Di era globalisasi, teknologi telah menjadi satu kesatuan dengan kehidupan kita sehari-hari. Hampir setiap kegiatan yang kita lakukan selalu terhubung teknologi, dimanapun dan kapanpun itu. Dimulai dari hal sederhana seperti mengirimkan pesan melalui aplikasi chatting di smartphone, membuka dan menutup garasi secara otomatis dengan memanfaatkan IoT, hingga melihat bayi di dalam kandungan menggunakan USG.
Teknologi yang semakin banyak dimanfaatkan ini akan terus menerus menghasilkan aliran data yang besar. Semakin banyak jumlah data yang dihasilkan, maka semakin sulit pula untuk menyimpan berbagai data secara manual. Akibatnya keamanan data akan menjadi lemah dan mudah diretas.
Incremental Learning adalah salah satu metode machine learning yang dapat digunakan dalam proses online learning, dimana memainkan peranan penting dalam mengatasi permasalahan ini. Incremental Learning merupakan metode yang dapat menangani data kapanpun data tersedia dan memastikan data digunakan oleh pihak yang berkepentingan. Salah satu aplikasi penting yang membutuhkan Incremental Learning adalah identifikasi orang yang berwenang terhadap data, atau yang lebih dikenal dengan person identification.
Sebagian besar person identification berbasis kata sandi atau password, yang mengharuskan pengguna untuk mengingat kombinasi username dan password. Namun Username dan password sangat mudah dibagikan, dilupakan, atau bahkan dicuri, sehingga dapat disalahgunakan oleh pihak yang tidak bertanggung jawab. Oleh karena itu, diperlukan bentuk identifikasi yang lebih aman.
Sistem karakteristik biometrik diperkenalkan untuk memecahkan masalah tersebut. Sistem biometrik adalah sistem teknologi yang mengidentifikasi seseorang dengan mengenali karakteristiknya, seperti wajah, sidik jari, iris mata, suara, dan lain sebagainya. Sistem ini kebanyakan hanya mengidentifikasi salah satu karakteristik saja alias karakteristik tunggal.
Namun identifikasi berdasarkan biometrik tunggal masih kurang efektif, mengingat banyaknya keterbatasan seperti data yang banyak noise dan serangan spoof. Oleh karena itu diperlukan metode Incremental Learning untuk person identification berbasis Multitask Learning. Multitask Learning menggunakan lebih dari satu karakteristik untuk pengenalannya, yang akan meningkatkan keamanan data.
Pada penelitian kami mengembangkan person identification berbasis Multitask Learning dengan menggunakan ekstraksi ciri dalam pengenalan citra. Metode ekstraksi ciri digunakan adalah Linear Discriminant Analysis (LDA) yang merupakan salah satu dari dua ekstraksi ciri yang popular. Dibandingkan metode popular lainnya yaitu Principle Component Analysis (PCA), LDA memberikan pemisahan kelas yang baik dan diperbarui secara bertahap menggunakan Incremental LDA (ILDA).
Karakteristik biometrik wajah dan sidik jari dipilih untuk meningkatkan kinerja dari Multitask Learning. Fitur wajah merupakan karakteristik biometrik yang paling menarik dan lebih akurat untuk person identification. Di sisi lain, sidik jari yang merupakan bentuk guratan-guratan kecil yang terstruktur, juga merupakan karakteristik biometrik yang unik dan konsisten untuk setiap individu.
Person identification berbasis Multitask Learning terdiri dari tiga tahap utama. Tahap pertama adalah pengenalan wajah, sedangkan tahap kedua adalah pengenalan sidik jari. Kedua karakteristik tersebut kemudian digabungkan menjadi domain yang sama pada tahap akhir untuk melakukan pengambilan keputusan.
Penelitian diawali dengan pengambilan dataset fitur wajah dan sidik jari dari orang coba secara manual. Dataset yang didapatkan sebanyak 50 orang untuk laki-laki dan perempuan. Sebanyak sepuluh gambar dari setiap orang diambil dengan perbedaan sudut, latar belakang dan kondisi pencahayaan. Sepuluh sidik jari setiap orang juga diperoleh dengan menggunakan pemindai printer.
Tahap berikutnya adalah pre-processing, dimana citra wajah dan sidik jari diubah dari citra RGB menjadi citra grayscale untuk meningkatkan kinerja pemrosesan citra. Setelahnya dataset ini dibagi menjadi 60% training set dan 40% testing data. Selanjutnya LDA diterapkan pada data awal. Proyeksi optimal dalam LDA diperoleh dengan meminimalkan jarak dalam kelas dan memaksimalkan jarak antar kelas secara bersamaan sehingga mencapai diskriminasi kelas maksimum. Sehingga diperoleh vektor-vektor yang secara maksimal memisahkan kelas-kelas dalam ruang fitur.
Data yang tersisa digunakan untuk memperbarui fitur oleh ILDA. Pada tahap ini, model ruang diskriminan diperbarui secara bertahap ketika data baru diberikan, yang berarti bahwa jarak dalam kelas dan jarak antar kelas diperbarui secara bertahap dengan data baru. Akurasi pengenalan dilakukan dengan menggunakan K-Nearest Neighbour (KNN) classifier. Algoritma ini digunakan untuk mengklasifikasikan objek berdasarkan template yang ada di database. KNN memiliki proses yang lebih cepat dan sederhana dibandingkan dengan metode lainnya.
Hasil yang diperoleh menunjukkan bahwa learning time ILDA lebih cepat daripada LDA. Akurasi pengenalan ILDA juga lebih unggul daripada LDA meskipun kumpulan data meningkat. Akurasi pembelajaran yang dievaluasi dengan menggunakan KNN mencapai lebih dari 80% untuk sebagian besar hasil simulasi. Berdasarkan hasil yang didapatkan, Multitask Learning berbasis wajah dan sidik jari dapat menjadi solusi baru untuk person identification. Di masa depan, sistem ini masih dapat ditingkatkan dengan menggunakan sensor yang lebih baik untuk semua karakteristik biometrik, tidak hanya terbatas pada fitur wajah dan sidik jari.
Penulis: Dr. Riries Rulaningtyas, S.T, M.T.
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://publisher.uthm.edu.my/ojs/index.php/ijie/article/view/6613
Annie Anak Joseph1, Edward Ijau Anak Pelias Pog, Kho Lee Chin, David Bong Boon Liang, Dyg Azra Awang Mat, Ngu Sze Song, Riries Rulaningtyas, “Online Person Identification based on Multitask Learning”
The International Journal of Integrated Engineering, Vol. 13 No. 2 (2021) 119 – 126 DOI: https://doi.org/10.30880/ijie.2021.13.02.014
