tersebut, Facebook bisa membangun teknologi yang sangat canggih yaitu sistem menandai otomatis seseorang pada sebuah foto yang diupload oleh pengguna lain. Akurasinya bahkan mencapai 98%
untuk mengenali berbagai wajah orang yang ada di social media facebook, dimana kemampuan tersebut hampir setara dengan kemampuan pengenalan alami pada manusia (Taigman et al., 2014).
III. METODOLOGI PENELITIAN
Pada bab ini, akan diuraikan secara rinci tentang cara, instrumen, dan teknik analisis penelitian yang digunakan dalam memecahkan permasalahan.
A. Waktu dan Lokasi Penelitian
Penelitian dilakukan selama 9 bulan, yaitu dari bulan April 2019 sampai dengan bulan Desember 2019. Proses pengerjaan penelitian dilaksanakan di kampus Universitas Udayana Bukit Jimbaran, Kabupaten Badung dan di kampus Universitas Udayana Sudirman, Kota Denpasar.
B. Pengumpulan Data
Untuk menghasilkan sistem yang mampu mencari foto wajah seseorang, dibutuhkan data digital berupa foto yang cukup banyak sebagai data latih. Data ini akan dibaca dan diekstraksi ciri utamanya sehingga akan menghasilkan informasi embedding yang akan disimpan pada database. Kemudian, dibutuhkan data uji berupa foto-foto orang yang sama namun dengan pose yang berbeda untuk mengecek sampai sejauh mana akurasi aplikasi yang dibangun. Baik data training maupun data uji merupakan file elektronik bertipe image dengan format yang beragam, seperti .bmp, .jpg, dan .png. Resolusi maupun ukuran file yang akan digunakan tidak dibatasi.
Data training dan data uji akan dikumpulkan dengan cara permintaan secara sukarela terhadap foto-foto pribadi milik beberapa rekan-rekan dan kolega peneliti dan permintaan khusus kepada studio produksi fotografi dan videografi
di seputaran Kota Denpasar. Untuk pengujian sistem yang sudah berhasil dibangun, penelitian ini kembali meminta bantuan kepada rekan-rekan dan kolega peneliti untuk menguji coba akurasi aplikasi.
C. Analisa Kebutuhan
Permasalahan yang muncul ketika pengguna ingin mencari beberapa foto dirinya sendiri atau foto orang lain pada koleksi foto yang jumlahnya cukup banyak akan diatasi dengan merancang fitur pencarian foto wajah pada aplikasi.
Fitur ini membutuhkan tiga tahapan, yaitu: 1) pengguna mengeset direktori atau folder mana yang akan dijadikan target pencarian foto; 2) pengguna memerintahkan aplikasi untuk mempelajari (proses training) semua file gambar yang ada pada direktori atau folder tersebut dan hasil pelatihan yang berupa identitas unik (nilai embedding) dari setiap file akan disimpan pada database; 3) pengguna memasukkan foto wajah contoh yang akan dicari oleh aplikasi.
Foto wajah contoh akan diekstraksi untuk didapatkan nilai embedding-nya dan akan dicocokan dengan proses klasifikasi terhadap nilai-nilai embedding yang sudah disimpan pada database. File-file yang memiliki nilai embedding yang serupa dengan nilai embedding foto wajah contoh itulah file yang berisi foto wajah yang dicari oleh pengguna. File-file tersebut akan ditampilkan dalam bentuk list view untuk memudahkan pengguna melihat secara detail metadata file, seperti nama file, ukuran, tanggal pembuatan, dan path direktorinya. Disediakan pula tombol untuk menemukan file tersebut di file explorer dan membukanya melalui aplikasi image viewer default.
