Optimasi Rekonstruksi Dan Pengenalan Wajah Berbasis Generative Adversarial Network (GAN) Dan CNN

Salamun Salamun; Stephen  Scorpianus Ryanto; Ira Puspita Sari

doi:10.58794/jekin.v4i3.1081

Authors

Salamun Salamun Universitas Abdurrab
Stephen Scorpianus Ryanto Universitas Abdurrab
Ira Puspita Sari Universitas Abdurrab

DOI:

https://doi.org/10.58794/jekin.v4i3.1081

Keywords:

Generative Adversarial Network , Rekonstruksi, Convolutional Neural Network

Abstract

Generative Adversarial Network (GAN) adalah algoritma berbasis deep learning yang serbaguna dan semakin banyak digunakan di era modern, khususnya dalam bidang pengolahan citra. Salah satu fungsi utama GAN adalah melakukan rekonstruksi gambar wajah dengan memanfaatkan fitur data yang diekstrak dari sebuah dataset. Dalam proses ini, model generator GAN menghasilkan gambar sintetik berkualitas tinggi yang dirancang untuk menipu model discriminator. Dalam penelitian ini, algoritma GAN digunakan untuk rekonstruksi gambar wajah berdasarkan dataset Human Faces. Gambar hasil rekonstruksi ini kemudian dianalisis lebih lanjut menggunakan algoritma Convolutional Neural Network (CNN) untuk proses pengenalan wajah. Penelitian ini bertujuan untuk: (1) mengembangkan model rekonstruksi wajah berbasis GAN, (2) mengevaluasi kinerja algoritma GAN dalam menghasilkan gambar sintetik, dan (3) mengimplementasikan CNN untuk mengenali gambar wajah hasil rekonstruksi. Evaluasi terhadap hasil rekonstruksi GAN dilakukan dengan menggunakan metrik performa seperti Structural Similarity Index (SSIM), Peak Signal-to-Noise Ratio (PSNR), dan Mean Squared Error (MSE). Hasil evaluasi menunjukkan bahwa model GAN menghasilkan performa yang menjanjikan dengan rata-rata Generator Loss sebesar 0.392516, Discriminator Loss 1.389985, Generator L1 Loss 0.0005, dan Generator Total Loss 6.949564. Selain itu, hasil rekonstruksi dinilai memiliki kualitas tinggi dengan PSNR sebesar 28.611917, SSIM 0.952875, dan MSE 16.426186. Di sisi lain, algoritma CNN berhasil mengenali gambar wajah hasil rekonstruksi dengan tingkat akurasi yang baik. Dengan integrasi GAN untuk rekonstruksi dan CNN untuk pengenalan wajah, penelitian ini membuktikan potensi keduanya dalam pengolahan citra wajah, terutama pada aplikasi yang membutuhkan hasil berkualitas tinggi dan kemampuan identifikasi yang andal. Hasil ini dapat menjadi dasar untuk pengembangan teknologi rekonstruksi dan pengenalan wajah di masa depan.

Downloads

Download data is not yet available.

References

Ahmed, A. A., Ali, W., Abdullah, T. A. A. and Malebary, S. J. 2023. Classifying Cardiac Arrhythmia from ECG Signal Using 1D CNN Deep Learning Model. MDPI. doi: https://doi.org/10.3390/math11030562

Al-Adhaileh, M. H., Verma, A., Aldhyani, T. H. H. and Koundal, D. 2023. Potato Blight Detection Using Fine-Tuned CNN Architecture. MDPI. doi: https://doi.org/10.3390/math11061516

Alqahtani, H., Kavakli-Thorne, M. and Kumar, G. 2019. Applications of Generative Adversarial Network (GANs): An Updated Review. Archives of Computational Methods in Engineering. doi: https://doi.org/10.1007/s11831-019-09388-y

Bakurov, I., Buzzelli, M., Castelli, M., Schettini, R. and Vanneschi, L. Parameter Optimization of the Structural Similarity Index. Society for Imaging Science and Technology. doi: https://doi.org/10.2352/issn.2694-118X.2020.LIM-13

Du, B., Ren, X., Chen, S., Ren, K. and Cao, D. 2019. Image Super-Resolution and Deblurring Using Generative Adversarial Network. Proceedings of the 2019 8th International Conference on Computing and Pattern Recognition. doi: https://doi.org/10.1145/3373509.3373547

Erakin, M.E., Demir, U. and Ekenel, H.K. 2021. On Recognizing Occluded Faces in the Wild. arXiv (Cornell University). doi: https://doi.org/10.48550/arXiv.2109.03672

Gong, Y., Liu, G., Xue, Y., Li, R. and Meng, L. 2023. A Survey on Dataset Quality in Machine Learning. Information and Software Technology, 162, pp. 107268-107268. doi: https://doi.org/10.1016/j.infsof.2023.107268

Jalolov, T.S. 2023. Solving Complex Problems in Python. American Journal of Language, Literacy and Learning in STEM Education (2993-2769), [Online] 1(9), pp. 481-484. Available at: https://grnjournal.us/index.php/STEM/article/view/1584/1363

Khaleel, M., Ahmed, A.A. and Alsharif, A. 2023. Artificial Intelligence in Engineering. Brilliance: Research of Artificial Intelligence, 3(1), pp. 32-42. doi: https://doi.org/10.47709/brilliance.v3i1.2170

Li, L., Mu, X., Li, S. and Peng, H. 2020. A Review of Face Recognition Technology. IEEE Access, 8, pp. 139110-139120. doi: 10.1109/ACCESS.2020.3011028

Lium, O., Yong, B.K., Antonios, D. and Theoharis, T. 2021. Robust 3D Face Reconstruction Using One/Two Facial Images. Journal of Imaging [Online] 7(9), pp. 169-169. doi: https://doi.org/10.3390%2Fjimaging7090169.

Lu, P., Song, B. and Xu, L. 2020. Human Face Recognition Based on Convolutional Neural Network and Augmented Dataset. Systems Science & Control Engineering, 9(sup2), pp. 29-37. doi: https://doi.org/10.1080/21642583.2020.1836526

Mahmoud, M.H. and Kang, H. 2023. GANMasker: A Two-Stage Generative Adversarial Network for High-Quality Face Mask Removal. Sensors, 23(16), pp. 7094-7094. doi: https://doi.org/10.3390/s23167094

Nestor, A., Lee, A.C.H., Plaut, D.C. and Behrmann, M. 2020. The Face of Image Reconstruction: Progress, Pitfalls, Prospects. Trends in Cognitive Sciences, 24(9), pp. 747-759. doi: https://doi.org/10.1016/j.tics.2020.06.006

Taye, M.M. 2023. Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions. Computation, 11(3), pp. 52-52. doi: https://doi.org/10.3390/computation11030052