Klasifikasi Jenis Kelamin Wajah Bermasker Menggunakan Algoritma Supervised Learning
Faisal Dharma Adhinata1, Jaenal Arifin2,*
1Fakultas Informatika, Rekayasa Perangkat Lunak, Institut Teknologi Telkom Purwokerto, Purwokerto, Indonesia
2Fakultas Teknik Telekomunikasi dan Elektro, Institut Teknologi Telkom Purwokerto, Purwokerto, Indonesia Email: 1faisal@ittelkom-pwt.ac.id, 2jaetoga@ittelkom-pwt.ac.id
Email Penulis Korespondensi: jaetoga@ittelkom-pwt.ac.id
Abstrak−Wajah manusia merupakan contoh data biometric unik yang dimiliki setiap orang. Wajah manusia mengandung banyak informasi, diantaranya adalah bentuk wajah, warna kulit, bentuk mata, bentuk hidung, bentuk mulut, dan beberapa atribut tambahan seperti jenggot, kumis, rambut, dan alis. Informasi biometric ini dapat digunakan untuk mendapatkan informasi lebih lanjut terkait identitas manusia itu sendiri. Pada penelitian ini menggunakan data sample citra wajah manusia berumur 20 sampai dengan 30 tahun. Tujuan penelitian ini mengklasifikasi jenis kelamin pada citra wajah manusia menggunakan masker, adapun algoritma yang digunakan menggunakan supervised learnig. Proses penelitian yang dilakukan mengumpulkan data sample wajah manusia, melakukan tahapan training yang meliputi resize wajah, simpan data dalam array, ekstrasi fitur menggunakan faceNet, trainning data dan gender model. Melakukan tahapan testing yang meliputi akusisi video data, ekstrasi video menjadi frame, frame video, deteksi wajah, resixe citra wajah, simpan data dalam array, ekstraksi fitur menggunakan faceNet dan prediksi penentuan jenis kelamin. Manfaat dari penelitian ini dapat memberikan informasi dalam menentukan jenis kelamin wajah manusia bermasker, menerapkan aplikasi algoritma surpervised learning pada pengolahan citra wajah manusia dan dapat diterapkan pada deteksi wajah dijalan raya, daerah publik dan pusat perbelanjaan. Berdasarkan pengujian menggunakan metode K-NN didapatkan nilai akurasi train diatas 87% dan akurasi test diatas 96%. Pengujian menggunakan metode SVM didapatkan akurasi train diatas 99% dan akurasi test diatas 98%. Pengujian menggunakan metode random forest didapatkan akurasi train 100% dan akurasi test diatas 88%.
Kata Kunci: Klasifikasi; Metode K-NN; Metode SVM; Metode Random Forest
Abstract−The human face is an example of the unique biometric data that each person has. The human face contains a lot of information, including face shape, skin color, eye shape, nose shape, mouth shape, and some additional attributes such as beard, mustache, hair, and eyebrows. This biometric information can be used to obtain further information regarding the human identity itself. In this study, sample data of human faces aged 20 to 30 years were used. The purpose of this study is to classify gender in human facial images using masks, while the algorithm used uses supervised learning. The research process carried out was collecting human face sample data, conducting training stages which included face resizing, storing data in arrays, feature extraction using faceNet, training data and gender models. Perform testing stages which include video data acquisition, video extraction into frames, video frames, face detection, facial image resixing, storing data in arrays, feature extraction using faceNet and prediction of gender determination. The benefits of this research can provide information in determining the gender of human faces with masks, apply the application of supervised learning algorithms to processing human face images and can be applied to face detection on highways, public areas and shopping centers. Based on testing using the K-NN method, the train accuracy value is above 87% and the test accuracy is above 96%. Testing using the SVM method obtained train accuracy above 99% and test accuracy above 98%. Tests using the random forest method obtained 100% train accuracy and test accuracy above 88%.
Keywords: Classification; K-NN method; SVM method; Random Forest Method
1. PENDAHULUAN
Biometric merupakan teknik yang mempelajari fisik atau tingkah laku manusia yang sering digunakan sebagai masukan pada pengenalan pola. Teknologi yang digunakan untuk masing-masing jenis biometrik tentunya berbeda- beda, beberapa telah dapat dilakukan dan dapat ditemui di pasaran namun beberapa masih dalam tahap penelitian.
