Sintesa Citra Wajah Menggunakan Generative Adversarial Network Untuk Augmentasi Data Pada Aplikasi Pengenalan Wajah

Revanda, Aldinata Rizky (2020) Sintesa Citra Wajah Menggunakan Generative Adversarial Network Untuk Augmentasi Data Pada Aplikasi Pengenalan Wajah. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111640000023-Undergraduate_Thesis.pdf]
Preview
Text
05111640000023-Undergraduate_Thesis.pdf

Download (4MB) | Preview

Abstract

Pengenalan wajah telah menjadi bidang penelitian yang populer dalam visi komputer dan banyak diaplikasikan di berbagai sektor. Tantangan dari aplikasi pengenalan wajah adalah jika dataset untuk pelatihan yang dimiliki terbatas maka tingkat pengenalan wajah akan menjadi kurang efektif. Generative Adversarial Network (GAN) merupakan salah satu metode pada Deep Learning yang mampu memodifikasi gambar (sintesa citra) dengan kualitas tinggi.
Tugas Akhir ini bertujuan untuk melakukan sintesa citra wajah menggunakan Generative Adversarial Network dan akan ditambahkan pada data latih pengenalan wajah sebagai bentuk augmentasi data. Metode GAN bertujuan untuk membuat representasi latent space dari citra wajah kemudian melakukan penyesuaian terhadap latent space untuk menambah gaya atau kondisi dari citra wajah awal. Kemudian variasi dari sintesa citra wajah tersebut ditambahkan pada dataset aplikasi pengenalan wajah untuk membantu pengumpulan dataset serta menambah efektivitas model classifier. Sistem yang dibangun memiliki dua proses utama yaitu Augmentasi Data dan Pengenalan Wajah. Pada proses Augmentasi Data memiliki 4 tahap yaitu praproses citra wajah, transfer learning dan implementasi GAN, penyesuaian latent space, serta pembentukan ulang citra wajah. Pada proses Pengenalan Wajah memiliki 4 tahap yaitu face detection and extraction, transfer learning VGG Face Net dan face embedding, pembuatan model pengenalan wajah dan fitting model, serta face classification.
Berdasarkan hasil uji coba yang telah dilakukan, model GAN yang baik untuk membuat representasi latent space adalah jenis pre-trained dari StyleGAN dengan menggunakan data latih dari dataset FFHQ yang mampu menghasilkan nilai loss mencapai 0,15. Metode penyesuaian latent space yang baik untuk menambah gaya atau kondisi adalah metode latent direction. Kemudian hasil sintesa citra wajah yang ditambahkan pada data latih pengenalan wajah sebagai bentuk augmentasi data mampu menaikkan akurasi model classifier untuk pengenalan wajah dari 0,74 menjadi 0,89.

Item Type: Thesis (Other)
Uncontrolled Keywords: Face Image Synthesis, Generative Adversarial Networks, Data Augmentation, Face Recognition, Sintesa Citra Wajah, Generative Adversarial Network, Augmentasi Data, Pengenalan Wajah
Subjects: Q Science > QA Mathematics > QA336 Artificial Intelligence
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Aldinata Rizky Revanda
Date Deposited: 25 Aug 2020 05:10
Last Modified: 23 Jun 2023 07:47
URI: http://repository.its.ac.id/id/eprint/80905

Actions (login required)

View Item View Item