Deteksi Wajah Menggunakan Metode Convolutional Neural Network (CNN)

Wajah adalah bagian dari manusia yang sudah menjadi ciri khas yang sangat kuat sehingga wajah menjadi identitas penting bagi manusia. Permasalahan yang sering muncul dalam studi kasus face detection atau deteksi wajah antara lain yaitu tingkat keakuratan dari hasil deteksi wajah. Dalam kemampuannya deteksi wajah dapat mengidentifikasi posisi wajah serta jumlah wajah yang ada pada gambar. Dengan ini Kemampuan yang dimiliki oleh deteksi wajah sangat membantu, terutama dikalangan industri seperti sistem smartphone saat ini yang sudah menggunakan sensor pengenalan wajah untuk keperluan keamanan. Pada penelitian tugas akhir ini mengusulkan arsitektur Cascade yang dibangun diatas metode Convolutional Neural Networks (CNN). Adapun kelebihan dari metode ini adalah terdapat tahapan calibration yang dapat langsung dilakukan proses klasifikasi untuk menentukan
kategori wajah. Arsitektur Cascade ini terdiri dari dua tahapan utama CNN, yaitu tahapan untuk mengklasifikasi detection window yang termasuk dalam kategori
wajah. Dari hasil klasifikasi terebut akan dilakukan tahapan selanjutnya yaitu tahapan Calibration, tahapan ini dilakukan untuk memperbaiki posisi dari detection window
dengan jumlah kandidat yang terbatas. Dataset yang digunakan adalah Face Detection Data Set and Benchmark (FDDB) yang terdiri dari 2845 citra beranotasi. Adapun parameter yang dignakan pada saat uji coba seperti jumlah epoch, batch size, dan learing rate. Pada net classification jumlah epoch 200, batch size 255, dan learing rate 0.001. Pada net calibration jumlah epoch 200, batch size 255, dan learning rate 0.01 Dengan adanya penelitian tugas akhir ini, dapat
diketahui tingkat akurasi yang dihasilkan dari deteksi wajah berdasarkan nilai dari F1 Score 65.8%, Precision 62.8%, dan Recall 72.3%.