OLEH:
ROMIZA ZILDJIAN
(2001020037)
DENPASAR 2023
i
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas selesainya
Makalah ini dengan judul: “Review Jurnal: 2D-3D Facial Image Analysis for Identification
of Facial Features Using Machine Learning Algorithms with Hyper-parameter
Optimization for Forensics Applications”. Atas dukungan moril dan materiil yang
diberikan selama penyusunan makalah, maka penulis mengucapkan terima kasih yang
sebesar–besarnya kepada:
1. Bapak I Made Artana, S.Kom., M.M. selaku Founder dan Rektor Primakara
University.
2. Bapak Made Raka Dwija Wiradiputra, S.Pd., M.Kom. selaku dosen pengampu
Mata Kuliah IT Forensics.
3. I Wayan Adi Sudirtayasa selaku teman yang sudah memberikan kontribusi
terhadap pemahaman soal deepfake dan system development.
Penulis menyadari bahwa makalah ini belumlah sempurna. Oleh karena itu, saran
dan kritik yang membangun dari rekan-rekan semua sangat dibutuhkan untuk
penyempurnaan makalah ini.
ii
DAFTAR ISI
iii
BAB I
PENDAHULUAN
6
7
BAB II
LANDASAN TEORI
8
9
d. Subnasale
Titik tengah di philtrum, di mana bibir atas bertemu dasar hidung.
e. Labrale Superius
Titik tengah bibir atas.
f. Stomion
Titik tengah antara bibir atas dan bawah saat mulut tertutup.
g. Cheilion
Titik terluar di sudut mulut.
h. Gnathion
Titik paling inferior di tengah pada dagu tulang.
Dengan menggunakan jarak-jarak yang diukur ini, rasio wajah yang berbeda seperti
lebar Inter canthal terhadap kelebaran bizygomatic, lebar mulut terhadap lebar mulut, tinggi
vermilion bibir atas terhadap tinggi vermilion bibir bawah dapat diperoleh.
10
11
2.4. Penelitian Sebelumnya pada Penelitian yang Ditinjau
Dalam penyusunan makalah ini, terdapat beberapa penelitian yang berkaitan
dengan jurnal yang di review, sebagaimana dijabarkan pada Tabel 2.2. dibawah ini:
Penelitian 1
Judul Penelitian Research on 3D Face Recognition Method based on LBP and SVM [2]
Penulis Liangliang Shi, Xia Wang, Yongliang Shen
Tahun 2020
Hasil Temuan Mengusulkan pendekatan yang menggabungkan LBP (Local Binary
Pattern) dan SVM (Support Vector Machine) untuk mengembangkan
sistem pengenalan wajah 3D. Penulis menggunakan algoritma LBP dan
klasifikasi SVM untuk ekstraksi fitur dan klasifikasi secara berturut-
turut. Hasilnya membuktikan bahwa algoritma ini memerlukan waktu
yang lebih sedikit, meningkatkan akurasi, lebih sedikit kompleks, dan
lebih cepat.
Penelitian 2
Judul Twins and Similar Faces Recognition using Geometric and Photometric
Penelitian Features with Transfer Learning [3]
Penulis Khalid Mohamed Nahar, Bilal Abul-Huda, Abeer Al. bataine
dan Ra'ed M. Al-Khatib
Tahun 2022
Hasil Temuan Metode Transfer Learning (TL) diterapkan dengan karakteristik
geometris dan fotometrik digunakan. Kombinasi fitur geometris dan
fotometrik menghasilkan akurasi sebesar 98%. Oleh karena itu, ada
kebutuhan akan lebih banyak data gambar kembar identik. Data Google
mencakup empat pasang kembar, masing-masing dengan 17 posisi
berbeda. Karakteristik fotometrik memberikan akurasi sebesar 96%.
Modalitas yang sudah ada, seperti sidik jari telapak tangan, wajah,
suara, dan lainnya, dapat digunakan dengan metode TL yang lain.