Untuk penggunaan sebagai otentikasi, biometrik harus terlebih dahulu dimasukkan ke dalam database sebuah sistem atau program aplikasi. Dalam penggunaannya biometrik dapat digunakan untuk berbagai keperluan yang biasa, namun biometrik juga dapat digunakan untuk hal-hal yang bersifat rahasia. Biometrik sangat bagus dan berguna tetapi bukanlah sebuah kunci, karena tidak dapat disembunyikan, tidak dapat dilakukan pengacakan dan tidak dapat ditingkatkan atau dihancurkan Ada banyak penerapan teknologi biometrik yang sudah banyak berkembang saat ini.Wajah manusia merupakan contoh data biometric unik yang dimiliki setiap orang [1]. Wajah manusia mengandung banyak informasi, diantaranya adalah bentuk wajah, warna kulit, bentuk mata, bentuk hidung, bentuk mulut, dan beberapa atribut tambahan seperti jenggot, kumis, rambut, dan alis. Informasi biometric ini dapat diolah untuk mendapatkan informasi lebih lanjut pada diri seseorang. Perangkat lunak pengenalan wajah mengenali wajah seseorang setelah sebelumnya dilakukan proses pendeteksian wajah berdasarkan penanda-penanda tertentu seperti jarak antara mata, lebar hidung dan bentuk dari tulang pipi. Proses deteksi wajah (face detection) merupakan tahapan awal dari proses pengenalan wajah (face recognition) [2]. Salah satu isu terbesar teknologi pengenalan wajah adalah bahwa metode ini tidak seratus persen aman. Sistem-sistem tertentu dapat diretas dengan menggunakan foto target pengguna. Namun tidak semua sistim memiliki kelemahan. Aspek tunggal dan kenyamanan bukanlah masalah pada metode pengenalan wajah. Namun yang lebih penting dengan metode ini adalah perangkat lunak yang digunakan.
Secara spesifiknya perangkat lunak dapat digunakan untuk mengenali wajah pada berbagai kondisi pencahayaan
dan manakala pada wajah terdapat berbagai aksesoris seperti penggunaan antara lain kacamata dan topi.
Salah satu bidang ilmu pengolahan data biometric adalah melalui pengolahan citra. Pengolahan data biometric citra wajah dapat digunakan untuk menentukan jenis kelamin seseorang. Klasifikasi jenis kelamin seseorang menggunakan data citra wajah [3][4][5] menjadi topik menarik akhir-akhir ini. Beberapa kegunaan aplikasi klasifikasi jenis kelamin diantaranya, monitoring sistem keamanan [6], strategi marketing pusat perbelanjaan [7], pengawasan untuk target iklan [8], dan aplikasi human computer interaction [9][10]. Pada penelitian pengenalan jenis kelamin ini menggunakan data wajah keseluruhan. Namun, pada tahun 2019 sampai tahun 2021 ini pandemi coronavirus masih mewabah sejumlah negara, termasuk Indonesia [11]. Sebelum memakai masker, tentunya proses klasifikasi jenis kelamin sangat akurat [12] Oleh karena itu, penggunaan masker pada wajah ini memerlukan teknik khusus untuk klasifikasi jenis kelamin.
Tahap utama yang mempengaruhi hasil akurasi dan kecepatan pada sistem klasifikasi jenis kelamin adalah ekstraksi fitur dan teknik klasifikasinya. Salah satu metode ekstraksi fitur adalah menggunakan teknik transfer learning, yaitu menggunakan pre-trained model. Model arsitektur pre-trained model FaceNet digunakan untuk mengenali identitas wajah seseorang untuk absensi pegawai [13] dan absensi kehadiran dikelas [14] yang menghasilkan akurasi diatas 95%. Tahapan setelah ekstraksi fitur adalah klasifikasi berdasarkan fitur jenis kelamin.