Umumnya koleksi foto yang cukup banyak disimpan pada media penyimpanan eksternal, seperti memory card, CD/DVD, flashdisk, dan harddisk eksternal sehingga aplikasi sebaiknya berjalan pada perangkat komputer atau laptop tanpa dibatasi oleh sistem operasi yang digunakan. Pada proses training, setiap titik piksel di setiap layer warna RGB pada file gambar akan diproses berulang kali dalam beberapa tahapan konvolusi citra dan dilanjutkan tahapan deep learning dengan skema neural network. Dengan demikian, karena proses training membutuhkan sumber daya komputasi yang cukup tinggi, dibutuhkan perangkat komputer atau laptop dengan spesifikasi mumpuni untuk menjalankan aplikasi. Aplikasi dibangun dalam platform open source sehingga pengguna bisa melihat, mempelajari, atau bahkan memodifikasi kode sumber untuk membangun ulang aplikasi dengan fitur yang lebih banyak.
IV. HASIL IMPLEMENTASI
Guna mendukung pemrograman open source, akan digunakan bahasa pemrograman Python yang sudah dikenal bisa dijalankan pada beragam sistem operasi tanpa perlu ada perubahan source code. Pemrograman Python dikerjakan pada sebuah aplikasi IDE (Integrated Development Environtment) yang bernama PyCharm Community Edition.
Selanjutnya, untuk memudahkan proses implementasi metode face recognition dengan convolutional neural network (CNN), face embedding, dan triplet loss, akan digunakan model library yang tersedia secara gratis dan sudah teruji secara akurat. Library yang akan digunakan adalah DLib yang berbasis platform C++ namun telah disediakan versi Python-nya. Library ini mengklaim berhasil mendapatkan akurasi 99.38% pada pengujian terhadap dataset publik LFW (Labeled Faces in the Wild). Hasil implementasi dijabarkan pada gambar di bawah ini.
041-4
GAMBAR 1.HALAMAN UTAMA APLIKASI
Ketika aplikasi pencarian foto wajah dijalankan, akan muncul halaman utama yang menampilkan 3 tombol utama, yaitu ‘Set Search Folder’, ‘Run Training’, dan ‘Input the Face’. Pada bagian bawah halaman, ditampilkan tabel hasil pencarian yang masih kosong karena pencarian belum dilakukan. Ketika tombol ‘Set Search Folder’ diklik, maka akan tampil halaman dialog untuk memilih direktori atau folder mana yang akan dijadikan target lokasi pencarian foto wajah. Setelah memilih folder, maka akan kembali lagi ke halaman utama aplikasi. Selanjutnya, pilih tombol ‘Run Training’ untuk menjalankan proses pelatihan selama beberapa menit, atau bahkan jam, tergantung seberapa banyak file gambar yang ditemukan pada direktori target lokasi. Setelah selesai proses training, maka terakhir pilih tombol
‘Input the Face’ untuk memasukkan file gambar wajah yang akan dicari.
TABEL 1.HASIL UJI COBA APLIKASI
Nomor Langkah pengujian Hasil Eksekusi
1 Atur direktori pencarian Sukses
2 Jalankan pelatihan terhadap koleksi foto Sukses
3 Masukkan gambar yang ingin dicari Sukses
4 Aplikasi menampilkan daftar foto yang berhasil ditemukan Sukses
Untuk menguji fungsionalitas aplikasi, dilakukan uji coba seperti pada tabel 1 di atas. Dari hasil uji coba, dapat dilihat bahwa keseluruhan fungsi-fungsi aplikasi bisa berjalan dengan baik dan lancar.
V. KESIMPULAN
Berdasarkan hasil dan pembahasan yang telah dipaparkan pada bab di atas, maka didapat kesimpulan yaitu penelitian ini berhasil mengembangkan sebuah aplikasi pencarian foto seseorang pada media penyimpanan eksternal.
Adapun rencana pengembangan penelitian berikutnya adalah tahapan analisa dan pengujian lebih lanjut, yaitu uji akurasi dan kelengkapan terhadap pencarian foto yang telah berhasil dilakukan.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada LPPM dan Fakultas Teknik Universitas Udayana yang telah membantu pendanaan penelitian ini melalui skema Penelitian Unggulan Program Studi (PUPS) 2019.
