Perancangan Embedded System untuk Verifikasi Kekerabatan Berbasis 3D Resnet-18 Menggunakan Jetson Nano

Abstract

Pengenalan wajah telah berkembang pesat dengan menerapkan berbagai metode dan algoritma. Pengenalan wajah (face recognition technology) adalah salah satu teknologi berbasis kecerdasan buatan AI (Artificial Intelligence) yang dapat mengkarakterisasi wajah melalui gambar, video, atau elemen audiovisual apa pun dari wajah manusia. Dalam praktiknya, pengenalan wajah menggunakan informasi dari wajah. Teknologi pengenalan wajah dapat digunakan secara luas di berbagai bidang seperti kedokteran, kesehatan, robotika, dan mengemudi otonom. Permasalahan yang menarik adalah verifikasi kekerabatan berbasis citra wajah, Verifikasi kekerabatan berbasis citra wajah sangat berguna untuk aplikasi, salah satunya digunakan untuk penyelidikan kriminal, analisa silsilah, analisa pustaka, bahkan juga untuk interaksi komputer dan manusia, verifikasi kekerabatan ini berbasis citra wajah akan memprediksi kekerabatan dari kedua citra wajah tersebut (Rachmadi and Purnama 2018). Analisa dan pemodelan citra wajah merupakan salah satu riset aktif di bidang visi komputer dan biometrika, terutama di era internet dan big data. Aplikasi yang luas ini, pembelajaran kekerabatan juga dimotivasi oleh tujuan jangka panjang dari visi komputer untuk melampaui pemahaman entitas visual (misalnya, “wajah siapa ini?”) supaya bisa menyelidiki hubungan dua atau tiga di antara beberapa entitas visual, misalnya, menjawab pertanyaan seperti apakah seorang anak dalam foto milik orang tua dan sebenarnya. Perancangan sistem pengenalan wajah pada verifikasi kekerabatan dapat menerapkan metode Convolutional Neural Network (CNN). CNN merupakan algoritma Deep Learning yang dapat mengambil gambar input, menetapkan kepentingan berbagai objek dalam gambar dan dapat membedakan satu dari yang lain. Terdapat banyak kasus tentang CNN yang masih dalam tahap pengembangan hingga saat ini. Dalam pengujian kinerja ResNet-18 untuk verifikasi kekerabatan dengan menggunakan berbagai optimizer, jumlah epoch yang berbeda, dan batch size yang berbeda, ditemukan bahwa model tersebut mampu mencapai akurasi training yang sangat tinggi, yaitu sebesar 0.9771, saat menggunakan optimizer RMSprop dengan epoch 30 dan batch size 25. Hasil dari pengujian kinerja real time ResNet18 untuk verifikasi kekerabatan dengan menggunakan berbagai optimizer dan ukuran batch size yang berbeda, ditemukan bahwa optimizer SGD berhasil pada ukuran batch size 10, 15, dan 25. Namun, pada pengujian di perangkat Jetson Nano, optimizer RMSprop gagal karena ukuran model yang terlalu besar membutuhkan lebih banyak memori daripada yang tersedia pada perangkat GPU.