Klasifikasi jenis kelamin adalah laki-laki dan perempuan, sehingga hanya ada dua kelas. Teknik machine learning yang sudah diketahui kelasnya menggunakan algoritma supervised learning. Penggunaan pre-trained model FaceNet dan beberapa algoritma klasifikasi supervised learning dapat diaplikasikan pada penelitian ini. Penulis mengkaji algoritma supervised learning KNN, Random Forest, dan SVM untuk mencari akurasi dan waktu pemrosesan optimal klasifikasi jenis kelamin manusia. Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia [15].
2. METODOLOGI PENELITIAN
Klasifikasi merupakan salah satu task analisis data dimana dibentuk dalam sebuah model (classifier) untuk menyatakan suatu objek ke salah satu kategori atau kelas yang sudah didefinisikan sebelumnya [16]. Klasifikasi data merupakan proses yang terdiri atas dua langkah. Pertama adalah tahap pelatihan (learning), dimana sebuah algoritma klasifikasi akan membentuk classifier dengan menganalisis atau belajar dari sekumpulan data latih.
Kedua, model yang terbentuk digunakan untuk mengklasifikasikan data uji. Akurasi dari sebuah classifier untuk sekumpulan data uji yang diberikan merupakan persentase dari data-data uji yang diklasifikasikan dengan benar oleh classifier. Klasifikasi dapat diartikan sebagai pekerjaan yang melakukan pelatihan atau pembelajaran terhadap fungsi target f yang memetakan setiap set atribut (fitur) x ke satu dari sejumlah label kelas y yang tersedia. Berikut Gambar 1 menjelaskan kerangka kerja pemodelan klasifikasi penelitian yang dilakukan.
Gambar 1. Kerangka kerja pemodelan klasifikasi
Pada gambar terlihat sejumlah data latih (x,y) untuk digunakan sebagai data membangun model. Model tersebut kemudian digunakan untuk memprediksi kelas dari data uji (x,y) sehingga diketahui kelas y yang sesungguhnya.
Model yang sudah dibangun pada saat pelatihan kemudian dapat digunakan untuk memprediksi label kelas data baru yang belum diketahui.
Penelitian ini menggunakan algoritma supervised learning sebagai bagian dari ilmu kecerdasan buatan [17].
Pada penelitian ini dilakukan proses pengumpulan data berupa citra wajah manusia bermasker. Citra wajah manusia (lak-laki dan perempuan) bermasker ini sebagai data input atau dataset yang merupakan data awal dari penelitian ini. Berikut Metode Penelitian yang digunakan pada penelitian ini.
Tahap Testing Tahap Training
Mulai
Input dataset wajah bermasker
(L dan P)
Training data dengan K-NN, SVM, atau
Random Forest Resize citra
wajah
Simpan data dalam array
Gender Model
Akuisisi Video Data
Ekstraksi video menjadi frame
Frame Video
Ekstraksi Fitur menggunakan FaceNet
Deteksi Wajah pada Frame Video
Resize citra wajah
Simpan data dalam array Ekstraksi Fitur menggunakan FaceNet Prediksi Jenis
Kelamin Hasil Jenis
Kelamin Selesai
Gambar 2. Desain metode klasifikasi yang diusulkan.
Pada penelitian ini ada 2 (dua) tahapan yang dilakukan yaitu tahapan training dan tahapan testing. Pada tahapan training dilakukan mentraining data masukan/input dari citra wajah bermasker yang terdiri dari lak-laki dan perempuan. Kemudian dilakukan pengolahan citra dengan resize citra wajah tersebut, selanjutnya dilakukan ekstraksi fitur, training data dengan K-NN, SVM, dan Random Forest. Pada proses akhir pada tahapan training didapatkan gender model. Pada tahapan testing dilakukan beberapa testing dari data citra yang sudah dikumpulkan.
