Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI)

Implementasi Kombinasi Metode Mean Denoising dan Convolutional Neural Network pada Facial Landmark Detection Udayana, I Putu Agus Eka Darma; Supartha, I Kadek Dwi Gandika
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol 10, No 1 (2021)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v10i1.29779

Abstract

Facial landmark detectionmerupakan bagian dari facial recognition,bertujuan untuk mengidentifikasi titik fokus pada wajah berdasarkan ciri penampakan bagian wajah yang cenderung menonjol, seperti area mata, hidung, bibir, serta tulang pipi. Facial landmark detection sering diimplementasikan pada bidang pengenalan wajah, prediksi pose wajah, rekonstruksi wajah 3 dimensi, serta pengembangan sistem deteksi kelelahan karyawan berdasarkan ekspresi wajah. Seiring bertambahnya ketersediaan citra wajah dan kebutuhan proses komputasi yang cepat, metode Convolutional Neural Network (CNN) diimplementasikan pada facial landmark detection. Namun beragamnya kualitas citra menyebabkan CNN kurang optimal dalam melakukan deteksi. Oleh karena itu guna mengatasi permasalahan terkait kualitas citra ini, diimplementasikan metode mean denoising sebagai upaya peningkatan nilai akurasi CNN dalam melakukan pendeteksian landmark wajah. Dataset citra wajah diperoleh dari platform Kaggle, LFW-People, AFLW200 dan Female Facial Image Dataset, dengan total sebanyak 2.050 citra wajah, dan terbagi menjadi 2.000 data latih dan 50 data uji. Berdasarkan hasil pengujian, kombinasi metode CNN dengan mean denoising menghasilkan peningkatan akurasi yang lebih baik dalam pengenalan objek pada wajah pada kualitas citra yang heterogen dengan rata-rata akurasi pengujian sebesar 81,33%.Akurasi yang cukup baik ini didapatkan karena citra wajah masukan dilakukan penghilangan noise terlebih dahulu sehingga fitur dari citra yang seringkali menyebabkan sistem CNN salah dalam mengidentifikasi objek pada wajah dapat diminimalisir.
Implementasi Kombinasi Metode Mean Denoising dan Convolutional Neural Network pada Facial Landmark Detection I Putu Agus Eka Darma Udayana; I Kadek Dwi Gandika Supartha
Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI Vol. 10 No. 1 (2021)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v10i1.29779

Abstract

Facial landmark detectionmerupakan bagian dari facial recognition,bertujuan untuk mengidentifikasi titik fokus pada wajah berdasarkan ciri penampakan bagian wajah yang cenderung menonjol, seperti area mata, hidung, bibir, serta tulang pipi. Facial landmark detection sering diimplementasikan pada bidang pengenalan wajah, prediksi pose wajah, rekonstruksi wajah 3 dimensi, serta pengembangan sistem deteksi kelelahan karyawan berdasarkan ekspresi wajah. Seiring bertambahnya ketersediaan citra wajah dan kebutuhan proses komputasi yang cepat, metode Convolutional Neural Network (CNN) diimplementasikan pada facial landmark detection. Namun beragamnya kualitas citra menyebabkan CNN kurang optimal dalam melakukan deteksi. Oleh karena itu guna mengatasi permasalahan terkait kualitas citra ini, diimplementasikan metode mean denoising sebagai upaya peningkatan nilai akurasi CNN dalam melakukan pendeteksian landmark wajah. Dataset citra wajah diperoleh dari platform Kaggle, LFW-People, AFLW200 dan Female Facial Image Dataset, dengan total sebanyak 2.050 citra wajah, dan terbagi menjadi 2.000 data latih dan 50 data uji. Berdasarkan hasil pengujian, kombinasi metode CNN dengan mean denoising menghasilkan peningkatan akurasi yang lebih baik dalam pengenalan objek pada wajah pada kualitas citra yang heterogen dengan rata-rata akurasi pengujian sebesar 81,33%.Akurasi yang cukup baik ini didapatkan karena citra wajah masukan dilakukan penghilangan noise terlebih dahulu sehingga fitur dari citra yang seringkali menyebabkan sistem CNN salah dalam mengidentifikasi objek pada wajah dapat diminimalisir.