Penelitian 3
Judul Penelitian Component-based Face Recognition under Transfer Learning for
Forensic Applications [4]
Penulis Rupali Sandip Kute, Vibha Vyas, dan Alwin Anuse
Tahun 2018
Hasil Temuan Dua metode ekstraksi fitur digunakan untuk menciptakan sistem
pengenalan wajah 2D dengan menggunakan titik-titik fitur wajah yang
terdeteksi, kemudian menghitung jarak antara titik-titik tersebut
menggunakan Geodesic Distance (GD) dan Euclidean Distance (ED),
seperti dalam Geometri Riemannian dan Geometri Euclidean yang lebih
efisien untuk diimplementasikan dalam TL di IT Forensics.
Penelitian 4
Judul Penelitian Face Recognition with Convolutional Neural Network and Transfer
Learning [5]
Penulis Khawla Alhanaeea, Mitha Alhammadia, Nahla Almenhalia dan Maad
Shatnawi
Tahun 2021
Hasil Temuan Menghadirkan sistem kehadiran pengenalan wajah berbasis deep
learning. SqueezeNet, GoogleNet, dan AlexNet adalah tiga jaringan yang
digunakan. Wajah yang mirip atau tersembunyi tidak dikenali
menggunakan teknologi ini. Untuk meningkatkan kinerja, lebih banyak
model CNN yang sudah dilatih sebelumnya dapat digunakan.
Penelitian 5
Judul Penelitian Feature Fusion and Classifier Ensemble Technique for Robust Face
Recognition
Penulis Hamayun A. Khan
Tahun 2017
Hasil Temuan Mempertimbangkan teknik Classifier Ensemble dan Feature Fusion
untuk mengusulkan sistem pengenalan wajah yang dapat disesuaikan.
Untuk mencapai hasil klasifikasi yang ditingkatkan, mereka
menggunakan teknik Classifier Ensemble daripada hanya
menggunakan satu classifier. Jenis dan jumlah base classifier, jenis
fitur, dimensionalitas fitur yang dikumpulkan dalam ruang fitur, dan
teknik ensemble learning, adalah berbagai faktor yang memengaruhi
kinerja sistem klasifikasi yang diterapkan.
12
BAB III
METODE PENELITIAN
Pada alur penelitian yang dibuat, dibagi menjadi beberapa bagian yakni:
a. Image Preprocessing
Data wajah 2D diperoleh untuk menyediakan wajah yang "bersih" untuk deteksi
dan normalisasi. Dalam pendekatan yang diusulkan, gambar wajah awalnya
dipilih, dan operasi prapemrosesan seperti pemotongan dan penskalaan dilakukan
untuk menghasilkan kumpulan data gambar wajah.
b. Face Detection
Proses mendeteksi wajah manusia dalam sebuah gambar menggunakan
kumpulan dataset yang diperoleh. Mendeteksi wajah dalam foto sulit karena
temuan yang diidentifikasi didasarkan pada beberapa elemen, seperti lingkungan,
pencahayaan, gerakan, orientasi, dan emosi wajah.
13
c. Landmark Detection
Hal ini memungkinkan identifikasi landmark wajah yang akurat dan dapat
diandalkan. Beberapa gambar yang akurat dipetakan ke foto wajah individu untuk
mendapatkan pengukuran yang diperlukan. Pendekatan yang diusulkan
digunakan untuk menemukan dan mengekstrak fitur secara otomatis.
d. 3D Face Mesh Generation
Generasi mesh wajah 3D adalah proses pembuatan model yang
merepresentasikan bentuk dan topologi wajah seseorang. Proses ini melibatkan
penggunaan titik landmark pada wajah untuk membuat model 3D yang mencakup
detail geometris dan spasial.
e. Feature Extraction
Ekstraksi fitur adalah proses identifikasi dan pilihan ciri-ciri yang signifikan atau
karakteristik dari suatu data. Dalam konteks pengolahan citra atau analisis pola,
ekstraksi fitur berfokus pada pengidentifikasian atribut-atribut penting yang
dapat digunakan untuk merepresentasikan suatu objek atau pola.
f. Classification
Hasil klasifikasi didasarkan pada dua kelas gambar: SAMA dan BERBEDA. Fitur
berbasis rasio yang diekstraksi diberikan sebagai input ke beberapa klasifikasi
seperti XGBoost, AdaBoost, RF, NB, DT, LR, LGBM, ETC, SVM, dan NC classifiers guna
mengembangkan sistem yang sempurna untuk pengenalan wajah dan verifikasi
pelaku kejahatan yang mendukung serta meningkatkan penyelidikan forensik.