Tahapan testing dapat dilakukan dengan akusisi video data, ekstrasi video menjadi frame, frame video, deteksi wajah pada frame video, resize citra wajah jika diperlukan, ekstrasi fitur dengan menggunakan faceNet. Pada tahap akhir pada testing didapatkan prediksi penentuan jenis kelamin pada citra wajah bermasker. Warna suatu objek memberikan berbagai informasi bagi manusia. Informasi tersebut dapat berupa informasi untuk proses mengidentifikasi suatu objek dan membedakan suatu objek dengan objek lainnya. Data original pada penelitian ini menggunakan data primer sebanyak 15 mahasiswa laki-laki, 15 mahasiswa perempuan, dan non-face. Data yang digunakan berwarna RGB (Red, Green, Blue). Informasi terkait RGB (Red, Green, Blue) adalah apabila setiap komponen RGB direpresentasikan dalam bentuk data citra 8 bit, maka sebuah citra RGB direpresentasikan menggunakan 24 bit data. Dapat dikatakan bahwa citra RGB memiliki kedalaman piksel sejumlah 24 bit. Berikut gambar 3 yang menunjukkan contoh data pada penelitian ini.
a. Akuisisi data dan pre-processing data
Laki-laki Laki-laki Perempuan Perempuan Non-face
Gambar 3. Contoh data pada penelitian ini
Pada gambar 3 menunjukkan bahwa data citra wajah bermasker terdiri dari laki-laki, perempuan, dan non- face. Data non-face ini tidak digunakan pada penelitian ini, sehingga dilakukan proses cleaning manual untuk dihapus. Data citra wajah bermasker merupakan data awal yang digunakan dalam penelitian ini. Pada data citra wajah bermasker tersebut tampak bahwa data diambil dengan posisi foto setengah badan. Selanjutnya dilakukan proses ekstraksi data wajah. Ekstraksi data wajah dapat dilakukan dengan segmentasi. Segmentasi citra merupakan proses untuk membagi atau memisahkan sebuah citra kedalam sub-sub bagian (regions) unsur pembentuknya.
Segmentasi citra menjadi salah satu tahap yang penting dalam kegiatan pengolahan citra, bahkan hasil segmentasi menentukan keberhasilan proses pengolahan citra. Pengolahan citra yang dimaksud disini dapat berupa proses klasifikasi atau pengenalan. Hasil data cleansing dan pre-processing berupa area wajah dengan ukuran yang seragam, yaitu 160 x 160. Berikut gambar 4 yang menunjukkan contoh hasil cleansing dan pre-processing.
Laki-laki Laki-laki Perempuan Perempuan Gambar 4. Contoh hasil cleansing dan pre-processing
Pada gambar 4 menunjukkan hasil data cleansing dan pre-processing pada citra wajah bermasker. Hasil ini merupakan proses penting pada penelitian ini. Hasil cleansing dan pre-processing harus mendapatkan ukuran yang seragam pada masing-masing subjek. Hasil cleasing dan precessing ini dapat dijadukan acuan pada proses selanjutnya.
b. Ekstraksi fitur
Pada penelitian ini menggunakan FaceNet [18] pretrained model sebagai ekstraksi fitur data wajah hasil pre- processing. FaceNet merupakan model yang ditemukan oleh peneliti tim Google yang berbasis deep learning Convolutional Neural Network (CNN). FaceNet biasanya digunakan sebagai pengenalan wajah atau klasifikasi wajah yang digunakan sebagai teknik ekstraksi fiturnya. Metode ini akan memetakan setiap wajah ke dalam ruang Euclidean yang dikenal dengan istilah embedding sehingga dapat dihitung jarak kedekatan atau similaritas dari wajahnya. Jika wajah memiliki similaritas tinggi, berarti kemiripan wajah data testing dengan database semakin mirip, begitu juga sebaliknya [18]. Pada FaceNet terdapat triplet loss function yang membagi citra-citra menjadi tiga bagian, yaitu citra anchor, positif, dan negative. Pada penelitian ini, anchor yang semakin dekat dengan positif berarti semakin dekat kemiripannya (laki-laki dengan laki-laki, atau perempuan dengan perempuan). Sebaliknya untuk anchor yang dekat dengan negatif, berarti semakin jauh kemiripan jenis kelaminnya. Gambar 5 menunjukkan contoh triplet loss function. Wajah yang mempunyai jenis kelamin sama (laki-laki dengan laki-laki, dan perempuan dengan perempuan) akan memiliki fitur yang sama, sehingga anchor akan mirip dengan citra positif. Sebaliknya ketika berbeda jenis kelaminnya, maka fitur-fiturnya akan semakin tidak mirip dan menhasilkan citra negatif.
