Implementasi Model Algoritma Generative Adversarial Network (Gan) Pada Sistem Presensi Berbasis Deteksi Wajah (SIDEWA)

Tati Suprapti; Dian Ade Kurnia; Doni Anggara; Rananda Deva Rian; Aldi Setiawan

doi:10.38204/tematik.v9i2.1048

Tati Suprapti STMIK IKMI Cirebon
Dian Ade Kurnia STMIK IKMI Cirebon
Doni Anggara STMIK IKMI Cirebon
Rananda Deva Rian STMIK IKMI Cirebon
Aldi Setiawan STMIK IKMI Cirebon

DOI: https://doi.org/10.38204/tematik.v9i2.1048

Keywords: Generative Adversarial Networks, Deep Learning, Epoch, Wajah

Abstract

Penelitian ini bertujuan untuk mengukur tingkat keberhasilan model algoritma Generative Adversarial Network (GAN) terhadap objek gambar wajah yang diimplemntasikan pada sistem presensi berbasis deteksi wajah di Kantor BPS Kota Cirebon. GAN terdiri dari dua jaringan terpisah, di antaranya ditargetkan satu sama lain. Kumpulan jaringan pertama adalah pengklasifikasi yang perlu dilatih untuk mengetahui apakah itu nyata atau salah, dan kumpulan jaringan kedua adalah generator yang menghasilkan sampel acak yang mirip dengan sampel nyata dan menggunakannya sebagai sampel palsu. GAN merupakan teknik deep learning yang digunakan untuk memproses data yang tidak terstruktur salah satunya gambar wajah. Beberapa tahapan dalam melakukan penelitian ini diantaranya adalah penyiapan dataset, pemrosesan data set, membuat model generator, membuat model diskriminator, menggabungkan model generator dan diskriminator , membuat proses training GAN dan menganalisis kemampuan generator dan diskriminator. Berdasarkan hasil eksperimen yang telah dilakukan pada sampel gambar wajah melalui 1000 epoch dengan 10 iterations setiap 1 epoch diperlukan waktu training selama 5 menit, dengan menghasilkan rata rata akurasi 66,06 %. Dari hasil dari proses training yang dilakukan, gambar yang diperoleh dapat dikatakan berhasil karena terlihat walaupun belum nampak dengan sangat jelas.

Kata Kunci : Generative Adversarial Networks, Deep Learning, Epoch, Wajah

Downloads

Download data is not yet available.

Author Biographies

Dian Ade Kurnia, STMIK IKMI Cirebon

Doni Anggara, STMIK IKMI Cirebon

Rananda Deva Rian, STMIK IKMI Cirebon

Aldi Setiawan, STMIK IKMI Cirebon

References

S. Guan and M. Loew, “Evaluation of Generative Adversarial Network Performance Based on Direct Analysis of Generated Images,” Proc. - Appl. Imag. Pattern Recognit. Work., vol. 2019-Octob, 2019, doi: 10.1109/AIPR47015.2019.9174595.

R. Mawan, “Klasifikasi motif batik menggunakan convolutional neural network,” J. Open Access Yayasan Lentera Dua Indones., vol. 1, pp. 45–50, 2020, doi: 10.36802/jnanaloka.

T. Mukhiddin, W. Lee, S. Lee, and T. Rashid, “Research issues on generative adversarial networks and applications,” Proc. - 2020 IEEE Int. Conf. Big Data Smart Comput. BigComp 2020, pp. 487–488, 2020, doi: 10.1109/BigComp48618.2020.00-19.

S. E. Awan, M. Bennamoun, F. Sohel, F. Sanfilippo, and G. Dwivedi, “Imputation of missing data with class imbalance using conditional generative adversarial networks,” Neurocomputing, vol. 453, pp. 164–171, 2021, doi: 10.1016/j.neucom.2021.04.010.

C. Min, Y. Li, L. Fang, and P. Chen, “Conditional Generative Adversarial Network on Semi-supervised Learning Task,” 2019 IEEE 5th Int. Conf. Comput. Commun. ICCC 2019, pp. 1448–1452, 2019, doi: 10.1109/ICCC47050.2019.9064268.

Z. J. Yu and S. C. Yang, “Research on the application of jigsaw generative adversarial network to face generation,” Proc. - 2020 Int. Symp. Comput. Consum. Control. IS3C 2020, pp. 26–29, 2020, doi: 10.1109/IS3C50286.2020.00014.

Prabhat, Nishant, and D. K. Vishwakarma, “Comparative Analysis of Deep Convolutional Generative Adversarial Network and Conditional Generative Adversarial Network using Hand Written Digits,” Proc. Int. Conf. Intell. Comput. Control Syst. ICICCS 2020, no. Iciccs, pp. 1072–1075, 2020, doi: 10.1109/ICICCS48265.2020.9121178.

M. Toshpulatov, W. Lee, and S. Lee, “Generative adversarial networks and their application to 3D face generation: A survey,” Image Vis. Comput., vol. 108, p. 104119, 2021, doi: 10.1016/j.imavis.2021.104119.

S. A. Israel et al., “Generative adversarial networks for classification,” Proc. - Appl. Imag. Pattern Recognit. Work., vol. 2017-Octob, pp. 23–26, 2018, doi: 10.1109/AIPR.2017.8457952.

K. X. Chen, Z. X. Zhao, and S. Yamane, “Enhanced Conditions Based Deep Convolutional Generative Adversarial Networks,” 2021 IEEE 10th Glob. Conf. Consum. Electron. GCCE 2021, pp. 663–665, 2021, doi: 10.1109/GCCE53005.2021.9621858.

V. B. Raj and K. Hareesh, “Review on Generative Adversarial Networks,” Proc. 2020 IEEE Int. Conf. Commun. Signal Process. ICCSP 2020, pp. 479–482, 2020, doi: 10.1109/ICCSP48568.2020.9182058.

K. Park, M. Chae, and J. H. Cho, “Image pre-processing method of machine learning for edge detection with image signal processor enhancement,” Micromachines, vol. 12, no. 1, pp. 1–13, 2021, doi: 10.3390/mi12010073.

N. Petrellis, “A Review of Image Processing Techniques Common in Human and Plant Disease Diagnosis,” Symmetry (Basel)., vol. 10, no. 7, p. 270, Jul. 2018, doi: 10.3390/sym10070270.

X. Yan, L. Wen, L. Gao, and M. Perez-Cisneros, “A Fast and Effective Image Preprocessing Method for Hot Round Steel Surface,” Math. Probl. Eng., vol. 2019, 2019, doi: 10.1155/2019/9457826.

K. He, J. Sun, and X. Tang, “Guided image filtering,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 35, no. 6, pp. 1397–1409, 2013, doi: 10.1109/TPAMI.2012.213.