Dalam pembuatan model, penelitian ini menerapkan fine-tuning hyperparameter.
g. Evaluations
Hasil kinerja framework thinking yang diusulkan dievaluasi untuk akurasi adalah
tingkat error, recall, precision, dan F-measure.
14
BAB IV
PEMBAHASAN
4.1. Metode
Penelitian ini menganalisis gambar biometrik dengan menggunakan pengukuran
berbasis antropometrik dan morfometrik untuk menghasilkan bukti berdasarkan
pendapat ahli dengan pendekatan AI/ML untuk memberikan bukti lebih kuat.
Keputusan pencocokan yang benar di bawah variasi ekspresi wajah dan variasi pose
dalam lingkungan yang tidak terbatas dapat diperoleh dalam metode analisis forensik
pada ML yang diusulkan untuk mengenali wajah yang terlibat dalam kejahatan dan
penipuan serta mendukung penyelidikan kriminal oleh ahli sains forensik menjadi
mungkin. Sebuah kumpulan data yang terdiri dari 600 gambar wajah yang dikumpulkan
dari berbagai sumber (publik) termasuk wajah individu pria dan wanita, gambar-gambar
berbeda dari orang yang sama, kemiripan wajah, dan masalah-masalah lainnya
digunakan dalam penelitian yang diusulkan seperti yang ditunjukkan pada Gambar 4.1.
15
minat yang berkelanjutan dalam bidang ini terkait penemuan wajah, penentuan fitur
wajah, interpretasi foto wajah, dan identifikasi wajah. Analisis wajah melibatkan
penentuan dan pengukuran fitur wajah dalam sebuah gambar.
Selanjutnya, gambar wajah dianalisis untuk ekstraksi fitur dengan mengukur
jarak antara dua landmark menggunakan jarak Euclidean dan geodesik sepanjang kurva
wajah. Landmark sampel ditunjukkan pada Gambar 9 dan 10 karena annotasi manual
dari 468 titik cukup sulit. Selain itu, 32 jarak antara landmark diusulkan, termasuk Ft-Ft,
Tr-G, Enl-Enr, Exr-Enr, Exl-Enl, Sn-N, Prn-Sn, N-Prn, Ls-Gn, Ls-Li, Zy-Zy, Chl-Chr, Exl-Chl,
Exr-Chr, Exl-Prn, All-Chl, Alr-Chr, Alr-Prn, Alr-Sn, Ps-Pi, Ls-N, Sto-Sn, dan Gn-N. Gambar
9 dan 10, menunjukkan analisis gambar wajah menggunakan landmark antropometrik
dari berbagai wilayah wajah. Analisis gambar wajah yang dilakukan dalam ruang 3D
direpresentasikan di sini dengan mempertimbangkan gambar wajah 2D.
Menyetel hiperparameter dari algoritma pembelajaran mesin adalah tugas yang
memakan waktu, namun sangat penting. Pemilihan hiperparameter dapat secara
signifikan memengaruhi kinerja algoritma. Menentukan nilai hiperparameter yang tepat
untuk algoritma pembelajaran mesin tertentu dan dataset tertentu dikenal sebagai
penyetelan hiperparameter atau optimisasi hiperparameter. Optimisasi hiperparameter
adalah pemilihan set nilai hiperparameter ideal selama pelatihan model.
Hiperparameter digunakan untuk mengatur proses pembelajaran dan memiliki dampak
yang substansial pada efektivitas model pembelajaran mesin. Hasil model yang
digunakan dalam penelian yang di review adalah sebagai berikut:
16
4.3. Hasil Akurasi Model ML
Sebanyak 70% data dalam penelitian ini digunakan untuk pelatihan, sementara
30% digunakan untuk pengujian. Untuk mencapai tingkat akurasi terbaik, berbagai
teknik pembelajaran mesin, hiperparameter, dan metrik kinerja digunakan. Untuk
mengidentifikasi pelaku kejahatan dalam gambar wajah, kinerja beberapa
pengklasifikasi pembelajaran mesin terawasi diukur menggunakan data uji berdasarkan
matriks kebingungan menggunakan berbagai algoritma klasifikasi untuk dataset
tersebut. Berbagai metrik evaluasi digunakan untuk membenarkan analisis
perbandingan. Jumlah prediksi yang benar dan salah dihitung menggunakan matriks
kebingungan, yang disediakan oleh modul metrik sklearn dan digunakan untuk
mendapatkan presisi, recall, akurasi, dan metrik lainnya.