DAFTAR PUSTAKA
[1] Andri, I., Pina, A., Ferrão, P., Fournier, J., Lacarrière, B., Corre, O. Le, & Yan, M. (2018). Deep Learning for Vehicle Speed Prediction. Energy Procedia, 152, 618–623. https://doi.org/10.1016/j.egypro.2018.09.220
[2] Beham, M. P., & Roomi, S. M. M. (2013). A review of face recognition methods. International Journal of Pattern Recognition and Artificial Intelligence, 27(4), 13560051–135600535. https://doi.org/10.1142/S0218001413560053
[3] Chowdhury, S., Sing, J. K., Basu, D. K., & Nasipuri, M. (2010). Feature extraction by fusing local and global discriminant features: An application to face recognition. In Computational Intelligence and Computing Research (ICCIC), IEEE International Conference (2010) (pp. 1–4).
[4] Dalal, N., & Triggs, B. (2005). Histograms of Oriented Gradients for Human Detection. In Computer Vision and Pattern Recognition, IEEE Computer Society Conference.
[5] Geitgey, A. (2016). Machine Learning is Fun! Part 4: Modern Face Recognition with Deep Learning. Medium.Com.
[6] Haykin, S. (2009). Neural Networks and Learning Machines Third Edition. Pearson Education (Vol. 3). New Jersey: Pearson Education. https://doi.org/978-0131471399
[7] Kang, H., & Shneideman, B. (2000). Visualization Methods for Personal Photo Collections : Browsing and Searching in the PhotoFinder. In IEEE International Conference on Multimedia and Expo (ICME) (Vol. 03, pp. 1539–1542).
[8] Kazemi, V., & Sullivan, J. (2014). One millisecond face alignment with an ensemble of regression trees. In Proceedings of the IEEE conference on computer vision and pattern recognition.
[9] Lei, Y., Chen, Y., Iida, L., Chen, B., Su, H., & Hsu, W. H. (2011). Photo Search by Face Positions and Facial Attributes on Touch Devices. In Proceedings of the 19th ACM international conference on Multimedia (pp. 651–654).
[10] Mohammed, A. A., & Sajjanhar, A. (2016). Experimental comparison of approaches for feature extraction of facial attributes.
International Journal of Computers and Applications, 38(4), 187–198.
https://doi.org/https://doi.org/10.1080/1206212X.2016.1207427
[11] Parkhi, O. M., Vedaldi, A., & Zisserman, A. (2015). Deep Face Recognition. BMVC, 1(3), 6.
[12] Pedregosa, F., Weiss, R., & Brucher, M. (2011). Scikit-learn : Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
[13] Schroff, F., Kalenichenko, D., & Philbin, J. (2015). FaceNet : A Unified Embedding for Face Recognition and Clustering. In Proceedings of the IEEE conference on computer vision and pattern recognition.
[14] Singh, S., & Prasad, S. V. A. V. (2018). Techniques and Challenges of Face Recognition : A Critical Review. Procedia Computer Science, 143, 536–543. https://doi.org/10.1016/j.procs.2018.10.427
[15] Summerfield, M. (2010). Programming in Python 3: A Complete Introduction to the Python Language. Addison-Wesley.
[16] Taigman, Y., Ranzato, M. A., Aviv, T., & Park, M. (2014). DeepFace : Closing the Gap to Human-Level Performance in Face Verification. In Conference on Computer Vision and Pattern Recognition (CVPR).
[17] Zhao, W., Chellappa, R., Phillips, P., & Rosenfeld, A. (2003). Face Recognition : A Literature Survey. ACM Computing Surveys, 35(4), 399–458.
Seminar Nasional Sains dan Teknologi (SENASTEK) – The International Conference on Science, Technology and Humanities (ICoSTH) Bali, Indonesia, 14-15 November 2019 Paper No. 042
042-1