Estimasi Umur Pada Citra Wajah Manusia Menggunakan Support Vector Regression dan Fitur Berbasis Tekstur

Jesy S Amelia, Wahyono,S.Kom.,Ph.D

2022 | Tesis | MAGISTER ILMU KOMPUTER

Estimasi umur dilakukan menggunakan metode ekstraksi fitur berbasis tekstur. Hal ini dikarena berbagai informasi dapat diperoleh dari area wajah dengan pemanfaatan tekstur dari wajah seperti kerutan pada mata dan pipi yang dapat digunakan untuk memprediksi umur. Beberapa tahapan yang dilakukan untuk estimasi umur, diantaranya: prapemerosesan yang terdiri dari dua tahapan yaitu mengubah warna citra menjadi keabu-abuan serta mengubah ukuran citra menjadi seragam yakni pada ukuran 120x120 piksel, 140x140 piksel, 160x160 piksel hingga 180x180 piksel. Kemudian dilakukan tahapan ekstraksi fitur/ ciri, metode yang digunakan terdiri dari tiga jenis yaitu BSIF, LPQ dan LBP serta penggabungannya, yakni BSIF+LPQ, BSIF+LBP dan LPQ+LBP menggunakan fungsi concatenate/penggabungan. Untuk data citra wajah estimasi umur menggunakan citra wajah hasil face-age.zip melalui pengunduhan dengan menggunakan wajah laki-laki dan perempuan dengan umur 1-70 tahun dengan citra yang digunakan sejumlah 12.162 untuk data pelatihan dan 3.040 untuk data pengujian dengan menggunakan PCA dan Metode SVR didalam estimasi umur. Diperoleh hasil bahwa estimasi umur memberikan hasil terbaik ketika menggunakan citra berukuran 160x160 piksel menggunakan metode BSIF+LPQ dengan PCA 70 dan SVR menggunakan kernel RBF dengan tingkat MAE (error) yang dihasilkan sebesar 9,8 pada prediksi usia dengan pembulatan nilai usia prediksi keatas dan 9,8 pada prediksi usia dengan pembulatan nilai prediksi usia kebawah.

Age estimation was performed using an extraction method based on texture. This is intended because a variety of information can be obtained from facial areas by utilizing facial textures, such as wrinkles on the eye and cheek, which can be used to predict age. Several stages are carried out for age estimation, including pre-processing, which consists of two steps, namely, grayscale image and resizing image to be uniform, at a size of 120x120 pixels, 140x140 pixels, 160x160 pixels to 180x180 pixels. Then the feature extraction stage is carried out, the method used consists of three types: BSIF, LPQ, and LBP and their combination, BSIF+LPQ, BSIF+LBP, and LPQ+LBP, using the concatenate function. For age detection using face-age.zip dataset face images through downloading. They are faces of men and women age 1-70 years, with 12,162 images used for training and 3,040 for testing using PCA or without PCA and SVR for age estimation. The results show that age estimation gives the best results when using a 160x160 pixels image using the BSIF+LPQ method with PCA 70 and SVR using the RBF kernel with an MAE (error) rate of 9,8 for age estimation rounded up and 9,8 for age estimation rounded down.

Kata Kunci : Estimasi Umur,Preprocessing,Ekstraksi Fitur,Support Vector Regression(SVR),BSIF,LPQ,LBP,PCA