17
Gambar 4.3. menunjukkan Kurva ROC dari pengklasifikasi pembelajaran
mesin seperti XGBoost, AdaBoost, RF, NB, DT, LR, LGBM, ETC, SVM, dan NC, di
mana prediksi acak dengan AUC=0.5 ditentukan oleh garis putus-putus. Area di
Bawah Kurva (AUC) diterapkan dalam klasifikasi untuk menentukan model mana
yang memprediksi hasil terbaik. Menurut kurva ROC, XGBoost, AdaBoost, dan RF
memiliki kinerja lebih baik dibandingkan model lainnya dari segi AUC. Dalam
Gambar ini, area di bawah kurva (AUC) untuk XGBoost, AdaBoost adalah 0,74%,
Random Forest adalah 0,74%, Logistic Regression adalah 0,72%, Extra Tree
Classifier adalah 0,67%, Light Gradient Boosting Model adalah 0,60%, dan SVM
adalah 0,62%.
Gambar 4.4. menunjukkan grafik batang perbandingan akurasi dari
berbagai pengklasifikasi untuk kategori-kategori berbeda dari gambar wajah.
Evaluasi dan validasi kinerja serta analisis kualitas gambar wajah didasarkan
pada akurasi, spesifisitas, dan sensitivitas dari hasil eksperimen teknik yang
diusulkan. Hasil eksperimen menunjukkan bahwa XGBoost adalah model
klasifikasi terbaik yang memberikan akurasi terbaik (78%) untuk memprediksi
gambar wajah dibandingkan dengan pengklasifikasi lainnya seperti AdaBoost
(77%), RF (75%), NB (68%), DT (57%), LR (71%), LGBM (58%), ETC (57%), SVM (58%), dan
NC (62%).
18
4.4. Kesimpulan dan Saran dari Peneliti Aslinya
Masalah kesamaan wajah, seperti kemiripan dan kembar identik, terutama
dalam situasi kriminal, menjadi hambatan signifikan dalam penyelidikan forensik
dan deteksi. Metode yang diusulkan dalam karya ini mengenali wajah dengan
menggunakan gambar wajah 2D yang dikumpulkan dari web untuk
mengaproksimasi mesh wajah 3D menggunakan 468 landmark dari kerangka
media pipe, mengukur jarak Euclidean dan geodesik beserta rasio mereka, serta
menggunakan berbagai pengklasifikasi yang dapat memberikan keputusan
pencocokan yang benar dalam lingkungan yang tidak terbatas. Penggunaan
optimisasi hiperparameter untuk membandingkan kinerja pengenalan model
pembelajaran mesin secara statistik menunjukkan bahwa pengklasifikasi Extreme
Gradient Boosting (XGB) memberikan akurasi terbaik (78%) untuk memprediksi
gambar wajah dibandingkan dengan Adaptive Boosting (77%), Random Forest
(75%), Bernoulli Naive Bayes (68%), Decision Tree (57%), Logistic Regression (71%),
Light Gradient Boosting Model (58%), Extra Tree Classifier (57%), Support Vector
Machine (58%), dan Nearest Centroid (62%).
Mampu membedakan antara wajah-wajah yang mirip seperti kembar dan
kembar identik masih merupakan tantangan yang sulit, oleh karena itu studi masa
depan kami akan melibatkan pembangunan sistem FRS multimodal dengan
menggunakan berbagai modalitas untuk mengatasi tantangan tersebut.
Pekerjaan masa depan juga akan meneliti metode yang lebih dapat diandalkan
untuk meningkatkan akurasi dari penelitian ini dengan mengembangkan dataset
gambar wajah yang lebih besar dan klasifikasi terbaik.
19
BAB IV
PEMBAHASAN
20
DAFTAR PUSTAKA
21