Modifikasi Convolutional Neural Network untuk Klasifikasi Gambar Wajah Kembar Identik

Abstract

Tingkat kelahiran bayi kembar terekam cukup tinggi. Kembar monozigotik, atau juga disebut sebagai kembar identik, memiliki tingkat kemiripan wajah yang tinggi satu sama lain. Hal tersebut dapat mengelabuhi beberapa sistem pengenalan wajah yang ada pada teknologi saat ini, salah satunya dalam kunci layar ponsel. Beberapa penelitian dibidang yang sama menggunakan beragam model convolutional neural network (CNN) untuk mengatasi hal tersebut. Penelitian ini bertujuan untuk mengembangan model CNN yang dapat mengenali wajah kembar atau mirip non-kembar dengan lebih baik. Model CNN yang dibuat dimodifikasi dengan penambahan normalization layer pada tiap lapisan konvolusinya. Jenis normalization layer yang digunakan adalah batch normalization. Penelitian-penelitian yang telah ada menyebutkan bahwa penggunaan batch normalization dalam model mampu meningkatkan akurasi serta kecepatan pelatihan model CNN. Hal tersebut dikarenakan batch normalization membagi data input menjadi mini-batch sehingga model dapat mempelajari data dengan lebih cermat. Data gambar sepasang wajah kembar sebanyak 54 gambar berasal dari dataset wajah kembar, data gambar sepasang wajah mirip non-kembar sebanyak 35 gambar dan data gambar sepasang wajah berbeda sebanyak 50 gambar berasal dari internet. Model hanya memperoleh hasil precision sebesar 54% serta accuracy dan recall sebesar 26% dengan penggunaan batch normalization dalam validasi model CNN klasifikasi wajah kembar.