Pengenalan wajah merupakan salah satu bidang penelitian paling aktif dari computer-vision. Pengenalan wajah dilakukan dengan mengidentifikasi ciri yang terdapat pada citra wajah. Citra wajah yang sering digunakan pada pengenalan wajah merupakan citra wajah tanpa oklusi. Selama pandemi virus COVID-19, penggunaan masker diwajibkan untuk mengurangi penyebaran virus. Penggunaan masker menjadikan citra wajah tertutupi sebagian atau terdapat oklusi. Untuk mengetahui apakah wajah yang terdapat oklusi dapat berpengaruh pada pengenalan wajah, dilakukan proses pengenalan wajah dengan mengikutsertakan metode Local Binary Pattern (LBP) terhadap citra wajah beroklusi masker. Penelitian dilakukan dengan menggunakan dataset ORL Face Database yang diberi oklusi berupa gambar masker. Proses penambahan jumlah data dilakukan dengan cara melakukan proses augmentasi sehingga jumlah data menjadi 2400. Dataset dibagi menjadi dua bagian yaitu 80% untuk data training dan 20% untuk data test. Terdapat tiga skenario uji coba untuk penelitian ini, yaitu uji coba menggunakan dataset asli, uji coba menggunakan dataset hasil LBP, dan uji coba penggabungan hasil feature learning dari dataset asli dan hasil feature learning dari dataset hasil LBP yang dimasukkan ke dalam fully connected layer milik CNN. Uji coba menggunakan dataset asli menghasilkan nilai rata-rata F1-Score tertinggi sebesar 99,18%. Uji coba menggunakan dataset hasil LBP menghasilkan nilai rata-rata F1-Score sebesar 89,28%. Uji coba menggunakan penggabungan hasil feature learning dari dataset asli dan hasil feature learning dari dataset hasil LBP menghasilkan nilai rata-rata F1-Score sebesar 98,71%. Dari hasil uji coba, dapat disimpulkan pengenalan wajah beroklusi masker dapat dilakukan dengan baik menggunakan metode CNN, dan penggunaan LBP pada pengenalan wajah beroklusi masker lebih baik dilakukan dengan cara penggabungan dengan hasil feature learning dari dataset asli.


Deskripsi Lain

Facial recognition is one of the most active research areas of computer-vision. Face recognition is done by identifying the features contained in the face image. Facial images that are often used in facial recognition are facial images without occlusion. During the COVID-19 virus pandemic, the use of masks is mandatory to reduce the spread of the virus. The use of masks makes the face image partially covered or there is occlusion. To find out whether a face that has occlusion can affect face recognition, a face recognition process is carried out by including the Local Binary Pattern (LBP) method on face images with mask occlusion. The study was conducted using the ORL Face Database dataset which was given an occlusion in the form of a mask image. The process of adding the amount of data is done by doing an augmentation process so that the number of data becomes 2400. The dataset is divided into two parts, namely 80% for training data and 20% for test data. There are three test scenarios for this research, namely trials using the original dataset, trials using the LBP dataset results, and the trial combining feature learning results from the original dataset and feature learning results from the LBP dataset results that are inserted into CNN's fully connected layer. . The trial using the original dataset resulted in the highest average F1-Score of 99.18%. The trial using the LBP dataset resulted in an average F1-Score of 89.28%. The trial using the combination of feature learning results from the original dataset and feature learning results from the LBP dataset resulted in an average F1-Score of 98.71%. From the test results, it can be concluded that face recognition with mask occlusion can be done well using the CNN method, and the use of LBP for face recognition with mask occlusion is better done by combining it with the result of feature learning from the original dataset.