Anchor positif anchor negatif
Gambar 5. Contoh ilustrasi triplet loss function c. Klasifikasi
Pada penelitian ini menggunakan supervised machine learning untuk mengklasifikasikan jenis kelamin berdasarkan wajah yang memakai masker. Jumlah kelas pada penelitian ini menggunakan dua kelas, yaitu laki-laki dan perempuan. Penggunaan supervised machine learning pada penelitian ini akan dianalisis akurasi training dan testing yang menggunakan metode K-NN, SVM, dan Random Forest. Pada penelitian ini, metode K-NN akan diuji akurasinya dengan kombinasi nilai K dan algoritma jaraknya. Kemudian metode SVM akan diuji akurasinya dengan parameter kernel SVM. Selanjutnya, metode Random Forest akan diuji akurasinya dengan kombinasi jumlah pohon dan criterionya. Hasil pengujian ini untuk mendapatkan model terbaik dengan akurasi terbaik.
3. HASIL DAN PEMBAHASAN
a. Hasil training menggunakan data citra
Pada penelitian ini penulis menggunakan 3 (tiga) metode supervised learning, yaitu K-NN, SVM dan Random Forest. Model terbaik hasil klasifikasi ini akan digunakan untuk proses matching pada tahap testing. Berikut hasil eksperimen menggunakan metode K-NN. Data yang digunakan pada masing-masing percobaan menggunakan 15 data perempuan dan 15 data laki-laki. Masing-masing mempunyai identitas yang berbeda, sehingga terdapat 30 identitas orang. Semua data training berupa data citra.
Tabel 1 menunjukkan eksperimen dengan menggunakan metode K-NN. Pemilihan nilai K menggunakan angka ganjil karena jumlah kelas yang digunakan adalah genap, yaitu laki-laki dan perempuan. Dari hasil eksperimen tersebut dilakukan evaluasi dari akurasi yang dihasilkan berdasarkan kombinasi nilai K dan algoritma jarak yang digunakan. Hasil terbaik diperoleh menggunakan nilai K=1 dan menggunakan jarak Euclidean Distance yang menghasilkan akurasi train dan test 100%.
Tabel 1. Eksperimen metode K-NN
Nilai K Algoritma Jarak Akurasi Train (%) Akurasi Test (%)
1
Euclidean Distance Manhattan Distance
100 99,75
100 99,5
3
Euclidean Distance Manhattan Distance
99,25 99,25
99 99
5
Euclidean Distance Manhattan Distance
99 98,75
99 98
7
Euclidean Distance Manhattan Distance
98,75 99
98 98
9
Euclidean Distance Manhattan Distance
98 98,25
97 98
Kemudian untuk pengujian menggunakan SVM, kami menganalisis penggunaan kernel SVM untuk mengevaluasi hasil akurasi train dan test. Berikut hasil eksperimen dengan menggunakan metode SVM, seperti ditunjukkan pada Tabel 2.
Tabel 2. Eksperimen metode SVM
Kernel SVM Akurasi Train (%) Akurasi Test (%)
RBF 99,25 99
Polynomial 99,5 100
Linear 100 100
Berdasarkan hasil eksperimen, penggunaan kernel linear menghasilkan akurasi 100% pada tahap training dan testing. Hasil terbaik digunakan untuk testing menggunakan data video. Berikut eksperimen dengan menggunakan metode Random Forest ditunjukkan pada Tabel 3.
Tabel 3. Eksperimen metode Random Forest
Jumlah Pohon Criterion Akurasi Train (%) Akurasi Test (%)
Gini 100 89
10 Entropy 100 95
Gini 100 94
20 Entropy 100 95
Gini 100 96
30 Entropy 100 97
Gini 100 97
40 Entropy 100 99
Gini 100 98
50 Entropy 100 100
Evaluasi metode Random Forest menggunakan kombinasi jumlah pohon dan parameter criterion. Hasil terbaik diperoleh menggunakan jumlah pohon 50 dan criterion entropy. Selanjutnya proses pengaplikasian menggunakan data video.
Tahapan ini dimulai dengan akusisi data video melalui kamera webcam. Video yang didapatkan kemudian diekstraksi menjadi frame-frame, yang kemudian dilakukan proses cleaning (segmentasi data) dengan mengambil pada area wajah menggunakan Haar Cascade classifier. Kemudian wajah yang terdeteksi dilakukan pre-processing resize, lalu menyimpannya dalam bentuk array (list). Sama halnya dengan tahap training, proses ekstraksi fitur juga menggunakan FaceNet model. Hasil ekstraksi fitur ini digunakan untuk matching dengan model terbaik yang dihasilkan pada tahap training. Pada tahap akhir testing dapat digunakan untuk memprediksi penentuan jenis kelamin laki-laki dan perempuan pada wajah yang menggunakan masker.
b. Aplikasi web penerapan data video
Pembuatan aplikasi berbasis web ini menggunakan library dari Python, yaitu flask. Library flask ini mampu menghubungkan bahasa pemrograman Python dengan pemrograman web seperti HTML dan CSS. Aplikasi klasifikasi jenis kelamin wajah bermasker dimulai dengan menu login. Pada menu tampilan awal dapat dilakukan login untuk masuk ke sistem. Isikan username dan password untuk login. Namun pada aplikasi yang kami kembangkan belum terhubung ke database, sehingga untuk masuk ke dalam sistem dapat dilakukan dengan klik tombol LOGIN. Gambar 7 menunjukkan hasil deteksi jenis kelamin dari aplikasi yang dibuat.
Gambar 6. Tampilan hasil deteksi jenis kelamin
Terdapat pilihan menggunakan web camera atau kamera lainnya pada dropdown pemilihan input data kamera.
Selanjutnya dilakukan analyze. Pada menu ini muncul penentuan klasifikasi wajah bermasker laki-laki atau perempuan. Pada gambar 6 tampilan menu face gender recognition menunjukkan bahwa deteksi yang diperoleh adalah wajah bermasker dengan identitas laki-laki atau male.
4. KESIMPULAN
Berdasarkan pengujian yang sudah dilakukan dapat disimpulkan bahwa penerapan algoritma supervised learning dapat bekerja dengan baik untuk klasifikasi wajah bermasker dilihat dari hasil akurasi yang diperoleh. Klasifikasi ini membedakan jenis kelamin laki-laki atau perempuan ketika wajah manusia tersebut menggunakan masker. Pada sistem pengenalan jenis kelamin wajah bermasker, hasil training terbaik masing-masing metode (K-NN, SVM, Random Forest) digunakan sebagai testing pada data video. Pada penelitian ini pengukuran yang dilakukan termasuk pengukuran akurasi, menghitung kecepatan deteksi pada setiap frame. Model yang paling akurat dan tercepat dapat digunakan pada deployment website menggunakan library flask pada python. Berdasarkan pengujian yang telah dilakukan didapatkan nilai pengujian menggunakan metode K-NN nilai akurasi train diatas 87% dan akurasi test diatas 96%. Pengujian menggunakan metode SVM didapatkan akurasi train diatas 99% dan akurasi test diatas 98%. Pengujian menggunakan metode random forest didapatkan akurasi train 100% dan akurasi test diatas 88%. Untuk penelitian selanjutnya, diharapkan dapat menambahkan data sample wajah bermasker lebih banyak lagi yang dapat diklasifikasikan dengan menggunakan algoritma yang dapat dikombinasikan, seperti menggunakan CNN dan Support Vector Machine.
UCAPAN TERIMAKASIH
Terima kasih kepada semua pihak yang mendukung terlaksananya penelitian ini, yaitu; Kementrian Komunikasi dan Informatika Republik Indonesia, pengajar pada pelatihan data science yang diadakan oleh Kominfo, mahasiswa Institut Teknologi Telkom Purwokerto yang telah berkontribusi dalam penyediaan data penelitian.
REFERENCES
[1] D. L. I. Candradewi, B. N. Prastowo, “Gender Classification from Facial Images Using Support Vector Machine,” Journal of Theoretical and Applied Information Technology, vol. 97, pp. 2684–2692, 2019.
[2] F. D. Adhinata, N. Annisa, F. Tanjung, W. Widayat, and G. R. Pasfica, “Comparative Study of VGG16 and MobileNetV2 for Masked Face Recognition,” vol. 7, no. 2, pp. 230–237, 2021, doi: 10.26555/jiteki.v7i2.20758.
[3] G. D. K. Kishore and B. Mukamalla, “Detecting human and classification of gender using facial images MSIFT features based GSVM,” International Journal of Recent Technology and Engineering, vol. 8, no. 3, pp. 1466–1471, 2019, doi:
10.35940/ijrte.B3782.098319.
[4] M. V. G. Azzopardi, A. Greco, “Gender Recognition from Face Images Using a Fusion of SVM Classifier,” in International Conference on Image Analysis and Recognition, 2016, pp. 533–538, doi: 10.1007/978-3-319-41501-7.
[5] S. C. Satapathy, K. S. Raju, K. Shyamala, D. R. Krishna, and M. N. Favorskaya, Advances in Decision Sciences, Image Processing, Security and Computer Vision: International Conference on Emerging Trends in Engineering (ICETE), Vol. 2.
Springer International Publishing, 2019.
10.1109/INMIC.2011.6151483.
[7] E. O. G. Ö. Özbudak, M. Kirci, Y. Çakir, “Effects of the facial and racial features on gender classification,” in Proceedings of the Mediterranean Electrotechnical Conference - MELECON, 2014, pp. 26–29, doi: 10.1109/MELCON.2010.5476346.
[8] I. K. Timotius and I. Setyawan, “sing edge orientation histograms in face-based gender classification,” in And, International Conference on Information Technology Systems Innovation, ICITSI 2014 - Proceedings, 2014, pp. 93–98, doi:
10.1109/ICITSI.2014.7048244.
[9] P. K. S. R. Sarkar, S. Bakshi, “A Real-time Model for Multiple Human Face Tracking from Low-resolution Surveillance Videos,” in Procedia Technology, 2012, pp. 1004–1010, doi: 10.1016/j.protcy.2012.10.122.
[10] A. Kaur and B. V. Kranthi, “Comparison between YCbCr Color Space and CIELab Color Space for Skin Color Segmentation,” International Journal of Applied Information Systems (IJAIS), vol. 3, pp. 30–33, 2012.
[11] W. H. Organization, “WHO Coronavirus Disease (COVID-19) Dashboard | WHO Coronavirus Disease (COVID-19) Dashboard,” 2021. .
[12] Y. C. A. Swaminathan, M. Chaba, D. K. Sharma, “Gender Classification using Facial Embeddings: A Novel Approach,” in Procedia Computer Science, 2020, pp. 2634–2642.
[13] F. Cahyono, W. Wirawan, and R. Fuad Rachmadi, “Face Recognition System using Facenet Algorithm for Employee Presence,” pp. 57–62, 2020, doi: 10.1109/icovet50258.2020.9229888.
[14] T. Nyein and A. N. Oo, “University Classroom Attendance System Using FaceNet and Support Vector Machine,” in 2019 International Conference on Advanced Information Technologies (ICAIT), Nov. 2019, pp. 171–176, doi:
10.1109/AITC.2019.8921316.
[15] E. Prasetyo, “Data mining konsep dan aplikasi menggunakan matlab,” Yogyakarta: Andi, 2012.
[16] R. A. Asmara, B. S. Andjani, U. D. Rosiani, and P. Choirina, “Klasifikasi Jenis Kelamin Pada Citra Wajah Menggunakan Metode Naive Bayes,” Jurnal Informatika Polinema, vol. 4, no. 3, p. 212, 2018, doi: 10.33795/jip.v4i3.209.
[17] A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian Journal on Computer and Information Technology), vol. 5, no. 1, pp. 75–82, 2020, doi: 10.31294/ijcit.v5i1.7951.
[18] F. Schroff, D. Kalenichenko, and J. Philbin, “FaceNet: A unified embedding for face recognition and clustering,” in 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Jun. 2015, pp. 815–823, doi:
10.1109/CVPR.2015.7298682.
